CN112257663B - 一种基于贝叶斯网络的设计意图识别方法及系统 - Google Patents
一种基于贝叶斯网络的设计意图识别方法及系统 Download PDFInfo
- Publication number
- CN112257663B CN112257663B CN202011259583.1A CN202011259583A CN112257663B CN 112257663 B CN112257663 B CN 112257663B CN 202011259583 A CN202011259583 A CN 202011259583A CN 112257663 B CN112257663 B CN 112257663B
- Authority
- CN
- China
- Prior art keywords
- design
- instruction
- bayesian network
- artificial neural
- instructions
- 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
- 238000013461 design Methods 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000012549 training Methods 0.000 claims abstract description 52
- 238000013528 artificial neural network Methods 0.000 claims abstract description 40
- 230000009471 action Effects 0.000 claims abstract description 18
- 230000004424 eye movement Effects 0.000 claims description 27
- 238000012986 modification Methods 0.000 claims description 17
- 230000004048 modification Effects 0.000 claims description 17
- 210000004556 brain Anatomy 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012938 design process Methods 0.000 claims description 14
- 230000005611 electricity Effects 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000011022 operating instruction Methods 0.000 claims description 2
- 238000009826 distribution Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000004927 fusion Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000003993 interaction Effects 0.000 description 3
- 238000004080 punching Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 230000014509 gene expression Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000004186 co-expression Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
-
- 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
-
- 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
- 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
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Signal Processing (AREA)
- User Interface Of Digital Computer (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
本公开提出了一种基于贝叶斯网络的设计意图识别方法及系统,包括如下步骤:获取人体生理指标数据及人体动作数据;建立人体生理指标数据、动作信号与设计意图对应关系的人工神经网络训练模型;根据获取的信号、人工神经网络训练模型的训练结果及识别精度,采用贝叶斯网络并行推理识别设计指令,获得设计指令的组合;根据设计指令的组合确定设定意图。本公开通过贝叶斯网络并行推理的特点在人工神经网络训练模型存在识别误差的基础上进行进一步推理,从而使得推理获得的设计意图更加准确可信。
Description
技术领域
本公开涉及人工智能相关技术领域,具体的说,是涉及一种基于贝叶斯网络的设计意图识别方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,并不必然构成在先技术。
计算机技术在硬件与软件上的飞速发展,使智能化、概念化的产品设计方式所具备的条件日渐成熟。随着产品创新性的越来越受到企业的重视,为加快产品详细设计过程,将设计过程流畅化,利用脑电、眼动、手势等人机交互方式可以迅速捕捉人的设计意图,实现设计参数、指令的便捷输入,打破原有设计过程中鼠标、键盘对于设计效率和设计思维的约束。
设计意图即设计人员试图完成某项设计任务的设计命令,如将草图A沿z轴方向拉伸100mm,将实体的面1中心打上深度为10mm的小孔。设计意图潜藏于设计人员内心,并不能被直接观测,且在表达成设计命令后才能确定。通过各种探测手段和人机交互模式,能直接观测到设计人员所表现的脑电、眼动和手势等特定设计信号或产品设计状态的改变,而这些活动则反映了设计意图。充分利用这些信号和设计状态,能够显著加快设计过程,并保证设计人员的创造过程不被繁琐的鼠标、键盘输入所打断。
发明人发现,目前,已有基于手势的设计意图捕捉技术,往往面向于产品概念设计过程;而产品详细设计过程中操作指令繁多,基于手势的人机交互需要设计人员进行大量的前期训练,极大增加了设计人员的学习时间和负担。同时,目前的设计意图捕捉技术设计意图识别准确率较低。
发明内容
本公开为了解决上述问题,提出了一种基于贝叶斯网络的设计意图识别方法及系统,考虑人工神经网络在设计指令识别精度不足以支撑产品详细设计过程,利用贝叶斯网络并行推理的特点对设计意图进行不确定性推理,从而使得推理获得的设计意图更加准确可信。
为了实现上述目的,本公开采用如下技术方案:
一个或多个实施例提供了一种基于贝叶斯网络的设计意图识别方法,包括如下步骤:
获取人体生理指标数据及人体动作数据;
建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型;
根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
根据设计指令的组合确定设定意图。
一个或多个实施例提供了一种基于贝叶斯网络的设计意图识别系统,包括:
获取模块:被配置为用于获取人体生理指标数据及人体动作数据;
人工神经网络训练模型建立模块:被配置为用于建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型;
识别模块:被配置为用于根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
设计意图确定模块:被配置为用于根据设计指令的组合确定设定意图。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现上述的方法中的步骤。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现上述的方法中的步骤。
与现有技术相比,本公开的有益效果为:
(1)本公开考虑到脑电、眼动、手势等信号训练后作为设计意图识别的输入证据,识别结果具有不准确性,为保证多源信息融合的设计意图识别准确率,通过结合贝叶斯网络并行推理的特点,在人工神经网络训练模型存在识别误差的基础上进行进一步推理,从而使得推理获得的设计意图更加准确可信。
(2)本公开的方法能够将人的智慧与计算机智能深度结合,体现了智能化的识别过程;具有较高的识别准确率和较强的区别能力,同时,具有很强的可操作性,将其应用到实践中,可以大大提高详细设计过程的效率,因此具有十分重要的意义,为进一步工业产品详细过程应用打下了基础。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的限定。
图1是本公开实施例1的方法流程图;
图2是本公开实施例1的设计意图识别过程示意图;
图3是本公开实施例1的构建的贝叶斯网络的局部结构图;
图4是本公开实施例1的局部贝叶斯网络及各节点条件概率分布图。
具体实施方式:
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。需要说明的是,在不冲突的情况下,本公开中的各个实施例及实施例中的特征可以相互组合。下面将结合附图对实施例进行详细描述。
因此,本公开提出基于脑电、眼动、手势多源信息融合的设计意图捕捉方法,如图1所示。通过借助NeurOne、Kinect和tobii等信号采集装置和深度神经网络算法进行训练,实现对于指令包括:想定图形指令、选定指令、修改指令和操作指令的准确识别。在指令识别的基础上,通过设计意图识别获得组合指令,实现设计建模。设计意图可以包括:新建基本曲线、生成拉伸体、旋转选中物体等等。本公开通过增加脑电和眼动信号,减少对于手势信号的依赖并缩短训练过程,通过增加眼动信号可以实现位置信息或设计特征的选定。而由于脑电信号训练过程中往往识别率较低,仅为40%左右,通过训练脑电信号实现设计基本体的调用。
实施例1
在一个或多个实施方式中公开的技术方案中,如图1所示,一种基于贝叶斯网络的设计意图识别方法,包括如下步骤:
步骤1、获取人体生理指标数据及人体动作数据;
步骤2、建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型;
步骤3、根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
步骤4、根据设计指令的组合确定设定意图。
可选的,所述人体生理指标数据包括脑电信号,所述人体动作数据包括眼动信号、手势信号。
本实施例考虑到脑电、眼动、手势等信号训练后作为设计意图识别的输入证据,本身识别结果具有不准确性。为保证多源信息融合的设计意图识别准确率,通过结合贝叶斯网络并行推理的特点在人工神经网络训练模型存在识别误差的基础上进行进一步推理,从而使得推理获得的设计意图更加准确可信。
步骤1中,可以通过NeurOne、Kinect和tobii等信号采集装置,采集脑电信号、眼动信号和手势信号。按照时序获取设计人员的脑电、眼动、手势信号进行记录。
设计意图是一个动态的过程,并随着设计进程的推进而不断丰富,一条设计命令往往是是选定的几何特征、修改指令(或操作指令)与指令参数的共同表达。设计命令包括:选定特征、修改指令(或操作指令)和指令参数。
即步骤4中的设计意图的输出即为设计命令组合,包括想定图形指令、选定指令、修改指令、操作指令和指令参数等组合。
本实施例以CAD设计过程中建立复杂模型的设计意图为例进行说明,如表1所示,为CAD设计过程设计意图的指令分解表。
表1
步骤2中,建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型,针对CAD设计过程,如表2所示,可以具体为:
1)、脑电信号与想定图形指令建立对应关系,用于调用基本体或图线,作为后续设计修改的基础对象;
2)、手势信号与修改指令或/和操作指令建立对应关系;
可选的,对于CAD设计过程,修改指令可以包括拉伸、放样、旋转、倒角、打孔等;操作指令可以包括平移、旋转、缩放、撤销、删除等。
具体的,手势信号与修改指令建立对应关系,用于实现修改指令,对现有对象进行拉伸、旋转、放样、倒角、打孔等操作,同时借助手先后位置实现修改指令中的参数输入;
由于手势的灵活性,手势信号与操作指令建立对应关系,手势信号还可以用于实现平移、旋转、缩放、撤销、删除等辅助设计功能。
3)、眼动信号与选定指令建立对应关系;
根据眼动信号的特点,能够实现点、线、面等特征的选定。
表2
还包括对人工神经网络训练模型训练的过程,通过训练建立修改指令或操作指令、选定指令和指令参数与设计意图约束映射关系,根据不同设计人员针对同一设计意图下的脑电信号、眼动信号和手势信号,建立人体生理指标数据、动作数据与设计意图对应关系的普遍性、一般性的表达模式,在单信号识别率低的前提下提高多信号融合的设计意图识别准确率。
具体的,人工神经网络训练模型的训练过程包括如下步骤:
步骤31、获取已知设计意图的设计人员的脑电、眼动及手势信号;
步骤32、以建立的人工神经网络训练模型中的对应关系,将脑电、眼动及手势信号作为输入,以设计指令和识别精度为输出,输入至人工神经网络训练模型进行训练,获得人工神经网络训练模型的参数。
进一步的,还包括对识别结果进行评价的过程,根据评价结果对配置权重进行调整,以适应设计人员的绘制习惯,提高个体区分能力。即为设计人员根据设计意图的准确性进行打分,根据分值高低,调整贝叶斯网络的权重系数。
同时识别结果将作为一个统计样本存入数据库,从而影响和更新贝叶斯网络某些节点的条件概率分布值,以达到不断提升设计意图识别精度的目的。试验采用Matlab语言编写,贝叶斯网络可以采用开源BNT库进行建立。
构建的贝叶斯网络的网络结构,可以如图3所示,包括依次连接的信号识别结果输入层、设计指令节点层以及设计意图输出层。
信号识别结果输入层连接信号识别输出端,用于将人工神经网络训练模型识别结果作为贝叶斯网络底层节点测量量;本实施例中为Mi层,对应节点的测量量,用于将人工神经网络训练模型识别结果作为贝叶斯网络底层节点测量量。
设计指令节点层包括选定特征节点、修改指令或操作指令节点以及指令参数节点,为贝叶斯网络的网络节点。
设计指令节点层以选定特征、修改指令、操作指令作为贝叶斯网络节点。其中,修改指令可以包括拉伸、放样、旋转、倒角、打孔等指令,操作指令可以包括平移、旋转、缩放、撤销、删除等指令。
图3中,Ci为选定特征节点,如草图1、草图2、边线、面、实体;Pi为指令参数节点,如大小、方向;Oi为修改指令或操作指令节点,如拉伸、放样、旋转、倒角、打孔、平移、旋转、缩放、撤销、删除。
设计意图输出层为贝叶斯的网络根节点,图中I为需要识别的设计意图,如草图沿某向拉伸,所述输出层的节点为设定数量确定、具体化的设计意图。
Signal为信号输入端,包括脑电、眼动、手势信号,本身不属于贝叶斯网络,虚线用于人工神经网络训练模型识别结果与贝叶斯网络底层节点之间的对应关系。无论设计意图中参数值如何均采用该贝叶斯网络进行推理,可以大大节约计算机的运算和存储资源。
进一步地,可选的,通过向上迭代建立贝叶斯网络,建立贝叶斯网络的根节点作为进一步推理的子节点,不断地向上迭代建立贝叶斯网络,以满足复杂的设计意图的识别。
贝叶斯网络主要由两部分构成:一部分为有向无环图(Directed Acyclic Graph,DAG),即贝叶斯网络结构,它由若干个节点和节点间的有向弧组成,节点对应知识领域的随机变量,有向弧表示变量间的因果关系,弧的指向代表因果影响的方向性:由父节点指向子节点:;另一部分为反映变量之间关联性的局部概率分布:父节点的概率为边缘概率,通常称为条件概率表(Conditional Probability Table,CPT),表中的概率值表示子节点与其父节点之间的置信度。
步骤3中,根据获取的数据及人工神经网络训练模型中的对应关系识别设计指令,采用贝叶斯网络并行推理获得设计指令的组合的方法,具体的,识别方法为:
步骤3-1、以建立的人工神经网络训练模型中的对应关系,将脑电、眼动及手势信号作为输入,以识别精度作为贝叶斯网络的配置权重,以设计指令为输出,输入至贝叶斯网络进行推理;
步骤3-2、在已知输入信号的条件下计算设计意图的后验概率P(X|D),后验概率最高的设计意图作为识别结果。
即为基于贝叶斯网络的设计意图识别就是求解给定证据的条件下假设变量(设计意图)的后验概率P(X|D),给定证据即为已发生的脑电、眼动、手势信号。
具体的,后验概率的计算过程如下:
假设设计过程中某时刻可能的设计意图为A1,A2,…,Am,当探测到识别事件B时,利用贝叶斯条件概率公式,可得设计意图的后验概率为:
式中:P(Ai)为目标意图的先验概率;P(B|Ai)为条件概率,先验概率和条件概率都是由设计人员的脑电、眼动、手势信号根据经验预先设定的。
在进行目标意图识别时,由于识别事件B和C的数量较多,确定B和C同时发生的先验概率P(B∩C|Ai)的工作量是巨大的。
本实施例设计意图识别问题,大部分识别事件是相互独立的,如“拉伸”和“草图选择”,可选的,可以在构建网络过程中通过指定节点事件来实现。根据概率公式,B、C相互独立,可得
P(B∩C|Ai)=P(B|Ai)P(C|Ai)
扩展到一般情况:当探测到的识别事件分别为B1,B2,…,Bn时,可得目标意图的后验概率为
本实施例中,建立贝叶斯网络的结构之后,对每个节点分配条件概率分布,根据设置的条件概率分布计算根节点的后验概率。
具体的,分配条件概率分布可以为:根据脑电、眼动、手势信号的识别训练精度,按照表3取各个修改指令(操作指令)的条件概率分布,按照表4取各个选定特征的条件概率分布,按照表5取各个指令参数的条件概率分布,如图3。由于各个设计意图表达是具有绘制等可能性的,对其根节点的先验概率赋值0.1。
表1修改指令条件概率分布
表2选定特征条件概率分布
表3指令参数条件概率分布
如图4所示。本实施例设置的贝叶斯网络为三层,复杂程度低,可根据下面的公式(1)直接推理得到根节点的后验概率P(I=y|M1,…,Mm+n+q),根据后验概率进行假设评价,选择具有最高后验概率值约束几何元素作为识别结果。
其中,P(Mi|I=y)=∑P(Mi|π(Mi))P(π(Mi)|I=y)
=P(Mi|π(Mi)=y)P(π(Mi)=y|I=y)
+P(Mi|π(Mi)=n)P(π(Mi)=n|I=y),
P(Mi│I=n)=∑P(Mi|π(Mi))P(π(Mi)|I=n)
=P(Mi|π(Mi)=n)P(π(Mi)=y|I=n)
+P(Mi|π(Mi)=n)P(π(Mi)=n|I=n).
本实施例基于贝叶斯网的设计意图识别技术,能够根据将脑电、手势、眼动信号进行组合,提升整个设计意图识别精度,将人的智慧与计算机智能深度结合,体现了智能化的识别过程;具有较高的识别准确率和较强的区别能力,同时,具有很强的可操作性,将其应用到实践中,可以大大提高详细设计过程的效率,因此具有十分重要的意义,为进一步工业产品详细过程应用打下了基础。
实施例2
本实施例提供一种基于贝叶斯网络的设计意图识别系统,包括:
获取模块:被配置为用于获取人体生理指标数据及人体动作数据;
人工神经网络训练模型建立模块:被配置为用于建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型;
识别模块:被配置为用于根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
设计意图确定模块:被配置为用于根据设计指令的组合确定设定意图。
实施例3
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现实施例1所述的方法中的步骤。
实施例4
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现实施例1所示的方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(Random AccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
上述虽然结合附图对本公开的具体实施方式进行了描述,但并非对本公开保护范围的限制,所属领域技术人员应该明白,在本公开的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
Claims (9)
1.一种基于贝叶斯网络的设计意图识别方法,其特征是,包括如下步骤:
获取人体生理指标数据及人体动作数据;
建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型,针对CAD设计过程,具体为:脑电信号与想定图形指令建立对应关系;或/和,手势信号与修改指令或/和操作指令建立对应关系;或/和,眼动信号与选定指令建立对应关系;
根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
根据设计指令的组合确定设计意图。
2.如权利要求1所述的一种基于贝叶斯网络的设计意图识别方法,其特征是:
所述人体生理指标数据包括脑电信号,所述人体动作数据包括眼动信号、手势信号;
或者,获取人体生理指标数据及人体动作数据为按照时序获取脑电、眼动和手势信号。
3.如权利要求1所述的一种基于贝叶斯网络的设计意图识别方法,其特征是:设计意图的输出为设计命令,包括想定图形指令、选定指令、修改指令、操作指令和指令参数的组合。
4.如权利要求1所述的一种基于贝叶斯网络的设计意图识别方法,其特征是:贝叶斯网络的网络结构包括依次连接的信号识别结果输入层、设计指令节点层以及设计意图输出层;
信号识别结果输入层连接信号训练输出端,用于将连续的信号识别为节点值;指令节点层包括选定特征节点、修改指令或操作指令节点以及指令参数节点,为贝叶斯网络的网络节点;输出层为贝叶斯的网络根节点,为设计意图输出节点;
或者,通过向上迭代建立贝叶斯网络,建立贝叶斯网络的根节点作为进一步推理的子节点,不断地向上迭代建立贝叶斯网络,以满足复杂的设计意图的识别。
5.如权利要求1所述的一种基于贝叶斯网络的设计意图识别方法,其特征是:还包括贝叶斯网络的训练过程,包括如下步骤:
获取已知设计意图的设计人员的脑电、眼动及手势信号;
以建立的人工神经网络训练模型中的对应关系,将脑电、眼动及手势信号作为输入,以设计指令和识别精度为输出,输入至人工神经网络训练模型进行训练,获得人工神经网络训练模型的参数;
或者,
贝叶斯网络在识别设计意图后,还包括对识别结果进行评价的过程,根据评价结果对配置权重进行调整,以适应设计人员的设计习惯,提高个体区分能力。
6.如权利要求1所述的一种基于贝叶斯网络的设计意图识别方法,其特征是:根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计指令,获得设计指令的组合的方法,具体的,识别方法为:
以建立的人工神经网络训练模型中的对应关系,将脑电、眼动及手势信号作为输入,以识别精度作为贝叶斯网络的配置权重,以设计指令为输出,输入至贝叶斯网络进行推理;
在输入信号的条件下计算设计意图的后验概率,后验概率最高的设计意图作为识别结果。
7.一种基于贝叶斯网络的设计意图识别系统,其特征是,包括:
获取模块:被配置为用于获取人体生理指标数据及人体动作数据;
人工神经网络训练模型建立模块:被配置为用于建立人体生理指标数据、动作数据与设计指令对应关系的人工神经网络训练模型,针对CAD设计过程,具体为:脑电信号与想定图形指令建立对应关系;或/和,手势信号与修改指令或/和操作指令建立对应关系;或/和,眼动信号与选定指令建立对应关系;
识别模块:被配置为用于根据人工神经网络训练模型获取信号识别的设计指令及其精度,采用贝叶斯网络并行推理识别设计意图,获得设计指令的正确组合方法;
设计意图确定模块:被配置为用于根据设计指令的组合确定设定意图。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1-6中任一项所述的方法中的步骤。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-6中任一项所述的方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259583.1A CN112257663B (zh) | 2020-11-12 | 2020-11-12 | 一种基于贝叶斯网络的设计意图识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011259583.1A CN112257663B (zh) | 2020-11-12 | 2020-11-12 | 一种基于贝叶斯网络的设计意图识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112257663A CN112257663A (zh) | 2021-01-22 |
CN112257663B true CN112257663B (zh) | 2024-03-12 |
Family
ID=74266681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011259583.1A Active CN112257663B (zh) | 2020-11-12 | 2020-11-12 | 一种基于贝叶斯网络的设计意图识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112257663B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113657182A (zh) * | 2021-07-26 | 2021-11-16 | 西北工业大学 | 一种基于变权理论的动态贝叶斯网络的目标意图识别方法 |
CN114371618B (zh) * | 2021-12-15 | 2023-11-03 | 北京机电工程研究所 | 基于神经网络的扩张状态观测器补偿方法及自抗扰控制器 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724199A (zh) * | 2012-06-26 | 2012-10-10 | 北京航空航天大学 | 基于贝叶斯网络推理的攻击意图识别方法 |
CN103300850A (zh) * | 2013-04-19 | 2013-09-18 | 杭州电子科技大学 | 一种中风病人脑电信号采集与处理的方法 |
CN108227932A (zh) * | 2018-01-26 | 2018-06-29 | 上海智臻智能网络科技股份有限公司 | 交互意图确定方法及装置、计算机设备及存储介质 |
CN110032948A (zh) * | 2019-03-22 | 2019-07-19 | 中国科学院软件研究所 | 一种基于交互时序信息的草图手势识别方法 |
CA3034155A1 (en) * | 2018-02-20 | 2019-08-20 | Simon Fellows | A cyber security appliance for an operational technology network |
CN111680620A (zh) * | 2020-06-05 | 2020-09-18 | 中国人民解放军空军工程大学 | 基于d-s证据理论的人机交互意图识别方法 |
CN111805546A (zh) * | 2020-07-20 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种基于脑机接口的人-多机器人共享控制的方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
AU2015207945A1 (en) * | 2015-07-31 | 2017-02-16 | Canon Kabushiki Kaisha | Method for training an artificial neural network |
-
2020
- 2020-11-12 CN CN202011259583.1A patent/CN112257663B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102724199A (zh) * | 2012-06-26 | 2012-10-10 | 北京航空航天大学 | 基于贝叶斯网络推理的攻击意图识别方法 |
CN103300850A (zh) * | 2013-04-19 | 2013-09-18 | 杭州电子科技大学 | 一种中风病人脑电信号采集与处理的方法 |
CN108227932A (zh) * | 2018-01-26 | 2018-06-29 | 上海智臻智能网络科技股份有限公司 | 交互意图确定方法及装置、计算机设备及存储介质 |
CA3034155A1 (en) * | 2018-02-20 | 2019-08-20 | Simon Fellows | A cyber security appliance for an operational technology network |
CN110032948A (zh) * | 2019-03-22 | 2019-07-19 | 中国科学院软件研究所 | 一种基于交互时序信息的草图手势识别方法 |
CN111680620A (zh) * | 2020-06-05 | 2020-09-18 | 中国人民解放军空军工程大学 | 基于d-s证据理论的人机交互意图识别方法 |
CN111805546A (zh) * | 2020-07-20 | 2020-10-23 | 中国人民解放军国防科技大学 | 一种基于脑机接口的人-多机器人共享控制的方法及系统 |
Non-Patent Citations (4)
Title |
---|
Major requirements for building Smart Homes in Smart Cities based on Internet of Things technologies;Terence K.L. Hui 等;《ELSEVIER》;第76卷;358-369 * |
基于STEP知识图谱的设计意图推理方法研究及应用;林崇;《中国优秀硕士学位论文全文数据库信息科技辑》(第02期);I138-2055 * |
基于手绘草图的三维建模研究;刘珠峰;《中国优秀硕士学位论文全文数据库信息科技辑》(第08期);I138-946 * |
工程经验知识迁移机制和演化动因研究;李心雨;《中国博士学位论文全文数据库基础科学辑》(第01期);A002-72 * |
Also Published As
Publication number | Publication date |
---|---|
CN112257663A (zh) | 2021-01-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kalyan et al. | Neural-guided deductive search for real-time program synthesis from examples | |
US20210182627A1 (en) | Procedural language and content generation environment for use in augmented reality/mixed reality systems to support laboratory and related operations | |
CN104932804B (zh) | 一种智能虚拟装配动作识别方法 | |
CA3128692A1 (en) | Spatial attention model for image captioning | |
Lin et al. | Diffusion models for time-series applications: a survey | |
CN112257663B (zh) | 一种基于贝叶斯网络的设计意图识别方法及系统 | |
CN110059672A (zh) | 一种利用增量学习对显微镜细胞图像检测模型进行增类学习的方法 | |
CN104298354A (zh) | 一种人机交互的手势识别方法 | |
RU2689818C1 (ru) | Способ интерпретации искусственных нейронных сетей | |
KR20210103423A (ko) | 입 모양 특징을 예측하는 방법, 장치, 전자 기기, 저장 매체 및 프로그램 | |
US20210365813A1 (en) | Management computer, management program, and management method | |
KR20220113830A (ko) | 안면 키포인트 검출 방법, 장치 및 전자 기기 | |
CN113035198A (zh) | 三维人脸的唇动控制方法、设备和介质 | |
Ruan et al. | Requirements modeling aided by chatgpt: An experience in embedded systems | |
CN117133277B (zh) | 用于人机交互的虚拟人物表情控制方法及系统 | |
Xin | Evaluation of factors affecting dance training effects based on reinforcement learning | |
CN112908328A (zh) | 设备操控方法、系统、计算机设备及存储介质 | |
D’Ulizia | Exploring multimodal input fusion strategies | |
Khayut et al. | Intelligent user interface in fuzzy environment | |
Vanc et al. | Context-aware robot control using gesture episodes | |
Bagirov et al. | A DC Optimization Algorithm for Clustering Problems with $ 𝑳_𝟏 $-norm | |
Lanzinger et al. | New perspectives for fuzzy datalog | |
Ullberg et al. | Propagating temporal constraints on sets of intervals | |
Goertzel et al. | Integrating deep learning based perception with probabilistic logic via frequent pattern mining | |
Bourgani et al. | Timed-fuzzy cognitive maps: an overview |
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 |