Применение нейрокомпьютеров для представления и визуализации статических и динамических трехмерных данных

• Автор: Скрябцов, Павел Вячеславович
• Шифр специальности: 05.13.17
• Научная степень: Кандидатская
• Год защиты: 2003
• Место защиты: Москва
• Количество страниц: 166 с. : ил.

ВВЕДЕНИЕ
СОДЕРЖАНИЕ

ГЛАВА 1. ПРЕДПОСЫЛКИ К ПРИМЕНЕНИЮ НЕЙРОКОМПЬЮТЕРОВ ДЛЯ ПРЕДСТАВЛЕНИЯ И ВИЗУАЛИЗАЦИИ ТРЕХМЕРНЫХ ДАННЫХ

1.1. Общий вид процесса визуализации трехмерных данных различной природы

1.2. Вычислительная сложность процесса синтеза 2Ц проекций

1.3. Предпосылки к применению нейрокомпьютеров на этапе

синтеза 20 проекций

ГЛАВА 2. ПОСТАНОВКА ЗАДАЧИ НЕЙРОСЕТЕВОГО ПРЕДСТАВЛЕНИЯ И ВИЗУАЛИЗАЦИИ ТРЕХМЕРНЫХ ДАННЫХ

2.1. Обзор основных способов представления трехмерных данных

2.2. Математическая формулировка нейросетевого представления трехмерных данных, заданных в различных форматах
2.3. Алгоритмы визуализации на основе нейросетевого представления трехмерных данных
2.3.1. Визуализация триангулированных трехмерных объектов, заданных нейросетевым представлением
2.3.2. Визуализация вексельных данных в
нейросетевом представлении
ГЛАВА 3. ВАРИАНТЫ НЕЙРОСЕТЕВОЙ ПОСТАНОВКИ ЗАДАЧИ
3.1. Входной сигнал нейронной сети
3.2. Типовые входные сигналы
3.3. Варианты требуемого (желаемого) выходного сигнала
3.4. Выходной сигнал нейронной сети
3.5. Функция ошибки

3.6. Функция активации
3.7. Структура нейронной сети
3.8. Функционал оптимизации
3.9. Выбор обучающей последовательности
3.10. Алгоритм настройки весовых коэффициентов
3.11. Выбор начальных значений весовых коэффициентов сети

ГЛАВА 4. МОДЕЛИРОВАНИЕ НЕЙРОСЕТЕВОГО ПРЕДСТАВЛЕНИЯ ТРЕХМЕРНЫХ ДАННЫХ
4.1. Исследование алгоритмов настройки весовых коэффициентов
4.1.1. Простой градиентный спуск групповой
4.1.2. Простой градиентный спуск - последовательный
4.1.3. Последовательный градиентный спуск с использованием функционала целевой ошибки
ф 4.1.4. Групповой градиентный спуск с алгоритмом адаптивной
настройки шага - метод RPROP
4.1.5. Метод сопряженных градиентов (Scaled Conjugate Gradient)
4.1.6. Методы настройки сети с переменной структурой
4.1.7. Комбинированные методы
4.1.8. Характеристики методов
4.1.9. Выводы по характеристикам методов
4.2. Исследование влияния масштабирования входного сигнала на скорость настройки
4.3. Исследование влияния структуры нейронной сети на скорость и
^ качество обучения
4.4. Исследование влияния выбора начальных весовых коэффициентов на
скорость настройки
4.4.1. Метод случайных значений
4.4.2. Метод «simulated annealing»
4.4.3. Метод «касательных плоскостей»

4.4.4. Метод «от простого к сложному»
4.4.5. Сравнение методов инициализации весовых коэффициентов..
4.5. Исследование влияния параметров обучающей последовательности на качество нейросетевого представления поверхностей триангулированных тел
4.6. Оценка качества получаемого изображения в зависимости от величины достигнутой ошибки
4.7.Нейросетевое представление динамических триангулированных тел
4.8. Описание компьютерной модели
4.8.1. Общая структура программы
4.8.2. Скорость работы и оптимизирование алгоритмов
ГЛАВА 5. ПРЕДВАРИТЕЛЬНЫЕ РАСЧЕТЫ ПО РАЗРАБОТКЕ ^ АППАРАТНОГО УСКОРИТЕЛЯ НЕЙРОСЕТЕВОГО АЛГОРИТМА
ТРАССИРОВКИ ЛУЧЕЙ
5.1. Принципиальная схема аппаратного ускорителя нейросетевого алгоритма трассировки лучей
5.2. Теоретические оценки требований к рабочим параметрам системы и расчет возможной эффективности
5.3. Распараллеливание НС алгоритмов на несколько СБИС плат
5.4. План работ с модулем СуперНК
ЗАКЛЮЧЕНИЕ
♦ ЛИТЕРАТУРА

Рис. 2.8. Разбиение поверхности объекта на подповерхности.
5(^П,/>>ПП/>>°
*=1 *=1 «=
Рис. 2.9. Формирование функции Б.
А = а+ Ь /1 Вша+БЬ С-г/тБ/, 15 = а + Ь / #