<title>Adaptive reconstruction of closed Bezier surfaces</title>
Notice bibliographique
Résumé
This paper presents a technique for reconstructing smooth closed Bezier surfaces from coordinate measurements based on a Bernstein Basis Function (BBF) network. While various neural networks, such as the backpropagation network and radial basis function networks, have been effective in functional approximation and surface fitting these neural networks produce system dependent solutions that are not easily transferable to commercially available design software. The BBF network has an advantage over other networks by directly employing the same Bernstein polynomial basis functions that are used in describing Bezier surfaces. The BBF network is capable of implementing a close approximation to any continuous nonlinear mapping by forming a linear combination of nonlinear Bernstein polynomial basis functions. Changing the number of basis neurons in the network architecture is equivalent to modifying the degree of the Bernstein polynomials. Complex smooth surfaces can be reconstructed by using several simultaneously updated networks, each corresponding to a separate surface patch. A smooth transition between adjacent Bezier surface patches can be achieved by imposing additional positional C<SUP>0</SUP> and tangential C<SUP>1</SUP> continuity constraints on the weights during the adaptation process. Once adapted, the final weights of the networks correspond to the control points of the Bezier surface, and can therefore be used directly in commercial CAD software packages that utilize parametric modelers.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».