| 摘要 | 第3-5页 |
| Abstract | 第5-6页 |
| 第一章 绪论 | 第10-21页 |
| 1.1 课题背景及研究意义 | 第10-11页 |
| 1.2 CAD模型的特征描述符提取技术研究 | 第11-15页 |
| 1.2.1 基于骨架特征的提取方法 | 第12页 |
| 1.2.2 基于三维模型形状特征的提取方法 | 第12-13页 |
| 1.2.3 基于统计特征的提取方法 | 第13-14页 |
| 1.2.4 三维CAD模型的特征描述 | 第14-15页 |
| 1.3 机器学习及其在CAD领域中的应用 | 第15-18页 |
| 1.3.1 基于机器学习的三维模型分类 | 第15页 |
| 1.3.2 基于神经网络的特征分类 | 第15-16页 |
| 1.3.3 深度学习 | 第16-18页 |
| 1.4 三维CAD模型检索技术的优势 | 第18-19页 |
| 1.5 本文主要研究内容及论文结构 | 第19-21页 |
| 第二章 基于D2算法的三维CAD模型的特征描述符提取 | 第21-27页 |
| 2.1 引言 | 第21页 |
| 2.2 形状分布 | 第21页 |
| 2.3 D2描述符的提取 | 第21-25页 |
| 2.3.1 边界表示法 | 第22页 |
| 2.3.2 三维模型表面三角面片化 | 第22-23页 |
| 2.3.3 在模型表面随机点的生成 | 第23-25页 |
| 2.3.4 三维模型的图形分布计算 | 第25页 |
| 2.4 本章小结 | 第25-27页 |
| 第三章 面向三维CAD模型分类的深度神经网络选择 | 第27-35页 |
| 3.1 引言 | 第27页 |
| 3.2 深度神经网络的比较与选择 | 第27-30页 |
| 3.2.1 卷积神经网络 | 第27-29页 |
| 3.2.2 深度置信网络 | 第29-30页 |
| 3.2.3 卷积神经网络与深度置信网络比较 | 第30页 |
| 3.3 限制性玻尔兹曼机 | 第30-34页 |
| 3.3.1 限制性玻尔兹曼机的基本模型 | 第31-32页 |
| 3.3.2 能量模型 | 第32页 |
| 3.3.3 基于对比散度的快速学习算法 | 第32-34页 |
| 3.4 深度置信网络的调优过程 | 第34页 |
| 3.5 本章小结 | 第34-35页 |
| 第四章 基于深度学习的三维CAD模型分类 | 第35-42页 |
| 4.1 引言 | 第35页 |
| 4.2 建立实验数据集 | 第35-36页 |
| 4.3 深度置信网络分类器构建和训练 | 第36-38页 |
| 4.3.1 深度置信网络分类器构建 | 第36-37页 |
| 4.3.2 深度置信网络的训练 | 第37-38页 |
| 4.4 实验 | 第38-41页 |
| 4.4.1 实验环境 | 第38页 |
| 4.4.2 实验结果 | 第38-40页 |
| 4.4.3 实验分析 | 第40-41页 |
| 4.4.4 与其他算法的比较 | 第41页 |
| 4.5 本章小结 | 第41-42页 |
| 第五章 基于深度学习的三维CAD模型检索原型系统 | 第42-46页 |
| 5.1 引言 | 第42页 |
| 5.2 原型系统的软硬件环境 | 第42-43页 |
| 5.3 原型系统的界面设计 | 第43-45页 |
| 5.4 本章小结 | 第45-46页 |
| 第六章 结论与展望 | 第46-47页 |
| 参考文献 | 第47-50页 |
| 致谢 | 第50页 |