基于RBF神經(jīng)網(wǎng)絡(luò)的手繪電氣草圖識別研究.pdf

1、CAD技術(shù)由于其簡單快捷、存儲方便等諸多優(yōu)點(diǎn)使得它在眾多領(lǐng)域的設(shè)計(jì)中有著不可替代的作用,它能夠大大提高設(shè)計(jì)質(zhì)量、縮短設(shè)計(jì)周期、共享設(shè)備資源和增強(qiáng)數(shù)據(jù)處理能力。但是它主要應(yīng)用于設(shè)計(jì)的后期階段,對于設(shè)計(jì)過程中的靈感捕捉,思維探索幫助不大,不能滿足設(shè)計(jì)早期階段的需要。但紙上草圖也有它自身的缺陷,缺少“設(shè)計(jì)記憶”,對設(shè)計(jì)方案難以存儲、整理、搜索和重用,尤其缺少有效的互動(dòng)交互性能。因此研究能夠?qū)⒓埞P的手繪草圖和計(jì)算機(jī)結(jié)合起來的設(shè)計(jì)工具是設(shè)計(jì)師們所

2、希望的,具有十分重要的意義。電路圖設(shè)計(jì)在CAD技術(shù)中是一個(gè)非常重要的領(lǐng)域。
　　本文針對CAD技術(shù)的缺陷,對手繪電氣草圖在線識別技術(shù)進(jìn)行了深入研究。并對手繪電氣草圖在線識別的關(guān)鍵部分做了探討和實(shí)驗(yàn)。本文工作主要如下:
　　1.研究了面向RBF神經(jīng)網(wǎng)絡(luò)分類器的手繪電氣草圖兩級特征的選擇和提取方法,定義了手繪電氣草圖的結(jié)構(gòu)特征和關(guān)系特征,并將其應(yīng)用到手繪電氣草圖的特征提取當(dāng)中。特征的提取和選擇是手繪電氣草圖識別中最關(guān)鍵的部分,特

3、征提取的好壞將直接影響識別效果。本文采用最佳逼近能力的RBF神經(jīng)網(wǎng)絡(luò)對手繪電氣草圖進(jìn)行在線識別。所以選擇類間距離大,而類內(nèi)方差小的特征能夠取得很好的識別效果。本文對手繪電氣符號的結(jié)構(gòu)進(jìn)行仔細(xì)觀察分析,發(fā)現(xiàn)了面向RBF神經(jīng)網(wǎng)絡(luò)分類器的手繪電氣草圖的不變性可分性特點(diǎn)即手繪電氣草圖由一些基本筆劃順次構(gòu)成且這些基本筆劃之間存在著一定的約束關(guān)系;并將順次構(gòu)成手繪電氣草圖的基本筆劃特征定義為結(jié)構(gòu)特征,將構(gòu)成手繪電氣草圖的這些基本筆劃之間的約束關(guān)系定

4、義為關(guān)系特征。將結(jié)構(gòu)特征作為分類識別系統(tǒng)中的一級特征,專門預(yù)留0或1開頭的兩位十進(jìn)制數(shù)作為其編碼;將關(guān)系特征作為分類識別系統(tǒng)中的二級特征,專門預(yù)留2或3開頭的兩位十進(jìn)制數(shù)作為其編碼。并相應(yīng)給出結(jié)構(gòu)特征和關(guān)系特征的提取算法。
　　2.改進(jìn)了RBF神經(jīng)網(wǎng)絡(luò)的中心學(xué)習(xí)方法。常用的RBF神經(jīng)網(wǎng)絡(luò)聚類算法的中心學(xué)習(xí)一般使用K均值算法,這種方法對初始聚類中心敏感,使得算法結(jié)果不夠精確,甚至無法收斂。本文提出的改進(jìn)學(xué)習(xí)方法能夠克服上述提到的缺點(diǎn)

5、,并能充分利用了訓(xùn)練樣本信息,有效降低了孤立點(diǎn)對聚類效果的影響和提高聚類效率。
　　3.提出了一種用RBF神經(jīng)網(wǎng)絡(luò)組成的特殊的兩級串聯(lián)的分類系統(tǒng)。在模式識別中分類器的設(shè)計(jì)也是非常關(guān)鍵的技術(shù)。本文通過對多級分類器集成技術(shù)的分析,提出了一種用RBF神經(jīng)網(wǎng)絡(luò)組成的特殊的兩級串聯(lián)的分類系統(tǒng)。兩級分類器均采用RBF神經(jīng)網(wǎng)絡(luò)。第一級分類器用作預(yù)分類,第二級分類器用作細(xì)分類。預(yù)分類采用一個(gè)RBF神經(jīng)網(wǎng)絡(luò),用一級特征作為預(yù)分類的輸入特征向量;細(xì)分