CN116775622B - 一种结构数据生成方法、装置、设备及存储介质 - Google Patents
一种结构数据生成方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116775622B CN116775622B CN202311069329.9A CN202311069329A CN116775622B CN 116775622 B CN116775622 B CN 116775622B CN 202311069329 A CN202311069329 A CN 202311069329A CN 116775622 B CN116775622 B CN 116775622B
- Authority
- CN
- China
- Prior art keywords
- data
- target
- data set
- training data
- initial
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 268
- 238000000547 structure data Methods 0.000 claims abstract description 172
- 238000013461 design Methods 0.000 claims abstract description 116
- 238000009792 diffusion process Methods 0.000 claims abstract description 79
- 238000005070 sampling Methods 0.000 claims description 131
- 230000008569 process Effects 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000003287 optical effect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 229910001294 Reinforcing steel Inorganic materials 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/21—Design, administration or maintenance of databases
- G06F16/211—Schema design and management
- G06F16/212—Schema design and management with details for data modelling support
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种结构数据生成方法、装置、设备及存储介质。该方法包括：获取历史结构数据和历史结构数据对应的历史建筑设计数据；根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；将第一结构数据输入至目标扩散生成模型，得到目标结构数据，通过本发明的技术方案，能够合理生成噪音数据，进而得到目标扩散生成模型，并且利用目标扩散生成模型生成目标结构数据，可提高目标结构数据的生成效率。
Description
技术领域
本发明实施例涉及建筑工程技术领域，尤其涉及一种结构数据生成方法、装置、设备及存储介质。
背景技术
建筑物结构是由板、梁、柱以及墙等基础建筑构件形成的具有一定空间功能，并能安全承受建筑物各种正常荷载作用的骨架结构。柱、墙等竖向结构尺寸及位置一般由建筑设计确定，梁、板等水平结构则由结构设计师在满足建筑设计要求的前提下自由设计，较为费时费力。
而扩散生成模型可通过学习逐步向数据增加随机数据进行破坏，直至数据变为完全随机的数据的过程，然后再逆向从随机数据中还原所需的数据，可有效解决建筑物结构数据生成过程费时费力的问题，但目前扩散生成模型一般用于生成图像、语音等连续型数据，对于建筑物结构的离散型数据，由于无法合理生成噪音数据，导致无法将扩散生成模型引入建筑物结构数据生成设计中。
发明内容
本发明实施例提供一种结构数据生成方法、装置、设备及存储介质，能够合理生成噪音数据，进而得到目标扩散生成模型，并且利用目标扩散生成模型生成结构数据，可提高结构数据的生成效率。
根据本发明的一方面，提供了一种结构数据生成方法，包括：
获取历史结构数据和历史结构数据对应的历史建筑设计数据；
根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；
根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；
根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；
获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；
将第一结构数据输入至目标扩散生成模型，得到目标结构数据。
根据本发明的另一方面，提供了一种结构数据生成装置，该结构数据生成装置包括：
第一获取模块，用于获取历史结构数据和历史结构数据对应的历史建筑设计数据；
第一确定模块，用于根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；
第二确定模块，用于根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；
第一得到模块，用于根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；
第二获取模块，用于获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；
第二得到模块，用于将第一结构数据输入至目标扩散生成模型，得到目标结构数据。
根据本发明的另一方面，提供了一种电子设备，所述电子设备包括：
至少一个处理器；以及与所述至少一个处理器通信连接的存储器；其中，所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例所述的结构数据生成方法。
根据本发明的另一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现本发明任一实施例所述的结构数据生成方法。
本发明实施例通过获取历史结构数据和历史结构数据对应的历史建筑设计数据；根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；将第一结构数据输入至目标扩散生成模型，得到目标结构数据，解决了对于建筑物结构的离散型数据，由于无法合理生成噪音数据，导致无法将扩散生成模型引入建筑物结构数据生成设计中的问题，能够合理生成噪音数据，进而得到目标扩散生成模型，并且利用目标扩散生成模型生成目标结构数据，可提高目标结构数据的生成效率。
应当理解，本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征，也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1是本发明实施例一中的一种结构数据生成方法的流程图；
图2是本发明实施例二中的一种结构数据生成装置的结构示意图；
图3是本发明实施例三中的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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的实施例，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，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
可以理解的是，在使用本公开各实施例公开的技术方案之前，均应当依据相关法律法规通过恰当的方式对本公开所涉及个人信息的类型、使用范围、使用场景等告知用户并获得用户的授权。
实施例一
图1是本发明实施例一中的一种结构数据生成方法的流程图，本实施例可适用于生成建筑结构数据的情况，该方法可以由本发明实施例中的结构数据生成装置来执行，该装置可采用软件和/或硬件的方式实现，如图1所示，该方法具体包括如下步骤：
S110，获取历史结构数据和历史结构数据对应的历史建筑设计数据。
其中，历史结构数据可包括已有的结构设计图中的墙柱梁板位置、尺寸以及配筋等信息数据，历史结构数据对应的历史建筑设计数据可包括已有的结构设计图对应的建筑设计图中的建筑设计参数，还包括已有的结构设计图中的结构设计总参数，其中，建筑设计参数包括功能分区、人防分区、消防分区以及人员动线等数据，结构设计总参数包括设计使用年限、结构安全等级、抗震设防烈度以及场地液化等级等数据。
具体的，获取历史结构数据和历史结构数据对应的历史建筑设计数据的方式可以为：收集已有的结构设计图以及结构设计图对应的已有的建筑设计图，根据已有的结构设计图和已有的建筑设计图得到历史结构数据和历史结构数据对应的历史建筑设计数据。
S120，根据历史结构数据确定初始训练数据集和高斯分布的初始参数。
其中，初始训练数据集为用于训练目标扩散生成模型的初始数据集，高斯分布的初始参数包括期望值和标准差。
具体的，根据历史结构数据确定初始训练数据集和高斯分布的初始参数的方式可以为：根据历史结构数据确定初始训练数据集中的所有数据，并根据初始训练集中的所有数据总数确定高斯分布的初始参数，例如可以是，若初始数据集中所有数据总数为N，则设置高斯分布的期望值为N/2，标准差为N/6。
S130，根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集。
其中，目标训练数据集为用于训练目标扩散生成模型的数据集，目标训练数据集中可包括多条数据。
具体的，根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集的方式可以为：可对初始训练数据集执行高斯分布循环采样操作，在执行采样的过程中，根据高斯分布的初始参数对应的采样值以随机删除初始训练数据集中的数据的形式添加噪音，形成采样后的初始训练数据集，并根据采样后的初始训练数据集更新高斯分布的初始参数，根据更新后的高斯分布继续循环采样并随机删除初始训练数据集中的数据，直至初始训练数据集为空集，将初始训练数据集、每次采样后的初始训练数据集、采样次数以及历史建筑设计数据确定目标训练数据集。例如可以是，目标训练数据集中的训练数据可为，其中，C为历史建筑设计数据对应的训练条件，D0为根据历史结构数据确定的初始训练数据集，0表示还未经过高斯分布采样。
S140，根据目标训练集对待训练模型进行训练，得到目标扩散生成模型。
其中，待训练模型可根据实际需求进行选择，例如，待训练模型可为U-Net神经网络。目标扩散生成模型为已训练完成的模型，可用于生成结构数据。
具体的，根据目标训练集对待训练模型进行训练，得到目标扩散生成模型的方式可以为：确定U-Net神经网络为待训练模型，将目标训练集中的训练数据输入至U-Net神经网络进行训练，直至得到目标扩散生成模型。
S150，获取目标建筑设计数据，并基于目标建筑设计数据生成第一结构数据。
其中，目标建筑设计数据为用户待生成的结构数据对应的目标建筑设计数据。第一结构数据为根据目标建筑设计数据得到的初始结构数据。
具体的，获取目标建筑设计数据，并基于目标建筑设计数据生成第一结构数据的方式可以为：收集待生成结构数据对应的目标建筑设计数据，其中，目标建筑设计数据包括结构设计总参数和建筑设计参数，由于此时还没有开始预测结构数据，第一结构数据中的数据集为空。例如，若设定目标建筑设计数据为生成条件，而此时还没有开始预测结构数据集，因此采样的次数为0，结构数据集为空/>，则第一结构数据可为/>。
S160，将第一结构数据输入至目标扩散生成模型，得到目标结构数据。
其中，目标结构数据为目标建筑设计数据对应的待生成的结构数据。
具体的，将第一结构数据输入至目标扩散生成模型，得到目标结构数据的方式可以为：可以进行预设数据结构，其中，预设数据结构可按照结构形式、位置、尺寸以及配筋的数据结构排列，将第一结构数据输入至目标扩散生成模型后，可得到目标扩散生成模型输出的预设数据结构中的预测结构数据集，循环将得到的预测结构数据集输入至目标扩散生成模型中，得到下一预测结构数据，直至预设数据结构中所有构件的预测数据被填充完整，得到目标结构数据。具体的，将第一结构数据输入至目标扩散生成模型，得到目标结构数据的方式还可以为：将第一结构数据输入至目标扩散生成模型后，可得到目标扩散生成模型输出的预设数据结构中的预测结构数据集，预设高斯分布的期望值和标准差，并在预设的期望值和标准差的高斯分布中进行采样，根据采样值对每次输出的预测结构数据集进行处理，并根据处理后的预测结构数据集得到采样后的第一结构数据，将采样后的第一结构数据再次输入至目标扩散生成模型，循环执行上述步骤，直至预设数据结构中所有构件的预测数据被填充完整，得到目标结构数据。
通过根据历史结构数据和历史结构数据对应的历史建筑设计数据确定初始训练数据集和高斯分布的初始参数，根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集，根据目标训练集对待训练模型进行训练，得到目标扩散生成模型，获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；将第一结构数据输入至目标扩散生成模型，得到目标结构数据，能够以删除初始训练数据集中数据的方式合理的添加噪音数据，获取目标训练集，进而得到目标扩散生成模型，便于后期利用目标扩散生成模型生成目标结构数据，节省人力和时间，提高目标结构数据的生成效率。
可选的，根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集，包括：
对所述初始训练集循环执行目标操作，直至所述初始训练数据集为空数据集；
根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集；
其中，所述目标操作包括：
根据高斯分布的初始参数确定第一采样值，其中，若为首次执行目标操作，则高斯分布的初始参数根据历史结构数据确定，若非首次执行目标操作，则高斯分布的初始参数根据上一循环过程对应的采样后的初始训练数据集确定；
删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集。
其中，空数据集表示初始训练数据集中的每一个数据均被删除。
其中，第一采样值为每次进行高斯分布采样时生成的采样值。第一采样值对应的数据可根据实际需求对初始训练数据集中的每一数据进行预设，确定不同的采样值对应的数据，例如可以是，可对初始训练数据集中的每一数据进行标识设定，然后根据初始训练数据集中的数据总数对设定标识后的每一数据进行赋值，在确定第一采样值之后，将与第一采样值差值最小的赋值数值对应的数据进行删除，便于增加噪音。
具体的，对所述初始训练集循环执行目标操作，直至所述初始训练数据集为空数据集，其中，所述目标操作包括：根据高斯分布的初始参数确定第一采样值，其中，若为首次执行目标操作，则高斯分布的初始参数根据历史结构数据确定，若非首次执行目标操作，则高斯分布的初始参数根据上一循环过程对应的采样后的初始训练数据集确定；删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集的方式可以为：首次执行目标操作时，根据历史结构数据确定的初始训练数据集中的数据总数确定高斯分布的期望值和标准差，然后在期望值和标准差的高斯分布中进行采样，将此次采样的第一采样值对应的数据删除，得到采样后的初始训练数据集，若非首次执行目标操作，根据采样后的初始训练数据集确定采样后的初始训练数据集中的数据总数，根据采样后的初始训练数据集中的数据总数更新高斯分布的期望值和标准差，然后在更新后的期望值和标准差的高斯分布中进行采样，将此次采样的第一采样值对应的数据删除，再次得到采样后的初始训练数据集，循环执行上述操作，直至将初始训练数据集中的所有数据删除。
具体的，根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集的方式可以为：根据历史建筑设计数据、初始训练数据集、每次采样后的初始训练数据集以及采样次数确定每一次采样次数对应的训练数据，根据每一次采样次数对应的训练数据确定目标训练数据集。
通过对初始训练集循环执行目标操作，直至初始训练数据集为空数据集，在目标操作中，在高斯分布中循环采样，并根据采样值删除初始训练集中的数据，能够以删除初始训练集中数据的形式增加噪音，便于后续得到目标训练集。
可选的，删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集，包括：
获取初始训练数据集中的标识总数；
根据初始训练数据集中的标识总数对初始训练数据集中每一标识进行赋值，得到赋值后的初始训练数据集；
删除所述赋值后的初始训练数据集中与第一采样值差值最小的数据，得到采样后的初始训练数据集。
其中，标识总数可为对初始训练数据集中进行编号得到的标识数量，标识可为字母，也可为文字。
具体的，根据初始训练数据集中的标识总数对初始训练数据集中每一标识进行赋值，得到赋值后的初始训练数据集，例如可以是，若初始训练数据集中的标识总数为20，则按照赋值范围1-20随机对初始训练数据集中每一标识进行赋值。
具体的，删除所述赋值后的初始训练数据集中与第一采样值差值最小的数据，得到采样后的初始训练数据集的方式可以为：确定第一采样值后，筛选与第一采样值差值最小的数值，将与第一采样值差值最小的数值对应的数据删除，得到采样后的初始训练数据集。
通过获取初始训练数据集中的标识总数，并根据初始训练数据集中的标识总数对初始训练数据集中的每一标识进行赋值在高斯分布采样获取第一采样值后将与第一采样值差值最小的数值对应的数据删除，得到采样后的初始训练数据集，便于高斯分布采样，进而提高以删除数据的形式增加噪音的效率。
在一个具体的例子中，将历史结构数据确定的初始训练数据集设定为D0，将历史建筑设计数据设定为C，将历史结构数据确定的初始训练数据集中的结构形式、位置、尺寸以及配筋信息等数据独立设定标识，并组成随机队列，如表1所示：
表1
其中，表1表明此次的历史结构数据中存在五处构件，表1中的结构形式、位置、尺寸以及配筋数据为初始训练数据集中所有数据，梁、柱、墙、板以及字母L、S、R均可为标识，根据标识确定标识总数N为20。
按照赋值范围1-20对表1中的标识进行赋值，如表2所示：
表2
以当前的初始训练数据集为D0，第一次在期望值为N/2=10，标准差为N/6=3.333的高斯分布中进行采样，第一采样值若为7.3，与7.3差值最小的数值为7，则删除数值7对应的数据，即构件P1对应的配筋数据，形成第一次采样后的初始训练数据集D1，然后将第一次采样后的初始训练数据集按照上述步骤重新进行赋值，赋值的范围为1-19，赋值后如表3所示：
表3
在期望值为19/2=9.5，标准差为19/6=3.167的高斯分布中进行采样，第一采样值若为9.8，与9.8差值最小的数值为10，则删除数值10对应的数据，即删除构件P1对应的尺寸数据，形成第二次采样后的初始训练数据集D2。重复上述过程，直至D0中的数据均被删除形成空数据集。
可选的，根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集，包括：
根据历史建筑设计数据、首次执行目标操作的初始训练数据集以及首次执行目标操作的初始训练数据集对应的采样次数构成第一训练数据；
根据历史建筑设计数据、每次采样后的初始训练数据集以及每次采样后的初始训练数据集对应的采样次数构成第二训练数据；
根据第一训练数据和第二训练数据确定目标训练数据集。
其中，首次执行目标操作的初始训练数据集对应的采样次数为零，第一训练数据为历史建筑设计数据、首次执行目标操作的初始训练数据集以及零次采样次数形成的训练数据。
其中，第二训练数据为每一次采样后得到的初始训练数据集、采样次数以及历史建筑设计数据得到的训练数据。
具体的，根据历史建筑设计数据、首次执行目标操作的初始训练数据集以及首次执行目标操作的初始训练数据集对应的采样次数构成第一训练数据，例如可以是，将历史建筑设计数据设定为训练条件C，首次执行目标操作的初始训练数据集对应的采样次数为0，首次执行目标操作的初始训练数据集为D0，则第一训练数据为。
具体的，根据历史建筑设计数据、每次采样后的初始训练数据集以及每次采样后的初始训练数据集对应的采样次数构成第二训练数据，例如可以是，将历史建筑设计数据设定为训练条件C，在第一采样后的初始训练数据集为D1，则第一次采样后对应的第二训练数据为。
具体的，根据第一训练数据和第二训练数据确定目标训练数据集，例如可以是，将第一训练数据和每次采样后得到的第二训练数据/>确定目标训练数据集。
根据第一训练数据和每次采样后形成的第二训练数据确定目标训练数据集，能够得到历史结构数据对应的目标训练数据集，便于后续训练目标扩散生成模型。
可选的，根据目标训练集对待训练模型进行训练，得到目标扩散生成模型，包括：
构建待训练模型；
基于目标训练集，根据预设的损失函数对所述待训练模型进行迭代训练，直至满足迭代结束条件，得到目标扩散生成模型。
具体的，构建待训练模型，待训练模型可为U-Net神经网络，因本实施例并未对U-Net神经网络进行改进，再此不进行赘述。
具体的，基于目标训练集，根据预设的损失函数对所述待训练模型进行迭代训练，直至满足迭代结束条件，得到目标扩散生成模型的方式可以为：基于目标训练集和预设的损失函数对待训练模型进行反向传播，得到用于下一迭代的待训练模型，进入下一迭代直至满足迭代结束条件，直至得到目标扩散生成模型，具体的训练过程再此不进行赘述。
可选的，将第一结构数据输入至目标扩散生成模型，得到目标结构数据，包括：
获取高斯分布的目标参数和预设数据结构；
对所述第一结构数据循环执行生成操作，直至根据预设数据结构生成第一结构数据对应的目标结构数据；
其中，所述生成操作包括：
将第一结构数据输入至目标扩散生成模型，得到第一预测结构数据集，其中，若为首次执行生成操作，则第一结构数据根据目标建筑设计数据确定，若非首次执行生成操作，则第一结构数据根据上一循环过程对应的采样后的第一结构数据确定；
根据高斯分布的目标参数确定第二采样值；
若第二采样值大于第一数值，则获取第二采样值对应的第二数值，删除第一预测结构数据集中第二数值对应的数据，得到采样后的第一结构数据；
若第二采样值小于或等于第一数值，则根据第一预测结构数据集确定采样后的第一结构数据。
其中，高斯分布的目标参数包括期望值和标准差，可根据历史经验预设。其中，预设数据结构可为按照构件、结构形式、位置、尺寸以及配筋的数据结构排列。
其中，第二采样值为在生成结构数据的过程中，高斯分布采样过程中的采样值。第一数值可为0，第二数值为第二采样值四舍五入得到的数值。
具体的，获取高斯分布的目标参数和预设数据结构；对所述第一结构数据循环执行生成操作，直至根据预设数据结构生成第一结构数据对应的目标结构数据；其中，所述生成操作包括：将第一结构数据输入至目标扩散生成模型，得到第一预测结构数据集，其中，若为首次执行生成操作，则第一结构数据根据目标建筑设计数据确定，若非首次执行生成操作，则第一结构数据根据上一循环过程对应的采样后的第一结构数据确定；根据高斯分布的目标参数确定第二采样值；若第二采样值大于第一数值，则获取第二采样值对应的第二数值，删除第一预测结构数据集中第二数值对应的数据，得到采样后的第一结构数据；若第二采样值小于或等于第一数值，则根据第一预测结构数据集确定采样后的第一结构数据的方式可以为：根据历史经验预设高斯分布的目标参数并预设数据结构，若为首次执行生成操作，根据目标建筑设计数据确定第一结构数据，将第一结构数据输入至目标扩散生成模型，按照预设数据结构中的顺序得到目标扩散生成模型输出的第一预测结构数据集，在高斯分布中进行采样，若第二采样值大于第一数值，则对第一数值四舍五入得到第一数值对应的整数值，即第二数值，删除第一预测结构数据集中第二数值个数据，根据删除后的第一预测结构数据集、采样次数以及目标建筑设计数据得到采样后的第一结构数据；若第二采样值小于或等于第一数值，则对第一预测结构数据集不进行处理，直接根据第一预测结构数据集、采样次数以及目标建筑设计数据得到采样后的第一结构数据；若并非首次执行生成操作，根据上一次得到的采样后的第一结构数据继续输入至目标扩散生成模型，重复上述步骤，直至预设数据结构中所有的数据均填充完整，则得到目标结构数据。
需要说明的是，若为首次执行生成操作，则第一结构数据根据目标建筑设计数据确定，具体的，若设定目标建筑设计数据为生成条件，而此时还没有开始预测结构数据，因此采样的次数为0，结构数据集为空/>，则第一结构数据可为/>；若非首次执行生成操作，则第一结构数据根据上一循环过程对应的采样后的第一结构数据确定，具体的，上一循环过程中采样后的第一预测结构数据集为/>，采样后的第一结构数据可为，将采样后的第一结构数据输入至目标扩散生成模型，继续生成目标结构数据。
通过对第一结构数据循环执行生成操作，直至根据预设数据结构生成第一结构数据对应的目标结构数据，若在循环过程中采样值大于第一数值，则删除第一预测结构数据集中第二数值对应的数据，得到采样后的第一结构数据，能够在生成目标结构数据的同时根据高斯分布采样删除生成的目标结构数据并重新进行结构数据生成，此种回退-渐进的生成模式能够提高目标结构数据生成的准确性。
在一个具体的例子中，预设高斯分布P的目标参数中期望值为、标准差为/>，预设数据结构为表4所示：
表4
由于此时还没有开始根据目标扩散生成模型进行结构数据生成，因此现在的预测结构数据集为空集，若设定目标建筑设计数据为生成条件/>，则最初的第一结构数据为，将/>输入目标扩散生成模型，目标扩散生成模型按照预设数据结构的顺序预测在/>条件下的第一预测结构数据集，如表5所示：
表5
在期望值为、标准差为/>的高斯分布P中进行采样，第二采样值为/>，若/>，对/>四舍五入为整数E，在第一预测结构数据集中随机删除E个数据；若/>，不对第一预测结构数据集做处理，根据目标建筑设计数据为生成条件、采样次数、删除数据后的第一预测结构数据集/>或未处理的第一预测结构数据集/>生成采样后的第一结构数据/>，将采样后的第一结构数据继续输入至目标扩散生成模型，继续得到预测的结构数据集，如表6所示：
表6
接着形成新的采样后的第一结构数据，循环执行上述操作，直至达到目标扩散生成模型中的目标建筑设计数据的停止标志，表示结构数据中的构件数量Pn已生成完毕，即将目标扩散生成模型输出到得到第一结构数据时，将/>对应的第一预测结构数据集为完成数据集，如表7所示：
表7
若表7中的数据并非为填充完整的数据，则继续将输入至目标扩散生成模型，继续循环生成操作，直至表7中的数据被填充完成，中止生成操作，得到的最终填充完整的第一预测结构数据集为目标结构数据。
本实施例的技术方案，通过获取历史结构数据和历史结构数据对应的历史建筑设计数据；根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；将第一结构数据输入至目标扩散生成模型，得到目标结构数据，解决了对于建筑物结构的离散型数据，由于无法合理生成噪音数据，导致无法将扩散生成模型引入建筑物结构数据生成设计中的问题，能够合理生成噪音数据，进而得到目标扩散生成模型，并且利用目标扩散生成模型生成目标结构数据，可提高目标结构数据的生成效率。
实施例二
图2是本发明实施例二中的一种结构数据生成装置的结构示意图。本实施例可适用于生成建筑结构数据的情况，该装置可采用软件和/或硬件的方式实现，该装置可集成在任何提供结构数据生成的功能的设备中，如图2所示，所述结构数据生成装置具体包括：第一获取模块210、第一确定模块220、第二确定模块230、第一得到模块240、第二获取模块250和第二得到模块260。
其中，第一获取模块210，用于获取历史结构数据和历史结构数据对应的历史建筑设计数据；
第一确定模块220，用于根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；
第二确定模块230，用于根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；
第一得到模块240，用于根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；
第二获取模块250，用于获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；
第二得到模块260，用于将第一结构数据输入至目标扩散生成模型，得到目标结构数据。
可选的，所述第二确定模块具体用于：
对所述初始训练集循环执行目标操作，直至所述初始训练数据集为空数据集；
根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集；
其中，所述目标操作包括：
根据高斯分布的初始参数确定第一采样值，其中，若为首次执行目标操作，则高斯分布的初始参数根据历史结构数据确定，若非首次执行目标操作，则高斯分布的初始参数根据上一循环过程对应的采样后的初始训练数据集确定；
删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集。
可选的，所述第二确定模块具体用于：
获取初始训练数据集中的标识总数；
根据初始训练数据集中的标识总数对初始训练数据集中每一标识进行赋值，得到赋值后的初始训练数据集；
删除所述赋值后的初始训练数据集中与第一采样值差值最小的数据，得到采样后的初始训练数据集。
可选的，所述第二确定模块具体用于：
根据历史建筑设计数据、首次执行目标操作的初始训练数据集以及首次执行目标操作的初始训练数据集对应的采样次数构成第一训练数据；
根据历史建筑设计数据、每次采样后的初始训练数据集以及每次采样后的初始训练数据集对应的采样次数构成第二训练数据；
根据第一训练数据和第二训练数据确定目标训练数据集。
可选的，所述第一得到模块具体用于：
构建待训练模型；
基于目标训练集，根据预设的损失函数对所述待训练模型进行迭代训练，直至满足迭代结束条件，得到目标扩散生成模型。
可选的，所述第二得到模块具体用于：
获取高斯分布的目标参数和预设数据结构；
对所述第一结构数据循环执行生成操作，直至根据预设数据结构生成第一结构数据对应的目标结构数据；
其中，所述生成操作包括：
将第一结构数据输入至目标扩散生成模型，得到第一预测结构数据集，其中，若为首次执行生成操作，则第一结构数据根据目标建筑设计数据确定，若非首次执行生成操作，则第一结构数据根据上一循环过程对应的采样后的第一结构数据确定；
根据高斯分布的目标参数确定第二采样值；
若第二采样值大于第一数值，则获取第二采样值对应的第二数值，删除第一预测结构数据集中第二数值对应的数据，得到采样后的第一结构数据；
若第二采样值小于或等于第一数值，则根据第一预测结构数据集确定采样后的第一结构数据。
上述产品可执行本发明任意实施例所提供的方法，具备执行方法相应的功能模块和有益效果。
本实施例的技术方案，通过获取历史结构数据和历史结构数据对应的历史建筑设计数据；根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；根据目标训练集对待训练模型进行训练，得到目标扩散生成模型；获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；将第一结构数据输入至目标扩散生成模型，得到目标结构数据，解决了对于建筑物结构的离散型数据，由于无法合理生成噪音数据，导致无法将扩散生成模型引入建筑物结构数据生成设计中的问题，能够合理生成噪音数据，进而得到目标扩散生成模型，并且利用目标扩散生成模型生成目标结构数据，可提高目标结构数据的生成效率。
实施例三
图3是本发明实施例三中的一种电子设备的结构示意图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备（如头盔、眼镜、手表等）和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示，电子设备10包括至少一个处理器11，以及与至少一个处理器11通信连接的存储器，如只读存储器（ROM）12、随机访问存储器（RAM）13等，其中，存储器存储有可被至少一个处理器执行的计算机程序，处理器11可以根据存储在只读存储器（ROM）12中的计算机程序或者从存储单元18加载到随机访问存储器（RAM）13中的计算机程序，来执行各种适当的动作和处理。在RAM13中，还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM12以及RAM13通过总线14彼此相连。输入/输出（I/O）接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15，包括：输入单元16，例如键盘、鼠标等；输出单元17，例如各种类型的显示器、扬声器等；存储单元18，例如磁盘、光盘等；以及通信单元19，例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元（CPU）、图形处理单元（GPU）、各种专用的人工智能（AI）计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器（DSP）、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理，例如结构数据生成方法。
在一些实施例中，结构数据生成方法可被实现为计算机程序，其被有形地包含于计算机可读存储介质，例如存储单元18。在一些实施例中，计算机程序的部分或者全部可以经由ROM12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM13并由处理器11执行时，可以执行上文描述的结构数据生成方法的一个或多个步骤。备选地，在其他实施例中，处理器11可以通过其他任何适当的方式（例如，借助于固件）而被配置为执行结构数据生成方法。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、场可编程门阵列（FPGA）、专用集成电路（ASIC）、专用标准产品（ASSP）、芯片上系统的系统（SOC）、负载可编程逻辑设备（CPLD）、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器，使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中，计算机可读存储介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。备选地，计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦除可编程只读存储器（EPROM或快闪存储器）、光纤、便捷式紧凑盘只读存储器（CD-ROM）、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在电子设备上实施此处描述的系统和技术，该电子设备具有：用于向用户显示信息的显示装置（例如，CRT（阴极射线管）或者LCD（液晶显示器）监视器）；以及键盘和指向装置（例如，鼠标或者轨迹球），用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈（例如，视觉反馈、听觉反馈、或者触觉反馈）；并且可以用任何形式（包括声输入、语音输入或者、触觉输入）来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统（例如，作为数据服务器）、或者包括中间件部件的计算系统（例如，应用服务器）、或者包括前端部件的计算系统（例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互）、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信（例如，通信网络）来将系统的部件相互连接。通信网络的示例包括：局域网（LAN）、广域网（WAN）、区块链网络和互联网。
计算系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，又称为云计算服务器或云主机，是云计算服务体系中的一项主机产品，以解决了传统物理主机与VPS服务中，存在的管理难度大，业务扩展性弱的缺陷。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本发明的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本发明保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等，均应包含在本发明保护范围之内。
Claims (8)
1.一种结构数据生成方法，其特征在于，包括：
获取历史结构数据和历史结构数据对应的历史建筑设计数据；
根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；
根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；
根据目标训练数据集对待训练模型进行训练，得到目标扩散生成模型；
获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；
将第一结构数据输入至目标扩散生成模型，得到目标结构数据；
其中，所述根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集，包括：
对所述初始训练数据集循环执行目标操作，直至所述初始训练数据集为空数据集；
根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集；
其中，所述目标操作包括：
根据高斯分布的初始参数确定第一采样值，其中，若为首次执行目标操作，则高斯分布的初始参数根据历史结构数据确定，若非首次执行目标操作，则高斯分布的初始参数根据上一循环过程对应的采样后的初始训练数据集确定；
删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集。
2.根据权利要求1所述的方法，其特征在于，删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集，包括：
获取初始训练数据集中的标识总数；
根据初始训练数据集中的标识总数对初始训练数据集中每一标识进行赋值，得到赋值后的初始训练数据集；
删除所述赋值后的初始训练数据集中与第一采样值差值最小的数据，得到采样后的初始训练数据集。
3.根据权利要求1所述的方法，其特征在于，根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集，包括：
根据历史建筑设计数据、首次执行目标操作的初始训练数据集以及首次执行目标操作的初始训练数据集对应的采样次数构成第一训练数据；
根据历史建筑设计数据、每次采样后的初始训练数据集以及每次采样后的初始训练数据集对应的采样次数构成第二训练数据；
根据第一训练数据和第二训练数据确定目标训练数据集。
4.根据权利要求1所述的方法，其特征在于，根据目标训练数据集对待训练模型进行训练，得到目标扩散生成模型，包括：
构建待训练模型；
基于目标训练数据集，根据预设的损失函数对所述待训练模型进行迭代训练，直至满足迭代结束条件，得到目标扩散生成模型。
5.根据权利要求1所述的方法，其特征在于，将第一结构数据输入至目标扩散生成模型，得到目标结构数据，包括：
获取高斯分布的目标参数和预设数据结构；
对所述第一结构数据循环执行生成操作，直至根据预设数据结构生成第一结构数据对应的目标结构数据；
其中，所述生成操作包括：
将第一结构数据输入至目标扩散生成模型，得到第一预测结构数据集，其中，若为首次执行生成操作，则第一结构数据根据目标建筑设计数据确定，若非首次执行生成操作，则第一结构数据根据上一循环过程对应的采样后的第一结构数据确定；
根据高斯分布的目标参数确定第二采样值；
若第二采样值大于第一数值，则获取第二采样值对应的第二数值，删除第一预测结构数据集中第二数值对应的数据，得到采样后的第一结构数据；
若第二采样值小于或等于第一数值，则根据第一预测结构数据集确定采样后的第一结构数据。
6.一种结构数据生成装置，其特征在于，包括：
第一获取模块，用于获取历史结构数据和历史结构数据对应的历史建筑设计数据；
第一确定模块，用于根据所述历史结构数据确定初始训练数据集和高斯分布的初始参数；
第二确定模块，用于根据初始训练数据集、高斯分布的初始参数以及历史建筑设计数据确定目标训练数据集；
第一得到模块，用于根据目标训练数据集对待训练模型进行训练，得到目标扩散生成模型；
第二获取模块，用于获取目标建筑设计数据，并基于所述目标建筑设计数据生成第一结构数据；
第二得到模块，用于将第一结构数据输入至目标扩散生成模型，得到目标结构数据；
其中，所述第二确定模块具体用于：
对所述初始训练数据集循环执行目标操作，直至所述初始训练数据集为空数据集；
根据历史建筑设计数据、初始训练数据集以及每次采样后的初始训练数据集确定目标训练数据集；
其中，所述目标操作包括：
根据高斯分布的初始参数确定第一采样值，其中，若为首次执行目标操作，则高斯分布的初始参数根据历史结构数据确定，若非首次执行目标操作，则高斯分布的初始参数根据上一循环过程对应的采样后的初始训练数据集确定；
删除所述初始训练数据集中的第一采样值对应的数据，得到采样后的初始训练数据集。
7.一种电子设备，其特征在于，所述电子设备包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的计算机程序，所述计算机程序被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-5中任一项所述的结构数据生成方法。
8.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机指令，所述计算机指令用于使处理器执行时实现权利要求1-5中任一项所述的结构数据生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069329.9A CN116775622B (zh) | 2023-08-24 | 2023-08-24 | 一种结构数据生成方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311069329.9A CN116775622B (zh) | 2023-08-24 | 2023-08-24 | 一种结构数据生成方法、装置、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116775622A CN116775622A (zh) | 2023-09-19 |
| CN116775622B true CN116775622B (zh) | 2023-11-07 |
Family
ID=87989921
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311069329.9A Active CN116775622B (zh) | 2023-08-24 | 2023-08-24 | 一种结构数据生成方法、装置、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116775622B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117788344B (zh) * | 2024-02-26 | 2024-05-07 | 北京飞渡科技股份有限公司 | 一种基于扩散模型的建筑纹理图像修复方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CA3081043A1 (en) * | 2020-05-21 | 2020-08-13 | Element Ai Inc. | Method of and system for training machine learning algorithm for object classification |
| CN112733875A (zh) * | 2019-10-28 | 2021-04-30 | 罗伯特·博世有限公司 | 用于在生成网络中生成合成数据的设备和方法 |
| WO2021148407A1 (en) * | 2020-01-24 | 2021-07-29 | Secondmind Limited | Training machine learning models |
| CN113656858A (zh) * | 2021-07-02 | 2021-11-16 | 中建七局安装工程有限公司 | 基于激光扫描点云与bim模型的双球嵌套结构数模比对方法 |
| CN116306543A (zh) * | 2023-05-25 | 2023-06-23 | 北京泛钛客科技有限公司 | 一种基于生成式对抗网络的表格数据生成方法及系统 |
| CN116469020A (zh) * | 2023-04-17 | 2023-07-21 | 北京航空航天大学 | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 |
| CN116483624A (zh) * | 2023-04-17 | 2023-07-25 | 湖南科技大学 | 监测数据恢复模型训练方法、恢复方法、设备及存储介质 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022109462A1 (en) * | 2020-11-23 | 2022-05-27 | NE47 Bio, Inc. | Protein database search using learned representations |
| US20220198278A1 (en) * | 2020-12-23 | 2022-06-23 | International Business Machines Corporation | System for continuous update of advection-diffusion models with adversarial networks |
-
2023
- 2023-08-24 CN CN202311069329.9A patent/CN116775622B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112733875A (zh) * | 2019-10-28 | 2021-04-30 | 罗伯特·博世有限公司 | 用于在生成网络中生成合成数据的设备和方法 |
| WO2021148407A1 (en) * | 2020-01-24 | 2021-07-29 | Secondmind Limited | Training machine learning models |
| CA3081043A1 (en) * | 2020-05-21 | 2020-08-13 | Element Ai Inc. | Method of and system for training machine learning algorithm for object classification |
| CN113656858A (zh) * | 2021-07-02 | 2021-11-16 | 中建七局安装工程有限公司 | 基于激光扫描点云与bim模型的双球嵌套结构数模比对方法 |
| CN116469020A (zh) * | 2023-04-17 | 2023-07-21 | 北京航空航天大学 | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 |
| CN116483624A (zh) * | 2023-04-17 | 2023-07-25 | 湖南科技大学 | 监测数据恢复模型训练方法、恢复方法、设备及存储介质 |
| CN116306543A (zh) * | 2023-05-25 | 2023-06-23 | 北京泛钛客科技有限公司 | 一种基于生成式对抗网络的表格数据生成方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116775622A (zh) | 2023-09-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116775622B (zh) | 一种结构数据生成方法、装置、设备及存储介质 | |
| RU2538298C2 (ru) | Устройство для мониторинга риска и способ мониторинга риска для использования с объектом атомной энергетики | |
| CN115797565B (zh) | 三维重建模型训练方法、三维重建方法、装置及电子设备 | |
| CN116882033B (zh) | 一种多网络生成模型确定方法、装置、设备及存储介质 | |
| CN117786500A (zh) | 一种盾构施工地表沉降预测方法、装置、设备及存储介质 | |
| CN115761362B (zh) | 基于特征融合的施工阶段智能识别模型、方法及装置 | |
| CN111123869B (zh) | 一种基于工人操作经验的柔性作业车间调度方法及装置 | |
| CN115328621B (zh) | 基于区块链的事务处理方法、装置、设备及存储介质 | |
| CN116663717A (zh) | 车流量预测模型训练、车流量预测方法、装置及设备 | |
| CN115146997A (zh) | 基于电力数据的评估方法、装置、电子设备及存储介质 | |
| CN111651875B (zh) | 一种基于误差传输的空气质量预报改进方法及系统 | |
| CN118052270B (zh) | 模型训练方法、建筑设计图生成方法、装置、设备及介质 | |
| CN114418063B (zh) | 神经网络模型中网络层的分配方法与装置 | |
| CN115774897B (zh) | 一种基于bim的建筑结构检测方法及系统 | |
| CN117829315A (zh) | 联邦学习方法、装置、设备及存储介质 | |
| CN118261304A (zh) | 碳减排方案生成方法、装置、设备及存储介质 | |
| CN116578937A (zh) | 水电机组健康状态的评估方法、装置、设备及存储介质 | |
| CN117610927A (zh) | 设备风险评估方法、装置、电子设备和存储介质 | |
| CN116523051A (zh) | 一种模型混精推理方法、装置、设备及存储介质 | |
| CN117747016A (zh) | 二元混合物的物性参数计算方法、装置、设备及介质 | |
| CN117172384A (zh) | 一种工地工期的延期预测、装置、设备及存储介质 | |
| CN117633495A (zh) | 一种告警处置确定方法、装置、设备及存储介质 | |
| CN117579597A (zh) | 网络协议地址的分配方法及装置、电子设备和存储介质 | |
| CN114841609A (zh) | 一种防雷措施选择方法、装置、设备及介质 | |
| CN117077941A (zh) | 电梯维保计划生成方法、装置、电子设备和存储介质 |
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 |