科学网—标签 - 三维显示

相关帖子	版块	作者	回复/查看	最后发表

Chineselaser 2017-5-3 13:22

桑新柱于迅博陈铎高鑫王鹏邢树军余重秀北京邮电大学信息光子学与光通信国家重点实验室摘要　　为实现自然的三维光显示，需要按照真实物体呈现方式同时具有双目视差和平滑的运动视差。回顾了国内外三维光显示的研究现状，重点介绍了北京邮电大学结合现有光电子器件在密集视点显示、集成成像显示、光场显示和全息显示方面的一些研究进展，认为全视差光场显示和全息显示是未来发展的方向。 (本文发表在《激光与光电子学进展》2017年第5期，点击阅读全文 ) 引用该论文 Sang Xinzhu,Yu Xunbo,Chen Duo,Gao Xin,Wang Peng,Xing Shujun,Yu Chongxiu. Research Progress on Three-Dimensional Optical Display Technology . Laser Optoelectronics Progress, 2017, 54(5): 050006 桑新柱,于迅博,陈铎,高鑫,王鹏,邢树军,余重秀. 三维光显示技术研究进展 . 激光与光电子学进展, 2017, 54(5): 050006 作者简介：桑新柱，北京邮电大学教授，博士生导师近年来主要从事新型三维显示、信息处理、通信技术和新型光电子器件等方面的研究工作。作为项目负责人、主要研究人员承担国家自然科学基金、国家973项目课题、国家 “863”计划课题、教育部科学技术研究重点项目、北京市科技计划重点课题、美国DARPA项目、CERG grant of the Hong Kong Government等项目20余项，以第1作者或指导研究生在“Optics Letters”、“Optics Express”、 “IEEE Photonics Technology Letters”、 “IEEE Journal of Quantum Electronics”、“IEEE/OSA Journal of Lightwave Technology”、“Applied Physics Letters”、“Sensors and Actuators B”、“Optics Communication”等国内外期刊和OFC、CLEO等国际学术会议上发表学术论文100余篇，已有60余篇被SCI检索(其中第1作者20篇)，80余篇被EI检索。主要研究方向：新型动态实时三维光显示、高速信号处理、视频和图像处理、光纤通信及新型光电子器件

3561 次阅读|0 个评论

优秀综述——三维光显示技术研究进展

Chineselaser 2017-4-27 14:11

桑新柱于迅博陈铎高鑫王鹏邢树军余重秀北京邮电大学信息光子学与光通信国家重点实验室　　为实现自然的三维光显示，需要按照真实物体呈现方式同时具有双目视差和平滑的运动视差。回顾了国内外三维光显示的研究现状，重点介绍了北京邮电大学结合现有光电子器件在密集视点显示、集成成像显示、光场显示和全息显示方面的一些研究进展，认为全视差光场显示和全息显示是未来发展的方向。 (本文发表在《激光与光电子学进展》2017年第5期，点击阅读全文 ) 　　引用该论文　　桑新柱,于迅博,陈铎,高鑫,王鹏,邢树军,余重. 三维光显示技术研究进展 .激光与光电子学进展,2017, 54(5): 050006.

3863 次阅读|0 个评论

opengl开发设置

lzuljz 2010-3-29 22:41

最近开始整理关于 opengl 相关的材料，想着进一步的应用一下。有些问题把它整理了放到这里备用（自己或他人都可以用）。 opengl 开发首先要配置安装 GLUT 库，这个库的下载地址为： http://www.opengl.org/resources/libraries/glut/glutdlls37beta.zip 下载完毕后解压到一个文件夹，包含五个文件： glut32.dll ； glut32.lib ； glut.dll ； glut.h ； glut.lib 。其中对于 glut32.lib 和 glut.lib 复制粘贴到 D:\\program files\\Microsoft Visual Studio\\VC98\\Lib 目录下；将 glut32.dll 和 glut.dll 复制粘贴到 C:\\windows\\systom32 目录下； glut.h 复制粘贴到 D:\\program files\\Microsoft Visual Studio\\VC98\\Include\\GL 目录下（该目录是按系统默认安装在 c 盘，软件程序安装在 d 盘的情况下的安装目录）。这样配置完毕后就可以在 VC++ 环境中进行相应的编程了。

个人分类: 工作日志|4565 次阅读|0 个评论

基于人工神经网络的三维矿床模型研究

hldcyx 2009-8-31 06:00

矿床地质模型是用计算机进行矿山设计和开采的基础。自上世纪 60 年代以来，人们主要致力于建模理论和方法的研究，形成了几种主要的方法，包括三维规则网格法、 TIN 表面法、四面体法以及综合法等。但不论采用哪种方法构造矿床地质模型，其核心工作就是根据地质勘探程度、钻孔分布情况，以及矿床赋存条件的复杂程度，选择适宜的估值方法。常用的地质模型中的地质变量估值方法有克立金法、距离幂次反比法，对地质界面采用趋势面法、曲面样条插值等方法进行曲面拟合。用这些传统的估值方法建立地质模型，在一定程度上满足了实际生产的需要，但由于描述矿床赋存条件的地质变量 ( 几何信息、质量指标 ) 具有空间局域性、随机性、连续性、各向异性，并且在一定范围内呈现出非线性相关的特性，因而需要足够的样本空间，并且估值外推能力差，产生的边界误差较大，而新兴的人工神经网络方法擅长处理连续的、随机的、非线性问题，为建立矿床地质模型提供了一条新的途径。 1 三维矿床的神经网络模型人工神经网络（ ARTIFICIAL NEURAL NETWORK ，简称 A.N.N. ）是模拟人脑的思维方式和组织形式而建立起来高度非线性与线性运算复合而成的数学模型，是由若干处理单元相联结而形成的一种大规模并行分布处理网络系统。具有很强的自适应、自学习、联想记忆、高度容错和并行处理能力，使得神经网络理论的应用已经渗透到了各个领域。基于神经网络的三维矿床地质模型数据模拟预测由网络训练和模拟预测两个过程组成，即： (1) 选择合适的网络结构和学习规则与算法，建立神经网络模型，利用钻孔地质资料数据构成训练样本，加入到相应的网络中，对网络进行学习训练，建立模拟预测的网络模型； (2) 用训练好了的网络模型模拟矿床模型。本文选择在实际应用中最为成熟，也使用最为广泛的反向传播网络（ BP 网络）来建立三维矿床模型。 1.1 BP 网络结构与学习算法构成神经网络的两大要素是网络的结构 ( 网络的层数、各层神经元数、神经元间的连结方式 ) 和学习规则与算法。 BP 网络属于层状连接网络，它由输入层、输出层和若干个隐层组成。该网络采用误差逆传算法，即通过信息正向前馈和误差反传这两个过程不断调节各神经元间的权值和阈值，使得输出值与期望值的均方误差最小化而获取权系数，并将其作为知识用于未知样品参数预测或判别分类。 1.2 实际 BP 网络的设计以建立煤层底板的 BP 网络模型为例，来说明实际的 BP 网络设计。煤层属于层状分布，由其钻孔数据描述它的分布情况，所以用在神经网络中的就是这些钻孔数据，以这些钻孔数据为样本来训练神经网络。钻孔数据中的煤层底板的地理位置坐标 ( , , ) 是建立煤层底板神经网络的基础数据。在实际操作过程中，采用神经网络法建立底板模型时，其网络结构是较复杂特殊的。实践中发现，如仅以、变量作为输入层的输入信息，以作为输出的 3 层 BP 网络难以收敛，其中一个重要原因在于输入模式太单调，没有提供足够的信息供网络学习识别，相当于三维趋势回归分析。为此可将、适当组合，这样就把原来的模式表达变换为另一个具有更高维的增强表达式。即输入层由 4 个神经元 ( =4) 构成，其值分别对应于、、、；选择两个隐层，第一个隐层神经元数 ( ) 可取为 15 ；第二个隐层神经元数 ( ) 可取为 15 ；输出层设为 1 个神经元 ( =1) ，对应于要输出的模拟值或预测值，所采用的 BP 神经网络结构如图 1 所示。鉴于各种储层参数都有其变化收敛范围，为了保证整个网络具有较好的映射能力，其网络隐层和输出层的作用输出函数可选型函数，即 (1) 此外，建模时要求有稳键较快的迭代算法，否则采用传统的 EBP 算法学习较为困难，训练时间长。在实际训练时，在对样本层点的输入输出值作规一化处理后，可使用变学习率与变冲量算法来加速收敛，求取可靠的权系数解。这样所求得的网络各层神经元间的权重值、和加上网络结构本身就构成了三维地质数据的预测估值数学模型。用于煤层底板网格顶点的高程值的模拟时，仅需给输入层的各神经结点赋以相应的具体变量值，并将各结点间的权系数值代回网络中进行输入、输出正向运算，对输出值进行反规一化即可获得煤层底板的神经网络模型。输入参数输入层隐层 1 隐层 2 输出层输出参数 2 矿床地质模型建模应用实例用钻孔的地质资料作为输入，相应的高程作为输出，对上面的神经网络进行训练，得到训练好的神经网络模型。用这个网络对钻孔范围内的四边形网格的顶点进行模拟，模拟的结果就是该层煤底板的三维模型。以某露天矿某煤层钻孔的底板资料为例，在这些资料中，有 638 个钻孔，提取某煤层底板的 ( , ) ，计算出相应的和 , 作为神经网络的输入，以 H 作为神经网络的输出，用这 638 个样本对网络进行训练。训练过程图 2 所示。表 1 所示的是任意地从用来检验网络精度的样本中选出的 10 个样本的检测结果。表 1 样本检测结果表 Tab.1 Sample test result 样本输入参数模拟结果实测结果绝对误差 X Y ln( X 2 + Y 2 ) 1 2 3 4 5 6 7 8 9 10 -2908.1992 -2737.4902 -2579.1191 -4046.8008 -3536.5000 -4271.6309 -3583.2891 -4285.1191 -5417.3691 -4649.1504 1351.0625 1244.7188 1149.8828 1385.3438 1091.7188 1073.7891 677.5469 750.3203 1020.4688 613.8906 7.0121 6.9563 6.9017 7.2624 7.1367 7.2878 7.1238 7.2770 7.4827 7.3423 3206.7104 3007.1877 2823.8425 4277.3560 3701.1731 4404.5264 3646.7834 4350.3135 5512.6440 4689.5054 596.7981 639.2612 629.1387 544.1174 571.5871 536.5503 577.8984 572.5274 526.9225 537.0306 596.7899 639.2999 629.0499 544.1200 571.5900 536.5499 577.9000 572.5300 526.9199 537.0300 0.0082 0.0387 0.0888 0.0026 0.0029 0.0004 0.0016 0.0026 0.0026 0.0006 用经过训练的网络，对在钻孔范围内的划分的四边形网格的顶点进行模拟。图 3 所示的是对某矿的煤层底板由神经网络进行模拟的结果，图上的小点为钻孔点，网格是按 50m 间距形成的。图 4 所示的是由神经网络模拟的该煤的三维立体图。图 2 神经网络的训练过程 Fig.2 Training process of neural network 图 3 神经网络模拟的煤层底板网格 Fig. 3 Simulation result of coal floor with ANN 图 4 神经网络模拟的煤层顶底板三维图 Fig. 4 3D map of coal seam with ANN 3 结语应用人工智能中的神经网络原理进行地质建模，充分考虑了地质变量的空间局域性、连续性、各向异性以及高度的非线性关系，这是传统的数学地质方法所不具备的。本文基于钻孔数据，设计并建立了矿床模型的 BP 神经网络结构，实现了用 BP 神经网络对矿床进行模拟，建立矿床的神经网络模型。利用某矿的实际数据建立了矿床的神经网络模型，并对矿床模型进行了三维显示。图 1 煤层顶板的 BP 网络结构图 Fig.1 BP network structure of coal seam

个人分类: 未分类|4048 次阅读|0 个评论

帐号		自动登录	找回密码
密码			注册

关闭安全验证

标签: 三维显示

相关帖子

相关日志

关闭 安全验证

标签: 三维显示

相关帖子

相关日志

关闭安全验证