本文關(guān)鍵詞：基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡的渲染時間預估算法，由筆耕文化傳播整理發(fā)布。

【摘要】：近些年來計算機制作工藝的提高使計算機性能大幅度提高,計算機應用技術(shù)有了長足的發(fā)展并深入到了各個工業(yè)領(lǐng)域,計算機圖形學作為計算機應用技術(shù)的重要分支,深深改變了電影及其制作工藝。更高質(zhì)量更加真實的動漫效果、電影特效等越來越吸引入的眼光。為此越來越多的科技公司、電影制作公司將更多的工作也投入到了高質(zhì)量圖像渲染來提升自身的競爭力。由于渲染一部高質(zhì)量的作品需要非常長的時間,所以將任務提交到集群內(nèi)進行并行渲染非常重要,為了能夠提高集群的利用效率,需要制定合理的集群作業(yè)調(diào)度策略,而調(diào)度的策略與渲染時間緊密相關(guān),如果能夠預測圖像渲染的時間對于調(diào)度策略的制定幫助很大。 對于渲染任務的時間預測,有不少算法能達到這個目的,每個算法的側(cè)重的方面以及應用的條件也各不相同。大部分時間預測,可以通過分析編碼來進行預測,也可以通過歷史數(shù)據(jù)的分析構(gòu)建時間預估模型,通過機器學習、人工智能等方式達到渲染時間預估的目的。 神經(jīng)網(wǎng)絡是機器學習常用的模型,特別是現(xiàn)在計算機的飛速發(fā)展,計算速度以及存儲容量的快速提高,神經(jīng)網(wǎng)絡被廣泛的應用。神經(jīng)網(wǎng)絡模擬人的思維模式,研究內(nèi)容非常廣泛,體現(xiàn)了跨學科的技術(shù)領(lǐng)域,是一個有趣的分類算法,從一個比較簡單且容易理解的角度為一些非常復雜的分類問題給出了簡便的處理方法,它通過解析一系列的歷史數(shù)據(jù),模擬人類中樞神經(jīng)網(wǎng)絡結(jié)構(gòu)并分析。神經(jīng)網(wǎng)絡的種類也是比較多的,一般是分析當前情境下的具體情況來決定選用哪種神經(jīng)網(wǎng)絡。BP神經(jīng)網(wǎng)絡是神經(jīng)網(wǎng)絡的一種,它在各個領(lǐng)域被廣泛的使用用來構(gòu)建不同的預估模型；由于BP神經(jīng)網(wǎng)絡的深入研究以及被應用到多個領(lǐng)域,它本身訓練過程中的一些缺點也被發(fā)現(xiàn)。這些缺點中一般對解決現(xiàn)實問題影響比較大的有收斂速度慢以及局部極小化問題,而導致這些問題的原因主要是由于BP神經(jīng)網(wǎng)絡的訓練算法是梯度下降算法,通過一次訓練得出的梯度誤差來更新改變網(wǎng)絡。本文在綜合考慮了上述問題后并根據(jù)研究課題客觀現(xiàn)實的情況下提出了利用粒子群優(yōu)化算法作為神經(jīng)網(wǎng)絡學習的算法來改善這些缺點�！� 本文研究內(nèi)容在基于RenderMan規(guī)范的Bleman渲染系統(tǒng)提供的歷史渲染數(shù)據(jù)的基礎(chǔ)上,首先使用主成分分析法規(guī)范化輸入歷史數(shù)據(jù)獲取樣本,然后通過分析使用BP神經(jīng)網(wǎng)絡構(gòu)建的渲染時間預估模型不足的情況下給出了使用粒子群優(yōu)化算法作為神經(jīng)網(wǎng)絡訓練算法的方案,通過后續(xù)的時間預估與實際渲染時間對比得到了比較不錯的預估效果。
【關(guān)鍵詞】：渲染 渲染時間預估 神經(jīng)網(wǎng)絡 粒子群優(yōu)化算法
【學位授予單位】：山東大學
【學位級別】：碩士
【學位授予年份】：2014
【分類號】：TP18
【目錄】：

• 摘要8-10
• ABSTRACT10-12
• 第一章 緒論12-17
• 1.1 研究背景及意義12-14
• 1.2 相關(guān)研究工作14-15
• 1.3 主要研究內(nèi)容15-16
• 1.4 論文結(jié)構(gòu)16-17
• 第二章 預備知識17-26
• 2.1 渲染引擎17-19
• 2.1.1 Bleman渲染器17-18
• 2.1.2 Bleman渲染流程18-19
• 2.2 渲染場景特征19-25
• 2.3 本章小結(jié)25-26
• 第三章 時間預估模型26-42
• 3.1 渲染特征提取26-31
• 3.1.1 提取初步樣本26-27
• 3.1.2 PCA維規(guī)約27-30
• 3.1.3 PCA評價30-31
• 3.2 神經(jīng)網(wǎng)絡預估模型31-38
• 3.2.1 神經(jīng)網(wǎng)絡原理32-33
• 3.2.2 BP神經(jīng)網(wǎng)絡33-35
• 3.2.3 BP神經(jīng)網(wǎng)絡參數(shù)35-38
• 3.3 BP神經(jīng)網(wǎng)絡結(jié)果38-40
• 3.4 本章小結(jié)40-42
• 第四章 粒子群優(yōu)化算法42-52
• 4.1 PSO問題描述43-44
• 4.2 學習過程44-51
• 4.2.1 PSO算法設(shè)計44-46
• 4.2.2 PSO與神經(jīng)網(wǎng)絡46-47
• 4.2.3 結(jié)果分析47-51
• 4.3 本章總結(jié)51-52
• 第五章 總結(jié)和展望52-54
• 5.1 本文總結(jié)52
• 5.2 未來展望52-54
• 參考文獻54-58
• 致謝58-59
• 攻讀學位期間發(fā)表的主要學術(shù)論文59-60
• 攻讀學位期間參與的科研項目60-61
• 學位論文評閱及答辯情況表61

【參考文獻】

中國期刊全文數(shù)據(jù)庫 前4條

1 劉釗,蔣良孝;基于神經(jīng)網(wǎng)絡的數(shù)據(jù)挖掘研究[J];計算機工程與應用;2004年03期

2 陶伶俐;;數(shù)字媒體產(chǎn)業(yè)發(fā)展現(xiàn)狀及建議[J];中國科技產(chǎn)業(yè);2009年07期

3 陳貴敏;賈建援;韓琪;;粒子群優(yōu)化算法的慣性權(quán)值遞減策略研究[J];西安交通大學學報;2006年01期

4 李樹聲;網(wǎng)絡集群渲染的技術(shù)優(yōu)勢[J];現(xiàn)代電視技術(shù);2004年10期

  本文關(guān)鍵詞：基于粒子群優(yōu)化的神經(jīng)網(wǎng)絡的渲染時間預估算法，由筆耕文化傳播整理發(fā)布。

，

本文編號：451750