利用NURBS曲线进行点云曲面拟合算法

VIP利用NURBS曲线进行点云曲面拟合算法
点云拟合曲面算法是将点云数据拟合成一个二次或高次曲面模型的算法。这种算法主要用于三维模型重建、计算机视觉、机器人感知、医学图像处理等领域。最小二乘法(Least Squares Method):通过最小化点到曲面距离的平方和来拟合曲面模型。三角剖分算法(Triangulation-Based Method):将点云构建成三角网格,再拟合成曲面模型。隐式曲面算法(Implicit Surface Method):通过定义一个隐式函数来表示曲面,然后用点云数据来估计隐式函数的系数。
开通可读全文 ·1.2w 人阅读
最低0.47元/天 解锁文章

介绍

点云拟合曲面算法是将点云数据拟合成一个二次或高次曲面模型的算法。这种算法主要用于三维模型重建、计算机视觉、机器人感知、医学图像处理等领域。
常见的点云拟合曲面算法包括:

  1. 最小二乘法(Least Squares Method):通过最小化点到曲面距离的平方和来拟合曲面模型。
  2. 三角剖分算法(Triangulation-Based Method):将点云构建成三角网格,再拟合成曲面模型。
  3. 隐式曲面算法(Implicit Surface Method):通过定义一个隐式函数来表示曲面,然后用点云数据来估计隐式函数的系数。
  4. 基于贝叶斯学习的算法(Bayesian Learning-Based Method):利用贝叶斯学习方法来拟合曲面模型,可以处理噪声和不确定性。
  5. 深度学习算法(Deep Learning-Based Method):通过深度学习算法来训练神经网络,实现点云到曲面的转换。
    这些算法各有优缺点,选择合适的算法需要根据具体应用场景和要求。

NURBS曲线

Point cloud to NURBS是一种将点云数据拟合成NURBS曲面的软件,其点云拟合曲面算法是基于最小二乘法的。具体来说,该算法将点云数据视为一个离散的数据集,然后通过最小化点到曲面距离的平方和来拟合NURBS曲面模型,使得拟合曲面与原始点云数据的误差最小。该算法还可以通过调整参数来控制拟合曲面的精度和平滑度,以满足不同应用场景的需求。对于非常规形状的点云数据,该软件还提供了手动拟合曲面的功能,用户可以通过选取和编辑控制点来调整曲面模型,以达到更好的拟合效果。

C++实现思路

在C++中实现点云拟合曲面算法,可以使用最小二乘法来拟合曲面模型。具体步骤如下:

  1. 定义点云数据结构,包括点的坐标和法向量等信息。可以使用结构体或类来实现。

  2. 构建曲面模型,这里以二次曲面为例。二次曲面的一般式可以表示为:
    F ( x , y ) = A x 2 + B x y + C y 2 + D x + E y + F F(x,y) = Ax^{2} + Bxy + Cy^2 + Dx + Ey + F F(x,y)=Ax2+Bxy+Cy2+Dx+Ey+F
    其中A、B、C、D、E、F为曲面的系数。

  3. 用最小二乘法来拟合曲面模型。最小二乘法的目标是最小化实际点云数据和拟合曲面之间的距离。具体来说,可以通过以下步骤来实现:
    a. 选取一组控制点作为曲面的控制网格,然后根据这些控制点生成曲面网格。
    b. 对于点云中的每个点,计算其到曲面的距离。
    c. 通过最小化点到曲面距离的平方和来求得曲面系数。
    d. 重复步骤b和c,直到拟合误差达到预设的精度要求。

  4. 将拟合后的曲面模型输出为NURBS格式或其他格式进行保存。
    以上是基本的实现步骤。当然,在具体实现时,还需要考虑一些细节问题,比如如何选择控制点、如何计算点到曲面的距离等等。此外,还可以根据具体需求和应用场景,对算法进行优化和改进,以提高拟合效果和运行效率。

代码实现

实现点云拟合曲面算法参考以下步骤:

读取点云数据

使用PCL库中的pcl::io::loadPCDFile函数读取点云数据,该函数的参数为点云数据文件的路径。读取后将点云数据存储在pcl::PointCloudpcl::PointXYZ::Ptr类型的指针中。

pcl::PointCloud<pcl::PointXYZ>::Ptr cloud(new pcl::PointCloud<pcl::PointXYZ>);
pcl::io::loadPCDFile<pcl::PointXYZ>("cloud.pcd", *cloud);

对点云进行预处理

预处理包括点云降采样和法向量估计。点云降采样可以使用PCL库中的pcl::VoxelGrid类实现,法向量估计可以使用PCL库中的pcl::NormalEstimation类实现。其中法向量估计的结果存储在pcl::PointCloudpcl::Normal::Ptr类型的指针中。

pcl::VoxelGrid<pcl::PointXYZ> sor;  // 创建一个降采样对象
sor.setInputCloud(cloud);
sor.setLeafSize(0.01, 0.01, 0.01);  // 设置降采样的尺寸
sor.filter(*cloud);
pcl::NormalEstimation<pcl::PointXYZ, pcl::Normal> ne;  // 创建一个法向量估计对象
pcl::PointCloud<pcl::Normal>::Ptr normals(
VIP NURBS点云拟合全流程实战:从曲线到曲面,从原理到代码 点云逆向工程中,如何将海量散乱点转换为可编辑的参数曲面,是CAD/CAE/CAM流程的核心难题。NURBS凭借局部支撑性、精确表达圆锥曲线以及工业标准兼容性,成为曲面拟合的主流方案。整个拟合过程涉及点云预处理、参数化、节点向量生成、Cox-de Boor基函数递推、最小二乘控制点求解以及张量积曲面扩展等关键步骤。弦长参数化和de Boor节点公式能显著提升拟合稳定性和精度,而SVD/LSQR求解可避免矩阵奇异导致的曲面振荡。该技术广泛应用于逆向设计、数控加工、尺寸检测和CAE仿真等领域。本文从清晰的技术概念 开通可读全文·320 阅读·1 点赞·6 收藏 阅读全文

相关推荐

点云拟合NURBS曲面:从原理到工程落地的完整指南

在三维扫描与逆向工程中,散乱点云只是离散的坐标集合,难以直接用于CAD/CAM。传统的网格重建虽能呈现形状,却缺乏参数连续性,无法满足工程设计、数控加工与结构分析的精度要求。NURBS曲线曲面作为工业级参数化建模的标准,通过控制点、权因子与节点向量的协同作用,可将离散点云转化为光滑可编辑的参数曲面。实现这一过程需要完成点云去噪、参数化映射、自适应节点插入、最小二乘控制点反算以及误差迭代评估等关键步骤,并结合PCL、OpenNURBS等工具链落地。从汽车内饰到建筑立面,NURBS拟合技术在处理非均匀点云、局部

weixin_34387468的博客 229

点云最小二乘法拟合曲线

文章目录一、引言 一、引言

dayuhaitang1的博客 2743

Nurbs 3.0.11源码解析:VS2010环境下的NURBS库编译与实战

在CAD/CAM/CAE领域,NURBS(非均匀有理B样条)是描述自由曲线与曲面的核心数学方法,广泛应用于工业设计、逆向工程与数控编程。掌握其底层实现原理,能帮助开发者更灵活地处理点云拟合、曲面求交等复杂几何任务。本文从NURBS的基础概念出发,解析了控制点、节点向量与权因子的数据结构和de Boor求值算法,并结合经典开源库Nurbs 3.0.11,详细演示了在VS2010中完成源码编译、环境配置、最小调用程序的编写流程,同时总结了头文件路径、链接错误、内存所有权等常见坑点。无论是学习几何算法还是进行工程

weixin_34112399的博客 246

MATLAB实现NURBS曲面拟合:从点云到可编辑CAD曲面的完整指南

非均匀有理B样条(NURBS)作为工业建模的核心数学工具,凭借其局部支撑与精确表达二次曲线的能力,在逆向工程和CAD模型重建中占据主导地位。基于离散点云构建光滑曲面,本质上是通过参数化、节点向量设计及控制点反求,在最小二乘意义下逼近原始数据。MATLAB结合NURBS工具箱,为这一过程提供了高效的工程实现路径。从点云预处理、参数化选择到控制点求解,每个环节都直接影响拟合精度与曲面质量。本文以实际项目为背景,系统梳理了MATLAB环境下NURBS曲面拟合的完整流程,包括数据网格化、参数化策略、控制点反求方法,

weixin_30512965的博客 268

NURBS插值拟合实战:Matlab实现曲线曲面重建全流程

在CAD/CAM与逆向工程中,如何将离散点云转化为光滑可编辑的曲面模型是一个核心难题。NURBS(非均匀有理B样条)作为工业几何建模的事实标准,凭借对自由曲线曲面的精确表达能力与局部修改特性,成为曲面重建的首选方案。插值与拟合是两条不同路线:插值严格穿过数据点,适合高精度测量场景;拟合允许公差范围内的偏差,更适用于带噪声的扫描点云。Matlab搭配NURBS工具箱,可高效完成参数化、节点向量生成、控制点求解、误差评估等关键步骤,极大降低实现门槛。这项技术广泛用于零件逆向建模、模具检测、叶片截面重构、机器人轨

weixin_33970449的博客 356

Matlab环境下NURBS插值拟合:从曲线到曲面的完整实现

在工程设计、逆向建模与测量数据处理中,如何从离散点云重构出光顺的连续形状是核心难题。样条曲线与曲面拟合技术提供了解法,其中NURBS(非均匀有理B样条)凭借统一表达自由曲面与标准几何的能力,成为CAD/CAM领域的事实标准。其插值拟合过程涉及参数化、节点向量构造、控制点反算与矩阵求解等数学基石,在Matlab环境中可通过清晰的算法流程逐一落地。本文以工程实践为导向,深入讲解NURBS从曲线到曲面的插值拟合原理,并给出可复用的核心代码,涵盖数据点处理、节点分配、基函数递归求值、张量积曲面网格反算等关键技术,同

weixin_33875839的博客 418

NURBS曲面拟合实践:MATLAB实现从点云到光顺曲面的完整流程

NURBS(非均匀有理B样条)是CAD/CAM领域用于表达自由曲面的核心技术,其局部支撑特性使得复杂曲面建模变得灵活可控。曲面拟合的本质是根据离散点云反算控制点网格与节点矢量,从而生成逼近或插值的光顺曲面。在工程实践中,NURBS曲面拟合被广泛应用于逆向工程、叶片重构、汽车外形设计等场景,而MATLAB凭借高效的矩阵运算和可视化能力,成为快速验证拟合算法的理想工具。围绕NURBS数学原理,重点梳理了参数化方法、节点矢量确定、控制点反算等关键环节,并给出基于MATLAB的完整实现流程与常见踩坑经验,帮助工程师

weixin_31364787的博客 310

NURBS曲面重建技术详解与应用实战

设节点向量为 $ U = {u_0, u_1, …, u_m} $,其中 $ m = n + p + 1 $,$ n+1 $ 是控制点个数,$ p $ 是多项式次数。第 $ i $ 个 $ p $ 阶B样条基函数定义如下:$$$$对于 $ p \geq 1 $:$$$$看起来有点抽象?别急,我们来拆解一下这个公式的“DNA”。写到这里,你应该已经明白:NURBS不是黑盒,而是一个精心设计的数学系统。

weixin_42511832的博客 774

MATLAB点云NURBS曲面拟合:从参数化到误差控制全流程

在逆向工程中,点云数据通常需要重建为光滑且可编辑的CAD曲面。NURBS(非均匀有理B样条)作为工业标准,通过逼近而非插值的方式,能有效避免因数据噪声和密度不均导致的虚假波动。其数学原理基于B样条基函数与权重控制,在参数化、节点向量和控制点设计合理的情况下,可以在保证整体光顺的同时控制局部误差。该技术被广泛应用于精密零件逆向建模、光学反射罩重建、涡轮叶片曲面检测等工程场景。MATLAB提供成熟的矩阵运算与可视化环境,结合Cox-de Boor递归与最小二乘求解,可实现从散乱点云到NURBS曲面的完整流程。本

weixin_29597551的博客 271

曲线绘制OPENNURBS库

OPENNURBS 曲线绘制库 用于绘制三维空间中的多维曲线的绘制

NURBS曲面拟合的基本算法

这里面包含了NURBS所要用到的大部分算法,以C++的格式列出。有哈特利(Hartley)-贾德(Judd,1978)的弦长参数化算法求节点矢量U、伯姆(Boehm)节点插入算法、德布尔-考克斯递推公式、由给定曲线,曲面型值点反算控制点及节点矢量算法和处理重节点情况算法、由控制顶点,权因子,节点序列等计算插值点集、追赶法求解方程组

Hermes深入理解及源码解析(二):Hermes的记忆机制

源码位置:tools/memory_tool.py存储内容为两个文件,放在 ~/.hermes/memories/:MEMORY.md:Agent 自己的笔记(环境事实、项目约定、工具坑、学到的东西)—— 上限 2200 字符USER.md:关于用户的画像(角色、偏好、沟通风格)—— 上限 1375 字符作为一个独立的工具注册在系统中(为了让智能体正确使用它,System Prompt()中明确下达了禁令存储目标存储位置数据类型持久偏好/事实MEMORY.md我是谁、我喜欢什么、环境配置。

qq_41984117的博客 565

HWSD全球土壤数据下载处理

下载地址: http://www.fao.org/soils-portal/soil-survey/soil-maps-and-databases/harmonized-world-soil-database-v12/en/

江北20190411的博客 3万+

PID不够用?试试给PID加上‘预言’能力:史密斯预测器(SP)在温控、液位控制中的实战配置

本文深入探讨了史密斯预测器(SP)在温控和液位控制中的应用,特别针对大滞后系统的PID控制难题。通过详细解析SP的核心组件、参数整定技巧及进阶应用FSP,结合西门子PLC的实战配置方案,帮助工程师有效提升控制精度和系统稳定性。文章还提供了S7-1200的完整实现步骤和调试技巧,为工业自动化控制提供了实用解决方案。

weixin_33686714的博客 473

WinForm轻松打造AntDesign现代化工具栏

摘要: 本文介绍如何在WinForm中利用AntdUI库实现AntDesign风格工具栏,包括安装配置、动态生成按钮/下拉菜单、布局优化及主题美化。通过AntButton、AntDropdown等控件结合事件绑定,可快速构建支持图标、工具提示、权限控制的现代化工具栏,并解决常见图标加载、布局错乱问题。最后提供代码示例与响应式设计技巧,助你打造高效美观的WinForm界面。 (字数:150)

java专栏 1608

高分影像批处理第三回——RPC文件与几何校正

前言 前面两章部分完成了图像的基本组织和大气校正,可是对于遥感影像地理相关数据,精确的地理坐标也是非常关键的。L1级数据,可惜,并没有帮我们处理地理坐标系统。无论是打开ENVI还是用gdal工具查看图像元数据,其坐标系统都是错误的或者说是未读入的。因此本章节来解决这个问题。

weixin_43762038的博客 1万+

别再用Python卷了!用Matlab的Deep Learning Toolbox快速上手U-Net图像分割(附完整数据集处理代码)

本文介绍了如何使用Matlab的Deep Learning Toolbox快速上手U-Net图像分割,包括数据准备、网络构建、训练监控和模型应用等完整流程。Matlab的高度集成工具链和图形化界面为图像分割任务提供了更快捷、直观的解决方案,特别适合研究人员和工程师快速实现原型验证。

weixin_29927965的博客 383

欧姆龙PLC的FinsTCP协议

三个流行的PLC: PLC 通讯协议 默认IP和端口 区别 西门子S7-1200 S7 192.168.1.201 :102 2次验证(正常连接后,第一次发不断开,第二次发断开) 三菱Q系列 MC 192.168.1.250 :4096 不验证(正常连接后,怎么发都不断开) 欧姆龙CJ-2M系列 FinsTCP 192.168.1.14 :9600 1次验证(正常连接后,第一次发断开) ...

周林的博客 1万+

10、在线已知位置的旅行商问题算法解析

本文深入探讨了在线已知位置的旅行商问题(OLTSP-L)在不同度量空间下的算法设计与性能分析。针对一般度量空间、环和星型结构,分别提出了Algorithm 1、Algorithm 2和Algorithm 3,详细阐述了其执行流程、竞争比及时间复杂度。文章还对比了各算法的性能,讨论了实际应用中的实时性、资源限制和环境不确定性,并展望了未来在更复杂结构、多服务器协同及不确定性处理等方面的研究方向,为相关领域的理论与实践提供了有力支持。

ios99的博客 50

lwip-2.0.3

lwip是瑞典计算机科学院(SICS)的Adam Dunkels 开发的一个小型开源的TCP/IP协议栈。实现的重点是在保持TCP协议主要功能的基础上减少对RAM 的占用。

深度学习工具包 DeepLearningToolbox

深度学习工具包Deprecation notice.-----This toolbox is outdated and no longer maintained.There are much better tools available for deep learning than this toolbox, e.g. [Theano](http://deeplearning.net/software/theano/), [torch](http://torch.ch/) or [tensorflow](http://www.tensorflow.org/)I would suggest you use one of the tools mentioned above rather than use this toolbox.Best, Rasmus.DeepLearnToolbox================A Matlab toolbox for Deep Learning.Deep Learning is a new subfield of machine learning that focuses on learning deep hierarchical models of data.It is inspired by the human brain's apparent deep (layered, hierarchical) architecture.A good overview of the theory of Deep Learning theory is[Learning Deep Architectures for AI](http://www.iro.umontreal.ca/~bengioy/papers/ftml_book.pdf)For a more informal introduction, see the following videos by Geoffrey Hinton and Andrew Ng.* [The Next Generation of Neural Networks](http://www.youtube.com/watch?v=AyzOUbkUf3M) (Hinton, 2007)* [Recent Developments in Deep Learning](http://www.youtube.com/watch?v=VdIURAu1-aU) (Hinton, 2010)* [Unsupervised Feature Learning and Deep Learning](http://www.youtube.com/watch?v=ZmNOAtZIgIk) (Ng, 2011)If you use this toolbox in your research please cite [Prediction as a candidate for learning deep hierarchical models of data](http://www2.imm.dtu.dk/pubdb/views/publication_details.php?id=6284)```@MASTERSTHESIS\{IMM2012-06284, author = "R. B. Palm", title = "Prediction as a candidate for learning deep hierarchical models of data", year = "2012",}```Contact: rasmusbergpalm at gmail dot comDirectories included in the toolbox-----------------------------------`NN/` - A library for Feedforward Backpropagation Neural Networks`CNN/` - A library for Convolutional Neural Networks`DBN/` - A library for Deep Belief Networks`SAE/` - A library for Stacked Auto-Encoders`CAE/` - A library for Convolutional Auto-Encoders`util/` - Utility functions used by the libraries`data/` - Data used by the examples`tests/` - unit tests to verify toolbox is workingFor references on each library check REFS.mdSetup-----1. Download.2. addpath(genpath('DeepLearnToolbox'));Example: Deep Belief Network---------------------```matlabfunction test_example_DBNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit RBM and visualize its weightsrand('state',0)dbn.sizes = [100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);figure; visualize(dbn.rbm{1}.W'); % Visualize the RBM weights%% ex2 train a 100-100 hidden unit DBN and use its weights to initialize a NNrand('state',0)%train dbndbn.sizes = [100 100];opts.numepochs = 1;opts.batchsize = 100;opts.momentum = 0;opts.alpha = 1;dbn = dbnsetup(dbn, train_x, opts);dbn = dbntrain(dbn, train_x, opts);%unfold dbn to nnnn = dbnunfoldtonn(dbn, 10);nn.activation_function = 'sigm';%train nnopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.10, 'Too big error');```Example: Stacked Auto-Encoders---------------------```matlabfunction test_example_SAEload mnist_uint8;train_x = double(train_x)/255;test_x = double(test_x)/255;train_y = double(train_y);test_y = double(test_y);%% ex1 train a 100 hidden unit SDAE and use it to initialize a FFNN% Setup and train a stacked denoising autoencoder (SDAE)rand('state',0)sae = saesetup([784 100]);sae.ae{1}.activation_function = 'sigm';sae.ae{1}.learningRate = 1;sae.ae{1}.inputZeroMaskedFraction = 0.5;opts.numepochs = 1;opts.batchsize = 100;sae = saetrain(sae, train_x, opts);visualize(sae.ae{1}.W{1}(:,2:end)')% Use the SDAE to initialize a FFNNnn = nnsetup([784 100 10]);nn.activation_function = 'sigm';nn.learningRate = 1;nn.W{1} = sae.ae{1}.W{1};% Train the FFNNopts.numepochs = 1;opts.batchsize = 100;nn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.16, 'Too big error');```Example: Convolutional Neural Nets---------------------```matlabfunction test_example_CNNload mnist_uint8;train_x = double(reshape(train_x',28,28,60000))/255;test_x = double(reshape(test_x',28,28,10000))/255;train_y = double(train_y');test_y = double(test_y');%% ex1 Train a 6c-2s-12c-2s Convolutional neural network %will run 1 epoch in about 200 second and get around 11% error. %With 100 epochs you'll get around 1.2% errorrand('state',0)cnn.layers = { struct('type', 'i') %input layer struct('type', 'c', 'outputmaps', 6, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %sub sampling layer struct('type', 'c', 'outputmaps', 12, 'kernelsize', 5) %convolution layer struct('type', 's', 'scale', 2) %subsampling layer};cnn = cnnsetup(cnn, train_x, train_y);opts.alpha = 1;opts.batchsize = 50;opts.numepochs = 1;cnn = cnntrain(cnn, train_x, train_y, opts);[er, bad] = cnntest(cnn, test_x, test_y);%plot mean squared errorfigure; plot(cnn.rL);assert(er<0.12, 'Too big error');```Example: Neural Networks---------------------```matlabfunction test_example_NNload mnist_uint8;train_x = double(train_x) / 255;test_x = double(test_x) / 255;train_y = double(train_y);test_y = double(test_y);% normalize[train_x, mu, sigma] = zscore(train_x);test_x = normalize(test_x, mu, sigma);%% ex1 vanilla neural netrand('state',0)nn = nnsetup([784 100 10]);opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samples[nn, L] = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.08, 'Too big error');%% ex2 neural net with L2 weight decayrand('state',0)nn = nnsetup([784 100 10]);nn.weightPenaltyL2 = 1e-4; % L2 weight decayopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex3 neural net with dropoutrand('state',0)nn = nnsetup([784 100 10]);nn.dropoutFraction = 0.5; % Dropout fraction opts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex4 neural net with sigmoid activation functionrand('state',0)nn = nnsetup([784 100 10]);nn.activation_function = 'sigm'; % Sigmoid activation functionnn.learningRate = 1; % Sigm require a lower learning rateopts.numepochs = 1; % Number of full sweeps through dataopts.batchsize = 100; % Take a mean gradient step over this many samplesnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex5 plotting functionalityrand('state',0)nn = nnsetup([784 20 10]);opts.numepochs = 5; % Number of full sweeps through datann.output = 'softmax'; % use softmax outputopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, train_x, train_y, opts);[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');%% ex6 neural net with sigmoid activation and plotting of validation and training error% split training data into training and validation datavx = train_x(1:10000,:);tx = train_x(10001:end,:);vy = train_y(1:10000,:);ty = train_y(10001:end,:);rand('state',0)nn = nnsetup([784 20 10]); nn.output = 'softmax'; % use softmax outputopts.numepochs = 5; % Number of full sweeps through dataopts.batchsize = 1000; % Take a mean gradient step over this many samplesopts.plot = 1; % enable plottingnn = nntrain(nn, tx, ty, opts, vx, vy); % nntrain takes validation set as last two arguments (optionally)[er, bad] = nntest(nn, test_x, test_y);assert(er < 0.1, 'Too big error');```[![Bitdeli Badge](https://d2weczhvl823v0.cloudfront.net/rasmusbergpalm/deeplearntoolbox/trend.png)](https://bitdeli.com/free "Bitdeli Badge")

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

RU DOS版、EFI版32bit/64bit BIOS常用工具

DOS版、EFI版的RU工具,可用来查看IO、MEM、PCI、SMBIOS等资源。亲测在EFI SHELL下可用。

上一篇: vs2019 C++ —— error C2011: “timespec”:“struct”类型重定义
下一篇: 点云格式互转——txt格式点云转换为pcd格式点云
图像僧
博客等级 码龄8年 123粉丝 75原创
评论 14
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址