-
公开(公告)号:CN112884021B
公开(公告)日:2022-09-02
申请号:CN202110127717.2
申请日:2021-01-29
Abstract: 本发明公开了一种面向深度神经网络可解释性的可视分析系统,包括:深度学习模型结构和计算过程的解释性可视化模块,揭示深度学习模型内部的网络结构和数据流的逐步计算流程;训练过程数据流的解释性可视化模块,揭示整个训练过程中数据流的统计信息;神经网络特征提取功能的解释性可视化模块,将神经元权重或神经元输出以可视化方式展示给用户,以解释各层神经元的特征提取能力,通过对比可视化方式,发现模型在不同时间点、不同参数等情况下的表现差异;数据异常值的解释性可视化模块,帮助用户发现数据中的异常和训练中模型参数的异常,提示用户及时暂停和修改模型参数;用户定制功能可视化模块,支持多种可视化模块在同一个页面中进行展示。
-
公开(公告)号:CN114707388A
公开(公告)日:2022-07-05
申请号:CN202210452502.2
申请日:2022-04-27
Applicant: 杭州电子科技大学
Abstract: 本发明公开了一种面向像素式拓扑优化结果的三维CAD重建方法,包括如下步骤:S1、将拓扑优化结果生成的离散体素模型进行光顺操作;S2、提取光顺后的离散体素模型表面的三角网格,生成三角网格模型的骨架线;S3、对三角网格模型的骨架信息进行简化;S4、生成粗骨架模型;S5、对粗骨架模型进行Catmull‑Clark体细分操作,并将表面顶点投影到步骤S2生成的表面三角网格上,生成Bézier体模型,可以方便且高效的将拓扑优化生成的离散六面体网格模型转换成Bézier体模型。在生成Bézier体模型数量上具有显著优势,同时消除了离散六面体网格模型的锯齿状结构,在拓扑优化领域具有应用价值,经过CAD重建的模型同样可以应用于等几何分析,在等几何分析领域具有应用价值。
-
公开(公告)号:CN112884021A
公开(公告)日:2021-06-01
申请号:CN202110127717.2
申请日:2021-01-29
Abstract: 本发明公开了一种面向深度神经网络可解释性的可视分析系统,包括:深度学习模型结构和计算过程的解释性可视化模块,揭示深度学习模型内部的网络结构和数据流的逐步计算流程;训练过程数据流的解释性可视化模块,揭示整个训练过程中数据流的统计信息;神经网络特征提取功能的解释性可视化模块,将神经元权重或神经元输出以可视化方式展示给用户,以解释各层神经元的特征提取能力,通过对比可视化方式,发现模型在不同时间点、不同参数等情况下的表现差异;数据异常值的解释性可视化模块,帮助用户发现数据中的异常和训练中模型参数的异常,提示用户及时暂停和修改模型参数;用户定制功能可视化模块,支持多种可视化模块在同一个页面中进行展示。
-
-