本发明专利技术公开了一种基于纺织Ｋａｗａｂａｔａ评测数据，使用模糊系统－ＲＢＦ神经网络的柔软体仿真参数确定方法，其特征在于：在纺织评测Ｋａｗａｂａｔａ数据中，计算确定柔软体仿真需要的主要特征参数，构造织物风格和柔软体仿真参数的模糊系统；建立ＲＢＦ人工神经网络学习该模糊系统；最后通过ＲＢＦ神经网络交互式确定柔软体仿真参数。用该方法确定的柔软体仿真参数能够反映真实材料特性，解决了参数确定缺乏物理基础的问题，提高了柔软体参数确定的物理准确度。
【技术实现步骤摘要】
本专利技术一般涉及三维虚拟柔软体仿真动画，具体地涉及柔软体仿真参数确定领 域。
技术介绍
布类等柔软体参数难以确定和调节，是柔软体仿真动画中的关键问题。有如下四 方面原因1.参数对于模拟和仿真的结果起到了决定性作用；2.柔软体由于特殊的材料属性，难以获得相应的参数。3.柔软体参数较多，包含很多物理意义，柔软体仿真动画制作人员往往需要很长 时间以全部了解各种物理意义，应用中一般依靠试探确定参数；4.各个物理参数之间有一定关系而又互相影响，调节一个参数可能影响另外的参数， 需要得到某一种效果的动画需要多个参数，这给参数确定增加了难度。目前主要有四种方法进行质点弹簧模型的参数确定。1.仿真动画制作人员经验确定。这种方法一般在商用软件中普遍使用，即由动画 制作人员通过其已有经验和对动画的理解给出参数。其优点是可以人为灵活确定，其缺点 是如果缺乏经验，可能需要多次反复尝试，同时缺乏物理基础。2.采用从运动捕捉系统或视频中通过计算机视觉的方法获取参数。Kiran S. Bhat采用了一种从视频中学习提取参数的方法。该方法学习真实布类的运动视频，分 析各帧之间误差以确定参数。用视频捕捉可以获得逼真的动画，但是其方法在应用上缺乏 广泛性，很难获得实际应用。3.通过智能计算方法学习或最优化获得参数。Joukh使用了遗传算法来确定 质点弹簧模型的参数，首先确定质点弹簧系统中不同粒子的属性，之后使用遗传算法确定 剪切、拉伸和压缩弹簧的属性。Louchetra同样采用了遗传算法来确定弹簧的参数，其代价 函数使用了参考模型与目标模型之间的几何误差，通过迭代确定了质点弹簧模型的弹簧参 数。GeraldM使用了有限元模型作为参考系统，之后采用遗传算法来学习质点弹簧系统中 的弹簧参数。Grzeszczuk 使用了神经网络来学习质点弹簧网络。采用学习的方法能够充 分利用已有知识，但其学习的是4*4的弹簧参数，而且以线性有限元模型作为参考学习对 象，结构过于简单。4.通过材料参数确定弹簧常数，通过杨式模量等物体材料本身的属性确定参数， 方法比较复杂，需要一定的测量设备或相应参考问题，而且需要依赖连续模型的模拟。本专利技术结合第三种和第四种方法的优点，使用测量柔软体物理参数的Kawabata Evaluation System数据，通过线性回归相关性分析的统计的方法找到实际测量物理参数 和柔软体仿真参数的关系，计算确定柔软体仿真需要的主要特征参数，构造织物风格和柔 软体仿真参数的模糊系统；建立三层RBF人工神经网络；最后通过RBF神经网络交互式确 定柔软体仿真参数。本专利技术首次将模糊系统和RBF人工神经网络的智能方法与纺织物理参数结合来 确定柔软体仿真参数。用该方法确定的柔软体仿真参数能够反映真实材料特性，解决了参 数确定缺乏物理基础，提高了柔软体参数确定的物理准确度，同时具有比单纯使用模糊系 统更好的再学习性和鲁棒性。有关柔软体仿真的现有技术和方法可以参考下述文档Kiran S. Bhatj Christopher D. Twiggj Jessica K. Hodginsj Pradeep K. Khosla etc. Estimating cloth simulation parameters from video. Proceedings of the 2003 ACM SIGGRAPH/Eurοgraphics symposium on Computer animation. 2003. Page: 37—51.A. Joukhadarj F. Garat and Ch. Laugier. Parameter identification for dynamic simulation. IEEE International Conference on Robotics and Automation. 1997.Jean Louchetj Xavier Provot and David Crochemore. Evolutionary identification of cloth animation models. Computer Animation and Simulation, 1995.Gerald Bianchij Matthias Harders and Gabor Szekely. Mesh Topology Identification for Mass-Spring Models, Lecture Notes in Computer Science, Medical Image Computing and Computer-Assisted Intervention, 2003.R. Grzeszczuk and D. Terzopoulos and G. Hintonj Fast Neural Network Emulation of Dynamical Systems for Computer Animation. Advances in Neural Information Processing Systems. 1998.
技术实现思路
为了克服上述缺陷，本专利技术提供了一种基于Kawabata数据，采用模糊系统和RBF 神经网络方法来确定参数的方法，所述方法可以包括确定KAWABATA物理参数的相关性； 选定KAWABATA物理参数中对应于柔软体仿真的参数； 建立织物风格和柔软体仿真参数的模糊系统； 建立RBF神经网络来学习模糊系统的输入输出。通过输入织物风格获得柔软体仿真参数，根据仿真结果反馈，训练调整RBF神经 网络。其中确定物理参数相关性的方法为计算16个KAWABATA参数之间的协方差，使 用一阶线性回归方法确定参数关系；使用最小二乘法确定相关系数；通过判断协方差确定 物理参数和仿真参数的对应。Kawabata输入参数包括拉伸性能，线性度，拉伸功，拉伸恢复率，剪切刚度值，剪 切滞后值2HG，剪切滞后值2HG5，弯曲刚度，弯曲滞后矩，压缩线性度，压缩能，压缩回弹能， 平均摩擦因数，摩擦因数的平均差，织物面密度，织物厚度。建立织物风格和柔软体仿真参数的模糊系统特征为构造以织物风格为输入，以 柔软体仿真参数为输出的模糊系统；划分模糊区间，模糊区间的数目可以为5个至8个，本4专利技术取5个模糊区间；可以使用高斯函数或三角函数作为隶属度函数，本专利技术选择高斯函 数；使用线性最大最小蕴含模糊推理，使用加权法进行清晰化。建立RBF神经网络，本专利技术的层数为三个，使用高斯函数作为径向基函数，第一层 神经元为输入神经元，包括硬挺度，滑糯度和丰满度，第二层神经元为隐层神经元，包括至 少4个隐层神经元，第三层神经元为输出神经元，为柔软体仿真参数。RBF神经网络初始学习对象是模糊系统的模糊规则，采用梯度下降法学习参数，使 用最小二乘法调整参数。输入柔软体硬挺度，滑糯度，丰满度，本方法给出柔软体仿真参数，根据仿真结果 将输入输出数据作为训练数据，反馈调整RBF神经网络。根据本专利技术的另一方面，提供了一种确定柔软体仿真参数的装置，可以包括用于 确定KAWABATA物理参数的相关性的部件；用于选定KAWABATA物理参数中对应于柔软体仿本文档来自技高网...
【技术保护点】
一种确定柔软体仿真参数的方法，所述方法包括：确定ＫＡＷＡＢＡＴＡ物理参数的相关性；选定ＫＡＷＡＢＡＴＡ物理参数中对应于柔软体仿真的参数；建立织物风格和柔软体仿真参数的模糊系统；建立ＲＢＦ神经网络，利用ＲＢＦ神经网络来学习模糊系统的输入输出；通过输入织物风格获得柔软体仿真参数，根据柔软体仿真结果反馈，训练调整ＲＢＦ神经网络。
【技术特征摘要】
【专利技术属性】
技术研发人员：陈玉君，苑维然，
申请(专利权)人：陈玉君，苑维然，
类型：发明
国别省市：86[中国|杭州]
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。