基于神经网络的曲面参数化方法及装置制造方法及图纸

本发明专利技术涉及一种基于神经网络的曲面参数化方法及装置，属于曲面参数化技术领域，该方法包括：给定网格曲面S、网格曲面S上各个网格顶点的目标曲率；计算网格曲面S中各条网格边的权重、各个网格顶点对应的曲率；构建并训练神经网络，获取参数最优化的神经网络；获取网格曲面S上各个网格顶点的共形因子变化量；获取网格曲面S对应的二维网格的目标度量，将目标度量映射到二维参数域上。本申请提供的方法及装置通过参数最优化的神经网络获取网格曲面上各个网格顶点的共形因子变化量，从而获取网格曲面对应的二维网格的目标度量，并将目标度量映射到二维参数域上，避免了网格规模增大复杂程度的增加会影响计算误差以及计算时间成本的问题。成本的问题。成本的问题。

【技术实现步骤摘要】
基于神经网络的曲面参数化方法及装置


[0001]本专利技术涉及曲面参数化
，尤其涉及一种基于神经网络的曲面参数化方法及装置。

技术介绍

[0002]在现有的曲面参数化技术中，主要是通过迭代法求解离散Ricci流，根据求解结果判断把曲面铺到二维参数域，然而，随着信息科技的发展，需求的网格规模渐渐增大，高规格曲面的使用越来越多，现有的曲面参数化技术耗时长、映射变形的问题日渐显现。网格规模增大使得要计算的网格点数量增加，意味着要求解一个系数矩阵巨大的偏微分方程，复杂程度的增加会影响计算误差，这使得整个计算时间成本增加。

技术实现思路

[0003]本专利技术意在提供一种基于神经网络的曲面参数化方法及装置，以解决现有技术中存在的不足，本专利技术要解决的技术问题通过以下技术方案来实现。
[0004]本专利技术提供的基于神经网络的曲面参数化方法，包括：给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率；计算所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率；通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络；通过参数最优化的神经网络获取网格曲面S上各个网格顶点的共形因子变化量；通过共形因子变化量获取所述网格曲面S对应的二维网格的目标度量，并将目标度量映射到二维参数域上。
[0005]在上述的方案中，所述网格曲面S上各个网格顶点的目标曲率满足Gauss
‑
Bonnet条件：，其中，为源网格曲面S上网格顶点v
i
对应的目标曲率，为源网格曲面S的欧拉示性数。
[0006]在上述的方案中，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络包括：构建可计算网格曲面S上各个网格顶点的共形因子变化量的神经网络；将所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率输入至所述神经网络，对所述神经网络进行训练，并获取训练得到的共形因子变化量；通过训练得到的共形因子变化量构建损失函数。
[0007]在上述的方案中，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络还包括：将所述损失函数输入至Adam优化优化器和随机梯度下降优化优化器的组合获取损失函数值；获取损失函数值最小时对应的神经网络的参数；将损失函数值最小时对应的神经网络作为参数最优化的神经网络。
[0008]在上述的方案中，网格曲面S上各个网格顶点对应的共形因子变化量计算公式为：;其中，H是由所述网格曲面S中各条网格边的权重组成的的Hesse矩阵，n为网格曲面S上网格顶点的个数，是网格曲面S上网格顶点 v
i
对应的共形因子变化量，为源网格曲面S上网格顶点v
i
对应的目标曲率，为源网格曲面S上网格顶点 v
i
对应的曲率。
[0009]在上述的方案中，所述损失函数的表达式为：;其中，M是输入的网格顶点的个数，H是由所述网格曲面S中各条网格边的权重组成的的Hesse矩阵， u
n
为第n个网格顶点的共形因子，为第n个网格顶点的共形因子变化量，为输入的第n个网格顶点的目标曲率，K
n
为输入的第n个网格顶点的曲率，表示2
‑
范数，u0为网格曲面S上网格顶点初始的共形因子。
[0010]本专利技术提供的基于神经网络的曲面参数化装置，采用如上所述的基于神经网络的曲面参数化方法进行曲面参数化，包括：信息提供模块，用于给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率，并计算所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率；神经网络获取模块，用于通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络；共形因子变化量获取模块，用于通过参数最优化的神经网络获取网格曲面S上各个网格顶点的共形因子变化量；映射模块，用于通过共形因子变化量获取所述网格曲面S对应的二维网格的目标度量，并将目标度量映射到二维参数域上。
[0011]在上述的方案中，所述神经网络获取模块包括：神经网络构建单元，用于构建可计算网格曲面S上各个网格顶点的共形因子变化量的神经网络；神经网络训练单元，将所述网格曲面S上各个网格顶点对应的目标曲率、所述网格
曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率输入至所述神经网络，对所述神经网络进行训练，并获取训练得到的共形因子变化量；损失函数构建单元，用于通过训练得到的共形因子变化量构建损失函数；参数最优化的神经网络获取单元，用于将所述损失函数输入至Adam优化优化器和随机梯度下降优化优化器的组合获取损失函数值，并获取损失函数值最小时对应的神经网络的参数，将损失函数值最小时对应的神经网络作为参数最优化的神经网络。
[0012]本专利技术还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上所述的基于神经网络的曲面参数化方法的步骤。
[0013]本专利技术还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上所述的基于神经网络的曲面参数化方法的步骤。
[0014]本专利技术实施例包括以下优点：本专利技术实施例提供的基于神经网络的曲面参数化方法及装置，通过构建并训练得到参数最优化的神经网络，通过参数最优化的神经网络获取网格曲面上各个网格顶点的共形因子变化量，从而获取网格曲面对应的二维网格的目标度量，并将目标度量映射到二维参数域上，效率更快、时间成本低，避免了网格规模增大复杂程度的增加会影响计算误差以及计算时间成本的问题。
附图说明
[0015]图1是本专利技术的一种基于神经网络的曲面参数化方法的步骤图。
[0016]图2是本专利技术的获取参数最优化的神经网络的步骤图。
[0017]图3是本专利技术的基于神经网络的曲面参数化装置的组成示意图。
[0018]图4是本专利技术的神经网络获取模块的组成示意图。
具体实施方式
[0019]需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本专利技术。
[0020]如图1所示，本专利技术提供一种基于神经网络的曲面参数化方法，包括：步骤S1：给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率。
[0021]具体地，所述网格曲面S上各个网格顶点的目标曲率满足Gauss...

【技术保护点】

【技术特征摘要】
1.一种基于神经网络的曲面参数化方法，其特征在于，所述方法包括：给定网格曲面S以及所述网格曲面S上各个网格顶点的目标曲率；计算所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率；通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络；通过参数最优化的神经网络获取网格曲面S上各个网格顶点的共形因子变化量；通过共形因子变化量获取所述网格曲面S对应的二维网格的目标度量，并将目标度量映射到二维参数域上。2.根据权利要求1所述的基于神经网络的曲面参数化方法，其特征在于，所述网格曲面S上各个网格顶点的目标曲率满足Gauss
‑
Bonnet条件：，其中， 为源网格曲面S上网格顶点 v
i
对应的目标曲率，为源网格曲面S的欧拉示性数。3.根据权利要求1所述的基于神经网络的曲面参数化方法，其特征在于，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络包括：构建可计算网格曲面S上各个网格顶点的共形因子变化量的神经网络；将所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率输入至所述神经网络，对所述神经网络进行训练，并获取训练得到的共形因子变化量；通过训练得到的共形因子变化量构建损失函数。4.根据权利要求3所述的基于神经网络的曲面参数化方法，其特征在于，通过所述网格曲面S上各个网格顶点对应的目标曲率、所述网格曲面S中各条网格边的权重以及所述网格曲面S上各个网格顶点对应的曲率构建并训练神经网络，获取参数最优化的神经网络还包括：将所述损失函数输入至Adam优化优化器和随机梯度下降优化优化器的组合获取损失函数值；获取损失函数值最小时对应的神经网络的参数；将损失函数值最小时对应的神经网络作为参数最优化的神经网络。5.根据权利要求3所述的基于神经网络的曲面参数化方法，其特征在于，网格曲面S上各个网格顶点对应的共形因子变化量计算公式为：;其中，H是由所述网格曲面S中各条网格边的权重组成的的Hesse矩阵，n为网格曲面S上网格顶点的个数， 是网格曲面S上网格顶点 v
i
对应的共形因子变化量， 为源网格曲面S上网格顶点v
i
对应的目标曲率，为源网格曲面S上网格顶点v
i
对应的曲率。
6.根据权利要求3所述的基于神经...

【专利技术属性】
技术研发人员：庞宇飞，慕茹霜，刘杨，陈波，陈浩，谢冬香，胡月凡，滕凡，陈超，张千一，
申请(专利权)人：中国空气动力研究与发展中心计算空气动力研究所，
类型：发明
国别省市：