CN108764339B - 一种基于知识库的产品概念可行性判定方法 - Google Patents
一种基于知识库的产品概念可行性判定方法 Download PDFInfo
- Publication number
- CN108764339B CN108764339B CN201810527242.4A CN201810527242A CN108764339B CN 108764339 B CN108764339 B CN 108764339B CN 201810527242 A CN201810527242 A CN 201810527242A CN 108764339 B CN108764339 B CN 108764339B
- Authority
- CN
- China
- Prior art keywords
- product
- product concept
- concept
- concepts
- component
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于知识库的产品概念可行性判定方法,包括以下步骤:从现有产品中提取产品概念并将其转化为数据表达形式,存储为产品概念知识库;采用数理统计方法分析产品概念知识库,确定各产品概念的关键特性参数;随机生成设定数量的随机产品概念,产品概念知识库中所有的产品概念与随机产品概念作为贝叶斯分类器的训练样本,以训练样本的关键特性参数作为贝叶斯分类器的输入,以预先设定的训练有样本的可行性判定结果作为输出,对贝叶斯分类器进行训练,获得产品概念的可行性判定模型;采用产品概念的可行性判定模型对待判定的产品概念进行可行性判定,若待判定的产品概念被判定为可行,则计算待判定的产品概念的可行性值。
Description
技术领域
本发明涉及产品概念设计技术领域,具体涉及一种基于知识库的产品概念可行性判定方法。
背景技术
在激烈的市场竞争环境下,新产品研发能力是企业保持竞争力的中重要源泉。在产品研发过程中,概念设计是最重要、最关键、最体现产品创新性的环节。它的主要任务是完成产品概念方案的生成与评价。概念方案的评价是对生成的一系列概念方案的在不同评价指标下进行打分,然后选出最有概念方案的过程。由于概念设计处于产品研发的早起,概念方案的好坏会对产品研发后续阶段产生很大的影响。有研究表明,最终产品70-80%的成本和80%的质量由概念设计阶段决定的。概念方案评价可以帮助设计者快速定位于最合适的方案,减少之后产品研发中的变更,并增加最终产品成功的机率。除此之外,在产品概念设计中,大约70%的设计工作为自适应设计和变形设计,新产品设计大约60%以上的工作都基于以往设计信息展开的。因此,如何利用历史产品设计数据建立一种完善的概念方案评价方法,对于提升产品设计质量、减少设计返工以及缩短产品设计周期具有重要意义。
目前,已有一些专利利用定性分析的方法对产品概念进行评价。有的相关专利采用基于粗糙集理论,或是模糊集理论,结合偏好排序法,在给定设计要求下对产品方案进行评价,得到候选方案中的最佳方案。有的专利考虑主观评价下具有的不确定性以及主观偏好,采用多准则决策法,选出综合评价表现最佳的产品方案。在概念设计阶段由于涉及信息的不确定性以及模糊性等,会造成专家评价过程及结果缺乏准确性以及客观性。虽然这些专利能够通过模糊化处理以及其他方法针对设计信息的不确定性给予量化处理,降低主观因素及不确定性对评价过程带来的负面影响,提高评价方法的可信度以及准确性。但是,这些定性评价方法在评价过程中容易受专家个人偏好以及知识局限性的影响,为了使产品概念的评价更加客观和准确,需要引入一些定量评价的方法。
目前尚未有针对产品概念可行性的定量判定方法。
发明内容
有鉴于此,本发明提供了一种基于知识库的产品概念可行性判定方法,能够有效地利用现有产品概念信息,发现产品概念中功能和组件与可行性之间的关系,建立基于概念特性参数的可行性评价模型,并通过计算模型得到新产品概念的可行性值,并以此作为判定各产品概念的依据,为选出可行性值最高的产品概念奠定了基础。
为达到上述目的,本发明的技术方案提供了一种基于知识库的产品概念可行性判定方法,包括以下步骤:
S1、从现有产品中提取产品概念并将其转化为数据表达形式,存储为产品概念知识库。
S2、采用数理统计方法分析产品概念知识库,确定各产品概念的关键特性参数。
S3、随机生成设定数量的随机产品概念,产品概念知识库中所有的产品概念与随机产品概念作为贝叶斯分类器的训练样本,以训练样本的关键特性参数作为贝叶斯分类器的输入,以预先设定的训练有样本的可行性判定结果作为输出,对贝叶斯分类器进行训练,获得产品概念的可行性判定模型。
S4、采用产品概念的可行性判定模型对待判定的产品概念进行可行性判定,若待判定的产品概念被判定为可行,则计算待判定的产品概念的可行性值Fv;
其中DC为产品概念知识库中所有的产品概念的高斯分布中心位置对应产品概念的关键特征参数组成的向量;D为待判定的产品概念的关键特征参数组成的向量;τ为设定的系数矩阵。
进一步地,将产品概念知识库中的产品概念转化为数据表达形式,存储为产品概念知识库,具体包括以下步骤:
S101、针对现有产品提取产品概念,并通过功能术语集,组件术语集,流术语集构建产品概念结构图。
S102、分别为功能术语集中的功能术语按顺序进行编号,为组件术语集中的组件术语按顺序进行编号,为流术语集中的流术语按顺序进行编号;产品概念结构图中节点同时代表产品功能以及实现该产品功能的组件,并对节点进行编号。
S103、针对产品概念结构图各节点以及输入流和输出流,构建节点矩阵;针对功能术语集,构建功能向量;针对组件术语集,构建组件向量;将构建的节点矩阵、功能向量以及组件向量组合为产品概念表达模型,即获得产品概念的数据表达形式,存储产品概念表达模型为产品概念知识库。
进一步地,采用数理统计方法分析产品概念知识库,确定各产品概念的关键特性参数,具体包括如下步骤:
S201、统计产品概念知识库中所有产品概念中功能i由组件j实现的次数,构建功能组件映射关系矩阵FCMM;功能术语集中术语数量为GN时,GN为正整数,则i取1~GN;当组件术语集中术语数量为ZJ时,ZJ为正整数,则j取1~ZJ。
统计产品概念知识库中组件j和组件k在所有产品概念中同时出现的次数,构建组件间映射关系矩阵CCM;k取1~ZJ。
统计产品概念知识库中功能i和功能p所有产品概念中同时出现的次数,构建功能间映射关系矩阵FCM;p取1~GN。
S202、分别将功能组件映射关系矩阵FCMM、组件间映射关系矩CCM以及功能间映射关系矩阵FCM进行矩阵标准化计算后得到标准化的功能组件映射关系矩阵FCMMI、组件间映射关系矩CCMI以及功能间映射关系矩阵FCMI。
S203、针对产品概念知识库中共m个产品概念。
对于第a个产品概念,在矩阵FCMMI中关于第a个产品概念的功能组件映射关系之和的平均值即为第a个产品概念的功能组件映射关系参数FCMIa,在在矩阵CCMI中关于第a个产品概念的组件间映射关系之和的平均值即为第a个产品概念的组件间映射关系参数CCIa,在矩阵FCMI中关于第a个产品概念的功能间映射关系之和的平均值即为第a个产品概念的功能间映射关系参数FCIa;同时获取第a个产品概念的功能数量Fa;a取1~m。
功能组件映射关系参数FCMIa、组件间映射关系参数CCIa以及功能间映射关系参数FCIa组成第a个产品概念的关键特征参数。
S204、构建产品概念知识库的关键特征参数矩阵为:
其中m为产品概念知识库中产品概念的数量。
进一步地,随机产品概念的数量与产品概念知识库中的产品概念的数量一致;预先设定随机产品概念的可行性为可行;产品概念知识库中的产品概念的可行性为不可行。
进一步地,设定的系数矩阵τ为3X3单位矩阵。
有益效果:
本发明基于现有产品中的产品概念,建立产品概念知识库,以将产品概念知识库中的现有的产品概念与随机生成的产品概念进行对比,初步判断产品概念的可行性。将产品概念关键特性参数作为贝叶斯分类器模型的输入,预先设定的产品概念可行性结果作为输出,得到产品概念判定模型。构建产品概念可行性计算模型可得到产品概念可行性具体数值。该方法能够快速对产品概念可行性定量判定与计算,避免专家评价法带来的不确定性。同时,此模型通过样本数量不断增多,模型不断训练,对可行性值的预测将会更加精准。
附图说明
图1为本发明所提供的基于知识库的产品概念可行性判定方法流程图。
图2为本发明实施例中所构建的产品概念表达模型组成示意图。
具体实施方式
下面结合附图并举实施例,对本发明进行详细描述。
本发明的原理为:
现有产品设计数据中蕴含一定的设计原理以及设计规律,同时现有产品必定存在可行性。因此,运用数据挖掘和统计学习的方法,可以从现有产品中构建评价模型以支持对产品概念的评价,有助于帮助逐步摆脱以个人经验为主的定性专家评价方法。产品的功能代表了客户需求,是产品设计开发的起点,同时也是检验产品设计结果的基本准则。实现功能的组件是反映产品性能的重要方面,是满足客户需求的重要方面,与设计环节的各方面都有直接联系。通过数据挖掘得到产品概念的可行性与产品概念设计过程中涉及到的功能与组件之间的关系,构建产品概念可行性判定模型以及可行性值计算模型,从根本上评价产品概念的可行性。
基于上述原理,本发明提供了一种基于知识库的产品概念可行性价方法,具体流程如图1所示,包括以下步骤:
S1、从现有产品中提取产品概念并将其转化为数据表达形式,存储为产品概念知识库。
具体地,该步骤可以分为如下几个步骤:
S101、从现有产品概念中提取产品概念,并以结构化的形式表现出来。其中结构化的产品概念由功能术语集、组件术语集以及流术语集构成,产品概念结构图中节点为产品功能以及实现该产品功能的组件;节点与节点之间具有有向流。分别为功能术语集中的功能术语按顺序进行编号,为组件术语集中的组件术语按顺序进行编号,为流术语集中的流术语按顺序进行编号;
其中功能术语集中包含涉及产品功能的术语,可以从目前已有的词汇集中进行词汇的选取,例如在论文“A functional basis for engineering design Reconciling andevolving previous efforts”中提及的功能术语集,其中的功能术语集包含多级,可以根据需要选取其中的一级或多级的组合,例如可以采用其中的Secondary、Tertiary和Correspondents放在一起并排序。
组件术语集中包含组成产品的部件,也可以从目前已有的词汇集中进行词汇的选取,例如在论文“DERIVING A COMPONENT BASIS FOR COMPUTATIONAL FUNCTI0ONALSYNTHESIS”中提及的组件术语集,其中可能不能包含产品所有的组件,因此可以根据需要在原有的组件术语集的基础上进行扩充,本发明实施例扩充后得到106个组件术语。
流术语集中包含组件和组件之间的关联关系或者功能与功能之间的关联关系,可以从目前已有的词汇集中进行词汇的选取,例如在论文“A functional basis forengineering design Reconciling and evolving previous efforts”中提及的流能术语集,其中的流术语集包含多级,可以根据需要选取其中的一级或多级的组合,例如可以采用其中的第二级Secondary和第三级Tertiary放在一起排序。
S103、针对产品概念结构图各节点以及输入流和输出流,构建节点矩阵。
本发明中提供了一种实施例,该实施例中采用一个大小为(n+1)×(n+1)的矩阵,n为产品概念结构图中节点个数;其中对于前n行和前n列的每一行和每一列代表相应的节点序号,每个矩阵元素代表从行节点指向列节点的流的编号,如若两节点之间没有信息流动,矩阵元素设为0;第n+1行代表结构图的输入,即指外部环境施与产品的输入,例如可能是人施与产品的力或能量;第n+1列代表结构图的输出,即产品在上述输入下产生的对外部环境的输出。
针对功能术语集,构建功能向量;本发明提供了一种实施例,该实施例中,功能向量长度为n+1,按照结构图节点顺序,向量元素为相应序号节点的实际功能编号,向量末尾元素为0。
针对组件术语集,构建组件向量;组件向量C长度为n+1,按照结构图节点顺序,向量元素为相应序号节点的实际组件编号(节点和组件之间的关系),向量末尾元素设为0。
将构建的节点矩阵、功能向量以及组件向量组合为产品概念表达模型,依照本发明提供的实施例,最终形成(n+3)×(n+1)矩阵,所组成的产品概念表达模型如图2所示,该产品概念表达模型即为产品概念的数据表达形式,存储产品概念表达模型为产品概念知识库。
S2、采用数理统计方法分析产品概念知识库,确定各产品概念的关键特性参数。
本发明中,产品概念的关键特性参数设定为包括功能组件映射关系参数FCMI、组件间映射关系参数CCI以及功能间映射关系参数FCI以及功能个数F。产品概念的关键特性参数计算采用如下步骤进行:
S201、统计产品概念知识库中所有产品概念中功能i由组件j实现的次数,构建功能组件映射关系矩阵FCMM。其中i为功能术语集中功能的编号,j为组件术语集中组件的编号;当功能术语集中术语数量为GN时,GN为正整数,则i取1~GN;当组件术语集中术语数量为ZJ时,ZJ为正整数,则j取1~ZJ。
本发明实施例中,功能术语集中术语数量GN为191,组件术语集中术语数量ZJ为106,则所得到的FCMM为:
其中fcij为所有产品概念中功能i由组件j实现的次数。
统计产品概念知识库中组件j和组件k在所有产品概念中同时出现的次数,构建组件间映射关系矩阵CCM。k取1~ZJ。
本发明实施例中,所得到的CCM为:
其中ccjk为所有产品概念组件j和组件k在所有产品概念中同时出现的次数
统计产品概念知识库中功能i和功能p所有产品概念中同时出现的次数,构建功能间映射关系矩阵FCM。p取1~GN。
本发明实施例中,所得到的FCM为:
其中ffip为所有产品概念功能i和功能p所有产品概念中同时出现的次数
S202、分别将功能组件映射关系矩阵FCMM、组件间映射关系矩阵CCM以及功能间映射关系矩阵FCM进行矩阵标准化计算后得到标准化的功能组件映射关系矩阵FCMMI、组件间映射关系矩CCMI以及功能间映射关系矩阵FCMI。
S203、针对产品概念知识库中共m个产品概念。
对于第a个产品概念,在矩阵FCMMI中关于第a个产品概念的功能组件映射关系之和的平均值即为第a个产品概念的功能组件映射关系参数FCMIa,在在矩阵CCMI中关于第a个产品概念的组件间映射关系之和的平均值即为第a个产品概念的组件间映射关系参数CCIa,在矩阵FCMI中关于第a个产品概念的功能间映射关系之和的平均值即为第a个产品概念的功能间映射关系参数FCIa;同时获取第a个产品概念的功能数量;a取1~m。
功能组件映射关系参数FCMIa、组件间映射关系参数CCIa以及功能间映射关系参数FCIa组成第a个产品概念的关键特征参数。
S204、构建产品概念知识库的关键特征参数矩阵为:
其中m为产品概念知识库中产品概念的数量。
S3、随机生成设定数量的随机产品概念,产品概念知识库中所有的产品概念与随机产品概念作为贝叶斯分类器的训练样本,以训练样本的关键特性参数作为贝叶斯分类器的输入,以预先设定的训练有样本的可行性判定结果作为输出,对贝叶斯分类器进行训练,获得产品概念的可行性判定模型。
本发明实施例中,随机生成设定数量的随机产品概念的步骤包括:
S301、从所建立的功能术语集中随机选取一定数量的功能术语,所选取的功能术语的个数与产品概念知识库中功能的个数相同。
S302、从组件术语集中随机选取一定数量的组件分配给S301中选取的功能术语。
S303、重复上述步骤S310和S302直到生成设定数量的随机产品概念。
本发明实施例中,随机产品概念的数量与产品概念知识库中的产品概念的数量一致。随机产品概念是随机生成的,因此预先设定随机产品概念的可行性为不可行;产品概念知识库中的产品概念已经存在,因此产品概念知识库中的产品概念的可行性为可行。本实施例中,可行设置为1,不可行设置为0。
即所建立的贝叶斯分类器的输入为
输出为Output=[111…100…0]T,1的数量和0的数量均为m个。
S5、采用产品概念的可行性判定模型对待判定的产品概念进行可行性判定,若待判定的产品概念被判定为可行,则计算待判定的产品概念的可行性值Fv;
其中DC为产品概念知识库中所有的产品概念的高斯分布中心位置对应产品概念的关键特征参数组成的向量;D为待判定的产品概念的关键特征参数组成的向量;该计算模型以待评价产品概念D与中心DC的距离作为可行性值,且可行性值与距离成正相关,距离越近可行性值越大。τ为设定的系数矩阵,可行性值受系数矩阵影响τ很大。此处系数矩阵采用单位矩阵,经验证此系数矩阵可被接受。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于知识库的产品概念可行性判定方法,其特征在于,运用数据挖掘和统计学习的方法,从现有产品中构建评价模型以支持对产品概念的评价,通过数据挖掘得到产品概念的可行性与产品概念设计过程中涉及到的功能与组件之间的关系,构建产品概念可行性判定模型以及可行性值计算模型,所述方法用于评价产品概念的可行性,包括以下步骤:
S1、从现有产品中提取产品概念并将其转化为数据表达形式,存储为产品概念知识库;具体包括以下步骤:
S101、针对现有产品提取产品概念,并通过功能术语集,组件术语集,流术语集构建产品概念结构图;
其中功能术语集中包含涉及产品功能的术语,从目前已有的词汇集中进行词汇的选取,采用已有的功能术语集,其中的功能术语集包含多级,可以根据需要选取其中的一级或多级的组合;
组件术语集中包含组成产品的部件,也可以从目前已有的词汇集中进行词汇的选取,采用已有的组件术语集,其中不能包含产品所有的组件,根据需要在原有的组件术语集的基础上进行扩充;
流术语集中包含组件和组件之间的关联关系或者功能与功能之间的关联关系,从已有的流行术语集中进行词汇的选取,其中的流术语集包含多级,可以根据需要选取其中的一级或多级的组合;
S102、分别为功能术语集中的功能术语按顺序进行编号,为组件术语集中的组件术语按顺序进行编号,为流术语集中的流术语按顺序进行编号;所述产品概念结构图中节点同时代表产品功能以及实现该产品功能的组件,并对节点进行编号;
S103、针对所述产品概念结构图各节点以及输入流和输出流,构建节点矩阵;
针对所述功能术语集,构建功能向量;
针对所述组件术语集,构建组件向量;
将构建的所述节点矩阵、功能向量以及组件向量组合为产品概念表达模型,即获得产品概念的数据表达形式,存储所述产品概念表达模型为产品概念知识库;
S2、采用数理统计方法分析所述产品概念知识库,确定各产品概念的关键特性参数;具体包括如下步骤:
S201、统计产品概念知识库中所有产品概念中功能i由组件j实现的次数,构建功能组件映射关系矩阵FCMM;功能术语集中术语数量为GN时,GN为正整数,则i取1~GN;当组件术语集中术语数量为ZJ时,ZJ为正整数,则j取1~ZJ;
统计产品概念知识库中组件j和组件k在所有产品概念中同时出现的次数,构建组件间映射关系矩阵CCM;k取1~ZJ;
统计产品概念知识库中功能i和功能p所有产品概念中同时出现的次数,构建功能间映射关系矩阵FCM;p取1~GN;
S202、分别将功能组件映射关系矩阵FCMM、组件间映射关系矩CCM以及功能间映射关系矩阵FCM进行矩阵标准化计算后得到标准化的功能组件映射关系矩阵FCMMI、组件间映射关系矩CCMI以及功能间映射关系矩阵FCMI;
S203、针对产品概念知识库中共m个产品概念;
对于第a个产品概念,在矩阵FCMMI中关于所述第a个产品概念的功能组件映射关系之和的平均值即为第a个产品概念的功能组件映射关系参数FCMIa,在矩阵CCMI中关于第a个产品概念的组件间映射关系之和的平均值即为第a个产品概念的组件间映射关系参数CCIa,在矩阵FCMI中关于第a个产品概念的功能间映射关系之和的平均值即为第a个产品概念的功能间映射关系参数FCIa;同时获取第a个产品概念的功能数量Fa;a取1~m;
功能组件映射关系参数FCMIa、组件间映射关系参数CCIa以及功能间映射关系参数FCIa组成第a个产品概念的关键特征参数;
S204、构建所述产品概念知识库的关键特征参数矩阵为:
其中m为所述产品概念知识库中产品概念的数量;
S3、随机生成设定数量的随机产品概念,产品概念知识库中所有的产品概念与所述随机产品概念作为贝叶斯分类器的训练样本,以训练样本的关键特性参数作为贝叶斯分类器的输入,以预先设定的所述训练有样本的可行性判定结果作为输出,对所述贝叶斯分类器进行训练,获得产品概念的可行性判定模型;
S4、采用所述产品概念的可行性判定模型对待判定的产品概念进行可行性判定,若所述待判定的产品概念被判定为可行,则计算所述待判定的产品概念的可行性值Fv;
其中DC为所述产品概念知识库中所有的产品概念的高斯分布中心位置对应产品概念的关键特征参数组成的向量;
D为待判定的产品概念的关键特征参数组成的向量;
τ为设定的系数矩阵;
该计算模型以待评价产品概念D与中心DC的距离作为可行性值,且可行性值与距离成正相关,距离越近可行性值越大;
所获得的所述待判定的产品概念的可行性值Fv用于对产品概念进行定量评价,最终选出可行性值最高的产品概念。
2.如权利要求1所述的方法,其特征在于,随机产品概念的数量与所述产品概念知识库中的产品概念的数量一致;
预先设定所述随机产品概念的可行性为可行;所述产品概念知识库中的产品概念的可行性为不可行。
3.如权利要求2所述的方法,其特征在于,所述设定的系数矩阵τ为3X3单位矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527242.4A CN108764339B (zh) | 2018-05-29 | 2018-05-29 | 一种基于知识库的产品概念可行性判定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810527242.4A CN108764339B (zh) | 2018-05-29 | 2018-05-29 | 一种基于知识库的产品概念可行性判定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108764339A CN108764339A (zh) | 2018-11-06 |
CN108764339B true CN108764339B (zh) | 2022-04-15 |
Family
ID=64003268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810527242.4A Active CN108764339B (zh) | 2018-05-29 | 2018-05-29 | 一种基于知识库的产品概念可行性判定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108764339B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402425A (zh) * | 2010-09-09 | 2012-04-04 | 金蝶软件(中国)有限公司 | 一种软件概念产品的生成方法、装置及erp生成系统 |
CN103646149A (zh) * | 2013-12-23 | 2014-03-19 | 四川大学 | 基于知识工程的方案自动生成、评估系统及方法 |
US20140279773A1 (en) * | 2013-03-13 | 2014-09-18 | Google Inc. | Scoring Concept Terms Using a Deep Network |
CN104715042A (zh) * | 2015-03-24 | 2015-06-17 | 清华大学 | 基于本体的概念设计知识表示方法及知识管理系统 |
CN105740984A (zh) * | 2016-02-01 | 2016-07-06 | 北京理工大学 | 一种基于性能预测的产品概念性能评价方法 |
CN107358063A (zh) * | 2017-06-14 | 2017-11-17 | 北京理工大学 | 面向产品概念设计的fbas功能模型及基于该功能模型和基因表达的产品概念设计方法 |
-
2018
- 2018-05-29 CN CN201810527242.4A patent/CN108764339B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102402425A (zh) * | 2010-09-09 | 2012-04-04 | 金蝶软件(中国)有限公司 | 一种软件概念产品的生成方法、装置及erp生成系统 |
US20140279773A1 (en) * | 2013-03-13 | 2014-09-18 | Google Inc. | Scoring Concept Terms Using a Deep Network |
CN103646149A (zh) * | 2013-12-23 | 2014-03-19 | 四川大学 | 基于知识工程的方案自动生成、评估系统及方法 |
CN104715042A (zh) * | 2015-03-24 | 2015-06-17 | 清华大学 | 基于本体的概念设计知识表示方法及知识管理系统 |
CN105740984A (zh) * | 2016-02-01 | 2016-07-06 | 北京理工大学 | 一种基于性能预测的产品概念性能评价方法 |
CN107358063A (zh) * | 2017-06-14 | 2017-11-17 | 北京理工大学 | 面向产品概念设计的fbas功能模型及基于该功能模型和基因表达的产品概念设计方法 |
Non-Patent Citations (2)
Title |
---|
基于模糊神经网络的机械产品性能评价;田启华 等;《中国制造业信息化》;20040930;第33卷(第9期);全文 * |
面向机械产品概念设计的知识库设计研究;郭乾统 等;《图学学报》;20151015(第05期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108764339A (zh) | 2018-11-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920622B (zh) | 一种意图识别的训练方法、训练装置和识别装置 | |
CN109741112B (zh) | 一种基于移动大数据的用户购买意向预测方法 | |
CN110222178B (zh) | 文本情感分类方法、装置、电子设备及可读存储介质 | |
CN110209824B (zh) | 基于组合模型的文本情感分析方法、系统、装置 | |
CN112199608B (zh) | 基于网络信息传播图建模的社交媒体谣言检测方法 | |
CN103971161B (zh) | 基于柯西分布量子粒子群的混合推荐方法 | |
CN111506835B (zh) | 一种融合用户时间特征和个性特征的数据特征提取方法 | |
CN112633010A (zh) | 基于多头注意力和图卷积网络的方面级情感分析方法及系统 | |
CN109726747B (zh) | 基于社交网络推荐平台的数据融合排序方法 | |
CN105022805A (zh) | 一种基于so-pmi商品评价信息的情感分析方法 | |
WO2022048194A1 (zh) | 事件主体识别模型优化方法、装置、设备及可读存储介质 | |
CN113094593B (zh) | 社交网络事件推荐方法、系统、设备及存储介质 | |
CN111445008A (zh) | 一种基于知识蒸馏的神经网络搜索方法及系统 | |
CN114169869B (zh) | 一种基于注意力机制的岗位推荐方法及装置 | |
CN115062070A (zh) | 一种基于问答的文本表格数据查询方法 | |
CN115114421A (zh) | 一种问答模型训练方法 | |
CN114358657A (zh) | 一种基于模型融合的岗位推荐方法及装置 | |
Murat et al. | Route choice modelling in urban transportation networks using fuzzy logic and logistic regression methods | |
CN115618101A (zh) | 基于负反馈的流媒体内容推荐方法、装置及电子设备 | |
CN108509588B (zh) | 一种基于大数据的律师评估方法及推荐方法 | |
CN114443846A (zh) | 一种基于多层级文本异构图的分类方法、装置及电子设备 | |
CN113642652A (zh) | 生成融合模型的方法、装置和设备 | |
CN108764339B (zh) | 一种基于知识库的产品概念可行性判定方法 | |
CN113449182A (zh) | 一种知识信息个性化推荐方法及系统 | |
CN114091794A (zh) | 专利价值评估模型训练方法、评估方法、装置及其设备 |
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 |