| 摘要 | 第5-6页 |
| Abstract | 第6-7页 |
| 第1章 绪论 | 第12-18页 |
| 1.1 研究背景及意义 | 第12-13页 |
| 1.2 国内外研究现状 | 第13-15页 |
| 1.3 主要研究内容 | 第15-16页 |
| 1.4 本文的组织结构 | 第16-18页 |
| 第2章 相关知识介绍 | 第18-26页 |
| 2.1 渲染的基本原理和步骤 | 第18-19页 |
| 2.1.1 渲染的基本原理 | 第18页 |
| 2.1.2 渲染的基本步骤 | 第18-19页 |
| 2.2 关于V-Ray渲染器 | 第19-25页 |
| 2.2.1 V-Ray渲染器概述 | 第19-20页 |
| 2.2.2 V-Ray渲染器优势 | 第20-21页 |
| 2.2.3 光线跟踪算法 | 第21-25页 |
| 2.3 集群技术的介绍 | 第25页 |
| 2.4 本章小结 | 第25-26页 |
| 第3章 影响渲染时间的特征参数提取 | 第26-40页 |
| 3.1 常用的三维建模软件的介绍 | 第26-28页 |
| 3.1.1 Maya | 第26页 |
| 3.1.2 SoftImage3D | 第26-27页 |
| 3.1.3 3ds Max | 第27-28页 |
| 3.2 特征参数提取 | 第28-38页 |
| 3.2.1 分辨率 | 第29-30页 |
| 3.2.2 几何面数 | 第30页 |
| 3.2.3 V-Ray材质 | 第30-31页 |
| 3.2.4 V-Ray灯光 | 第31-33页 |
| 3.2.5 DMC采样器 | 第33-35页 |
| 3.2.6 全局光引擎 | 第35-36页 |
| 3.2.7 图像采样器 | 第36-38页 |
| 3.3 本章小结 | 第38-40页 |
| 第4章 基于PSO-SVR的渲染时间预估模型的建立 | 第40-58页 |
| 4.1 支持向量机理论介绍 | 第40-50页 |
| 4.1.1 支持向量机的理论基础 | 第40-43页 |
| 4.1.1.1 机器学习 | 第40-41页 |
| 4.1.1.2 统计学习理论 | 第41-43页 |
| 4.1.2 支持向量机的基本概念 | 第43-44页 |
| 4.1.3 支持向量分类机 | 第44-48页 |
| 4.1.4 支持向量回归机 | 第48-49页 |
| 4.1.5 核函数 | 第49-50页 |
| 4.2 粒子群算法理论介绍 | 第50-52页 |
| 4.2.1 粒子群算法基本原理 | 第50-51页 |
| 4.2.2 粒子群算法的数学描述 | 第51-52页 |
| 4.3 PSO-SVR的算法设计 | 第52-56页 |
| 4.3.1 PSO-SVR算法的基本思路 | 第52-54页 |
| 4.3.2 PSO-SVR算法实现步骤 | 第54-56页 |
| 4.4 本章小结 | 第56-58页 |
| 第5章 基于PSO-SVR的渲染时间预估模型的实现 | 第58-68页 |
| 5.1 支持向量机工具箱介绍 | 第58-60页 |
| 5.1.1 Matlab软件介绍 | 第58-59页 |
| 5.1.2 Libsvm工具箱在Matlab中的安装过程 | 第59-60页 |
| 5.2 样本数据的采集及预处理 | 第60-62页 |
| 5.2.1 样本数据采集 | 第60-61页 |
| 5.2.2 数据预处理 | 第61-62页 |
| 5.3 粒子群优化支持向量回归机参数 | 第62页 |
| 5.4 PSO-SVR渲染时间预估模型的实现过程 | 第62-64页 |
| 5.5 实验结果与对比分析 | 第64-67页 |
| 5.6 本章小结 | 第67-68页 |
| 结论 | 第68-70页 |
| 参考文献 | 第70-74页 |
| 攻读硕士学位期间所发表的学术论文 | 第74-76页 |
| 致谢 | 第76页 |
