CN116738864A - 一种工业设计产品的智能推荐方法及系统 - Google Patents
一种工业设计产品的智能推荐方法及系统 Download PDFInfo
- Publication number
- CN116738864A CN116738864A CN202310988102.8A CN202310988102A CN116738864A CN 116738864 A CN116738864 A CN 116738864A CN 202310988102 A CN202310988102 A CN 202310988102A CN 116738864 A CN116738864 A CN 116738864A
- Authority
- CN
- China
- Prior art keywords
- data
- design
- demand
- optimization
- carrying
- 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.)
- Granted
Links
- 238000013461 design Methods 0.000 title claims abstract description 472
- 238000000034 method Methods 0.000 title claims abstract description 60
- 239000000463 material Substances 0.000 claims abstract description 256
- 238000005457 optimization Methods 0.000 claims abstract description 121
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 54
- 238000003066 decision tree Methods 0.000 claims abstract description 32
- 238000004458 analytical method Methods 0.000 claims abstract description 25
- 238000004519 manufacturing process Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims abstract description 23
- 238000005516 engineering process Methods 0.000 claims abstract description 18
- 238000009795 derivation Methods 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 41
- 238000007781 pre-processing Methods 0.000 claims description 34
- 238000010586 diagram Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 19
- 238000004140 cleaning Methods 0.000 claims description 17
- 238000013528 artificial neural network Methods 0.000 claims description 15
- 238000000547 structure data Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 10
- 238000005065 mining Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000013480 data collection Methods 0.000 claims description 3
- 238000007418 data mining Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 239000000047 product Substances 0.000 description 45
- 238000012938 design process Methods 0.000 description 17
- 239000013598 vector Substances 0.000 description 16
- 230000008569 process Effects 0.000 description 13
- 238000013135 deep learning Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000009499 grossing Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 7
- 238000013136 deep learning model Methods 0.000 description 7
- 238000003058 natural language processing Methods 0.000 description 6
- 230000007613 environmental effect Effects 0.000 description 5
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000006872 improvement Effects 0.000 description 4
- 238000007689 inspection Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 239000002699 waste material Substances 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000005295 random walk Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000002131 composite material Substances 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000704 physical effect Effects 0.000 description 2
- 230000036314 physical performance Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 238000012800 visualization Methods 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 229910010293 ceramic material Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 239000007769 metal material Substances 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 238000002922 simulated annealing Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 230000035899 viability Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/33—Querying
- G06F16/3331—Query processing
- G06F16/334—Query execution
- G06F16/3344—Query execution using natural language analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/30—Information retrieval; Database structures therefor; File system structures therefor of unstructured textual data
- G06F16/36—Creation of semantic tools, e.g. ontology or thesauri
- G06F16/367—Ontology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Animal Behavior & Ethology (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及智能推荐技术领域,尤其涉及一种工业设计产品的智能推荐方法及系统。该方法包括以下步骤:获取工业设计需求数据,并对工业设计需求数据进行深度解析,获取设计需求语义图谱数据;根据设计需求语义图谱数据进行材料特性与设计约束匹配,获取约束符合材料清单数据;对约束符合材料清单数据进行优化算法推导处理,获取优化设计决策树数据;通过物联网技术收集实时的生产、使用环境和用户反馈数据,并与优化设计决策树集成,获取实时设计反馈数据库数据;对实时设计反馈数据库数据进行设计决策优化,获取优化设计决策数据。本发明提供个性化的工业设计推荐方案,提高用户满意度。
Description
技术领域
本发明涉及智能推荐技术领域,尤其涉及一种工业设计产品的智能推荐方法及系统。
背景技术
工业设计产品的智能推荐方法是一种运用现代计算机科学技术,尤其是人工智能(AI)、机器学习(ML)、深度学习(DL)、物联网(IoT)的技术,根据用户需求、材料特性、环境约束的因素,自动进行产品设计决策和优化的方法。这种方法能够大大提高设计效率,减少设计错误,增强设计的个性化和创新性。在实际的设计过程中,需求、环境的因素往往存在不确定性和模糊性。现阶段的智能推荐方法往往难以有效处理这些不确定性和模糊性。
发明内容
本发明为解决上述技术问题,提出了一种工业设计产品的智能推荐方法及系统,以解决至少一个上述技术问题。
本申请提供了一种工业设计产品的智能推荐方法,包括以下步骤:
步骤S1:获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
步骤S2:根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
步骤S3:对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
步骤S4:通过物联网技术收集实时的生产、使用环境和用户反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
步骤S5:对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
步骤S6:对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
本发明中通过获取工业设计需求数据并进行深度解析,能够准确理解设计需求,提高设计的准确性和符合度。对材料特性与设计约束进行匹配,生成优化设计决策树,实现了设计过程的自动化。该方法通过物联网技术收集实时的生产、使用环境和用户反馈数据,提供了实时的设计反馈,使设计方案能够及时调整和优化。对实时设计反馈数据库数据进行设计决策优化,不断优化设计决策,提高了设计效率和质量。对优化设计决策数据进行闭环学习与设计迭代,使得设计方案能够不断学习和进步,提高设计方案的质量和适应性。本发明能够根据用户的具体需求和反馈,提供个性化的工业设计推荐方案,提高用户满意度。
优选地,步骤S1具体为:
步骤S11:获取工业设计需求基础数据;
步骤S12:对工业设计需求基础数据进行需求数据预处理,从而获取工业设计需求预处理数据;
步骤S13:对工业设计需求预处理数据进行自然语言特征提取,从而获取需求自然语言特征数据;
步骤S14:对需求自然语言特征数据进行需求模式挖掘,从而获取需求模式数据;
步骤S15:对需求模式数据进行需求语义理解,从而获取需求语义数据;
步骤S16:利用预设的图神经网络构建方式对需求语义数据进行关系图构建,从而获取需求关系图数据;
步骤S17:根据需求关系图生成设计需求语义图谱数据。
本发明中对工业设计需求基础数据进行深度预处理和自然语言特征提取,能有效理解和解析需求,提高推荐的精准性。通过对需求自然语言特征数据进行模式挖掘,有助于发现设计需求的潜在规律和模式,进而提升设计的针对性和创新性。对需求模式数据进行语义理解,可以在更深层次上理解和满足用户的设计需求,提高设计的满足度。利用图神经网络对需求语义数据进行关系图构建,能够清晰地展示各需求之间的关联关系,为设计决策提供有力支持。需求关系图的生成及进一步转化为设计需求语义图谱,有效地组织并可视化了需求信息,便于进行后续的分析和推荐工作。
优选地,步骤S12中需求数据预处理通过需求数据清洗计算公式进行预处理,其中需求数据清洗计算公式具体为:
;
为经过数据清洗后得到的清洗后需求数据,/>为工业设计需求基础数据中需求数据点的总数,/>为预处理数据序次项,/>为清洗底数常数项,/>为工业设计需求基础数据中第/>个需求数据点,/>为平滑常数项,/>为工业设计需求基础数据中的最大需求数据点,为工业设计需求基础数据中的最小需求数据点,/>为工业设计需求基础数据中所有特定项的需求数据点的均值。
本发明构造了一种需求数据清洗计算公式,该计算公式的主要目的是预处理工业设计需求基础数据,以达到清洗数据、消除噪声和异常值,平滑数据,以提升数据质量和处理效率的目的。表示工业设计需求基础数据中需求数据点的总数。它影响极限计算和均值计算,极限是关于/>的,表示随着数据点数量的增加,平均对数值会趋于稳定,这个稳定值用于进一步的计算。/>表示预处理数据序次项,它用于累加和求对数操作,对所有的需求数据点进行操作。/>表示清洗底数常数项,在求对数操作中,作为对数的底数。不同的底数会影响数据清洗的程度。/>表示工业设计需求基础数据中第/>个需求数据点,是公式中主要的操作对象,也是最终预处理数据的来源。/>表示平滑常数项,在对数操作中,防止数据点值为0导致对数无法计算的情况,起到平滑作用。/>和/>分别表示工业设计需求基础数据中的最大需求数据点和最小需求数据点。它们用于计算三角函数,引入了数据范围的信息。/>表示工业设计需求基础数据中所有特定项的需求数据点的均值,用于方差的计算,引入了数据的平均级别信息。本发明使数据清洗工作能在多个维度上进行,更全面地处理数据。特别是利用对数平滑数据、利用极限获取趋势信息、利用三角函数引入极值信息、利用方差引入离散度信息,都使得数据清洗更为全面和深入,大大提升了数据的质量和后续处理的效果。
优选地,步骤S16具体为:
步骤S161:对需求语义数据进行节点选择,从而获取图节点数据,并对需求语义数据进行最大相关边选择,从而获取图边数据;
步骤S162:对图节点数据进行节点嵌入,从而获取节点嵌入数据,并对图边数据进行边嵌入,从而获取边嵌入数据;
步骤S163:对节点嵌入数据以及边嵌入数据进行图结构初始化,从而获取初始化图结构数据;
步骤S164:对初始化图结构数据进行循环神经网络模型初始化构建,从而获取初步需求关系图数据;
步骤S165:对初步需求关系图数据进行模型训练并优化,从而获取需求关系图数据。
本发明中图结构能清晰、直观地反映设计需求的内在逻辑和关系,帮助设计人员更好地理解和把握设计需求,从而提高设计的精确度。通过图神经网络,可以快速、自动地处理大量、复杂的设计需求数据,大大减少了设计人员的工作负担,提高了设计的效率。能更准确地把握用户需求,使得设计结果更贴合用户需求,从而提升用户体验。更高的设计精确度和用户体验,可以提升产品的市场竞争力,帮助企业取得更大的市场份额。图神经网络的应用,引入了新的设计思维和方法,可能会引领设计创新,产生全新、独特的设计方案。
优选地,步骤S2具体为:
步骤S21:对设计需求语义图谱数据进行需求特征提取,从而获取需求特征数据;
步骤S22:对需求特征数据通过预存于本地的材料数据库进行数据查询,从而获取初步材料候选列表数据;
步骤S23:对初步材料候选列表数据进行材料特性比对,从而获取材料特性匹配度数据;
步骤S24:利用设计需求语义图谱数据对材料特性匹配度数据进行设计约束检查,从而获取约束检查数据;
步骤S25:对约束检查数据进行约束优化,从而获取约束检查优化数据;
步骤S26:利用约束检查优化数据对初步材料候选列表数据进行材料排名,从而获取材料排名数据;
步骤S27:对材料排名数据进行优选材料筛选,从而获取优选材料数据;
步骤S28:根据优选材料数据生成约束符合材料清单数据。
本发明中对设计需求语义图谱数据进行深度解析,直观反映需求之间的逻辑关系,并利用这些数据进行材料的筛选和比较,使得系统能够更准确、更快速地找到符合设计需求的材料。本发明通过材料特性比对和设计约束检查,可以筛选出最符合设计需求的材料,避免了因选择不当而造成的材料浪费和性能降低。本发明能够更准确地选择出符合设计需求的材料,从而提高产品的性能,提升用户满意度。通过优选材料筛选,本发明可以避免选择不适合的材料,从而减少材料浪费。通过对需求语义的深度解析和材料的精确筛选,本发明可以提升工业设计的整体水平,推动工业设计行业的发展。设计约束检查阶段包括物理可行性约束和经济可行性约束,物理可行性约束保证了推荐的工业设计产品在物理属性和性能上能够满足设计需求,包括但不限于材料的力学性能、热性能、电性能。这大大降低了设计方案落地实现的困难度和风险。通过对材料特性匹配度数据进行设计约束检查,可以在早期设计阶段就发现并排除一些无法满足需求或过于昂贵的设计方案,从而提高设计效率,减少不必要的迭代和修改,提高最终产品的质量。基于物理可行性和经济可行性的约束检查,可以提供一个全面和深入的设计解决方案评估框架,使得系统能够从多角度、多维度对设计方案进行优化。
优选地,步骤S26中材料排名通过材料排名计算公式进行处理,其中材料排名计算公式具体为:
;
为材料排名数据,/>为设计需求语义图谱数据中的材料相关特征值,/>为预存于本地的材料数据库中的材料特性值,/>为材料排名底数常数项,/>为初步材料候选列表数据中的材料评分值,/>为设计需求语义图谱数据中的其他材料特性方向性数据,/>为重要性权重系数,/>为设计需求语义图谱数据中的材料特性方向性数据,/>为材料特定特性项,/>为设计需求参数项,/>为第一比较系数项,/>为第二比较系数项,/>为材料特性的数量数据。
本发明构造了一种材料排名计算公式,该计算公式对材料进行评价并进行排名的数学模型。它集成了各种因素,如设计需求语义图谱中的材料相关特征、材料数据库中的材料特性、材料的初步评分、材料的方向性数据、重要性权重系数、比较系数,以生成一个综合的材料排名。设计需求语义图谱数据中的材料相关特征值,这是一个针对特定设计需求的材料特性的度量。预存于本地的材料数据库中的材料特性值/>,这是每种材料的固有特性值,来自于材料数据库。初步材料候选列表数据中的材料评分值/>,这是基于初步筛选和比较得出的每种材料的评分。设计需求语义图谱数据中的材料特性方向性数据/>,这是一个度量,表示特定材料的某些特性如何满足特定设计需求。设计需求参数项/>,这是设计需求的具体参数,如需要的材料强度、硬度、耐热性。比较系数/>以及/>,这是用于比较各种材料性能的系数。材料特性的数量数据/>,表示考虑到的材料特性数量,用于归一化评分。这个公式的主要有益效果是提供了一种综合和定量的方式来比较不同的材料,并根据设计需求来进行排名。通过这种方式,使得更容易地确定最适合特定需求的材料,从而提高设计的质量和效率。
优选地,步骤S3具体为:
步骤S31:对约束符合材料清单数据进行材料属性解析,从而获取材料属性数据;
步骤S32:利用设计需求语义图谱数据中的目标设计需求数据对材料属性数据进行设计参数定义,从而获取设计参数数据;
步骤S33:对设计参数数据进行优化目标设定,从而获取优化目标数据;
步骤S34:对约束符合材料清单数据进行材料特征选择,从而获取材料特征选择数据;
步骤S35:对材料特征选择数据、设计参数数据以及优化目标数据进行深度模型构建,从而获取优化算法模型数据;
步骤S36:根据优化算法模型数据生成初始解数据;
步骤S37:对初始解数据进行智能优化搜索,从而获取优化搜索结果数据;
步骤S38:根据优化搜索结果数据构建优化设计决策树数据。
本发明中通过解析约束符合的材料清单数据,然后定义设计参数,设定优化目标,并最后构建深度优化模型。这种系统性的流程不仅提高了设计过程的效率,还确保了设计结果的优化和准确性。通过使用设计需求语义图谱中的目标设计需求数据定义设计参数,可以根据特定的设计需求提供定制化的设计方案。深度模型构建和智能优化搜索是基于人工智能技术,特别是深度学习技术的。这使得设计过程能够利用大量的数据和复杂的模式,从而达到优化设计的目的。根据优化搜索结果构建的设计决策树为系统提供了清晰、直观的决策支持,从而选择最优的设计方案。本发明可以提供更精确、更优化、更定制化的设计方案,提高设计效率,支持更好的决策制定,并有助于推动工业设计领域的创新和发展。
优选地,步骤S35具体为:
步骤S351:对优化目标数据进行优化数据权重处理,从而获取优化目标权重数据;
步骤S352:对材料特征选择数据、设计参数数据以及优化目标数据进行模型结构定义,从而获取模型结构数据;
步骤S353:利用模型结构数据对材料特征选择数据、设计参数数据以及优化目标权重数据进行模型参数初始化,从而获取初始算法模型数据;
步骤S354:对初始算法模型数据进行前向传播计算,从而获取前向传播结果数据;
步骤S355:利用前向传播结果数据以及优化目标权重数据对初始算法模型数据进行损失计算,从而获取模型损失结果数据;
步骤S356:利用模型损失结果数据对初始算法模型数据进行反向传播计算并参数更新,从而获取优化算法模型数据。
本发明中通过对优化目标数据进行权重处理,可以在多个优化目标之间进行权衡,以得到最优的设计决策。这使得设计决策更加符合实际需求,从而提高了设计结果的精准度。通过前向传播、损失计算和反向传播等步骤,算法模型能自动进行参数的优化。这大大减少了人工优化参数的工作量,提高了设计过程的效率。通过模型损失的计算和反向传播,可以有效地最小化设计过程中的损失。这不仅使得设计结果更接近目标,也提高了设计过程的稳定性和可靠性。充分利用了深度学习的优点,包括模型的深度、强大的参数学习能力和优秀的泛化能力。这使得设计过程能够充分利用大量的设计数据,从而得到更优的设计结果。通过参数更新,模型能够实时地反映出最新的设计需求和条件。这使得设计过程能够适应不断变化的设计环境,保持设计结果的最新性和实用性。
优选地,步骤S4具体为:
步骤S41:利用物联网设备进行实时的生产、使用环境数据收集,从而获取实时环境数据;
步骤S42:获取用户反馈数据,并将实时环境数据以及用户反馈数据进行数据融合,从而获取融合数据;
步骤S43:对融合数据进行数据预处理,从而获取预处理反馈数据;
步骤S44:对预处理反馈模式进行深度数据挖掘,从而获取解析反馈数据;
步骤S45:根据优化设计决策树数据以及解析反馈数据构建实时设计反馈数据库数据。
本发明中通过物联网设备获取实时环境数据,可以获取产品在实际使用环境中的表现情况,为产品优化提供实时反馈,有利于设计者及时了解产品使用情况,及时对设计方案进行优化。通过获取用户反馈数据,设计者可以及时了解到用户的需求变化,改进产品设计,以满足用户需求,提高产品满意度。通过对数据进行预处理和深度数据挖掘,可以发现反馈数据中隐藏的信息,更好地理解产品在实际应用中的问题,为优化设计提供支持。通过构建实时设计反馈数据库,可以积累产品设计和使用过程中的数据,为未来的产品设计提供参考,是一种有效的知识管理方式。
优选地,本发明还提供了一种工业设计产品的智能推荐系统,包括:
深度解析模块,用于获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
材料特性与设计约束匹配模块,用于根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
优化算法推导处理模块,用于对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
实时设计反馈数据库构建模块,用于通过物联网技术收集实时的生产、使用环境和使用者反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
设计决策优化模块,用于对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
闭环学习与设计迭代模块,用于对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
本发明的有益效果在于:通过对设计需求数据进行深度解析,该方法可以准确地理解用户的设计需求,并通过匹配算法精准找到满足约束条件的材料,大大提高了产品设计的效率和精准度。通过优化算法推导处理,可以根据每个用户的具体需求,提供个性化的设计决策,从而为用户提供更满意的产品设计方案。通过物联网技术收集实时的生产、使用环境和用户反馈数据,并结合设计决策树,能够实时获取并处理设计反馈,进一步优化设计决策,实现产品设计的实时优化和改进。通过闭环学习与设计迭代,能够不断学习并优化设计决策,使得产品设计推荐方案持续优化和迭代,保证设计的持续改进和升级。通过创建实时设计反馈数据库,本发明提供了一个全面的知识管理系统,可以储存、检索和利用历史设计数据和反馈,从而提高设计的决策力和创新力。
附图说明
通过阅读参照以下附图所作的对非限制性实施所作的详细描述,本申请的其它特征、目的和优点将会变得更明显:
图1示出了一实施例的工业设计产品的智能推荐方法的步骤流程图;
图2示出了一实施例的步骤S1的步骤流程图;
图3示出了一实施例的步骤S16的步骤流程图;
图4示出了一实施例的步骤S2的步骤流程图;
图5示出了一实施例的步骤S3的步骤流程图;
图6示出了一实施例的步骤S35的步骤流程图;
图7示出了一实施例的步骤S4的步骤流程图。
具体实施方式
下面结合附图对本发明专利的技术方法进行清楚、完整的描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域所属的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。
此外,附图仅为本发明的示意性图解,并非一定是按比例绘制。图中相同的附图标记表示相同或类似的部分,因而将省略对它们的重复描述。附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器方法和/或微控制器方法中实现这些功能实体。
应当理解的是,虽然在这里可能使用了术语“第一”、“第二”等等来描述各个单元,但是这些单元不应当受这些术语限制。使用这些术语仅仅是为了将一个单元与另一个单元进行区分。举例来说,在不背离示例性实施例的范围的情况下,第一单元可以被称为第二单元,并且类似地第二单元可以被称为第一单元。这里所使用的术语“和/或”包括其中一个或更多所列出的相关联项目的任意和所有组合。
请参阅图1至图7,本申请提供了一种工业设计产品的智能推荐方法,包括以下步骤:
步骤S1:获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
具体地,例如通过问卷调查、用户访谈、市场研究等方式获取工业设计需求数据。使用自然语言处理(NLP)技术对这些数据进行深度解析,包括词性标注、命名实体识别、依存关系解析,从而获取设计需求语义图谱数据。
步骤S2:根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
具体地,例如通过查询预先建立的材料数据库,按照设计需求语义图谱数据中的需求,进行材料特性与设计约束的匹配。根据匹配结果,获取约束符合的材料清单。
步骤S3:对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
具体地,例如通过一种优化算法(如遗传算法、粒子群算法)对约束符合的材料清单数据进行处理,从而生成优化设计决策树数据。优化算法例如遗传算法、粒子群算法都是自然启发式的优化算法,可以用来解决复杂的最优化问题。这些算法通常被应用于找出满足一组约束条件下的最优解或者一组优良解。确定优化目标与约束:确定优化的目标,例如,最小化材料的成本,或者最大化产品的性能。确定约束条件,例如材料的供应情况,生产工艺等因素。初始化一组解:优化算法通常会开始于一组随机生成的初始解。这些解可以是各种可能的设计决策,例如材料选择,生产工艺。评价解的质量:对于每一个解,都会有一个与之对应的目标函数值,这个值描述了这个解达到优化目标的程度。同时,需要检查这个解是否满足所有的约束条件。选择和生成新的解:算法会根据每个解的质量,选择一部分优良的解,通过某种方式(例如遗传算法的交叉和突变,粒子群算法的速度和位置更新)生成新的解。迭代过程:这个过程会不断重复,每一次迭代,都会生成一组新的解,并评价这些解的质量。迭代会继续进行,直到满足停止条件,例如达到预设的最大迭代次数,或者解的质量已经不再显著提高。输出优化结果:算法会输出最优的解,或者一组优良的解。这些解为优化设计决策树的数据。
步骤S4:通过物联网技术收集实时的生产、使用环境和用户反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
具体地,例如通过物联网设备(如传感器、智能设备)收集实时的生产环境、使用环境和用户反馈数据。这些数据与优化设计决策树数据进行集成,生成实时设计反馈数据库数据。
步骤S5:对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
具体地,例如通过机器学习或深度学习模型,对实时设计反馈数据库数据进行分析,从而生成优化设计决策数据。
步骤S6:对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
具体地,例如通过机器学习或深度学习模型,对优化设计决策数据进行闭环学习与设计迭代。这一过程可能包括不断的训练、评估和调整模型参数,直到满足一定的性能指标。生成工业设计推荐方案数据。
本发明中通过获取工业设计需求数据并进行深度解析,能够准确理解设计需求,提高设计的准确性和符合度。对材料特性与设计约束进行匹配,生成优化设计决策树,实现了设计过程的自动化。该方法通过物联网技术收集实时的生产、使用环境和用户反馈数据,提供了实时的设计反馈,使设计方案能够及时调整和优化。对实时设计反馈数据库数据进行设计决策优化,不断优化设计决策,提高了设计效率和质量。对优化设计决策数据进行闭环学习与设计迭代,使得设计方案能够不断学习和进步,提高设计方案的质量和适应性。本发明能够根据用户的具体需求和反馈,提供个性化的工业设计推荐方案,提高用户满意度。
优选地,步骤S1具体为:
步骤S11:获取工业设计需求基础数据;
具体地,例如通过问卷调查、用户访谈、市场研究等方式获取工业设计需求基础数据。例如,通过用户调查问卷获取用户对新产品的期望特性、偏好的信息。
步骤S12:对工业设计需求基础数据进行需求数据预处理,从而获取工业设计需求预处理数据;
具体地,例如通过数据清洗、标准化等方式进行预处理,例如移除空白回答、修正拼写错误、统一数据格式,从而获取工业设计需求预处理数据。
步骤S13:对工业设计需求预处理数据进行自然语言特征提取,从而获取需求自然语言特征数据;
具体地,例如使用自然语言处理(NLP)工具进行特征提取,例如使用分词工具对文本数据进行分词,提取关键词,或者通过词向量表示方法如Word2Vec,GloVe获取需求自然语言特征数据。
步骤S14:对需求自然语言特征数据进行需求模式挖掘,从而获取需求模式数据;
具体地,例如通过模式挖掘技术如关联规则挖掘、频繁项集挖掘,从需求自然语言特征数据中挖掘出反映用户需求的模式或规律,从而获取需求模式数据。
步骤S15:对需求模式数据进行需求语义理解,从而获取需求语义数据;
具体地,例如通过深度学习模型如Transformer、BERT对需求模式数据进行深度语义理解,从而获取需求语义数据。深度学习模型如Transformer和BERT在处理自然语言数据时,特别是对文本进行深度语义理解上有着广泛应用。它们可以捕捉文本中词与词之间的关系,并理解其深层次的含义。文本预处理:文本数据需要经过预处理,包括词汇分割(Tokenization)、词汇编码(Encoding)、添加特殊符号的步骤,将文本数据转化为模型可以处理的数字化格式。模型输入:将预处理后的文本输入到Transformer或者BERT模型中。这些模型通过自注意力机制(Self-Attention Mechanism)能够捕捉句子中每个单词与其他单词之间的关系,这有助于更好的理解文本的语义。深度学习训练:模型通过大量的训练数据进行训练,学习到如何根据上下文理解每个单词的意思。这个过程通常需要大量的计算资源和时间。获取需求语义数据:模型训练完成后,输入新的需求模式数据,模型会输出每个单词的向量表示,这些向量就是需求语义数据。这些向量能够捕捉到单词的含义以及其在上下文中的语义。例如,在工业设计中,有这样的需求:“产品需要耐用且轻便”。通过深度学习模型,可以获取"耐用"和"轻便"的需求,并且理解这两个需求是相辅相成的(在数学上为向量表示),这就是需求语义数据。
步骤S16:利用预设的图神经网络构建方式对需求语义数据进行关系图构建,从而获取需求关系图数据;
具体地,例如根据需求语义数据,使用图神经网络如Graph ConvolutionalNetwork (GCN)构建需求关系图,其中节点代表不同的需求,边代表需求之间的关系。定义节点和边:在需求关系图中,节点通常代表不同的需求,例如耐用性、轻便性。边代表需求之间的关系,例如共现关系、互斥关系。节点嵌入:利用图神经网络的节点嵌入技术,可以将每个节点(也就是每个需求)转化为一个向量。这个向量可以捕捉到需求的语义以及与其他需求的关系。图结构学习:通过对图神经网络进行训练,模型会学习到图中节点和边的结构信息。例如,模型可能会发现"耐用"和"强壮"经常同时出现,因此它们之间可能有一条边。生成需求关系图数据:经过训练后,模型会输出需求关系图数据。这个数据可以是节点的嵌入向量,也可以是节点之间的边的信息。
步骤S17:根据需求关系图生成设计需求语义图谱数据。
具体地,例如将需求关系图进行可视化展示,或者根据需求关系图生成可供其他步骤使用的数据格式,如邻接矩阵、边列表,从而得到设计需求语义图谱数据。可视化:需求关系图可以通过各种可视化工具进行展示,例如使用图库进行绘图,使得用户可以直观地理解需求之间的关系。数据转换:需求关系图还可以转换为其他数据格式,例如邻接矩阵或边列表,这些数据可以供后续的计算和分析使用。
本发明中对工业设计需求基础数据进行深度预处理和自然语言特征提取,能有效理解和解析需求,提高推荐的精准性。通过对需求自然语言特征数据进行模式挖掘,有助于发现设计需求的潜在规律和模式,进而提升设计的针对性和创新性。对需求模式数据进行语义理解,可以在更深层次上理解和满足用户的设计需求,提高设计的满足度。利用图神经网络对需求语义数据进行关系图构建,能够清晰地展示各需求之间的关联关系,为设计决策提供有力支持。需求关系图的生成及进一步转化为设计需求语义图谱,有效地组织并可视化了需求信息,便于进行后续的分析和推荐工作。
优选地,步骤S12中需求数据预处理通过需求数据清洗计算公式进行预处理,其中需求数据清洗计算公式具体为:
;
为经过数据清洗后得到的清洗后需求数据,/>为工业设计需求基础数据中需求数据点的总数,/>为预处理数据序次项,/>为清洗底数常数项,/>为工业设计需求基础数据中第/>个需求数据点,/>为平滑常数项,/>为工业设计需求基础数据中的最大需求数据点,为工业设计需求基础数据中的最小需求数据点,/>为工业设计需求基础数据中所有特定项的需求数据点的均值。
本发明构造了一种需求数据清洗计算公式,该计算公式的主要目的是预处理工业设计需求基础数据,以达到清洗数据、消除噪声和异常值,平滑数据,以提升数据质量和处理效率的目的。表示工业设计需求基础数据中需求数据点的总数。它影响极限计算和均值计算,极限是关于/>的,表示随着数据点数量的增加,平均对数值会趋于稳定,这个稳定值用于进一步的计算。/>表示预处理数据序次项,它用于累加和求对数操作,对所有的需求数据点进行操作。/>表示清洗底数常数项,在求对数操作中,作为对数的底数。不同的底数会影响数据清洗的程度。/>表示工业设计需求基础数据中第/>个需求数据点,是公式中主要的操作对象,也是最终预处理数据的来源。/>表示平滑常数项,在对数操作中,防止数据点值为0导致对数无法计算的情况,起到平滑作用。/>和/>分别表示工业设计需求基础数据中的最大需求数据点和最小需求数据点。它们用于计算三角函数,引入了数据范围的信息。/>表示工业设计需求基础数据中所有特定项的需求数据点的均值,用于方差的计算,引入了数据的平均级别信息。本发明使数据清洗工作能在多个维度上进行,更全面地处理数据。特别是利用对数平滑数据、利用极限获取趋势信息、利用三角函数引入极值信息、利用方差引入离散度信息,都使得数据清洗更为全面和深入,大大提升了数据的质量和后续处理的效果。
优选地,步骤S16具体为:
步骤S161:对需求语义数据进行节点选择,从而获取图节点数据,并对需求语义数据进行最大相关边选择,从而获取图边数据;
具体地,例如从需求语义数据中选择重要或关键的需求作为图节点数据,例如,那些频繁出现或用户强烈关注的需求。对于图边的选择,可以基于需求之间的相似度或关联度来确定。例如,如果两个需求经常一起出现,或者一个需求经常导致另一个需求,那么可以在这两个需求之间画一条边。
步骤S162:对图节点数据进行节点嵌入,从而获取节点嵌入数据,并对图边数据进行边嵌入,从而获取边嵌入数据;
具体地,例如节点嵌入和边嵌入是将节点和边映射到向量空间的过程,使得在原始图中接近或相似的节点和边在向量空间中也接近。这可以通过各种图嵌入方法实现,如DeepWalk、Node2Vec。嵌入向量可以反映节点或边的属性或其在图中的位置。图嵌入是一种将图中的节点或边映射到低维向量空间的方法,生成的这些低维向量也被称为嵌入向量。这些嵌入向量可以捕获图中节点或边的重要特性,例如它们的拓扑结构,节点或边的属性,以及节点在图中的位置。DeepWalk:原理:DeepWalk是一种随机游走生成序列的方法,这些序列在图的节点上漫步,然后使用 Skip-Gram 结构(一种常见的词嵌入模型)学习这些节点的嵌入。操作:对每个节点进行多次随机游走,生成多个路径。把这些路径看作语句,图中的节点看作单词,使用Word2Vec的Skip-Gram模型学习每个节点的嵌入。Node2Vec:原理:Node2Vec是DeepWalk的一个扩展,它引入了两个新的参数(p和q)来调整随机游走的过程,使得它既能捕获节点的局部邻域信息(也就是保留深度优先搜索的特性),又能发现节点间的远程依赖(也就是保留广度优先搜索的特性)。操作:在随机游走过程中,Node2Vec根据先前的步骤来决定下一步的方向,即更偏向于探索新的节点(广度优先搜索的特性),还是在已经探索过的节点周围逗留(深度优先搜索的特性)。然后,同样使用 Skip-Gram 模型学习每个节点的嵌入。
步骤S163:对节点嵌入数据以及边嵌入数据进行图结构初始化,从而获取初始化图结构数据;
具体地,例如将节点嵌入数据和边嵌入数据整合到一起,构建一个初始化的图结构。每个节点和边的权重可以根据其嵌入向量来设定。例如,可以使用嵌入向量的长度或方向作为权重。
步骤S164:对初始化图结构数据进行循环神经网络模型初始化构建,从而获取初步需求关系图数据;
具体地,例如采用循环神经网络(RNN)来处理图结构数据,由于RNN具有处理序列数据的能力,可以捕获节点和边的动态交互过程,从而获取更加精确的需求关系图数据。
步骤S165:对初步需求关系图数据进行模型训练并优化,从而获取需求关系图数据。
具体地,例如通过监督学习或无监督学习的方式,用已知的需求关系数据训练和优化模型,从而得到更精确的需求关系图数据。训练过程中,采用如交叉熵损失、均方误差的损失函数,以及如梯度下降放优化方法进行模型优化。
本发明中图结构能清晰、直观地反映设计需求的内在逻辑和关系,帮助设计人员更好地理解和把握设计需求,从而提高设计的精确度。通过图神经网络,可以快速、自动地处理大量、复杂的设计需求数据,大大减少了设计人员的工作负担,提高了设计的效率。能更准确地把握用户需求,使得设计结果更贴合用户需求,从而提升用户体验。更高的设计精确度和用户体验,可以提升产品的市场竞争力,帮助企业取得更大的市场份额。图神经网络的应用,引入了新的设计思维和方法,可能会引领设计创新,产生全新、独特的设计方案。
优选地,步骤S2具体为:
步骤S21:对设计需求语义图谱数据进行需求特征提取,从而获取需求特征数据;
具体地,例如运用自然语言处理(NLP)技术,如词嵌入(word embedding),从设计需求语义图谱数据中提取出关键词和概念,并形成需求特征数据。
步骤S22:对需求特征数据通过预存于本地的材料数据库进行数据查询,从而获取初步材料候选列表数据;
具体地,例如一个包含了各种材料和它们的属性(例如强度,密度,热传导率)的大型数据库。通过需求特征数据对数据库进行查询,从而得到一个初步的材料候选列表。
步骤S23:对初步材料候选列表数据进行材料特性比对,从而获取材料特性匹配度数据;
具体地,例如根据设计需求的特性(例如,如果设计需求包含对材料强度的特殊要求),对初步材料候选列表中的每种材料的特性进行比较和评估,得出匹配度。
步骤S24:利用设计需求语义图谱数据对材料特性匹配度数据进行设计约束检查,从而获取约束检查数据;
具体地,例如设计需求语义图谱可能包含一些设计约束(例如,设计需要满足特定的环保标准)。此步骤可以检查候选材料是否满足这些设计约束。物理可行性设计约束:在这种类型的约束中,检查候选材料是否满足设计的物理要求。这可能包括一系列的因素,例如强度、硬度、韧性、耐磨性、热导率、电导率。例如,如果设计需求需要一个强度高、耐磨损的材料,那么像塑料这样的材料可能就不会满足这个需求。在这种情况下,会考虑一些金属或陶瓷材料。在实施这一步骤时,利用设计需求语义图谱数据来理解具体的物理可行性设计约束,通过查询材料数据库,系统找到那些具有满足物理可行性设计约束特性的候选材料。经济可行性设计约束:在经济可行性设计约束中,考虑的是候选材料的成本效益。例如,金属材料虽然可能满足设计的物理需求,但是如果设计的预算有限,那么金属可能就不是一个经济可行的选项。在这种情况下,系统会考虑使用一些成本较低但仍能满足设计需求的材料,如一些合成材料或复合材料。在实施这一步骤时,利用设计需求语义图谱数据来理解具体的经济可行性设计约束。系统结合材料的价格信息以及预算限制来筛选出那些经济上可行的候选材料。
步骤S25:对约束检查数据进行约束优化,从而获取约束检查优化数据;
具体地,例如通过考虑设计需求中的优先级和权重,使得满足更高优先级需求的材料得到更高的分数。
步骤S26:利用约束检查优化数据对初步材料候选列表数据进行材料排名,从而获取材料排名数据;
具体地,例如使用约束检查优化数据对初步的材料候选列表进行排名,得出一个按照匹配度或满足约束的程度进行排序的列表。
步骤S27:对材料排名数据进行优选材料筛选,从而获取优选材料数据;
具体地,例如根据材料排名数据,可以选择最适合的材料,比如排名前几的材料,作为优选材料。
步骤S28:根据优选材料数据生成约束符合材料清单数据。
具体地,例如可以创建一个清单,包含所有选定的材料及其相关的属性,以及为什么这些材料被选为最优选等信息。
本发明中对设计需求语义图谱数据进行深度解析,直观反映需求之间的逻辑关系,并利用这些数据进行材料的筛选和比较,使得系统能够更准确、更快速地找到符合设计需求的材料。本发明通过材料特性比对和设计约束检查,可以筛选出最符合设计需求的材料,避免了因选择不当而造成的材料浪费和性能降低。本发明能够更准确地选择出符合设计需求的材料,从而提高产品的性能,提升用户满意度。通过优选材料筛选,本发明可以避免选择不适合的材料,从而减少材料浪费。通过对需求语义的深度解析和材料的精确筛选,本发明可以提升工业设计的整体水平,推动工业设计行业的发展。设计约束检查阶段包括物理可行性约束和经济可行性约束,物理可行性约束保证了推荐的工业设计产品在物理属性和性能上能够满足设计需求,包括但不限于材料的力学性能、热性能、电性能。这大大降低了设计方案落地实现的困难度和风险。通过对材料特性匹配度数据进行设计约束检查,可以在早期设计阶段就发现并排除一些无法满足需求或过于昂贵的设计方案,从而提高设计效率,减少不必要的迭代和修改,提高最终产品的质量。基于物理可行性和经济可行性的约束检查,可以提供一个全面和深入的设计解决方案评估框架,使得系统能够从多角度、多维度对设计方案进行优化。
优选地,步骤S26中材料排名通过材料排名计算公式进行处理,其中材料排名计算公式具体为:
;
为材料排名数据,/>为设计需求语义图谱数据中的材料相关特征值,/>为预存于本地的材料数据库中的材料特性值,/>为材料排名底数常数项,/>为初步材料候选列表数据中的材料评分值,/>为设计需求语义图谱数据中的其他材料特性方向性数据,/>为重要性权重系数,/>为设计需求语义图谱数据中的材料特性方向性数据,/>为材料特定特性项,/>为设计需求参数项,/>为第一比较系数项,/>为第二比较系数项,/>为材料特性的数量数据。
本发明构造了一种材料排名计算公式,该计算公式对材料进行评价并进行排名的数学模型。它集成了各种因素,如设计需求语义图谱中的材料相关特征、材料数据库中的材料特性、材料的初步评分、材料的方向性数据、重要性权重系数、比较系数,以生成一个综合的材料排名。设计需求语义图谱数据中的材料相关特征值,这是一个针对特定设计需求的材料特性的度量。预存于本地的材料数据库中的材料特性值/>,这是每种材料的固有特性值,来自于材料数据库。初步材料候选列表数据中的材料评分值/>,这是基于初步筛选和比较得出的每种材料的评分。设计需求语义图谱数据中的材料特性方向性数据/>,这是一个度量,表示特定材料的某些特性如何满足特定设计需求。设计需求参数项/>,这是设计需求的具体参数,如需要的材料强度、硬度、耐热性。比较系数/>以及/>,这是用于比较各种材料性能的系数。材料特性的数量数据/>,表示考虑到的材料特性数量,用于归一化评分。这个公式的主要有益效果是提供了一种综合和定量的方式来比较不同的材料,并根据设计需求来进行排名。通过这种方式,使得更容易地确定最适合特定需求的材料,从而提高设计的质量和效率。/>
优选地,步骤S3具体为:
步骤S31:对约束符合材料清单数据进行材料属性解析,从而获取材料属性数据;
具体地,例如通过解析约束符合材料清单数据,提取材料的物理和化学属性,例如硬度、强度、热导率,从而得到材料属性数据。
步骤S32:利用设计需求语义图谱数据中的目标设计需求数据对材料属性数据进行设计参数定义,从而获取设计参数数据;
具体地,例如根据设计需求语义图谱数据中的目标设计需求,可以确定哪些材料属性是关键参数,例如,如果设计需求是建设一座桥梁,那么材料的强度和硬度可能就是关键参数。
步骤S33:对设计参数数据进行优化目标设定,从而获取优化目标数据;
具体地,例如设置一个或多个优化目标,例如,最小化成本、最大化性能。每个优化目标都将形成优化目标数据。
步骤S34:对约束符合材料清单数据进行材料特征选择,从而获取材料特征选择数据;
具体地,例如从约束符合材料清单数据中挑选出具有关键性影响的材料特性,例如耐腐蚀性、弹性模量,得到材料特征选择数据。
步骤S35:对材料特征选择数据、设计参数数据以及优化目标数据进行深度模型构建,从而获取优化算法模型数据;
具体地,例如采用深度学习算法,如神经网络、深度强化学习,根据材料特征选择数据、设计参数数据和优化目标数据,建立一个优化模型。
步骤S36:根据优化算法模型数据生成初始解数据;
具体地,例如初始解可以通过随机方法、启发式搜索的方式得到,或者基于已有的设计经验和知识。随机生成:随机生成一组初始解,并用这些解作为优化算法的起点。启发式方法:使用一些启发式方法,如基于历史数据或专家知识来生成初始解。
步骤S37:对初始解数据进行智能优化搜索,从而获取优化搜索结果数据;
具体地,例如采用深度学习、遗传算法、模拟退火的优化搜索算法,对初始解进行优化,得到优化搜索结果。
步骤S38:根据优化搜索结果数据构建优化设计决策树数据。
具体地,例如优化设计决策树可以根据优化搜索结果数据构建,决策树的每个节点代表一个设计决策,每个边代表一个决策结果,树的每一条路径从根到叶子代表一个可能的设计方案。
本发明中通过解析约束符合的材料清单数据,然后定义设计参数,设定优化目标,并最后构建深度优化模型。这种系统性的流程不仅提高了设计过程的效率,还确保了设计结果的优化和准确性。通过使用设计需求语义图谱中的目标设计需求数据定义设计参数,可以根据特定的设计需求提供定制化的设计方案。深度模型构建和智能优化搜索是基于人工智能技术,特别是深度学习技术的。这使得设计过程能够利用大量的数据和复杂的模式,从而达到优化设计的目的。根据优化搜索结果构建的设计决策树为系统提供了清晰、直观的决策支持,从而选择最优的设计方案。本发明可以提供更精确、更优化、更定制化的设计方案,提高设计效率,支持更好的决策制定,并有助于推动工业设计领域的创新和发展。
优选地,步骤S35具体为:
步骤S351:对优化目标数据进行优化数据权重处理,从而获取优化目标权重数据;
具体地,例如设置每个优化目标的权重,这些权重取决于目标的优先级。例如,如果成本是最重要的目标,那么它可能有最高的权重。
步骤S352:对材料特征选择数据、设计参数数据以及优化目标数据进行模型结构定义,从而获取模型结构数据;
具体地,例如定义模型的结构,例如,选择使用多层感知器(MLP)还是卷积神经网络(CNN)的深度学习模型,并定义每个模型的层数、节点数。
步骤S353:利用模型结构数据对材料特征选择数据、设计参数数据以及优化目标权重数据进行模型参数初始化,从而获取初始算法模型数据;
具体地,例如利用模型结构数据初始化模型的参数,例如,权重和偏差。参数的初始化通常可以随机进行,也可以使用预训练的模型参数。
步骤S354:对初始算法模型数据进行前向传播计算,从而获取前向传播结果数据;
具体地,例如前向传播是指,给定模型的输入(在本例中为材料特征选择数据和设计参数数据),通过模型计算得到输出结果,这就是前向传播结果数据。
步骤S355:利用前向传播结果数据以及优化目标权重数据对初始算法模型数据进行损失计算,从而获取模型损失结果数据;
具体地,例如根据前向传播结果和实际优化目标计算损失函数。损失函数衡量了模型的预测与实际优化目标之间的差距。
步骤S356:利用模型损失结果数据对初始算法模型数据进行反向传播计算并参数更新,从而获取优化算法模型数据。
具体地,例如反向传播是通过计算损失函数关于模型参数的梯度,并按此梯度方向更新模型参数,以达到减少模型损失的目标。通过多次迭代这个过程,模型将逐渐优化,得到优化算法模型数据。
本发明中通过对优化目标数据进行权重处理,可以在多个优化目标之间进行权衡,以得到最优的设计决策。这使得设计决策更加符合实际需求,从而提高了设计结果的精准度。通过前向传播、损失计算和反向传播等步骤,算法模型能自动进行参数的优化。这大大减少了人工优化参数的工作量,提高了设计过程的效率。通过模型损失的计算和反向传播,可以有效地最小化设计过程中的损失。这不仅使得设计结果更接近目标,也提高了设计过程的稳定性和可靠性。充分利用了深度学习的优点,包括模型的深度、强大的参数学习能力和优秀的泛化能力。这使得设计过程能够充分利用大量的设计数据,从而得到更优的设计结果。通过参数更新,模型能够实时地反映出最新的设计需求和条件。这使得设计过程能够适应不断变化的设计环境,保持设计结果的最新性和实用性。
优选地,步骤S4具体为:
步骤S41:利用物联网设备进行实时的生产、使用环境数据收集,从而获取实时环境数据;
具体地,例如使用环境传感器(如温度、湿度、压力的传感器)收集实时的生产和使用环境数据,这些数据可能对工业设计产品的性能有重大影响。
步骤S42:获取用户反馈数据,并将实时环境数据以及用户反馈数据进行数据融合,从而获取融合数据;
具体地,例如用户反馈数据可以通过调查问卷、在线评价、电话访问等方式获得。使用数据融合技术(如卷积神经网络或循环神经网络)将环境数据和用户反馈数据融合到一起。
步骤S43:对融合数据进行数据预处理,从而获取预处理反馈数据;
具体地,例如数据预处理可能包括清洗、规范化、变量选择、编码的步骤,以使数据更适合用于后续的模型训练。
步骤S44:对预处理反馈模式进行深度数据挖掘,从而获取解析反馈数据;
具体地,例如可以通过深度学习模型,如自动编码器或深度信念网络,对预处理的反馈数据进行深度挖掘,以发现潜在的反馈模式和趋势。
步骤S45:根据优化设计决策树数据以及解析反馈数据构建实时设计反馈数据库数据。
具体地,例如将解析的反馈数据与优化设计决策树数据进行融合,可以建立实时设计反馈数据库。这个数据库可以用来监控和调整设计方案的实时性能,为工业设计产品提供持续优化的可能性。
本发明中通过物联网设备获取实时环境数据,可以获取产品在实际使用环境中的表现情况,为产品优化提供实时反馈,有利于设计者及时了解产品使用情况,及时对设计方案进行优化。通过获取用户反馈数据,设计者可以及时了解到用户的需求变化,改进产品设计,以满足用户需求,提高产品满意度。通过对数据进行预处理和深度数据挖掘,可以发现反馈数据中隐藏的信息,更好地理解产品在实际应用中的问题,为优化设计提供支持。通过构建实时设计反馈数据库,可以积累产品设计和使用过程中的数据,为未来的产品设计提供参考,是一种有效的知识管理方式。
优选地,本发明还提供了一种工业设计产品的智能推荐系统,包括:
深度解析模块,用于获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
材料特性与设计约束匹配模块,用于根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
优化算法推导处理模块,用于对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
实时设计反馈数据库构建模块,用于通过物联网技术收集实时的生产、使用环境和使用者反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
设计决策优化模块,用于对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
闭环学习与设计迭代模块,用于对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
本发明的有益效果在于:通过对设计需求数据进行深度解析,该方法可以准确地理解用户的设计需求,并通过匹配算法精准找到满足约束条件的材料,大大提高了产品设计的效率和精准度。通过优化算法推导处理,可以根据每个用户的具体需求,提供个性化的设计决策,从而为用户提供更满意的产品设计方案。通过物联网技术收集实时的生产、使用环境和用户反馈数据,并结合设计决策树,能够实时获取并处理设计反馈,进一步优化设计决策,实现产品设计的实时优化和改进。通过闭环学习与设计迭代,能够不断学习并优化设计决策,使得产品设计推荐方案持续优化和迭代,保证设计的持续改进和升级。通过创建实时设计反馈数据库,本发明提供了一个全面的知识管理系统,可以储存、检索和利用历史设计数据和反馈,从而提高设计的决策力和创新力。
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申请文件而不是上述说明限定,因此旨在将落在申请文件的等同要件的含义和范围内的所有变化涵括在本发明内。
以上所述仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种工业设计产品的智能推荐方法,其特征在于,包括以下步骤:
步骤S1:获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
步骤S2:根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
步骤S3:对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
步骤S4:通过物联网技术收集实时的生产、使用环境和用户反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
步骤S5:对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
步骤S6:对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
2.根据权利要求1所述的方法,其特征在于,步骤S1具体为:
步骤S11:获取工业设计需求基础数据;
步骤S12:对工业设计需求基础数据进行需求数据预处理,从而获取工业设计需求预处理数据;
步骤S13:对工业设计需求预处理数据进行自然语言特征提取,从而获取需求自然语言特征数据;
步骤S14:对需求自然语言特征数据进行需求模式挖掘,从而获取需求模式数据;
步骤S15:对需求模式数据进行需求语义理解,从而获取需求语义数据;
步骤S16:利用预设的图神经网络构建方式对需求语义数据进行关系图构建,从而获取需求关系图数据;
步骤S17:根据需求关系图生成设计需求语义图谱数据。
3.根据权利要求2所述的方法,其特征在于,步骤S12中需求数据预处理通过需求数据清洗计算公式进行预处理,其中需求数据清洗计算公式具体为:
;
为经过数据清洗后得到的清洗后需求数据,/>为工业设计需求基础数据中需求数据点的总数,/>为预处理数据序次项,/>为清洗底数常数项,/>为工业设计需求基础数据中第/>个需求数据点,/>为平滑常数项,/>为工业设计需求基础数据中的最大需求数据点,/>为工业设计需求基础数据中的最小需求数据点,/>为工业设计需求基础数据中所有特定项的需求数据点的均值。
4.根据权利要求2所述的方法,其特征在于,步骤S16具体为:
步骤S161:对需求语义数据进行节点选择,从而获取图节点数据,并对需求语义数据进行最大相关边选择,从而获取图边数据;
步骤S162:对图节点数据进行节点嵌入,从而获取节点嵌入数据,并对图边数据进行边嵌入,从而获取边嵌入数据;
步骤S163:对节点嵌入数据以及边嵌入数据进行图结构初始化,从而获取初始化图结构数据;
步骤S164:对初始化图结构数据进行循环神经网络模型初始化构建,从而获取初步需求关系图数据;
步骤S165:对初步需求关系图数据进行模型训练并优化,从而获取需求关系图数据。
5.根据权利要求1所述的方法,其特征在于,步骤S2具体为:
步骤S21:对设计需求语义图谱数据进行需求特征提取,从而获取需求特征数据;
步骤S22:对需求特征数据通过预存于本地的材料数据库进行数据查询,从而获取初步材料候选列表数据;
步骤S23:对初步材料候选列表数据进行材料特性比对,从而获取材料特性匹配度数据;
步骤S24:利用设计需求语义图谱数据对材料特性匹配度数据进行设计约束检查,从而获取约束检查数据;
步骤S25:对约束检查数据进行约束优化,从而获取约束检查优化数据;
步骤S26:利用约束检查优化数据对初步材料候选列表数据进行材料排名,从而获取材料排名数据;
步骤S27:对材料排名数据进行优选材料筛选,从而获取优选材料数据;
步骤S28:根据优选材料数据生成约束符合材料清单数据。
6.根据权利要求5所述的方法,其特征在于,步骤S26中材料排名通过材料排名计算公式进行处理,其中材料排名计算公式具体为:
;
为材料排名数据,/>为设计需求语义图谱数据中的材料相关特征值,/>为预存于本地的材料数据库中的材料特性值,/>为材料排名底数常数项,/>为初步材料候选列表数据中的材料评分值,/>为设计需求语义图谱数据中的其他材料特性方向性数据,/>为重要性权重系数,为设计需求语义图谱数据中的材料特性方向性数据,/>为材料特定特性项,/>为设计需求参数项,/>为第一比较系数项,/>为第二比较系数项,/>为材料特性的数量数据。
7.根据权利要求1所述的方法,其特征在于,步骤S3具体为:
步骤S31:对约束符合材料清单数据进行材料属性解析,从而获取材料属性数据;
步骤S32:利用设计需求语义图谱数据中的目标设计需求数据对材料属性数据进行设计参数定义,从而获取设计参数数据;
步骤S33:对设计参数数据进行优化目标设定,从而获取优化目标数据;
步骤S34:对约束符合材料清单数据进行材料特征选择,从而获取材料特征选择数据;
步骤S35:对材料特征选择数据、设计参数数据以及优化目标数据进行深度模型构建,从而获取优化算法模型数据;
步骤S36:根据优化算法模型数据生成初始解数据;
步骤S37:对初始解数据进行智能优化搜索,从而获取优化搜索结果数据;
步骤S38:根据优化搜索结果数据构建优化设计决策树数据。
8.根据权利要求7所述的方法,其特征在于,步骤S35具体为:
步骤S351:对优化目标数据进行优化数据权重处理,从而获取优化目标权重数据;
步骤S352:对材料特征选择数据、设计参数数据以及优化目标数据进行模型结构定义,从而获取模型结构数据;
步骤S353:利用模型结构数据对材料特征选择数据、设计参数数据以及优化目标权重数据进行模型参数初始化,从而获取初始算法模型数据;
步骤S354:对初始算法模型数据进行前向传播计算,从而获取前向传播结果数据;
步骤S355:利用前向传播结果数据以及优化目标权重数据对初始算法模型数据进行损失计算,从而获取模型损失结果数据;
步骤S356:利用模型损失结果数据对初始算法模型数据进行反向传播计算并参数更新,从而获取优化算法模型数据。
9.根据权利要求1所述的方法,其特征在于,步骤S4具体为:
步骤S41:利用物联网设备进行实时的生产、使用环境数据收集,从而获取实时环境数据;
步骤S42:获取用户反馈数据,并将实时环境数据以及用户反馈数据进行数据融合,从而获取融合数据;
步骤S43:对融合数据进行数据预处理,从而获取预处理反馈数据;
步骤S44:对预处理反馈模式进行深度数据挖掘,从而获取解析反馈数据;
步骤S45:根据优化设计决策树数据以及解析反馈数据构建实时设计反馈数据库数据。
10.一种工业设计产品的智能推荐系统,其特征在于,包括:
深度解析模块,用于获取工业设计需求数据,并对工业设计需求数据进行深度解析,从而获取设计需求语义图谱数据;
材料特性与设计约束匹配模块,用于根据设计需求语义图谱数据进行材料特性与设计约束匹配,从而获取约束符合材料清单数据;
优化算法推导处理模块,用于对约束符合材料清单数据进行优化算法推导处理,从而获取优化设计决策树数据;
实时设计反馈数据库构建模块,用于通过物联网技术收集实时的生产、使用环境和使用者反馈数据,并与优化设计决策树集成,从而获取实时设计反馈数据库数据;
设计决策优化模块,用于对实时设计反馈数据库数据进行设计决策优化,从而获取优化设计决策数据;
闭环学习与设计迭代模块,用于对优化设计决策数据进行闭环学习与设计迭代,从而获取工业设计推荐方案数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988102.8A CN116738864B (zh) | 2023-08-08 | 2023-08-08 | 一种工业设计产品的智能推荐方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310988102.8A CN116738864B (zh) | 2023-08-08 | 2023-08-08 | 一种工业设计产品的智能推荐方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116738864A true CN116738864A (zh) | 2023-09-12 |
CN116738864B CN116738864B (zh) | 2024-01-09 |
Family
ID=87901496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310988102.8A Active CN116738864B (zh) | 2023-08-08 | 2023-08-08 | 一种工业设计产品的智能推荐方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116738864B (zh) |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110489540A (zh) * | 2019-08-21 | 2019-11-22 | 合肥天源迪科信息技术有限公司 | 一种基于知识图谱的学习内容推荐方法 |
CN110516808A (zh) * | 2019-07-25 | 2019-11-29 | 广东省智能制造研究所 | 一种知识表示模型的创建方法 |
CN111522533A (zh) * | 2020-04-24 | 2020-08-11 | 中国标准化研究院 | 基于用户个性化需求推荐的产品模块化设计方法及装置 |
CN112307214A (zh) * | 2019-07-26 | 2021-02-02 | 株式会社理光 | 一种基于深度强化学习的推荐方法及推荐装置 |
US20210034339A1 (en) * | 2019-06-27 | 2021-02-04 | Kleeen Software Inc. | System and method for employing constraint based authoring |
CN113076484A (zh) * | 2021-04-27 | 2021-07-06 | 中国建设银行股份有限公司深圳市分行 | 基于深度学习的产品推荐方法、装置、设备和存储介质 |
WO2022105780A1 (zh) * | 2020-11-23 | 2022-05-27 | 中兴通讯股份有限公司 | 推荐方法、装置、电子设备、存储介质 |
CN114758178A (zh) * | 2022-04-18 | 2022-07-15 | 江南大学 | 一种基于深度学习的轮毂实时分类及其气阀孔定位方法 |
US20220318641A1 (en) * | 2019-06-07 | 2022-10-06 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
WO2023130837A1 (zh) * | 2022-01-10 | 2023-07-13 | 华南理工大学 | 面向科研应用的自动机器学习实现方法、平台及装置 |
CN116431819A (zh) * | 2023-03-06 | 2023-07-14 | 浙江工业大学 | 基于深度强化学习的面向创新设计的功能知识集成方法 |
CN116523043A (zh) * | 2023-05-11 | 2023-08-01 | 江苏科技大学 | 一种方舱设计知识图谱构建方法 |
-
2023
- 2023-08-08 CN CN202310988102.8A patent/CN116738864B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220318641A1 (en) * | 2019-06-07 | 2022-10-06 | The Regents Of The University Of California | General form of the tree alternating optimization (tao) for learning decision trees |
US20210034339A1 (en) * | 2019-06-27 | 2021-02-04 | Kleeen Software Inc. | System and method for employing constraint based authoring |
CN110516808A (zh) * | 2019-07-25 | 2019-11-29 | 广东省智能制造研究所 | 一种知识表示模型的创建方法 |
CN112307214A (zh) * | 2019-07-26 | 2021-02-02 | 株式会社理光 | 一种基于深度强化学习的推荐方法及推荐装置 |
CN110489540A (zh) * | 2019-08-21 | 2019-11-22 | 合肥天源迪科信息技术有限公司 | 一种基于知识图谱的学习内容推荐方法 |
CN111522533A (zh) * | 2020-04-24 | 2020-08-11 | 中国标准化研究院 | 基于用户个性化需求推荐的产品模块化设计方法及装置 |
WO2022105780A1 (zh) * | 2020-11-23 | 2022-05-27 | 中兴通讯股份有限公司 | 推荐方法、装置、电子设备、存储介质 |
CN113076484A (zh) * | 2021-04-27 | 2021-07-06 | 中国建设银行股份有限公司深圳市分行 | 基于深度学习的产品推荐方法、装置、设备和存储介质 |
WO2023130837A1 (zh) * | 2022-01-10 | 2023-07-13 | 华南理工大学 | 面向科研应用的自动机器学习实现方法、平台及装置 |
CN114758178A (zh) * | 2022-04-18 | 2022-07-15 | 江南大学 | 一种基于深度学习的轮毂实时分类及其气阀孔定位方法 |
CN116431819A (zh) * | 2023-03-06 | 2023-07-14 | 浙江工业大学 | 基于深度强化学习的面向创新设计的功能知识集成方法 |
CN116523043A (zh) * | 2023-05-11 | 2023-08-01 | 江苏科技大学 | 一种方舱设计知识图谱构建方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116738864B (zh) | 2024-01-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111310438B (zh) | 基于多粒度融合模型的中文句子语义智能匹配方法及装置 | |
US11481456B2 (en) | Model and pattern structure online unital learning: mapsoul | |
Aleti et al. | A systematic literature review of adaptive parameter control methods for evolutionary algorithms | |
Wu et al. | Session-based recommendation with graph neural networks | |
CN112667818B (zh) | 融合gcn与多粒度注意力的用户评论情感分析方法及系统 | |
CN107688870B (zh) | 一种基于文本流输入的深度神经网络的分层因素可视化分析方法及装置 | |
Wang et al. | A context-aware recommendation system for improving manufacturing process modeling | |
Pavón et al. | Automatic parameter tuning with a Bayesian case-based reasoning system. A case of study | |
Maslov et al. | Multi-sensor fusion: an evolutionary algorithm approach | |
Huang et al. | The interval grey QFD method for new product development: Integrate with LDA topic model to analyze online reviews | |
CN112115264B (zh) | 面向数据分布变化的文本分类模型调整方法 | |
CN117787569B (zh) | 一种智能辅助评标方法及系统 | |
Viadinugroho et al. | A weighted metric scalarization approach for multiobjective BOHB hyperparameter optimization in LSTM model for sentiment analysis | |
CN113449182A (zh) | 一种知识信息个性化推荐方法及系统 | |
CN116738864B (zh) | 一种工业设计产品的智能推荐方法及系统 | |
CN116342167B (zh) | 基于序列标注命名实体识别的智能成本度量方法和装置 | |
US20220164659A1 (en) | Deep Learning Error Minimizing System for Real-Time Generation of Big Data Analysis Models for Mobile App Users and Controlling Method for the Same | |
Ryu | Machine learning-based classification system for building information models | |
Аkanova et al. | Impact of the compilation method on determining the accuracy of the error loss in neural network learning | |
Xie et al. | Goal-Driven Context-Aware Next Service Recommendation for Mashup Composition | |
Xie et al. | Goal-driven context-aware service recommendation for mashup development | |
Gong et al. | Evaluating individuals in interactive genetic algorithms using variational granularity | |
Yang et al. | A subsequent words recommendation scheme for chinese input method based on deep reinforcement learning | |
Mattyasovszky-Philipp et al. | Adaptive/cognitive resonance and the architecture issues of cognitive information systems | |
Li et al. | Uncertainty quantification in mathematics-embedded ontologies using stochastic reduced order model |
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 |