[发明专利]一种基于蚁狮优化的极限学习机的三维网格模型分割方法

摘要

本发明公开了基于蚁狮优化的极限学习机的三维网格模型分割方法，与现有技术相比，本发明采用步骤1至步骤7实现本发明的目的，其优点在于：利用蚁狮优化算法中蚂蚁受精英蚁狮与轮盘赌策略的双重影响，迭代更新并将最优解赋值给精英蚁狮，从而改进优化极限学习机随机生成的输入权值与隐含层偏置矩阵，训练得到一个高精度的分割分类器对普林斯顿模型进行测试。相比于前人的工作，在Airplane、Ant、Chair、Octopus、Teddy和Fish 6类模型数据集上，训练面片数在20k‑30k之间的模型算法耗时1000s左右，且比未优化的分割方法获得了更高的分割精确度，最高分割精确度达到99.49％。

主权项

1.一种基于蚁狮优化的极限学习机的三维网格模型分割方法，其特征在于，包含以下步骤：步骤1，针对普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，对每个三维网格模型进行面片特征提取，并进行归一化处理；步骤2，将普林斯顿模型数据集中的Airplane、Ant、Chair、Octopus、Teddy、Fish6类三维网格模型，分别按比例划分为训练数据集与测试数据集；步骤3，建立基于步骤2划分得到的每类三维网格模型训练数据集的输入特征向量P；步骤4，建立基于步骤2划分得到的每类三维网格模型测试数据集的测试特征向量P'；步骤5，设置极限学习机模型的隐层神经元L参数的大小；步骤6，采用蚁狮优化算法优化极限学习机，设置蚁狮优化算法中最大迭代次数I_max和种群规模N的大小，将基于步骤3得到的输入特征向量P作为输入数据，输入到蚁狮优化的极限学习机模型中进行训练，训练得到最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试；步骤7，基于步骤6训练得到的最优的分割分类器，并对基于步骤4得到的测试特征向量P'进行分割测试，得到测试特征向量P'三维网格模型最优的分割精确度，生成与之对应的三维网格模型分割结果.seg文件，并得到可视化结果。