CN108230121B - 一种基于循环神经网络的产品设计方法 - Google Patents

一种基于循环神经网络的产品设计方法 Download PDF

Info

Publication number
CN108230121B
CN108230121B CN201810134653.7A CN201810134653A CN108230121B CN 108230121 B CN108230121 B CN 108230121B CN 201810134653 A CN201810134653 A CN 201810134653A CN 108230121 B CN108230121 B CN 108230121B
Authority
CN
China
Prior art keywords
position information
neural network
product
parts
dictionary
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201810134653.7A
Other languages
English (en)
Other versions
CN108230121A (zh
Inventor
马佳
高伟
邓森洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Akex Jiaxing Information Technology Co ltd
Original Assignee
Akex Jiaxing Information Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Akex Jiaxing Information Technology Co ltd filed Critical Akex Jiaxing Information Technology Co ltd
Priority to CN201810134653.7A priority Critical patent/CN108230121B/zh
Publication of CN108230121A publication Critical patent/CN108230121A/zh
Application granted granted Critical
Publication of CN108230121B publication Critical patent/CN108230121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0621—Item configuration or customization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Computational Linguistics (AREA)
  • Accounting & Taxation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • Neurology (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Machine Translation (AREA)
  • Image Analysis (AREA)
  • Character Discrimination (AREA)

Abstract

本发明公开了一种基于循环神经网络的产品设计方法，包含以下步骤：A、获取作为样本的产品的零部件信息；B、创建零部件及位置信息字典；C、向量化零部件及位置信息；D、确定循环神经网络的输入层及输出层神经元个数；E、确定每个样本中的初始及结束标示；F、确定循环神经网络循环的次数；G、对获取到的样本数据进行训练；H、依据给定零部件进行预测。本发明依据循环神经网络的特点，可以快速地依据用户给出的零部件设计出与该零部件相关的产品。

Description

一种基于循环神经网络的产品设计方法
技术领域
本发明涉及人工智能、智能设计领域，具体是一种基于循环神经网络的产品设计方法。
背景技术
当前，在大规模定制的情况下，用户的需求各异，如何更好地依据用户的不同需求快速响应，并合理设计出符合用户需求的产品，是制造业面临的非常重要的问题。
目前，用户很多的需求都是订单的形式存在的，订单都是以明确的Key-Value形式存在，可以比较方便的进行转化为相关的参数，并利用其直接进行产品设计。
但是在大量的制造业企业中都存在直接以零部件作为用户需求的情况，并需要企业根据其结构设计出和其相关的产品。在智能设计领域，这个问题一直比较难于处理。
发明内容
本发明的目的在于提供一种基于循环神经网络的产品设计方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于循环神经网络的产品设计方法，包含以下步骤：
A、获取作为样本的产品的零部件信息；
B、创建零部件及位置信息字典；
C、向量化零部件及位置信息；
D、确定循环神经网络的输入层及输出层神经元个数；
E、确定每个样本中的初始及结束标示；
F、确定循环神经网络循环的次数；
G、对获取到的样本数据进行训练；
H、依据给定零部件进行预测。
作为本发明的进一步技术方案：所述零部件信息包括产品零部件信息和产品零部件的位置信息。
作为本发明的进一步技术方案：所述步骤B具体是：依据零部件的编码，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为Npart；将涉及到的每一个零件位置信息作为一个整体，而不是离散的多个数值进行聚合，并将其放入位置信息字典中,位置信息字典中的位置信息个数为Nposition。
作为本发明的进一步技术方案：所述步骤C具体是：根据零部件及位置信息字典，为每一个零部件和每一个位置信息创建其数值映射，此处将零部件与位置信息映射的内容定义为一个N+2维向量；其中，N维向量的维度由零部件字典及位置信息字典的大小决定，2表示初始和结束标示，即该向量的维度Nproduct=Npart+Nposition+2。
作为本发明的进一步技术方案：所述步骤D具体是：依据创建的零部件和位置信息的数值映射得到的向量维度Nproduct，创建神经网络的输入层及输出层的神经元个数，此处采用的输入及输出的神经元个数与进行数值映射后的向量的维度相同，即输入、输出的神经元个数都是Nproduct个。
作为本发明的进一步技术方案：所述步骤E具体是：获取目标产品信息（包括零部件信息及位置信息），将所有的待训练样本产品信息转化为样本矩阵（该样本矩阵的行数为不同产品信息的个数，列为向量的维度Nproduct=Npart+Nposition），代入到已经定义好的循环神经网络中，并选取合适的激活函数（如Tanh,Sigmoid,ReLu等）与损失函数（如交叉熵等），通过计算（BP神经网络等）得到相应的权值矩阵，最终得到符合预期的网络结构。
与现有技术相比，本发明的有益效果是：本发明依据循环神经网络的特点，可以快速地依据用户给出的零部件设计出与该零部件相关的产品。
附图说明
图1是本发明方案的原理图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，一种基于循环神经网络的产品设计方法，其特征在于，包含以下步骤：
A、获取作为样本的产品零部件及位置信息；获取所有作为样本的产品结构，由于产品设计过程中，除了需要包含设计所需的零部件，还需要涉及到零部件的位置信息，因此除了需要获取样本中产品零部件信息外，还需要获取产品零部件的位置信息；
B、创建零部件及位置信息字典；依据零部件的编码，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为Npart。将涉及到的每一个零部件位置信息作为一个整体，而不是离散的多个数值进行聚合，并将其放入位置信息字典中,位置信息字典中的位置信息个数为Nposition；
C、向量化零部件及位置信息。根据零部件及位置信息字典，为每一个零部件和每一个位置信息创建其数值映射，此处将零部件与位置信息映射的内容定义为一个N+2维向量；其中，N维向量的维度由零部件字典及位置信息字典的大小决定，2表示初始和结束标示，即该向量的维度Nproduct=Npart+Nposition+2；
D、确定循环神经网络的输入层及输出层神经元个数。依据创建的零部件和位置信息的数值映射得到的向量维度Nproduct，确定神经网络的输入层及输出层的神经元个数，此处采用的输入及输出的神经元个数与进行数值映射后的向量的维度相同，即输入、输出的神经元个数都是Nproduct个；
E、给出每个样本中的初始及结束标示。由于每一个样本的输入都是由有限个要素组成，因此在对最后一个选项预测后，需要给出结束标示，以表示产品设计的结束；并且在没有输入时，也应该给出在没有任何要素输入之前，哪些零部件是可选的，因此对每一组待训练的产品结构样本，都需要给出初始及结束标示；
F、确定神经网络的循环次数；循环神经网络亦称为递归神经网络，实际上其是有多个神经网络组合而成，只是由于其网络结构相同，并且下个神经网络与前一个神经网络之间需要建立关联，因此将其通过递归组合在一起。对于循环神经网络来说（亦称递归神经网络），其需要循环（递归）的次数是由需要多少个神经网络组成来决定。确定循环（递归）次数，由所有待训练的关联选择的样本来确定，并且选取其中关联选择中选项最多的关联选择组中选项的个数来确定，即Max(Nproduct1, N product2, NOptions3,…, NOptionsn)，其他的样本中如果长度不能达到最大的值，其余的内容补零进行填充；
G、对获取到的样本数据进行训练。获取目标产品信息（包括零部件信息及位置信息），将所有的待训练样本产品信息转化为样本矩阵（该样本矩阵的行数为不同产品信息的个数，列为向量的维度Nproduct=Npart+Nposition），代入到已经定义好的循环神经网络中，并选取合适的激活函数（如Tanh,Sigmoid,ReLu等）与损失函数（如交叉熵等），通过计算（BP神经网络等）得到相应的权值矩阵，最终得到符合预期的网络结构；
H、依据给定零部件进行预测。对于给定的零部件，通过向量化处理后，将其代入已经训练好的循环神经网络中，其后续出现的零部件及位置信息就会依据循环神经网络对其进行预测，直到遇到结束标记。综上，即可通过循环神经网络设计出符合用户需求（给定零部件）的产品。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (1)

1.一种基于循环神经网络的产品设计方法，其特征在于，包含以下步骤：
A、获取作为样本的产品的零部件信息；
B、创建零部件及位置信息字典；
C、向量化零部件及位置信息；
D、确定循环神经网络的输入层及输出层神经元个数；
E、给出每个样本中的初始及结束标示；
F、确定循环神经网络循环的次数；
G、对获取到的样本数据进行训练；
H、依据给定零部件进行预测；
所述零部件信息包括产品零部件信息和产品零部件的位置信息；
所述步骤B具体是：依据零部件的编码，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为Npart；将涉及到的每一个零部件的位置信息作为一个整体，而不是离散的多个数值进行聚合，并将其放入位置信息字典中,位置信息字典中的位置信息个数为Nposition；
所述步骤C具体是：根据零部件及位置信息字典，为每一个零部件和每一个位置信息创建其数值映射，此处将零部件与位置信息映射的内容定义为一个N维向量，其中N维向量的维度由零部件字典及位置信息字典的大小决定，所述N维向量的维度大小Nproduct＝Npart+Nposition；
所述步骤D具体是：依据创建的零部件和位置信息的数值映射得到的向量维度N，创建神经网络的输入层及输出层的神经元个数，此处采用的输入及输出的神经元个数与进行数值映射后的向量的维度相同，即输入、输出的神经元个数都是N个；
所述步骤E具体是：获取目标产品信息，所述目标产品信息包括零部件信息及位置信息；
将所有的待训练样本产品信息转化为样本矩阵，所述样本矩阵的行数为不同产品信息的个数，所述样本矩阵的列数为向量的维度大小Nproduct＝Npart+Nposition；
之后将所述样本矩阵代入到已经定义好的循环神经网络中，并选取合适的激活函数，所述激活函数包括Tanh,Sigmoid,ReLu和损失函数中的一种，所述损失函数为交叉熵；
通过BP神经网络计算得到相应的权值矩阵，最终得到符合预期的网络结构。
CN201810134653.7A 2018-02-09 2018-02-09 一种基于循环神经网络的产品设计方法 Active CN108230121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810134653.7A CN108230121B (zh) 2018-02-09 2018-02-09 一种基于循环神经网络的产品设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810134653.7A CN108230121B (zh) 2018-02-09 2018-02-09 一种基于循环神经网络的产品设计方法

Publications (2)

Publication Number Publication Date
CN108230121A CN108230121A (zh) 2018-06-29
CN108230121B true CN108230121B (zh) 2022-06-10

Family

ID=62661400

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810134653.7A Active CN108230121B (zh) 2018-02-09 2018-02-09 一种基于循环神经网络的产品设计方法

Country Status (1)

Country Link
CN (1) CN108230121B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110705650B (zh) * 2019-10-14 2023-10-24 深制科技(苏州)有限公司 一种基于深度学习的钣金布局方法
CN110688722B (zh) * 2019-10-17 2023-08-08 深制科技(苏州)有限公司 一种基于深度学习的零部件属性矩阵自动生成方法
CN112068004A (zh) * 2020-09-16 2020-12-11 北京嘀嘀无限科技发展有限公司 一种电池异常、电池充电剩余时间的确定方法及装置
CN112232423B (zh) * 2020-10-21 2024-05-28 深制科技(苏州)有限公司 一种基于深度学习的Part2Vec零件向量化处理方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405060A (zh) * 2015-12-01 2016-03-16 中国计量学院 基于结构编辑操作的定制产品相似性计算方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN107024331A (zh) * 2017-03-31 2017-08-08 中车工业研究院有限公司 一种神经网络对列车电机振动在线检测方法

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8452719B2 (en) * 2010-06-29 2013-05-28 Rockwell Automation Technologies, Inc. Extrapolating empirical models for control, prediction, and optimization applications
CN105654174B (zh) * 2014-11-11 2021-08-20 日本电气株式会社 用于预测的系统和方法
CN105488696A (zh) * 2015-12-02 2016-04-13 浙江农林大学 多目标产品材质设计方法
CN105512258B (zh) * 2015-12-02 2019-03-26 上海大学 一种汽车广义产品智能化配置方法
DE102016124205A1 (de) * 2016-02-02 2017-08-03 SCHUFA Holding AG Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses
CN106021364B (zh) * 2016-05-10 2017-12-12 百度在线网络技术（北京）有限公司 图片搜索相关性预测模型的建立、图片搜索方法和装置
CN106022377B (zh) * 2016-05-20 2019-07-23 中南大学 一种铁矿烧结料层透气性状态的在线预测方法
CN106447092A (zh) * 2016-09-12 2017-02-22 浙江工业大学 一种基于mea‑bp神经网络的船用反渗透海水淡化系统性能预测方法
CN106600059B (zh) * 2016-12-13 2020-07-24 北京邮电大学 基于改进rbf神经网络的智能电网短期负荷预测方法
CN106909990A (zh) * 2017-03-01 2017-06-30 腾讯科技（深圳）有限公司 一种基于历史数据的预测方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105405060A (zh) * 2015-12-01 2016-03-16 中国计量学院 基于结构编辑操作的定制产品相似性计算方法
CN106228274A (zh) * 2016-08-03 2016-12-14 河海大学常州校区 基于som神经网络数据聚类识别的光伏电站发电量预测方法
CN107024331A (zh) * 2017-03-31 2017-08-08 中车工业研究院有限公司 一种神经网络对列车电机振动在线检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
李华，屈丹，张文林等.《结合全局词向量特征的循环神经网络语言模型》.《信号处理》.2016,第32卷(第6期), *

Also Published As

Publication number Publication date
CN108230121A (zh) 2018-06-29

Similar Documents

Publication Publication Date Title
CN108230121B (zh) 一种基于循环神经网络的产品设计方法
CN113449135B (zh) 图像生成系统与方法
CN109815339B (zh) 基于TextCNN知识抽取方法、装置、计算机设备及存储介质
CN109902849B (zh) 用户行为预测方法及装置、行为预测模型训练方法及装置
CN111680109B (zh) 知识图谱表示学习模型训练方法、装置及电子设备
CN111611488B (zh) 基于人工智能的信息推荐方法、装置、电子设备
CN111931002B (zh) 一种匹配方法以及相关设备
CN105354202B (zh) 数据推送方法及装置
CN110147389B (zh) 帐号处理方法和装置、存储介质及电子装置
CN110399895A (zh) 图像识别的方法和装置
CN110263979A (zh) 基于强化学习模型预测样本标签的方法及装置
CN107480720B (zh) 人体姿态模型训练方法及装置
CA2952154A1 (en) Method and system for generating a split questionnaire
CN110598061A (zh) 一种多元图融合的异构信息网嵌入方法
CN108280746B (zh) 一种基于双向循环神经网络的产品设计方法
CN110348012B (zh) 确定目标字符的方法、装置、存储介质及电子装置
CN117436679A (zh) 一种元宇宙资源匹配方法及其系统
CN115239429A (zh) 属性信息编码方法及其装置、设备、介质、产品
Zhou et al. Illumination correction of dyed fabrics method using rotation forest‐based ensemble particle swarm optimization and sparse least squares support vector regression
CN104268217B (zh) 一种用户行为时间相关性的确定方法及装置
CN114299304A (zh) 一种图像处理方法及相关设备
CN108268611B (zh) 一种基于MapReduce的k-means文本聚类的方法及装置
CN110019662B (zh) 一种标签重建方法及装置
CN114358252A (zh) 目标神经网络模型中的操作执行方法及装置、存储介质
CN113392868A (zh) 一种模型训练的方法、相关装置、设备及存储介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant