CN108280746B - 一种基于双向循环神经网络的产品设计方法 - Google Patents

一种基于双向循环神经网络的产品设计方法 Download PDF

Info

Publication number
CN108280746B
CN108280746B CN201810133333.XA CN201810133333A CN108280746B CN 108280746 B CN108280746 B CN 108280746B CN 201810133333 A CN201810133333 A CN 201810133333A CN 108280746 B CN108280746 B CN 108280746B
Authority
CN
China
Prior art keywords
position information
neural network
product
sample
recurrent neural
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
CN201810133333.XA
Other languages
English (en)
Other versions
CN108280746A (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 CN201810133333.XA priority Critical patent/CN108280746B/zh
Publication of CN108280746A publication Critical patent/CN108280746A/zh
Application granted granted Critical
Publication of CN108280746B publication Critical patent/CN108280746B/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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

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)
  • Neurology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Finance (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Accounting & Taxation (AREA)
  • Microelectronics & Electronic Packaging (AREA)
  • Development Economics (AREA)
  • Economics (AREA)
  • Marketing (AREA)
  • Strategic Management (AREA)
  • General Business, Economics & Management (AREA)
  • Image Analysis (AREA)
  • Machine Translation (AREA)

Abstract

本发明公开了一种基于双向循环神经网络的产品设计方法，包括以下步骤：获取作为样本的产品零部件信息；创建零部件及位置信息字典；向量化零部件及位置信息；确定双向循环神经网络的输入层及输出层神经元个数；确定样本中的初始及结束标示；确定循环神经网络循环的次数；对相关的样本进行训练；对相关内容进行预测。本发明利用该方法，用户提供的零件在待设计产品结构中的任何位置，都可以利用已经训练好的双向循环神经网络设计出符合用户需求的产品。

Description

一种基于双向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、机器学习、智能设计领域，具体是一种基于双向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，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，通过基于循环神经网络的设计方法（参考“一种基于循环神经网络的产品设计方法”），可以有效地解决以零部件作为用户需求的情况（非订单类型中Key-Value的需求方式）。然而传统的循环神经网络，仅仅具有前序性的特点，即处理的问题仅能通过前序的内容进行预测及设计（在利用A，B，C、预测D或者E时非常有效），在进行后序预测时就不能很好的处理（在通过A，[ ]，D，E，预测A和D之间的内容就不能很好的起到效果），因此这种方式具有一定的局限性。由于用户提供的零部件可能会出现在待设计产品结构中的任何位置，因此仅仅依据循环神经网络对该零件进行设计的思路无法很好的处理。
发明内容
本发明的目的在于提供一种基于双向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：
一种基于双向循环神经网络的产品设计方法，包括以下步骤：
S1，获取作为样本的产品的零部件信息；
S2，创建零部件及位置信息字典；
S3，向量化零部件及位置信息；
S4，确定双向循环神经网络的输入层及输出层神经元个数；
S5，确定样本中的初始及结束标示；
S6，确定循环神经网络循环的次数；
S7，对相关的样本进行训练；
S8，对相关内容进行预测。
作为本发明进一步的方案：在步骤S1中，获取作为样本的产品结构信息和位置信息。
作为本发明进一步的方案：在步骤S2中，依据零部件的编码，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，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。
作为本发明进一步的方案：在步骤S3中，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，并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。
作为本发明进一步的方案：在步骤S4中，利用向量化零部件及位置信息的向量维度Nproduct确定循环神经网络中的输入层及输出层的神经元个数。
作为本发明进一步的方案：在步骤S5中，对于同一个产品结构给出两组相反的标示。
作为本发明进一步的方案：在步骤S6中，确定循环次数，由所有待训练的产品结构中产品零部件数量最多的个数来确定即N=Max(Nproduct1， N product2， NOptions3，…， NOptionsn)，若样本中长度不能达到最大的值，则进行补零处理；两组循环神经网络中的循环次数相同，两组循环神经网络内部的网络结构相同或不同。
作为本发明进一步的方案：在步骤S7中，将样本数据放入双向循环神经网络中进行训练，获取目标产品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+2，2表示起始与结束标示，并放入到已经定义好的双向循环神经网络中，选取合适的激活函数和损失函数，通过计算得到相应的权值矩阵，最终得到符合预期的网络。
作为本发明进一步的方案：在步骤S8中，对于给定零部件，通过向量化后，将其放入双向循环神经网络中，通过双向循环神经网络向前或向后预测零件及位置信息。
与现有技术相比，本发明的有益效果是：该基于双向循环神经网络的产品设计方法，利用该方法，用户提供的零件在待设计产品结构中的任何位置，都可以利用已经训练好的双向循环神经网络设计出符合用户需求的产品。
附图说明
图1为本发明的基于双向循环神经网络的产品设计示意图。
图2为本发明中向量化零部件及位置信息示意图。
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1～2，本发明实施例中，一种基于双向循环神经网络的产品设计方法，包括以下步骤：
S1，获取作为样本的产品的零部件信息；
S2，创建零部件及位置信息字典；
S3，向量化零部件及位置信息；
S4，确定双向循环神经网络的输入层及输出层神经元个数；
S5，确定样本中的初始及结束标示；
S6，确定循环神经网络循环的次数；
S7，对相关的样本进行训练；
S8，对相关内容进行预测。
在步骤S1中，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。
在步骤S2中，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。
在步骤S3中，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，如图2所示。
在步骤S4中，利用向量化零部件及位置信息的向量维度Nproduct确定循环神经网络中的输入层及输出层的神经元个数。
在步骤S5中，由于双向循环神经网络是由两组循环神经网络组成，而这两组循环神经网络的最大的区别为其流向不同；因此，样本中的初始标示与结束标示亦不同，为了达到流向不同，需要对于同一个产品结构给出两组相反的标示，如下表所示：
Figure 125387DEST_PATH_IMAGE002
在步骤S6中，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，并且其内部的网络结构是相同的；在循环神经网络中，后一个神经网络需要与前一个神经网络之间建立关联，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，由所有待训练的产品结构中产品零部件数量最多的个数来确定即N=Max(Nproduct1， N product2， NOptions3，…， NOptionsn)，如果样本中长度不能达到最大的值，则进行补零处理。在双向循环神经网络中，为了能达到可以使得预测结果正向和逆向都可以进行预测的目的，其两组循环神经网络中的循环次数必须相同，而其两组循环神经网络内部的网络结构可以相同亦可不同。
在步骤S7中，将样本数据放入双向循环神经网络中进行训练。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+2——2表示起始与结束标示），并放入到已经定义好的双向循环神经网络中，选取合适的激活函数（如Tanh，Sigmoid，ReLu等）和损失函数（如交叉熵等），通过计算（BP神经网络等），得到相应的权值矩阵（在双向循环神经网络中，两组循环神经网络的权值矩阵是相互独立），最终得到符合预期的网络。
在步骤S8中，依据给定零部件进行预测。对于给定零部件，通过向量化后，将其放入双向循环神经网络中，可以通过双向循环神经网络向前预测零件及位置信息，也可向后预测零件及位置信息，这样就实现了利用训练后的双向循环神经网络预测任意位置出现的零部件的要求。
该基于双向循环神经网络的产品设计方法，利用该方法，用户提供的零件在待设计产品结构中的任何位置，都可以利用已经训练好的双向循环神经网络设计出符合用户需求的产品。
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)

1.一种基于双向循环神经网络的产品设计方法，其特征在于，包括以下步骤：
S1，获取作为样本的产品零部件信息；
S2，创建零部件及位置信息字典；
S3，向量化零部件及位置信息；
S4，确定双向循环神经网络的输入层及输出层神经元个数；
S5，确定样本中的初始及结束标示；
S6，确定循环神经网络循环的次数；
S7，对相关的样本进行训练；
S8，对相关内容进行预测；
在步骤S1中，获取作为样本的产品结构信息和位置信息；
在步骤S2中，依据零部件的编码，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；将涉及到的每个零部件的位置信息作为一个整体，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；
在步骤S3中，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，并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；
在步骤S4中，利用向量化零部件及位置信息的向量维度Nproduct确定循环神经网络中的输入层及输出层的神经元个数；
在步骤S5中，对于同一个产品结构给出两组相反的标示；
在步骤S6中，确定循环次数，由所有待训练的产品结构中产品零部件数量最多的个数来确定即N=Max(Nproduct1， N product2， NOptions3，…， NOptionsn)，若样本中长度不能达到最大的值，则进行补零处理；两组循环神经网络中的循环次数相同，两组循环神经网络内部的网络结构相同或不同；
在步骤S7中，将样本数据放入双向循环神经网络中进行训练，获取目标产品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+2，2表示起始与结束标示，并放入到已经定义好的双向循环神经网络中，选取合适的激活函数和损失函数，通过计算得到相应的权值矩阵，最终得到符合预期的网络；
在步骤S8中，对于给定零部件，通过向量化后，将其放入双向循环神经网络中，通过双向循环神经网络向前或向后预测零件及位置信息。
CN201810133333.XA 2018-02-09 2018-02-09 一种基于双向循环神经网络的产品设计方法 Active CN108280746B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810133333.XA CN108280746B (zh) 2018-02-09 2018-02-09 一种基于双向循环神经网络的产品设计方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810133333.XA CN108280746B (zh) 2018-02-09 2018-02-09 一种基于双向循环神经网络的产品设计方法

Publications (2)

Publication Number Publication Date
CN108280746A CN108280746A (zh) 2018-07-13
CN108280746B true CN108280746B (zh) 2022-05-24

Family

ID=62807986

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810133333.XA Active CN108280746B (zh) 2018-02-09 2018-02-09 一种基于双向循环神经网络的产品设计方法

Country Status (1)

Country Link
CN (1) CN108280746B (zh)

Families Citing this family (3)

* 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
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 (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114312A (zh) * 2007-06-05 2008-01-30 天津钢管集团股份有限公司 基于遗传神经网络技术设计assel轧辊辊型的方法
CN101441728A (zh) * 2007-11-21 2009-05-27 新乡市起重机厂有限公司 起重机优化设计的神经网络方法
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
CN105976056A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 基于双向rnn的信息提取系统
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
DE102016124205A1 (de) * 2016-02-02 2017-08-03 SCHUFA Holding AG Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses
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
CN107330206A (zh) * 2017-07-06 2017-11-07 艾凯克斯（嘉兴）信息科技有限公司 一种基于特征映射的三维自动标注方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114312A (zh) * 2007-06-05 2008-01-30 天津钢管集团股份有限公司 基于遗传神经网络技术设计assel轧辊辊型的方法
CN101441728A (zh) * 2007-11-21 2009-05-27 新乡市起重机厂有限公司 起重机优化设计的神经网络方法
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
DE102016124205A1 (de) * 2016-02-02 2017-08-03 SCHUFA Holding AG Computer-implementiertes Verfahren zur Optimierung eines Herstellungsprozesses
CN105976056A (zh) * 2016-05-03 2016-09-28 成都数联铭品科技有限公司 基于双向rnn的信息提取系统
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
CN107330206A (zh) * 2017-07-06 2017-11-07 艾凯克斯（嘉兴）信息科技有限公司 一种基于特征映射的三维自动标注方法

Also Published As

Publication number Publication date
CN108280746A (zh) 2018-07-13

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
US9129222B2 (en) Method and apparatus for a local competitive learning rule that leads to sparse connectivity
CN108280746B (zh) 一种基于双向循环神经网络的产品设计方法
US20120150860A1 (en) Clustering with Similarity-Adjusted Entropy
CN111680109B (zh) 知识图谱表示学习模型训练方法、装置及电子设备
CN112016450B (zh) 机器学习模型的训练方法、装置和电子设备
US20140099033A1 (en) Fast computation of kernel descriptors
CA3033201A1 (en) Large scale social graph segmentation
CN112232889A (zh) 一种用户兴趣画像扩展方法、装置、设备及存储介质
CN114117945B (zh) 基于用户-服务交互图的深度学习云服务QoS预测方法
CN112016601A (zh) 基于知识图谱增强小样本视觉分类的网络模型构建方法
CN111309923B (zh) 对象向量确定、模型训练方法、装置、设备和存储介质
CN113378938A (zh) 一种基于边Transformer图神经网络的小样本图像分类方法及系统
CN115239429A (zh) 属性信息编码方法及其装置、设备、介质、产品
CN114116995B (zh) 基于增强图神经网络的会话推荐方法、系统及介质
CN109697511B (zh) 数据推理方法、装置及计算机设备
Appuswamy et al. Structured convolution matrices for energy-efficient deep learning
CN110688722B (zh) 一种基于深度学习的零部件属性矩阵自动生成方法
Haghighi et al. Algorithm for identifying minimum driver nodes based on structural controllability
Huang et al. Flow of renyi information in deep neural networks
CN115760687A (zh) 一种基于多尺度空间自适应空洞卷积的图像分割方法
CN107077481A (zh) 信息处理装置、信息处理方法和计算机可读存储介质
CN112308197B (zh) 一种卷积神经网络的压缩方法、装置及电子设备
KR20230148523A (ko) 모달리티의 고유 특성을 보존하는 멀티미디어 추천 방법 및 시스템
CN112214683B (zh) 基于异构信息网络的混合推荐模型处理方法、系统和介质

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