复杂曲面轮廓误差高精度在线计算研究

高精度在线计算轮廓误差可有效降低数控加工中的控制轮廓误差。因此,提出一种基于三点弧线理论的方法,在补偿轮廓误差之前对轮廓误差进行精确计算。首先根据插值参考位点与加工过程中的实际位置,计算距离实际位置最近的参考位点;然后根据最近参考位置及其相邻两点形成的近似外接圆弧,计算实际位置到该圆弧的距离,即求得刀尖位点轮廓误差,采用同样方法计算刀具方向轮廓误差。实验结果表明,该算法比原有算法刀尖位点轮廓误差均值减小了 0.056um,刀具方向均值比原有算法减少 7.166um。基于三点弧线理论的算法仅需考虑实际位置与距离实际位置最近的参考位点坐标,可精确计算较大的曲率处,且无需考虑传统计算方法中刀具干涉问题,简化计算过程的同时还可保证计算精度。     

基于Contourlet变换的图像非局部Bayes阈值去噪方法

轮廓波是一种有效的图像多尺度变换工具,由于其包含更多的有效信息,并能更好地刻画图像细节,因而被广泛应用于图像去噪领域。对非下采样轮廓波变换后的噪声系数进行统计,分析了不同强度噪声图像经轮廓波分解后,噪声系数在各方向子带间的分布特点,提出了非局部贝叶斯阈值去噪方法。首先,最外层各个子带进行以模板为单位的自适应Bayes阈值选取操作,并对相应噪声点进行预处理;其次,对预处理后的分块图像进行重构;最后,对重构图像进行非局部均值滤波处理。实验结果表明,该方法无论在视觉去噪效果还是客观评价指标上都明显优于传统的硬阈值去噪方法,并且较传统的非局部均值滤波也有所提高。     

素描作业中易见的错误

在艺术教学中,素描是一切造型的基础,素描是培养学生艺术修养、提高审美能力,追求视觉艺术精神内涵的重要课业. 随着艺术观念的发展,在长期的教学实践中,对素描基础教学不断地进行改革与探讨,切实感受到许多问题.如学生在基础训练中缺乏素描意识,不知道想表达什么,要解决什么问题.另外,作画过程缺乏观察思考、不动脑子,不去体验和感受事物.面对写生对象,学生只是机械地在纸上磨作业,而不是更多地去体验对象的特点、美感和意义.这些问题在学生作业中暴露无余.笔者认为,素描作业是教学效果与学生学习成果的体现,应予以高度重视.老师评论学生素描作业时应讲究方法,既要注意学生的自信心又要指出问题.应以准确、具体的语言使学生理解问题所在.那么如何评判学生作业?作业中有哪些常见缺误?下面分别叙述,如果能使学生发现自己作业中的错误,明白产生错误的原因,改正的方法便不言自明了.     

凸轮活塞式发动机的凸轮轮廓曲线设计研究

凸轮活塞式发动机的核心部件为双面空间圆柱凸轮,其轮廓曲线将影响发动机的工作性能.设计过程中移动从动件运动规律以正弦加速度曲线为例,介绍此类发动机关键部件的设计思路,并采用极坐标法建立凸轮理论轮廓曲线方程和实际轮廓曲线方程之间的关系.     

基于OpenGL的FTP三维重构

给出了一种基于OpenGL的FTP三维重构的实现方法,解决了FTP软件实现中傅立叶变换后的频谱图、物体三维重建、三维图形显示等问题.介绍了傅立叶轮廓术的基本原理、算法的基本实现,以及测试效果.通过对光路实验采集的变形条纹图进行测试表明,该方法能够较好的快速显示FTP三维频谱图和去包裹后的三维相位图等.     

基于VBA的直动式凸轮轮廓CAD系统的设计

介绍了用VBA创建图形用户界面，编制宏代码，在AutoCAD中设计和绘制出凸轮轮廓曲线的一种方法，为在AutoCAD中设计和绘制复杂平面曲线提供了指导意义。     

一种改进的二次曲线轮廓度误差的评定方法

提出了一种改进的二次曲线轮廓度误差的评定方法。以最小二乘曲线的焦点坐标作为中心划分正方形网格,在其中按一定规则设定标志点,若标志点配对拟合曲线计算所得轮廓度误差过大就将其剔除。然后在误差较小的区域进一步细分网格并配对拟合曲线,再以多次迭代运算的方法最终求得最小条件法下的轮廓度误差值。该方法搜索速度快,计算精度高,适用于任意平面二次曲线的轮廓度误差评定,辅以MATLAB软件实现误差求解的可视化,最后实例证明该算法的可靠性。     

美丽的花朵

<正>地球上的植物分为显花植物和隐花植物,其中显花植物就是那些会开花的植物,目前全世界显花植物大约有25万种。现在就让我们一起来认识显花植物的花吧!花朵的基本构造世界上的花色彩缤纷、造型各异,但是不论花朵的外形、颜色多么不一样,它们的基本构造却很相似。这是因为所有的花朵都负有一个相同的任务——产生种子繁衍后代。百合花结构简单,每个部分又区分得很清楚,我们就来认识百     

一种改进的k-means聚类算法

针对k-means算法事先必须获知聚类数目以及难以确定初始中心的缺点,提出了一种改进的k-means聚类算法.首先引入轮廓系数的概念,通过计算不同K值下簇集中各对象的轮廓系数确定事先未知分类信息的数据集中所包含的最优聚类数Kopt;然后通过凝聚层次聚类的方法获得数据集的分布,确定初始聚类中心;最后利用传统的k-means方法完成聚类.理论分析表明,所提出的算法具有适度的计算复杂度.IRIS测试数据集的实验结果表明了该算法能够合理区分不同类型的簇集,且可以有效地识别离群点,聚合后的结果簇集具有较低的熵值.