基于自组织神经网络的特征识别

第39卷 第1期吉林大学学报(工学版)

Vol.39 No.12009年1月

Journal o f Jilin U niv ersity (Engineering and T echnolo gy Edition)

Jan 2009

收稿日期:2007 05 18.

基金项目:国家自然科学基金项目(60573182);吉林省科技发展计划项目(20060527,20040531);中国高等学校博士

学科点专项科研基金项目(20060183042).

作者简介:易荣庆(1976 ),男,博士研究生.研究方向:几何约束求解,CAD/CAM 集成.E mail:y ir q2003@https://www.360docs.net/doc/dc12453492.html, 通信作者:李文辉(1956 ),男,教授,博士生导师.研究方向:几何约束求解,虚拟现实,图形学,CA D/CA M 集成.

E mail:liw h@https://www.360docs.net/doc/dc12453492.html,

基于自组织神经网络的特征识别

易荣庆1,2,李文辉1,2,王 铎1,2

(1.吉林大学计算机科学与技术学院,长春130012; 2.吉林省电力有限公司,长春130021)

摘 要:针对CAD 、CAM 中的特征识别问题,在特征的属性邻接图表达方法的基础上,根据特征建立的历史过程提出了特征森林的概念,作为识别的启发式信息。采用自组织神经网络识别特征。依据识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化方法。实验实例证明了本文方法的有效性,从而为特征识别和维护提供了一种新的有效方法。

关键词:计算机应用;特征识别;属性邻接图;自组织神经网络

中图分类号:T P319.72 文献标识码:A 文章编号:1671 5497(2009)01 0148 06

Feature recognition based on self organized neural network

YI Rong qing 1,2,LI Wen hui 1,2,WANG Duo 1,2

(1.Colleg e o f Comp uter Science and T echnolog y ,J ilin Univ er sity ,Changchun 130012,China;2.J ilin E lectr ic P ower Comp any ,Changchun 130021,China)

Abstract:The concept of featur e forest based on the Attr ibuted A djacency Graph (AAG)and the histo ry of featur es creation w as presented.The feature forest w as used as the heuristic information to recog nize the interacting features.Self org anized neural netw o rk w as employed as the reco gnizer.After the AAG breaks dow n,the input dimension of the neural w as dy namically calculated according to the sub graphs,and an alg orithm of the vector ization w as pr ovided.Case study validates the pro posed m ethod,w hich prov ides a new appro ach for the feature recog nition and maintenance.Key words:computer application;featur e r ecognitio n;attributed adjacency gr aph;self o rganized neural net

特征识别就是从产品的实体模型出发自动识别出具有一定工程语义的几何体,特征识别技术的目的就是从设计模型中提取出制造特征。目前,主要有基于规则、图、痕迹(H int)、体分解、神经网络等的特征识别方法

[1]

。

基于规则的特征识别技术通过产生式规则描

述特征边界信息。每个产生式定义了一组谓词逻辑,构建专家系统。通过边界信息与特征规则进行匹配,识别出特征。通过添加产生式规则系统识别的特征种类可以动态扩充,易于维护;可以较好识别出孤立的特征。但该类特征识别技术主要缺陷是规则匹配耗时,效率不高;由于特征相交引

第1期易荣庆,等:基于自组织神经网络的特征识别

起的几何、拓扑元素变异,导致原规则无效;无法识别相交特征[2]

。

基于属性邻接图(Attributed Adjacency Gr aph,AAG)的图特征识别技术最早由S.Joshi 和T.C.Chang 提出[3]

。图中的结点表示面,结点之间的弧表示相应面的公共边,弧还记录了邻接面之间的凸凹性。为了减少图搜索空间,S.Joshi 提出的搜索策略中将AAG 中的凸面及与凸面连接的弧删除,使原图变为分离的子图,每个子图即对应一种特征。为了防止特征遗漏,基于AAG 的特征识别技术对于单节点型凸面特征如通孔、倒角等要单独处理。为处理相交特征,在AAG 模型的基础上研究者又做了很多扩展如多属性邻接图(Multi Attributed A djacency Graph)[4]、扩展属性面邻接图(Ex tended Attributed Adjacency Gr aph )[5]

、隐式凹面图(Implicit Concave Gr aph)[6]。基于图的特征识别技术从实体模型中直接提取图形信息,易于实现,能够为CAD 、CAM 提供归一化的特征识别方法;新添加的特征类型不会影响原有系统的运行,易于组件化。

该类特征识别的主要缺点是子图的搜索匹配耗时,特别是在处理相交特征时,如果没有充分的启发式算法,识别效率会很低。但相交特征的处理能力是衡量特征识别算法优劣的重要指标,作者在分析特征属性邻接图的基础上,根据特征的生成过程,建立特征森林,作为启发式信息,可以快速判断出相交特征。采用自组织网络进行特征识别,针对识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化算法。

1 几何元素命名

属性邻接图定义为三元组G ={N ,A ,T }。其中:N 表示结点的集合,对于零件的每个表面F i ,都有唯一的结点N i 与之对应;A 表示弧的集合,对于零件的每两个相邻表面F i 、F j 都有唯一的弧A c 与之对应;T 为A 的属性,对于A 中的每个A c 都有一属性值与之对应,如果该边对应的两个面形成凹面,则属性值为0,如果两个面形成凸面,则属性值为1。图1是特征体及其AAG 表示(虚线表示凹边,实线代表凸边)

。

(a)特征实例(b)AAG 表示

图1 特征实例和AAG Fig.1 Feature example and AAG

AAG 除了记录几何元素的拓扑信息外,还记录了面面之间的凹凸信息,凹凸信息可以指导原始AAG 图进行分解,减少搜索空间,但由于特征交叉改变了原来的面面之间的关系,使一些面发生缺失或断裂。图1是两个通槽相交的情形,F 8、F 9、F 10构成的槽破坏了原槽的基面完整性,使其分裂成F 7、F 11两个面,为了恢复被破坏掉的面,文献[5]通过对相交特征的分类给出了虚联接的概念并给出了虚边产生的条件。通过虚联接可以使F 7、F 11重新合并成一个面,从而识别出槽特征。

由图1可知,恢复缺失的面信息是识别相交特征的重要步骤,如果能在特征的建立过程中对

几何元素赋予恰当的标识,通过标识可以反映出

该元素的建立过程,对解决相交特征的判定具有重要指导意义。Bidarra 等[7]把拓扑元素的命名和辨识归结为目前基于历史的参数化特征造型系统需要解决的六大问题之一,陈正鸣等[8]通过检查被引用元素和被辨识元素间的影响特征集、影响面集以及非影响面集是否存在子集关系进行拓扑元素的辨识。本文针对特征模型的建立过程,建立一个分层的面元素命名体系结构。

用一个联合体来表达名称信息。结构如下:FaceId ={FeatureId,FaceIndex ,ChildId,ChildN um ,Status};其中FeatureId 是根据特征的生成过程记录的编号,FaceIndex 是特征体内

149

吉林大学学报(工学版)第39卷

部面编号,ChildId 是面分裂后的子面信息,ChildN um 是子面的个数,Status 表示该面的状态。(虚面、实面、合并面)特征体的名称信息以森林的形式存储,每个特征对应一棵子树。定义1 特征树中的某个面由于其他特征的加入而被破坏,称这样的面为虚面,在特征树中对应一个虚节点。

定义2 如果两个面F 1、F 2具有相同的FeatureId ,则称F 1、F 2为准特征面。

定义3 特征树中的叶子节点全部为虚节点,称这样的特征为消失特征。

图2中的F 1、F 2、F 3是一个槽的三个面。该特征为初始特征,编号为1,则F 1、F 2、F 3的名称分别为F 1={1,1,0,0,1};F 2={1,2,0,0,1};F 3={1,3,0,0,1}。继续添加槽特征,F 1

面被分裂

(a)特征实例

a

(b )特征实例

b

(c)特征实例c

图2 特征实例Fig.2 Feature exam ple

成两个面F 4、F 5,新生成3个面F 6、F 7、F 8,根据生成规则F 4={1,1,0,0,1};F 5={1,2,0,0,1};

F 6={2,1,0,0,1};F 7={2,2,0,0,1};F 8={2,3,0,0,1}。由于F 1面被分裂,名称需要调整为F 1

={1,1,(F 4,F 5),2,0}。继续添加通孔特征生成圆柱面F 9,F 9={3,1,0,0,1}。

特征森林的建立是生成与调整的过程,新加入的特征会影响到原有特征的属性,甚至使某些特征消失。特征森林建立过程:

step1特征编号。每个特征对应一个整数编号,按特征的加入顺序自动维护。

step2每个新加入的特征生成一棵特征多叉树,特征体与结果物体做布尔运算,考察新结果物体面变化情况,做如下更新操作:

(1)面分裂:新结果物体中的某个面发生分裂,则将对应的节点变为虚节点;在虚节点上插入分裂后的面信息,特征号继承父节点的特征号,置Status 为虚面。

(2)面和并:新结果物体中的某几个面和并为一个面,则将对应的节点变为虚节点,置Status 为合并面。

图3为图2对应的特征森林。其中F 1为虚

面。

图3 特征森林Fig.3 Feature forest

2 特征的自组织神经网络识别

在特征识别模型中属性邻接图表示成邻接矩阵对应问题描述,邻接矩阵中各个行列值对应输入层,而将矩阵对应的特征描述作为输出层节点,代表识别结果。网络模型按照学习方式分为有教师指导和无教师指导两种,有教师指导学习需要准备训练数据,在训练过程中根据输入、输出间的映射关系调整权值。无教师指导学习不需要额外的训练数据,网络通过自组织的方式对输入数据分类。无教师指导学习的网络结构更加符合人脑的特点。同时,虽然特征的个数有限,但各种特征相互交叉形成的组合特征是无限的,不可能提供训练数据涵盖所有的特征模型。自组织映射(Self Or ganizing Feature M aps,SOFM )

[9]

算法

150

第1期易荣庆,等:基于自组织神经网络的特征识别

作为一种聚类无教师指导学习算法,是通过模拟人脑对信号处理的特点而发展起来的一种人工神经网络。其中的WT A (Winner T akes All)竞争机制反映了自组织学习最根本的特征。

2.1 SOFM 基本原理

SOFM 网络结构如图4所示,它是由输入层和竞争层组成的全连接网络,模型样本由具有n 个分类指标的样本组成,如果特征相似的样本在n 维空间比较接近,那么这些样本就构成一类,在n 维空间形成一个集群。当输入样本分属多个类时,n 维空间就会呈现出多个集群状分布的特点。每个集群代表一个类型,集群的中心就是类型的聚类中心。通过类聚类中心的距离与给定阀值的比较判断样本的归属。根据学习规则,通过对输人模式的反复学习,识别各个输入模式中所含的模式特征,并对其进行自组织,识别结果在竞争层输出。网络通过对输入模式的反复学习可以使权重向量空间与输入模式的概率分布趋于一致。获胜神经元有关的各权重朝着更有利于它竞争的方向调整,即以获胜神经元为圆心,对近邻的神经元表现出激励,而对远邻的神经元表现出抑制。如图5所示在收到外界刺激时,刺激最强的地方形成一个墨西哥帽,在墨西哥帽区域内神经元权向量会自动调节,直到与输入向量的某一最大分量

相重合为止。

图4 SOM 网络结构Fig.4 Network structure of

SOM

图5 墨西哥帽函数Fig.5 Mexican hat function

2.2 特征向量

由于神经网络只能以符号或数字作为输入

元,而特征是含有凹凸信息的AAG 图。故必须将图形映射成符号信息。Nezis 等[10]

用6 6邻接矩阵作为图形的存储结构,并将其转化为一个20维的向量,对应20个神经元的输入,实现了AAG 子图的矢量化。但Nezis 的方法只考虑了AAG 图中本身蕴含的几何拓扑信息,对特征相交考虑不足,不能解决有公共底面或辅面的交叉特征。

作者提出了一种新的矢量化方法,在矢量化的过程中,充分考虑了特征森林中蕴含的几何信息,以准特征面为处理单位,增加虚边,恢复由于相交而丢失的面信息。同时剔除消失特征,减少搜索空间。

定义4 连接关系传递性:如果某一个面F i

与面集F ={F 1,F 2,!}相连接,则其父面也与F i 相连。

算法如下:

Step1初始化

(1)扫描AAG 图,将不存在凹边的面组成子图,剔除只与凸边连接的节点,获得各连通子图。

(2)遍历各子图中的节点,将特征森林中与节点FeatureId 相同的节点加入到一个集合中。形成准特征面集S ={s 1,s 2!}。

(3)令M 为S 中最大元素的个数。则输入向量V 的维数设为N =M (M -1)/2。V i =-1,(i =1,2,!,N )

Step2:向量赋值Repeat

(1)取集合S 中第i 个节点(i =1,2,!,M);如果F i 为真实面则转2.2;为虚拟面转2.3。

(2)若N i 与N j 之间存在一条边且V i ?-1

则V i =1;i ++;否则V i =-1,(i ?j ;j =1,2,!,M )。

(3)Repeat

令N i =N i 子节点,转2.2。Until N i 子节点=NU LL 。

Until S=NU LL 。通孔、倒角等特征在A AG 中表现为凸面,且通常只有一个组成面,称之为单节点型特征。所以在初始化的第(1)步中将不存在凹边的面组成凸面集,作为被选特征进行矢量化。

在初始化第(2)步中具有相同FeatureId 的面被放到一个集合中,使对AAG 子图的搜索更有针对性。在向量赋值第(3)步中通过连接关系

151

吉林大学学报(工学版)

第39卷

传递性的定义使虚面作为特征向量的一部分,加强了对相交特征的处理能力。上述向量赋值过程可用下三角矩阵中的元素的赋值过程来说明,图2(b)的AAG 经过初始化第(1)步分裂后形成子图{F 2,F 3,F 4,F 5,F 6,F 7,F 8}(连接关系为2-5-7-6-8-4-3);通过比较FeatureId 吸收F 1形成准特征面集{F 1,F 2,F 3,F 4,F 5,F 6,F 7,F 8};取F 1、F 1为虚节点,取F 1的子节点F 4,F 4的邻接节点为F 8、F 3;F 1子节点F 5,F 5的邻接节点为F 2、F 7,对特征向量赋值结果如图6(a )所示。取F 2,F 2的邻接节点为F 5,对特征向量赋值结果最终如图6(b )所示。形成的特征向量为1100011001000100000010011000

。

图6 特征向量赋值结果

Fig.6 Assignment results of feature vector

2.3 自组织神经网络算法实现

常见的自组织神经网络有海明(H am ming)网络、Kohonen 网络、自组织特征映射网络、对偶传播网络以及自适应谐振理论网络(A daptive Resonance T heory )等。本文采用结构简单,权重连接有效性高的海明网络作为特征识别自组织神经网络。

如图4所示的海明网络,第一层是模板匹配层,具有M 个输入端、J 个模板,该层网络完成对一个未知输入模式的匹配度的计算,其表达式为

MS j =M -#M

i=1

S

i

P j i ,j =1,2,!,J (1)

其中:MS j 是输入模式对于第j 个模板的匹配度;S i ?{0,1}是输入向量的一个变量;P j i 是第j 个模板中的第i 个变量;

#M

i =1

S

i

P j

i 是S i 、P j i

之间

对应变量不同的数目,称为海明距离。第二层为输出网络即从J 个匹配度中挑选出最大的一个作为识别结果。

本文提供凹腔(Pocket)、台阶(Step)、盲孔(Blind hole )等10种基本特征作为识别模板,输入向量如表1所示。

表1 特征向量表Table 1 Feature vector table

特征编号

特征名称 特征向量 1凹腔Pocket 1111110011001012台阶Step 11111001013盲孔Blind hole 11110001001014通孔Th rough hole 111100000105通槽Slot 11111000016凸台Protru sion 1111100000000007盲槽Blind Slot 1111001101018V 型槽V S lot 111110101009翼台Tab 110010011010

倒角Chamfer

11100011001

设AAG 分裂后的子图中最大节点个数为N ,取M =N (N -1)/2,输入向量不足M 位用%0&补齐。海明网的输出神经元个数J 定为10,每个神经元对应10个特征中的一个。

网络学习过程如下:

将权值W ij 赋予小的随机初始值;设置一个

较大的初始邻域N c,并设置循环次数T ;给出一个新的输入模式M j :M j ={S 1,S 2,!,S m };计算模式M j 和所有的输出神经元的匹配度M Sj ,并选择M Sj 最大的神经元c,则c 即为获胜神经元;更新结点c 及其领域结点的连接权值

W ij (t +1)=W ij (t)+ (t)f (t)(M i -W ij (t))

(2)

式中: (t)为增益函数,随着t 的增加而逐渐减少;0

f (t)=

s/m,0?s ?m

1, s >m 0, s <0

(3)

选取另一个学习模式提供给网络的输入层,返回步骤(3),直到输入模式全部提供给网络;令t =t +l,返回步骤(2),直至t =T 为止。

在自组织映射模型的学习中,通常要求T >500。N c 随着学习次数的增加逐渐减小。增益函数 (t)也即是学习率。由于学习率 (t)随时间的增加而渐渐趋向零,因此,保证了学习过程必然是收敛的。斜坡函数f (t)的输出总是非负的,因此若某神经元的匹配度相对最大,则对其自身的兴奋作用和对所有相邻神经元的抑制作用也相对最大,这就提供了一种强者更强、弱者更弱的竞争机制。

152

第1期易荣庆,等:基于自组织神经网络的特征识别

3 试验实例

神经网络通过学习,实现了对输入样本的记忆,如果输出节点j 与输入层M 个节点的连接权值向量W j 对应某一类特征M j 输入时,使M Sj 达到最大匹配,那么W j 通过学习后十分靠近M j ,因此以后当M j 再次输入时,M j 节点必定被激活。从CAD 中提取的属性信息,形成AAG ,根据构造过程记录的历史信息对几何元素命名,形成特征森林,按照矢量化方法对分解后的子AAG 构造特征向量,作为输入神经元,经过网络的匹配计算,输出神经元就是识别出的特征。

运用本文算法对图7中的零件进行特征识别。图7(a )中的零件包含4个基本特征:分别是左右2个盲孔、1个盲槽和1个凹腔;图7(b )是一个含有相交特征的复杂零件:含有一个凸台,2个通槽,一个凹腔。识别结果如表2所示,通过对基本特征和相交特征的识别可知,本文算法具有理

想的识别效率。

图7 验证用的特征实例Fig.7 Feature example for test

表2 识别结果

Table 2 Results of recognition

图

特征编号

1

23456789107(a)1000000

0007(a)00100000007(a)00100000007(a)00000010007(b)00000100007(b)00001000007(b)00001000007(b)

1

4 结束语

由于自组织神经网络的特征识方法具有很好的扩充性,利用此特点将增加的输出节点与新的

特征类型对应,神经网络通过学习,实现了对新特征的记忆,从而扩大网络的特征识别范围。特征

森林通过恢复缺失面、分裂面,为相交特征的识别提供了重要的启发式信息。针对识别特征的规模动态确定自组织神经网络输入神经元的维数,并给出了一种矢量化算法。同时自组织神经网络的竞争性允许待识别特征与标准特征向量有一定偏差,能够较好地识别相交特征。参考文献:

[1]高曙明.自动特征识别技术综述[J].计算机学报,

1998,21(3):281 288.

Gao Shu ming.A Surv ey o f auto matic feature r eco g nition[J].Chinese Journal of Co mputers,1998,21(3):281 288.

[2]Hender son M R ,A nderson D C.Co mputer r eco gni

tion and extr action of fo rm features:a CAD/CA M link[J].Computer s in Indust ry,1984,5:329 339.[3]Jo shi S,Chang T C.Gr aph based heur istics fo r rec

o gnition of machined features fro m a 3D so lid mo del [J].Co mputer Aided Design,1988,20(2):58 86.[4]Venuvinod P K ,Wo ng S Y.A g raph based ex per t

sy stem appr oach to g eometr ic featur e r eco gnition [J].Jo ur nal of I ntelligent M anufacturing ,1995,6:155 162.

[5]Gao S M ,Shah J J.A ut omatic r eco gnit ion of inter

acting machining features based on minimal co ndition subgr aph[J].Computer Aided Design,1998,30(9):727 739.

[6]K ey van Rahmani,Behro oz A rezoo ,Boundary anal

y sis and g eometr ic complet ion fo r recog nitio n of in ter act ing machining features [J].Co mputer Aided D esign,2006,38(8):845 856.

[7]Bidarr a R,Bro nsv oor t W F.Semant ic feature mo d

eling[J].Computer A ided Desig n,2000,32:201

225.

[8]陈正鸣,高曙明,张凤军,等.一种拓扑元素的命名和

辨识方法[J].计算机学报,2001,24(11):1270 1277.

Chen Z heng m ing ,G ao Shu ming ,Zhang Feng jun,et al.An appr oach to naming and identifying topolog i cal entities [J ].Chinese Jo ur nal of Co mputers,2001,24(11):1270 1277.

[9]Ko ho nen T.T he self or ganizing ma ps[J].Pr oceed

ing s of the IEEE,1990,78(9):1464 1480.[10]N ezis K ,V osniakos G.Recog nizing 2.5D shape fea

tures using a neur al netw or k and heur istics [J ].Computer A ided Desig n,1997,29(7),523 579.

153