CN110135102B - 面向碎片化建模的相似度量方法 - Google Patents
面向碎片化建模的相似度量方法 Download PDFInfo
- Publication number
- CN110135102B CN110135102B CN201910439071.4A CN201910439071A CN110135102B CN 110135102 B CN110135102 B CN 110135102B CN 201910439071 A CN201910439071 A CN 201910439071A CN 110135102 B CN110135102 B CN 110135102B
- Authority
- CN
- China
- Prior art keywords
- fragmented
- graph
- model
- models
- similarity
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
面向碎片化建模的相似度量方法,属于系统工程建模领域。现有的建模人员的工作负担重,建模效率低的问题。一种面向碎片化建模的相似度量方法,计算模型库中碎片化拓扑图模型的相似度;按照模型库中碎片化拓扑图模型存储顺序选取大于相似度阈值的两个碎片化拓扑图模型进行融合,并将得到的融合图保留,将形成该融合图的两个碎片化拓扑图模型删除;循环执行上述步骤,直到将模型库中相似的碎片化拓扑图模型融合得到一个完整的模型或相对完整的模型。本发明能够减轻建模人员的负担,提高建模效率,而且更加容易地获得针对同一目标的,完整性、兼容性和创新性都较高的全模型。
Description
技术领域
本发明涉及一种面向碎片化建模的相似度量方法。
背景技术
基于模型驱动的系统工程(MBSE),目前成为产品研发的前沿技术。2007年系统工程国际委员会(INCOSE)在《系统工程2020年愿景》中MBSE概念被首次提出,它为系统工程各阶段的活动提供支撑:(1)需求分析;(2)功能分析;(3)设计综合;(4)验证和确认。MBSE在建模语言、建模思路、建模工具方面相对传统系统工程有诸多不可替代的优势,是系统工程的颠覆性技术。目前MBSE概念已被工业界广泛接受,但是MBSE对建模过程的自动化与智能化支持很少,建模过程一般需要设计人员将构思的系统模型通过图形、符号或算法表示成计算机内部可执行拓扑结构模型。一般的建模过程都是按照从大到小,从粗到细,从前到后的逻辑顺序,形成具有严密数学逻辑和容易理解的图形模型,而这种采用结构、行为、参数、逻辑等多种约束元素构建复杂系统模型的过程,不仅需要建模人员熟练掌握建模工具,且要具备非常高的领域专业水平,这已经成为MBSE应用的瓶颈。上述问题导致建模人员的工作负担重,建模效率低。
发明内容
本发明的目的是为了解决现有的生物模型建模人员的工作负担重,建模效率低的问题,而提出一种面向碎片化建模的相似度量方法。
一种面向碎片化建模的相似度量方法,所述方法包括以下步骤:
步骤一、按照模型库中碎片化拓扑图模型存储顺序,计算模型库中相邻两个碎片化拓扑图模型的相似度;
步骤二、判断两个碎片化拓扑图模型之间的相似度的值是否大于相似度阈值;
若是,则认为两个碎片化拓扑图模型是相似的,用于执行步骤三的融合过程;
若否,则认为两个碎片化拓扑图模型不相似,不能用于执行步骤三的融合过程,继续选取其他碎片化拓扑图模型;
步骤三、将大于相似度阈值的两个碎片化拓扑图模型进行融合,并将得到的融合图保留,将形成该融合图的两个碎片化拓扑图模型删除;
步骤四、循环执行步骤一至三的步骤,直到将模型库中相似的碎片化拓扑图模型融合得到一个相对完全合理的图。
本发明的有益效果为:
本发明的融合建模过程为执行如下循环过程:
利用各碎片化生物模型拓扑图模型的当前权重,根据公式(2)计算两个图的相似度,然后融合形成生物模型融合图,再根据公式(1)计算融合后的图的权重;融合后的生物模型拓扑图再利用公式(2)计算生物模型融合图与其他图的相似度;最终将库中不完全的相似的碎片图融合起来,得到一个相对完全合理的生物模型图,通过这种先计算相似度,对达到相似度阈值的两个生物模型进行融合,并在库中将融合图保留的建模方法得到碎片化生物模型的融合。
本发明在建模过程中,众多建模人员可以较为随意地建立拓扑结构、约束关系、语义标签表达方式更为自由的碎片化拓扑图生物模型,最终由计算机自动地实现碎片化拓扑图生物模型融合,能够减轻建模人员的负担。这样不仅可以提高生物模型建模效率,而且更加容易地获得针对同一目标的,完整性、兼容性和创新性都较高的全模型。
本发明方法克服了一般方法因融合顺序不同的问题,导致的生物模型模型间的相似程度降低而造成的漏融合现象。
附图说明
图1为本发明方法流程图;
图2-1为本发明涉及的重叠融合过程;
图2-2为本发明涉及的路径融合过程;
图3-1为本发明涉及的有向图D1;
图3-2为本发明涉及的有向图D2;
图4-1本发明实施例涉及的生物概念模型;
图4-2本发明实施例涉及的碎片化生物概念模型;
图4-3本发明实施例涉及的生物碎片化拓扑图模型的融合结果。
具体实施方式
具体实施方式一:
本实施方式的面向碎片化建模的相似度量方法,所述方法包括以下步骤:
步骤一、按照模型库中碎片化拓扑图模型存储顺序,计算模型库中相邻两个碎片化拓扑图模型的相似度;
步骤二、判断两个碎片化拓扑图模型之间的相似度的值是否大于相似度阈值;
若是,则认为两个碎片化拓扑图模型是相似的,用于执行步骤三的融合过程;
若否,则认为两个碎片化拓扑图模型不相似,不能用于执行步骤三的融合过程,继续选取其他碎片化拓扑图模型;
步骤三、将大于相似度阈值的两个碎片化拓扑图模型进行融合,并将得到的融合图保留,将形成该融合图的两个碎片化拓扑图模型删除;
步骤四、循环执行步骤一至三的步骤,直到将模型库中相似的碎片化拓扑图模型融合得到一个完整的模型或相对完整的模型;其中,若设计人员已经设计了完整的碎片化拓扑图模型,则得到完整的模型,若设计人员仅设计了部分碎片化拓扑图模型,则得到相对完整的模型。
具体实施方式二:
与具体实施方式一不同的是,本实施方式的面向碎片化建模的相似度量方法,所述的步骤一中碎片化拓扑图模型的逻辑结构包括两种基本的核心模型、在其中一种核心模型基础上进行的边缘扩展得到的碎片化拓扑图模型、在其中一种核心模型的基础上进行内部扩展得到的碎片化拓扑图模型;其中,所述的碎片化拓扑图模型的逻辑结构如表1所示,在MBSE的协同设计中,当多建模人员会在不同场景中针对同一类目标问题进行分别建模,或者对不同目标问题中的类似部分进行建模时,由于每个建模人员的专业水平和对问题理解程度不同,所建立的模型也会不同,则两种基本的核心模型是指由不同建模人员设计的两种基本的核心模型。大致可以分为表1中的类型组合而成。
表1:针对同一目标设计人员或者设计部分可能建立的碎片化拓扑图模型
具体实施方式三:
与具体实施方式二不同的是,本实施方式的面向碎片化建模的相似度量方法,所述的步骤一中计算模型库中碎片化拓扑图模型的相似度的过程为,
步骤一一、将MBSE碎片化拓扑图模型中的顶点通过现有的语义相似度手段,将其转化为类似图论中有向图的形式,为此改进传统的最大公共连通子图,在图同构中以路径之间的映射替代传统的边之间的映射,开发基于路径相似的最大扩展公共连通子图方法,具体为:
定义一个有向图D,有向图D为一个三元组〈V,E,W〉,其中,
a)、V是一个非空的有限集合,表示有向图D的顶点集,V中的元素称为节点vi,用V(D)表示有向图D的节点集,节点元素vi∈V(D),i=1,2,…,l;|V(D)|为有向图D的节点数,用它来描述有向图的阶;
b)、E是卡氏积V×V的多重子图,表示有向图D的边集,E中的元素称为有向边ei,简称边;用E(D)表示有向图D的边集,有向边元素ei∈E(D),i=1,2,…,l;|E(D)|为有向图D的边数;
步骤一二、设有向图D中节点和有向边的交替序列为Γ=v0e1v1e2…elvl,若vi-1是有向边ei的始点,vi是有向边ei的终点,i=1,2,…k…,l,vk互不相同,k=1,2,…,l,则称Γ为顶点v0到vl的路径,v0和vl分别称为此路径的起点和终点;在一个有向图D中,若从顶点v0到vl存在路径,则称v0可达vl,记为v0→vl;如果略去D中各有向边的方向后,对v0→vl,则称D是弱连通图,简称连通图;
步骤一三、若{G1,G2}满足如下条件,称{G1,G2}为有向图D1=<V1,E1,W1>和有向图D2=<V2,E2,W2>的扩展公共子图:
2)对任意边(v1,k,v1,k+1)∈E1(G1),存在两个顶点v1,k-1,v1,k+2∈V1(G1)∩V1(G2),满足:在G1中存在路径v1,k-1→v1,k→v1,k+1→v1,k+2并且在G2中存在路径v1,k-1→v1,k;
3)对任意边(v2,k,v2,k+1)∈E2(G2),存在两个顶点v2,k-1,v2,k+2∈V2(G1)∩V2(G2),满足:在G1中存在路径v2,k-1→v2,k→v2,k+1→v2,k+2并且在G2中存在路径v2,k-1→v2,k;
如图3-1和3-2所示,假设有向图D1和有向图D2的扩展公共子图是{G1,G2},按照扩展公共子图的定义,若(2,5)∈E(G1),则必然有(2,5),(5,7)∈E(G1)并且在G2中存在2到7的一条路径,即(2,7)∈E(G2),简单的讲,扩展公共子图的定义就是两图中首尾相同的两条路径组成的集合,即(2,5),(5,7)∈E(G1),(2,7)∈E(G2)。
步骤一四、设{G1,G2}是有向图D1=<V1,E1,W1>和D2=<V2,E2,W2>的扩展公共子图(ECS);若G1,G2均为连通图,则称{G1,G2}为扩展公共连通子图(ECCS);若不存在D1和D2的扩展公共连通子图,满足则称ECCS{G1,G2}是D1和D2最大扩展公共连通子图(MECCS);若MECCS{G1,G2}在当前相似度量函数下达到最大,则称其为相似度最大扩展公共连通子图,英文简称MSECCS,记为
步骤一五、设定:设计人员设计的碎片化拓扑图模型为基本碎片化拓扑图模型或基本模型,由算法融合得到的模型为融合碎片化拓扑图模型或融合模型;基本碎片化拓扑图模型中的节点权重系数全部为1;“-”“∩”和“∪”是一般的集合运算符号;分别表示补集、交集、并集运算;
考虑到现实生活中高频词的重要程度一般大于低频词,在碎片化拓扑图模型的相似度量建模中需要考虑碎片化拓扑图模型的顶点重要程度,因此给出如下的融合模型权重定义为:
步骤一六、考虑工程应用背景,将首尾相同的两条路径作为相似路径,按照设定的相似度最大扩展公共连通子图MECCS的定义,给出考虑顶点权重的最大扩展公共连通子图相似度模型:
具体实施方式四:
与具体实施方式三不同的是,本实施方式的面向碎片化建模的相似度量方法,所述的步骤二中相似度阈值的取值范围为0-1之间。
具体实施方式五:
与具体实施方式三不同的是,本实施方式的面向碎片化建模的相似度量方法,所述的步骤二中相似度阈值的取值为0.5。
具体实施方式六:
与具体实施方式四或五不同的是,本实施方式的面向碎片化建模的相似度量方法,所述的步骤三中,将大于相似度阈值的两个碎片化拓扑图模型进行融合,具体为:
若两个碎片化拓扑图模型之间的相似度大于阈值α,则认为两个碎片化拓扑图模型是相似的。然后,可以把在它们融合在一起,得到一个融合模型,下面给出碎片化拓扑图模型的融合规则。
两个碎片化拓扑图模型进行融合规则包括以下方法:
(1)重叠融合法:
当碎片化拓扑图模型不包含表1中第四类的在一种核心模型的基础上进行内部扩展得到的碎片化拓扑图模型时,采用求同存异的原则:两个碎片化拓扑图模型中完全相同拓扑结构和节点以覆盖的形式合二为一,将相异的拓扑结构和节点通过插枝方式插入到融合模型中;融合过程如图2-1所示,其中从左到右依次是碎片化拓扑图模型1,2及其融合图。
(2)路径融合法:
融合规则的直观描述如下图2-2所示,其中从左到右依次是碎片化拓扑图模型3,4及其融合图。可以看到3→5→6,3→7→6起点相同的殊途同归的相似路径和1→4,1→8→4是划分层次不同的相似路径。本着求同存异的原则,理应将殊途同归的相似路径,全部保存下来;针对划分层次不同的相似路径,因为详细划分相对于粗略划分来讲是一个更加系统全面的描述,因此,在重叠融合法的基础上,保存路径更详细的颗粒度细的路径。
实施例1:
以生物概念模型为实例,对采用扩展最大公共连通子图的碎片化拓扑图模型相似度进行验证,首先,取生物概念模型,如图4-1所示,根据碎片化拓扑图模型的种类,将生物概念模型随机划分成碎片化生物概念模型。
根据图4-1,随机生成了19个碎片化生物概念模型:
假设生物、植物界、动物界、种子植物、孢子植物、脊椎动物、无脊椎动物、裸子植物、被子植物、无根茎叶、无根有茎叶、有根茎叶、哺乳类动物、鱼类、两栖类、爬行类、鸟类、腔肠动物、环节动物、棘皮动物、软体动物、节肢动物、松柏、单子叶植物、双子叶植物、藻类、苔藓类、蕨类分别用数字1-28表示,则根据有向图表示法,可得:
表2碎片化生物模型的数字表达
由相似度量模型及融合方法得:
观察发现图4-3中的两个融合图均为图4-1的子图,并且与图4-1基本一致,不同之处,我们在生成碎片化拓扑图模型时,没有生成与种子植物这一枝相关联的碎片化拓扑图模型。这并不是相似度量模型带来的误差,而是由于设计人员设计不合而导致的差异,经人工修正,我们可以得到图4-3于图4-1完全一致,证明了相似度量模型的有效性。
本发明还可有其它多种实施例,在不背离本发明精神及其实质的情况下,本领域技术人员当可根据本发明作出各种相应的改变和变形,但这些相应的改变和变形都应属于本发明所附的权利要求的保护范围。
Claims (4)
1.一种面向碎片化生物模型建模的相似度量方法,其特征在于:所述方法包括以下步骤:
步骤一、按照生物模型模型库中碎片化拓扑图模型存储顺序,计算生物模型模型库中相邻两个碎片化拓扑图模型的相似度;
计算生物模型模型库中碎片化拓扑图模型的相似度的过程为,
步骤一一、将MBSE碎片化拓扑图模型中的顶点通过现有的语义相似度手段,将其转化为图论中有向图的形式,在图同构中以路径之间的映射替代传统的边之间的映射,开发基于路径相似的最大扩展公共连通子图方法,MBSE为基于模型驱动的系统工程,具体为:
定义一个有向图D,有向图D为一个三元组<V,E,W>,其中,
a)、V是一个非空的有限集合,表示有向图D的顶点集,V中的元素称为节点vi,用V(D)表示有向图D的节点集,节点元素vi∈V(D),i=1,2,…,l;|V(D)|为有向图D的节点数,表示有向图的阶;
b)、E是卡氏积V×V的多重子图,表示有向图D的边集,E中的元素称为有向边ei,简称边;用E(D)表示有向图D的边集,有向边元素ei∈E(D),i=1,2,…,l;|E(D)|为有向图D的边数;
步骤一二、设有向图D中节点和有向边的交替序列为Γ=v0e1v1e2…elvl,若vi-1是有向边ei的始点,vi是有向边ei的终点,i=1,2,…k…,l,vk互不相同,k=1,2,…,l,则称Γ为顶点v0到vl的路径,v0和vl分别称为此路径的起点和终点;在一个有向图D中,若从顶点v0到vl存在路径,则称v0可达vl,记为v0→vl;略去D中各有向边的方向后,对vl∈V(D),v0→vl,则称D是弱连通图,简称连通图;
步骤一三、若{G1,G2}满足如下条件,称{G1,G2}为有向图D1=<V1,E1,W1>和有向图D2=<V2,E2,W2>的扩展公共子图:
2)对任意边(v1,k,v1,k+1)∈E1(G1),存在两个顶点v1,k-1,v1,k+2∈V1(G1)∩V1(G2),满足:在G1中存在路径v1,k-1→v1,k→v1,k+1→v1,k+2并且在G2中存在路径v1,k-1→v1,k;
3)对任意边(v2,k,v2,k+1)∈E2(G2),存在两个顶点v2,k-1,v2,k+2∈V2(G1)∩V2(G2),满足:在G1中存在路径v2,k-1→v2,k→v2,k+1→v2,k+2并且在G2中存在路径v2,k-1→v2,k;
步骤一四、设{G1,G2}是有向图D1=<V1,E1,W1>和D2=<V2,E2,W2>的扩展公共子图;若G1,G2均为连通图,则称{G1,G2}为扩展公共连通子图;若不存在D1和D2的扩展公共连通子图,满足则称ECCS{G1,G2}是D1和D2最大扩展公共连通子图;若MECCS{G1,G2}在当前相似度量函数下达到最大,则称其为相似度最大扩展公共连通子图,英文简称MSECCS,记为
步骤一五、设定:设计人员设计的碎片化拓扑图模型为基本碎片化拓扑图模型或基本模型,由算法融合得到的模型为融合碎片化拓扑图模型或融合模型;基本碎片化拓扑图模型中的节点权重系数全部为1;“-”“∩”和“∪”是一般的集合运算符号,分别表示补集、交集、并集运算;
则融合模型权重定义为:
步骤一六、将首尾相同的两条路径作为相似路径,按照设定的相似度最大扩展公共连通子图MECCS的定义,给出最大扩展公共连通子图相似度模型:
步骤二、判断两个碎片化拓扑图模型之间的相似度的值是否大于相似度阈值;
若是,则认为两个碎片化拓扑图模型是相似的,用于执行步骤三的融合过程;
若否,则认为两个碎片化拓扑图模型不相似,不能用于执行步骤三的融合过程,继续选取其他碎片化拓扑图模型;
步骤三、将大于相似度阈值的两个碎片化拓扑图模型进行融合,并将得到的融合图保留,将形成该融合图的两个碎片化拓扑图模型删除;
将大于相似度阈值的两个碎片化拓扑图模型进行融合,具体为:
若两个碎片化拓扑图模型之间的相似度大于阈值α,则认为两个碎片化拓扑图模型是相似的,把两个相似的碎片化拓扑图模型融合,得到融合模型,两个碎片化拓扑图模型进行融合规则包括以下方法:
(1)重叠融合法:
当碎片化拓扑图模型不包含在一种核心模型的基础上进行内部扩展得到的碎片化拓扑图模型时,采用求同存异的原则:两个碎片化拓扑图模型中完全相同拓扑结构和节点以覆盖的形式合二为一,将相异的拓扑结构和节点插入到融合模型中;
(2)路径融合法:
在重叠融合法的基础上,保存路径更详细的颗粒度细的路径;
步骤四、循环执行步骤一至三的步骤,直到将生物模型模型库中相似的碎片化拓扑图模型融合得到一个完整的生物模型或相对完整的生物模型;其中,若设计人员已经设计了完整的碎片化拓扑图模型,则得到完整的生物模型,若设计人员仅设计了部分碎片化拓扑图模型,则得到相对完整的生物模型。
2.根据权利要求1所述的面向碎片化生物模型建模的相似度量方法,其特征在于:所述的步骤一中碎片化拓扑图模型的逻辑结构包括两种基本的核心模型、在其中一种核心模型基础上进行的边缘扩展得到的碎片化拓扑图模型、在其中一种核心模型的基础上进行内部扩展得到的碎片化拓扑图模型;其中,两种基本的核心模型是指由不同建模人员设计的两种基本的核心模型。
3.根据权利要求2所述的面向碎片化生物模型建模的相似度量方法,其特征在于:所述的步骤二中相似度阈值的取值范围为0-1之间。
4.根据权利要求3所述的面向碎片化生物模型建模的相似度量方法,其特征在于:所述的步骤二中相似度阈值的取值为0.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439071.4A CN110135102B (zh) | 2019-05-24 | 2019-05-24 | 面向碎片化建模的相似度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910439071.4A CN110135102B (zh) | 2019-05-24 | 2019-05-24 | 面向碎片化建模的相似度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110135102A CN110135102A (zh) | 2019-08-16 |
CN110135102B true CN110135102B (zh) | 2020-07-07 |
Family
ID=67573003
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910439071.4A Active CN110135102B (zh) | 2019-05-24 | 2019-05-24 | 面向碎片化建模的相似度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110135102B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110391948B (zh) * | 2019-08-29 | 2022-04-08 | 长安大学 | 车联网中基于图相似性的信息拓扑最大稳定子图提取方法 |
CN115828398B (zh) * | 2023-01-10 | 2023-05-05 | 深圳市大乐装建筑科技有限公司 | 碎线数据处理方法、装置、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人系统地图拼接方法 |
CN104731962A (zh) * | 2015-04-03 | 2015-06-24 | 重庆邮电大学 | 一种社交网络中基于相似社团的好友推荐方法及系统 |
CN106446000A (zh) * | 2016-07-27 | 2017-02-22 | 中国地质大学(武汉) | 基于边界交互的区组合拓扑相似性度量方法 |
CN108449209A (zh) * | 2018-03-17 | 2018-08-24 | 北京工业大学 | 基于路径信息和节点信息融合的社交网络好友推荐方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101068465B1 (ko) * | 2009-11-09 | 2011-09-28 | 한국과학기술원 | 삼차원 물체 인식 시스템 및 방법 |
US8885887B1 (en) * | 2012-01-23 | 2014-11-11 | Hrl Laboratories, Llc | System for object detection and recognition in videos using stabilization |
-
2019
- 2019-05-24 CN CN201910439071.4A patent/CN110135102B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103247040A (zh) * | 2013-05-13 | 2013-08-14 | 北京工业大学 | 基于分层拓扑结构的多机器人系统地图拼接方法 |
CN104731962A (zh) * | 2015-04-03 | 2015-06-24 | 重庆邮电大学 | 一种社交网络中基于相似社团的好友推荐方法及系统 |
CN106446000A (zh) * | 2016-07-27 | 2017-02-22 | 中国地质大学(武汉) | 基于边界交互的区组合拓扑相似性度量方法 |
CN108449209A (zh) * | 2018-03-17 | 2018-08-24 | 北京工业大学 | 基于路径信息和节点信息融合的社交网络好友推荐方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110135102A (zh) | 2019-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111429563B (zh) | 基于深度学习的管道三维重建方法、系统、介质及设备 | |
Campen et al. | Quad layout embedding via aligned parameterization | |
CA2697731C (en) | Method of computer-aided design of edges connecting faces of a modeled object | |
CN110135102B (zh) | 面向碎片化建模的相似度量方法 | |
Li et al. | Surface mapping using consistent pants decomposition | |
US10354020B2 (en) | Computer-assisted design method comprising a modelling step | |
Yau et al. | Extension of surface reconstruction algorithm to the global stitching and repairing of STL models | |
Born et al. | Layout embedding via combinatorial optimization | |
Hu et al. | Geometric feature enhanced line segment extraction from large-scale point clouds with hierarchical topological optimization | |
Lienhard et al. | Design Transformations for Rule‐based Procedural Modeling | |
Patane et al. | A minimal contouring approach to the computation of the Reeb graph | |
US20150269284A1 (en) | Intelligent chamfer recognition in cad models | |
CN108109205B (zh) | 一种基于孔洞填充的残缺模型检索与重建方法 | |
CN107562779B (zh) | 一种二维矢量多边形自相交的空间拓扑处理方法 | |
Shang et al. | Effective re-parameterization and GA based knot structure optimization for high quality T-spline surface fitting | |
Scott et al. | Improved many‐to‐one sweeping | |
De Floriani et al. | Decomposing non-manifold objects in arbitrary dimensions | |
Boukhayma et al. | Video based animation synthesis with the essential graph | |
Tian et al. | A hybrid interactive feature recognition method based on lightweight model | |
Wu et al. | Visualizing 2d scalar fields with hierarchical topology | |
Kuijper et al. | From a 2D shape to a string structure using the symmetry set | |
Ghosh et al. | Motion planning using hierarchical aggregation of workspace obstacles | |
Nuvoli et al. | SkinMixer: Blending 3D Animated Models | |
CN112149244B (zh) | 一种增减材制造中等值线加工轨迹的规划方法 | |
Lecallard | Virtual Topology Based Hex-dominant Meshing and Re-meshing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |