利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)地形面的曲面構(gòu)造

1、<p>　　利用神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)地形面的曲面構(gòu)造</p><p>　　摘要：提出用神經(jīng)網(wǎng)絡(luò)方法解決地形面的曲面構(gòu)造問題，在Back Propagation(簡稱BP)算法的基礎(chǔ)上，吸取了模擬退火算法的優(yōu)點(diǎn)，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)按概率隨機(jī)接受一個(gè)不成功訓(xùn)練值的方法，解決了BP算法容易陷入局部極小點(diǎn)的問題。通過對(duì)黃河下游河灘地形面的模擬證明，此方法可解決地形面的曲面構(gòu)造問題。 </p><p&g

2、t;　　關(guān)鍵詞：地形面 自由曲面 神經(jīng)網(wǎng)絡(luò) BP算法 模擬退火 </p><p><b>　　1 引言 </b></p><p>　　在水利及土木工程中經(jīng)常會(huì)遇到地形面，地形面是典型的空間自由曲面，地形面在給出時(shí)，往往只給出一些反映地形、地貌特征的離散點(diǎn)，而無法給出描述地形面的曲面方程。然而有時(shí)需要對(duì)地形面進(jìn)行描述，或者當(dāng)給出的地形面的點(diǎn)不完整時(shí)，需要插補(bǔ)出合理的

3、點(diǎn)。以往大多用最小二乘法或其它曲面擬合方法如三次參數(shù)樣條曲面、Bezier曲面或非均勻有理B樣條曲面等，這些擬合方法的缺點(diǎn)是：型值點(diǎn)一旦給定，就不能更改，否則必須重新構(gòu)造表達(dá)函數(shù)；在構(gòu)造曲線曲率變化較大或型值點(diǎn)奇異時(shí)，容易產(chǎn)生畸變，有時(shí)需要人為干預(yù)；此外，這些方法對(duì)數(shù)據(jù)格式都有要求。 </p><p>　　神經(jīng)網(wǎng)絡(luò)技術(shù)借用基于人類智能（如學(xué)習(xí)和自適應(yīng)）的模型、模糊技術(shù)方法，利用人類的模糊思想來求解問題，在許多領(lǐng)

4、域優(yōu)于傳統(tǒng)技術(shù)。用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面構(gòu)造，只要測量有限個(gè)點(diǎn)（可以是無序的），不需要其它更多的地形面信息和曲面知識(shí)，當(dāng)?shù)匦蚊鎻?fù)雜或者是測量數(shù)據(jù)不完整時(shí)，用神經(jīng)網(wǎng)絡(luò)方法更具優(yōu)勢，而且還可以自動(dòng)處理型值點(diǎn)奇異情況。 </p><p>　　本文提出用BP神經(jīng)網(wǎng)絡(luò)結(jié)合模擬退火算法進(jìn)行地形面的曲面構(gòu)造。 </p><p>　　2 模型與算法的選擇 </p><p>　　為

5、了對(duì)地形面進(jìn)行曲面構(gòu)造，首先要有一些用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的初始樣本點(diǎn)，對(duì)所建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)訓(xùn)練，學(xué)習(xí)訓(xùn)練的本質(zhì)就是通過改變網(wǎng)絡(luò)神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)能將樣本集的內(nèi)涵以聯(lián)結(jié)權(quán)矩陣的方式存儲(chǔ)起來，從而具有完成某些特殊任務(wù)的能力。權(quán)值的改變依據(jù)是樣本點(diǎn)訓(xùn)練時(shí)產(chǎn)生的實(shí)際輸出和期望輸出間的誤差，按一定方式來調(diào)整網(wǎng)絡(luò)權(quán)值，使誤差逐漸減少，當(dāng)誤差降到給定的范圍內(nèi)，就可認(rèn)為學(xué)習(xí)結(jié)束，學(xué)習(xí)結(jié)束后，神經(jīng)網(wǎng)絡(luò)模型就可用于地形面的構(gòu)造。 </p

6、><p>　　BP網(wǎng)是一種單向傳播的多層前向網(wǎng)絡(luò)。網(wǎng)絡(luò)除輸入輸出節(jié)點(diǎn)外，還有一層或多層的隱層節(jié)點(diǎn)，同層節(jié)點(diǎn)中沒有任何耦合。輸入信號(hào)從輸入層節(jié)點(diǎn)依次傳過各隱層節(jié)點(diǎn)，然后傳到輸出節(jié)點(diǎn)，每一層節(jié)點(diǎn)的輸出只影響下一層節(jié)點(diǎn)的輸出。其節(jié)點(diǎn)單元傳遞函數(shù)通常為Sigmoid型。BP算法使神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中一種廣泛采用的學(xué)習(xí)算法，具有簡單、有效、易于實(shí)現(xiàn)等優(yōu)點(diǎn)。但因?yàn)锽P算法是一種非線性優(yōu)化方法，因此有可能會(huì)陷入局部極小點(diǎn)，無法得到預(yù)期結(jié)

7、果，為解決BP算法的這一缺點(diǎn)，本文將模擬退火算法結(jié)合到BP算法中。 </p><p>　　模擬退火算法是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)中另一種被廣泛采用的一種學(xué)習(xí)算法。它的基本出發(fā)點(diǎn)就是金屬的退火過程和一般組合優(yōu)化問題之間的相似性。在金屬熱加工過程中，要想使固體金屬達(dá)到低能態(tài)的晶格，需要將金屬升溫熔化，使其達(dá)到高能態(tài)，然后逐步降溫，使其凝固。若在凝固點(diǎn)附近，溫度降速足夠慢，則金屬一定可以形成最低能態(tài)。對(duì)優(yōu)化問題來說，它也有類似的

8、過程，它的解空間中的每一個(gè)點(diǎn)都代表一個(gè)解，每個(gè)解都有自己的目標(biāo)函數(shù)，優(yōu)化實(shí)際上就是在解空間中尋找目標(biāo)函數(shù)使其達(dá)到最小或最大解。 </p><p>　?。ㄈ绻麑⒕W(wǎng)絡(luò)的訓(xùn)練看成是讓網(wǎng)絡(luò)尋找最低能量狀態(tài)的過程，取網(wǎng)絡(luò)的目標(biāo)函數(shù)為它的能量函數(shù)，再定義一個(gè)初值較大的數(shù)為人工溫度T。同時(shí)，在網(wǎng)絡(luò)的這個(gè)訓(xùn)練過程中，依據(jù)網(wǎng)絡(luò)的能量和溫度來決定聯(lián)結(jié)權(quán)的調(diào)整量（稱為步長）。這種做法與金屬的退火過程非常相似，所以被稱為模擬退火算法。

9、） </p><p>　　模擬退火算法用于神經(jīng)網(wǎng)絡(luò)訓(xùn)練的基本思想是，神經(jīng)網(wǎng)絡(luò)的連接權(quán)值W可看作物體體系內(nèi)的微觀狀態(tài)，網(wǎng)絡(luò)實(shí)際輸出和期望輸出的誤差e可看作物體的內(nèi)能，對(duì)網(wǎng)絡(luò)訓(xùn)練的目的就是找到恰當(dāng)?shù)臓顟B(tài)W使其內(nèi)能e 最小，因此設(shè)置一個(gè)參數(shù)T來類比退火溫度，然后在溫度T下計(jì)算當(dāng)前神經(jīng)網(wǎng)絡(luò)的e與上次訓(xùn)練的e的差△e，按概率exp(-△e/T)來接受訓(xùn)練權(quán)值，減小溫度T，這樣重復(fù)多次，只要T下降足夠慢，且T→0，則網(wǎng)絡(luò)一

10、定會(huì)穩(wěn)定在最小的狀態(tài)。 </p><p>　　模擬退火算法雖然可以達(dá)到全局最優(yōu)，但需要較長時(shí)間，BP算法采用梯度下降方式使收斂速度相對(duì)較快。為取長補(bǔ)短，我們將兩種算法結(jié)合起來，采用BP算法的梯度快速下降方式，同時(shí)利用模擬退火算法技術(shù)按概率隨機(jī)接受一個(gè)不成功的訓(xùn)練結(jié)果，使梯度快速下降過程產(chǎn)生一些隨機(jī)噪聲擾動(dòng)，從而既保證了網(wǎng)絡(luò)訓(xùn)練的快速度下降，又保證了訓(xùn)練結(jié)果的最優(yōu)性。 </p><p>　　

11、3網(wǎng)絡(luò)結(jié)構(gòu)與學(xué)習(xí)算法 </p><p><b>　　3.1網(wǎng)絡(luò)結(jié)構(gòu) </b></p><p>　　如何選擇網(wǎng)絡(luò)的隱層數(shù)和節(jié)點(diǎn)數(shù)，還沒有確切的方法和理論，通常憑經(jīng)驗(yàn)和實(shí)驗(yàn)選取。本文采用的BP網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，輸入層兩個(gè)節(jié)點(diǎn)，分別輸入點(diǎn)的x坐標(biāo)和y坐標(biāo)；兩層隱層，每層10個(gè)節(jié)點(diǎn)，輸出層一個(gè)節(jié)點(diǎn)，輸出點(diǎn)的z坐標(biāo)。</p><p><b>

12、　　3.2 學(xué)習(xí)算法 </b></p><p>　　學(xué)習(xí)算法的具體過程如下：</p><p>　　其中Out_node為輸出神經(jīng)元集合.</p><p><b>　　4計(jì)算實(shí)例 </b></p><p>　　為了檢驗(yàn)本文算法的有效性, 我們用本文算法對(duì)黃河下游河灘地形面進(jìn)行曲面構(gòu)造, 地形面數(shù)據(jù)按截面給出,

13、我們用奇數(shù)截面上的點(diǎn)為學(xué)習(xí)樣本, 偶數(shù)截面上的點(diǎn)用于檢驗(yàn)本算法的精度. 表1給出了測量值z1與本文算法計(jì)算結(jié)果z2, z2為本算法經(jīng)過大約3500次迭代的結(jié)果. 由這些數(shù)據(jù)可以看出，本文算法計(jì)算出的值與測量值的誤差大約在0.02左右. 完全可以滿足實(shí)際工程要求的精度. </p><p><b>　　5 結(jié)語 </b></p><p>　　用神經(jīng)網(wǎng)絡(luò)進(jìn)行地形面的曲面構(gòu)造

14、, 不必求出曲面的方程, 只需知道有限個(gè)點(diǎn)即可, 而且這些點(diǎn)可以是散亂點(diǎn). 與傳統(tǒng)方法相比, 神經(jīng)網(wǎng)絡(luò)方法具有很強(qiáng)的靈活性. </p><p>　　本文將BP算法和模擬退火算法結(jié)合起來, 解決了BP算法容易陷入局部極小的致命缺點(diǎn). 但仍然沒有解決BP算法收斂速度慢的缺點(diǎn). </p><p>　　NEURAL NETWORK METHOD TO CONSTRUCT TERRAIN SURFA

15、CE </p><p><b>　　Abstract </b></p><p>　　This paper presents an artificial neural network approach to solve the problem of terrain surface construction. This method takes advantage of

16、the global minimum property of Simulated Procedure on the basis of BP algorithm, thus can jump out of the local minimum and converge to the global minimum..This method were validated by simulating bottomland terrain of Y

17、ellow River. </p><p>　　Key words: terrain surface; freeform surface; neural network; BP algorithm; simulated annealing </p><p><b>　　參考文獻(xiàn) </b></p><p>　　[1] 王鎧，張彩明. 重建自由曲面

18、的神經(jīng)網(wǎng)絡(luò)算法[J]. 計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，1998，10（3）：193-199 </p><p>　　[2] Gu P, Yan X. Neural network approach to the reconstruction of freeform surfaces for reverse engineering[J]. Computer-Aided design. 1995,27(1):59-64