專利名稱：三維cad模型基于形狀的相似度評估方法
技術領域：
本發(fā)明涉及一種三維CAD模型基于形狀的相似度評估方法，具體是一種STEP格式的三維CAD模型基于形狀的相似度評估方法。用于數據管理技術領域。
背景技術：
隨著三維CAD應用的普及和深入，大量的產品設計以三維CAD模型的形式存在，同時由于數據交換的需要，STEP這一中性文件表示格式被廣泛采用，如何有效管理乃至重用這些已有CAD數據引起了國內外學者的廣泛興趣。由于傳統(tǒng)的基于屬性，如文件名稱、零件號等的檢索方法不僅存在檢索結果通常過寬或過窄、要求用戶事先知道屬性名稱、屬性也有可能隨時間變化等諸多缺陷，更為重要的是這種方法不能進行CAD模型的相似度評估，因而難以實現(xiàn)對CAD設計資源的有效管理和重用，于是提出了若干基于形狀相似性或者基于內容的檢索方法，基于圖的方法便是其中之一。
經對現(xiàn)有技術文獻的檢索發(fā)現(xiàn)，Regli W C等人在《Computer-Aided Design》32(2000)，119-132上發(fā)表的“Managing digital libraries for computer-aideddesign”，(《計算機輔助設計》，數字化的計算機輔助設計庫的管理)該文介紹了基于圖的方法，其基本步驟是首先將CAD模型轉化為圖表示，利用圖的屬性和同構計算進行模型的相似度評估。由于圖的精確匹配是一個十分復雜的數學問題，計算效率很低，計算資源耗費巨大，有學者也提出了近似匹配算法。盡管如此，這類方法存在的缺陷是計算方法復雜、資源耗費大、運行速度慢、沒有自學習功能，因此很難滿足大型CAD數據庫的數據管理和知識發(fā)現(xiàn)的需要。

發(fā)明內容
本發(fā)明的目的在于克服現(xiàn)有技術中的不足，提出了一種三維CAD模型基于形狀的相似度評估方法，在對STEP格式的CAD模型進行屬性圖轉換后，提取其特征不變矢量，再采用自組織神經網絡模型對三維CAD模型進行相似度評估，從而使該方法具有算法簡便靈活、資源耗費少、運行效率高、并且能動態(tài)更新學習等顯著特點，因此可以很好滿足大型CAD數據庫的數據管理和知識發(fā)現(xiàn)的需要。
本發(fā)明是通過以下技術方案實現(xiàn)的，本發(fā)明方法包括三個基本步驟①將三維CAD模型的STEP AP203 Part21數據轉換為屬性圖數據應用字符串匹配技術，基于從STEP AP203 Part21物理文件中查找關鍵字的方法建立屬性圖G＝{N，E，Φ，Ω}，其中，N是圖的節(jié)點的集合，E是圖的邊的集合，Φ是關于節(jié)點集合與邊集合相連關系的集合，Ω是圖的節(jié)點和邊的相關屬性集合。具體方法是利用STEP文件的標準層次結構，先查找到關鍵字OPEN_SHELL或者CLOSED_SHELL，接著查找其以下的結構ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE等，再由SURFACE查找相對應的EDGE，如此循環(huán)遍歷整個STEP文件，逐步逐層找到每個面對應的每條邊，并記錄其相互關系和相關屬性。節(jié)點屬性包括面的面型、面積等，邊的屬性包括邊的線型、長度等。最后以特定的文件格式記錄屬性圖數據。
②從屬性圖數據提取三維CAD模型的特征不變量并以此構造其特征不變矢量計算屬性圖的相關屬性，如頂點數、邊數、頂點最大維度、頂點最小維度、頂點平均維度、直徑等，同時提取圖的頂點和邊的相關屬性，如頂點的面型和面積，邊的線型和長度等，將前述計算得到的特征不變量串接起來形成包含大量拓撲和幾何信息的CAD模型的特征不變矢量，其維數或內容可以根據CAD模型相似度評估的實際需要靈活確定。
③基于構造的特征不變矢量應用自組織神經網絡對CAD模型進行相似度評估將CAD模型的特征不變矢量作為自組織神經網絡的輸入，對神經網絡進行訓練學習，利用收斂時神經網絡輸出層拓撲空間神經元之間的相對距離對CAD模型的相似度進行度量。距離越近，表示模型越相似；反之，表示差別越大。具體方法是根據實際需要對數據庫中所有CAD模型逐一進行相關的特征不變量提取并構造各自的特征不變矢量，所有特征不變矢量最終構成網絡訓練樣本集。采用將矢量增加一維的方法對輸入矢量進行歸一化處理。選定網絡拓撲及相關參數，對輸入樣本集進行訓練直至收斂，記錄神經網絡輸出層拓撲空間中各個特征不變矢量之間的相對距離，從而對CAD模型之間的相似度做出評估。
依據本方法可直接進行三維CAD模型的聚類以及基于相似性的CAD模型檢索。本發(fā)明方法可用于基于內容的三維CAD模型搜索引擎、CAD數據庫知識發(fā)現(xiàn)、基于事例的產品設計、工藝規(guī)劃與成本評估等領域。本發(fā)明方法的重要特點是其自學習性、健壯性和靈活性，用戶可根據相似度評估的實際需要靈活定義特征不變矢量包含的內容，矢量可長可短，從而滿足不同層次的相似度評估需要。


圖1本發(fā)明方法原理框2網絡訓練用CAD模型示意圖具體實施方式
本發(fā)明的具體實施方法遵循以下步驟①開發(fā)基于查找關鍵字方法讀取并轉換STEP AP203 Part21文件為屬性圖文件的屬性圖轉換軟件模塊。利用該模塊將數據庫中所有需要訓練的CAD模型的STEP文件轉化成屬性圖數據文件。
②開發(fā)基于屬性圖數據文件對圖的相關屬性進行計算以提取圖的特征不變量并以此構造CAD模型特征不變矢量的軟件模塊。不變量除了包括圖的頂點數、邊數、頂點最大維度、頂點最小維度、頂點平均維度、直徑等外，同時還包括圖的頂點和邊的相關屬性，如頂點含22種面型，邊含28種線型，最后再添加兩個輔助統(tǒng)計量統(tǒng)計上述面型和線型以外的面、線型數量。這樣將前述計算得到的相關特征不變量串接起來即可形成一個包含CAD模型大量拓撲和幾何信息的特征不變矢量，其維數可以根據實際需要靈活確定，當只考慮圖的頂點和邊的類型屬性時其長度一般在1-60之間。利用特征不變矢量提取模塊對數據庫中所有CAD模型逐一進行特征不變量提取以形成各自的特征不變矢量，最終構成網絡訓練的輸入樣本集，歸一化后是一個“(特征不變矢量維數+1)×樣本數”的矩陣。
③開發(fā)自組織神經網絡訓練模塊。通過該模塊對網絡配置參數，包括輸出層拓撲(矩形或六邊形)及節(jié)點數、輸入層節(jié)點數、初始學習率、領域函數參數、領域時間參數、學習率時間參數、訓練次數等進行設置。用一個9×1維矩陣存儲所有網絡配置參數。利用一隨機函數初始化權值矩陣，為一“輸出層節(jié)點數×(特征不變矢量維數+1)”的矩陣?；诰W絡訓練模塊輸入網絡訓練樣本集，開始訓練直至收斂，記錄神經網絡輸出層拓撲空間中各個特征不變矢量之間的相對距離，從而對CAD模型之間的相似度做出評估。
實施例用VC++6.0開發(fā)屬性圖轉換和特征不變矢量提取程序并利用MFC開發(fā)基于自組織神經網絡的三維CAD模型相似性評估平臺。收集32個工業(yè)實用CAD模型(見圖2)的STEP AP203 Part21文件進行屬性圖數據轉換和特征不變矢量提取。特征不變矢量維數確定為17，分別是屬性圖的5個基本統(tǒng)計量(頂點數、邊數、頂點最大維度、頂點最小維度、頂點平均維度)，5個頂點屬性，5個邊的屬性，以及2個輔助統(tǒng)計量。這樣形成一個17×32的訓練樣本集，歸一化后為18×32。在奔騰1.6G的機器上運行時間為31秒。網絡配置為輸出層拓撲為邊長為12的正六邊形，初始學習率為0.1，領域函數參數為12，領域時間參數為621，學習率時間參數為1000，訓練次數為3800。初始權值矩陣(397×18)由隨機函數產生。在奔騰1.6G的機器上運行時間為39秒。表1為CAD模型特征不變矢量提取實例，表2給出了兩個零件的相似性評估結果。該實施例表明本發(fā)明方法是可行和有效的。
表1 CAD模型特征不變矢量提取實例 表2 CAD模型相似性評估實例
權利要求
1.一種三維CAD模型基于形狀的相似度評估方法，其特征在于，包括三個基本步驟①將三維CAD模型的STEP AP203 Part21數據轉換為屬性圖數據；②從屬性圖數據提取三維CAD模型的特征不變量并以此構造其特征不變矢量；③基于構造的特征不變矢量應用自組織神經網絡對CAD模型進行相似度評估。
2.根據權利要求1所述的三維CAD模型基于形狀的相似度評估方法，其特征是，所述的步驟①，具體實現(xiàn)如下應用字符串匹配技術，基于從STEP AP203 Part21物理文件中查找關鍵字的方法建立屬性圖G＝{N，E，Φ，Ω}，其中，N是圖的節(jié)點的集合，E是圖的邊的集合，Φ是關于節(jié)點集合與邊集合相連關系的集合，Ω是圖的節(jié)點和邊的相關屬性集合，具體方法是利用STEP文件的標準層次結構，先查找到關鍵字OPEN_SHELL或者CLOSED_SHELL，接著查找其以下的結構ADVANCED_FACE，然后再查找ADVANCED_FACE下面的SURFACE，再由SURFACE查找相對應的EDGE，如此循環(huán)遍歷整個STEP文件，逐步逐層找到每個面對應的每條邊，并記錄其相互關系和相關屬性，節(jié)點屬性包括面的面型、面積，邊的屬性包括邊的線型、長度，最后以特定的文件格式記錄屬性圖數據。
3.根據權利要求1所述的三維CAD模型基于形狀的相似度評估方法，其特征是，所述的步驟②，具體實現(xiàn)如下計算屬性圖的頂點數、邊數、頂點最大維度、頂點最小維度、頂點平均維度、直徑屬性，同時提取圖的相關頂點的面型和面積，邊的線型和長度屬性，將前述計算得到的特征不變量串接起來形成包含大量拓撲和幾何信息的CAD模型的特征不變矢量，其維數或內容根據CAD模型相似度評估的實際需要靈活確定。
4.根據權利要求1所述的三維CAD模型基于形狀的相似度評估方法，其特征是，所述的步驟③，具體實現(xiàn)如下將CAD模型的特征不變矢量作為自組織神經網絡的輸入，對神經網絡進行訓練學習，利用收斂時神經網絡輸出層拓撲空間神經元之間的相對距離對CAD模型的相似度進行度量，距離越近，表示模型越相似；反之，表示差別越大，具體方法是根據實際需要對數據庫中所有CAD模型逐一進行相關的特征不變量提取并構造各自的特征不變矢量，所有特征不變矢量最終構成網絡訓練樣本集，采用將矢量增加一維的方法對輸入矢量進行歸一化處理，選定網絡拓撲及相關參數，對輸入樣本集進行訓練直至收斂，記錄神經網絡輸出層拓撲空間中各個特征不變矢量之間的相對距離，從而對CAD模型之間的相似度做出評估。
全文摘要
一種三維CAD模型基于形狀的相似度評估方法，用于數據管理技術領域。步驟如下將三維CAD模型的STEP AP203 Part21數據轉換為屬性圖數據；從屬性圖數據提取三維CAD模型的特征不變量并以此構造其特征不變矢量；基于構造的特征不變矢量應用自組織神經網絡對CAD模型進行相似度評估。依據本方法可直接進行三維CAD模型的聚類以及基于相似性的CAD模型檢索。本發(fā)明方法的重要特點是算法簡便靈活、資源耗費少、計算效率高，并且具有自學習性、健壯性和靈活性，用戶可根據相似度評估的實際需要靈活定義特征不變矢量包含的內容，矢量可長可短，從而滿足不同層次的相似度評估需要。
文檔編號G06F17/30GK1614593SQ20041006715
公開日2005年5月11日 申請日期2004年10月14日 優(yōu)先權日2004年10月14日
發(fā)明者王玉, 何瑋, 肖熠中 申請人:上海交通大學