14、通过学习的特征生成：增材制造中的自动特征提取

通过学习的特征生成：增材制造中的自动特征提取

1. 特征工程实践的局限性

在增材制造（AM）领域，特征工程是提高数据驱动解决方案性能的关键步骤。然而，传统的特征工程方法（如特征选择和特征转换）在某些情况下显得捉襟见肘。例如，为特定三维表示（如多边形网格）定义的转换可能无法很好地捕捉来自另一种表示（如点云）的鉴别特征。此外，定制图形转换需要大量努力进行过滤器的设计和开发。因此，这些方法在某些复杂场景下的表达能力受到了限制。

1.1 举例说明

• 多边形网格 ：为多边形网格定义的转换通常局限于几何特征，如法向量和面片聚类。然而，这些特征可能无法捕捉到点云数据中的复杂形状特征。
• 点云数据 ：点云数据的处理通常需要复杂的变换和降维技术，以提取有意义的特征。传统的特征转换方法难以胜任这一任务。

2. 通过学习的特征生成

相比之下，通过学习的特征工程可以自动学习生成代表性特征（或表示），以帮助机器学习任务的转换。这些特征可以是监督或非监督学习的结果。机器学习和深度学习技术在这一领域展现出了巨大的潜力，尤其是在处理复杂和高维数据时。

2.1 监督学习

监督学习通过提供目标（如分类或回归任务）来训练模型，从而生成有助于预测任务的特征。在AM中，前馈和监督网络非常常见，例如用于缺陷检测的分类任务或稀释预测的回归任务。

2.1.1 操作步骤

1. 数据准备 ：收集并预处理增材制造过程中的图像或时间序