CN116882033A - 一种多网络生成模型确定方法、装置、设备及存储介质 - Google Patents
一种多网络生成模型确定方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN116882033A CN116882033A CN202311133412.8A CN202311133412A CN116882033A CN 116882033 A CN116882033 A CN 116882033A CN 202311133412 A CN202311133412 A CN 202311133412A CN 116882033 A CN116882033 A CN 116882033A
- Authority
- CN
- China
- Prior art keywords
- data
- data set
- target
- model
- generation
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000013461 design Methods 0.000 claims abstract description 206
- 238000012549 training Methods 0.000 claims abstract description 137
- 238000005070 sampling Methods 0.000 claims description 95
- 238000006073 displacement reaction Methods 0.000 claims description 33
- 238000004590 computer program Methods 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 15
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 7
- 230000006399 behavior Effects 0.000 description 5
- 230000002787 reinforcement Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 230000004913 activation Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 125000004122 cyclic group Chemical group 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005192 partition Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003014 reinforcing effect Effects 0.000 description 2
- 238000000547 structure data Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 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
- 238000013145 classification model Methods 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
- 239000000463 material Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007670 refining 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
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/092—Reinforcement learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Civil Engineering (AREA)
- Architecture (AREA)
- Medical Informatics (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Structural Engineering (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多网络生成模型确定方法、装置、设备及存储介质。该方法包括:根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型;根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型,通过本发明的技术方案,能够得到多网络生成模型,进而使用多网络生成模型生成数据,能够提高预测每一种结构类型对应的参数的准确性。
Description
技术领域
本发明实施例涉及建筑技术领域,尤其涉及一种多网络生成模型确定方法、装置、设备及存储介质。
背景技术
通常建筑物结构中的柱、墙、梁以及板等结构类型对应的参数需要结构设计师在满足建筑设计要求的前提下人工设计,较为费时费力。为能够进行智能设计,现有技术中的采用的生成模型一般是对所有的结构类型和所有结构类型对应的参数进行随机生成,无法对每一种结构类型对应的参数进行精确预测,导致生成的建筑物设计数据精确度低。
发明内容
本发明实施例提供一种多网络生成模型确定方法、装置、设备及存储介质,能够得到多网络生成模型,进而使用多网络生成模型生成数据能够提高预测每一种结构类型对应的参数的准确性。
根据本发明的一方面,提供了一种多网络生成模型确定方法,包括:
获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;
根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;
根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;
获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;
根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
根据本发明的另一方面,提供了一种多网络生成模型确定装置,该多网络生成模型确定装置包括:
第一获取模块,用于获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;
确定模块,用于根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;
得到模块,用于根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;
第二获取模块,用于获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;
生成模块,用于根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
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多网络生成模型确定方法。
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多网络生成模型确定方法。
本发明实施例通过获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型,解决了由于现有技术中的生成模型无法对每一种结构类型对应的参数进行精确预测,导致生成的建筑物数据精确度低的问题,能够得到多网络生成模型,进而使用多网络生成模型生成数据能够提高预测每一种结构类型对应的参数的准确性。
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多网络生成模型确定方法的流程图;
图2是本发明实施例一中的一种多网络生成模型的示意图;
图3是本发明实施例一中的一种评分模型与第二待训练模型的示意图;
图4是本发明实施例二中的一种多网络生成模型确定装置的结构示意图;
图5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多网络生成模型确定方法的流程图,本实施例可适用于确定用于生成建筑结构数据的多网络生成模型的情况,该方法可以由本发明实施例中的多网络生成模型确定装置来执行,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,获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据。
其中,第一历史结构设计数据可为任意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,第一历史结构设计数据对应的第一历史建筑设计数据可为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。需要说明的是,第一历史结构设计数据和第一历史建筑设计数据用于得到目标训练数据集。
具体的,获取第一历史结构设计数据以及第一历史结构设计数据对应的第一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第一历史结构设计数据和第一历史建筑设计数据。
S120,根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集。
其中,结构类型可以有多种,例如,结构类型可为梁、柱、墙或者板,还可为其它结构类型。
其中,目标训练数据集用于训练得到至少一种结构类型对应的生成网络模型,每一种结构类型对应一组目标训练数据集。
具体的,根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集的方式可以为:以第一历史建筑设计数据为训练条件,在第一历史建筑设计数据的条件下,对第一历史结构设计数据进行处理,处理方式如以高斯分布采样删除第一历史结构设计数据中的数据的形式添加噪音,并根据每次删除的数据获取每次删除的数据对应的结构类型,然后根据训练条件、每次删除的数据对应的结构类型、删除前的第一历史结构设计数据以及删除后的第一历史结构设计数据确定每种结构类型对应的目标训练数据集。
S130,根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型。
其中,第一待训练模型可为U-Net神经网络,在建立第一待训练模型时,建立第一待训练模型的数量应与结构类型的数量一致。每种结构类型对应的生成网络模型为根据每种结构类型对应的目标训练数据集对第一待训练模型进行训练,得到的已训练完成的模型。
具体的,根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训
练,得到每种结构类型对应的生成网络模型的方式可以为:构建第一待训练模型,基于每一
结构类型对应的目标训练集和每一结构类型对应的预设的损失函数对第一待训练模型进
行反向传播,得到用于下一迭代的第一待训练模型,进入下一迭代直至满足迭代结束条件,
得到每一结构类型对应的生成网络模型。例如可以是,若为梁结构类型的目标训练数据集
为所有的,将输入至第一待训练模型,输出为在下一个数据为梁数据的
情况下,对中的结构设计数据集进行预测,得到,可以作为预
设损失函数,以adam作为优化器对第一待训练模型进行训练,直至满足迭代结束条件,得到
每一结构类型对应的生成网络模型。具体的训练过程为现有技术,在此不进行赘述。
S140,获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,第一待训练模型和第二待训练模型不同。
其中,第二历史结构设计数据可与第一历史结构设计数据相同,也可与第一历史结构设计数据不同。第二待训练模型与第一待训练模型不同,目标分类网络模型为已训练完成的分类模型,可用于预测下一个需要生成的结构数据对应的结构类型。
具体的,获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型的方式可以为:从已有的历史结构设计图中获取第二历史结构设计数据,并构建第二待训练模型,基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行强化学习,直至得到目标分类网络模型。例如,可基于评分规则构建评分模型,若第二历史结构设计数据对应的数据集为,第二待训练模型对/>下一次应选择的生成网络模型进行预测,并将应用预测后的生成网络模型预测/>,将/>输入至评分模型,评分模型对/>中的受力情况以及评分规则进行评分,并将分数反馈至第二待训练模型,第二待训练模型为了获得更好的评分不断修正自身网络,直至得到目标分类网络模型。
S150,根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
具体的,根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型,图2是本发明实施例一中的一种多网络生成模型的示意图,如图2所示,多网络生成模型由目标分类网络模型和每种结构类型对应的生成网络模型组合,其中,图2中的“……”表示除梁生成网络模型、柱生成网络模型、板生成网络模型以外的其它结构类型对应的生成网络模型,若在明确建筑设计数据的情况下欲得到建筑设计数据对应的结构设计数据,则可将输入设为,则输出为/>,其中,/>可为生成条件,即待生成的结构设计数据对应的建筑设计参数和结构设计总参数,/>可为根据历史经验预设的生成步数,/>为输入多网络生成模型的初始数据集,/>为多网络生成模型输出的初始数据集预测的生成数据集,循环执行将/>输入至多网络生成模型的操作,直至得到最终的结构设计数据。
通过第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集,并基于目标训练数据集训练得到至少一种结构类型对应的生成网络模型,基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,将每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型,能够将历史结构设计数据中的数据按照结构类型进行细化,得到每一种结构类型对应的目标训练数据集,进而通过每一种结构类型对应的目标训练数据集得到每一种结构类型对应的生成网络模型,同时,基于每一种结构类型对应的生成网络模型得到目标分类网络模型,根据每一种结构类型对应的生成网络模型和目标分类网络模型组合成一种多网络生成模型,使用此种多网络生成模型能够精确得知每一步预测时使用的生成网络模型,进而精确预测每一种结构类型对应的参数,提高获取建筑物生成设计数据的效率和准确性。
可选的,根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集,包括:
根据第一历史结构设计数据确定第一数据集,其中,所述第一数据集包括:构件标识、结构类型以及至少一种结构类型对应的参数;
根据第一数据集确定高斯分布的第一参数;
对所述第一数据集循环执行目标操作,直至所述第一数据集中每一结构类型对应的参数为空;
根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集;
其中,所述目标操作包括:
根据高斯分布的第一参数确定第一采样值,其中,若为首次执行目标操作,则高斯分布的第一参数根据第一历史结构设计数据对应的第一数据集中所有结构类型对应的参数总数确定,若非首次执行目标操作,则高斯分布的第一参数根据上一循环过程对应的采样后的第一数据集中所有结构类型对应的参数总数确定;
删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集。
其中,第一数据集为根据第一历史结构设计数据进行队列组合后得到的数据集,第一数据集包括构件标识、结构类型以及至少一种结构类型对应的参数,其中,构件标识可为P1、P2、…、Pn,参数可为位置、尺寸以及配筋信息,也可以为其它参数。若在循环过程中,第一数据集在每次循环后都将更新为采样后的第一数据集。
其中,高斯分布的第一参数包括高斯分布的期望值和标准差。第一采样值为每次高斯分布得到的采样值。
其中,循环目标操作的结束条件为第一数据集中每一种结构类型对应的参数均为空,即第一数据集中每一结构类型对应的参数均被删除。其中,删除数据为第一采样值对应的需删除的参数。
具体的,根据第一历史结构设计数据确定第一数据集的方式可以为:将第一历史结构设计数据中的所有的构件进行队列组合得到第一数据集。
具体的,根据第一数据集确定高斯分布的第一参数的方式可以为:根据第一数据集中的所有结构类型对应的参数总数确定高斯分布的第一参数。因第一数据集在每次循环时都将更新,高斯分布的第一参数每次循环时也会更新。例如可以是,若第一数据集中所有结构类型对应的参数总数为N,则高斯分布的期望值可为N/2,标准差为N/6。
具体的,对所述第一数据集循环执行目标操作,直至所述第一数据集中每一结构类型对应的参数为空,其中,所述目标操作包括:根据高斯分布的第一参数确定第一采样值,其中,若为首次执行目标操作,则高斯分布的第一参数根据第一历史结构设计数据对应的第一数据集中所有结构类型对应的参数总数确定,若非首次执行目标操作,则高斯分布的第一参数根据上一循环过程对应的采样后的第一数据集中所有结构类型对应的参数总数确定;删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集的方式可以为:对第一数据集循环执行目标操作,直到第一数据集中的所有结构类型的参数为空,其中,目标操作为循环操作,具体的,在第一参数的高斯分布中进行采样,得到第一采样值,其中,若为首次执行目标操作,则第一参数根据第一历史结构设计数据对应的最初始的第一数据集中所有结构类型对应的参数总数确定,若并非首次执行目标操作,则第一参数根据上一次循环过程中得到的采样后第一数据集中所有结构类型对应的参数总数确定;在确定第一采样值后,在第一数据集中查找第一采样值对应的参数,将此参数删除,得到采样后的第一数据集,接着根据采样后的第一数据集重新确定高斯分布的第一参数,根据高斯分布的第一参数重新采样,循环上述操作,直至第一数据集中所有结构类型对应的参数均被删除。
具体的,根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集的方式可以为:根据删除数据确定删除数据对应的结构类型,根据删除数据对应的结构类型、第一历史建筑设计数据、第一数据集以及采样后的第一数据集确定不同的结构类型对应的目标训练数据集。
通过根据第一历史结构设计数据确定第一数据集,根据第一数据集确定高斯分布的第一参数,对所述第一数据集循环执行目标操作,直至所述第一数据集中每一结构类型对应的参数为空,根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集,其中,目标操作包括:根据高斯分布的第一参数确定第一采样值,其中,若为首次执行目标操作,则高斯分布的第一参数根据第一历史结构设计数据对应的第一数据集中所有结构类型对应的参数总数确定,若非首次执行目标操作,则高斯分布的第一参数根据上一循环过程对应的采样后的第一数据集中所有结构类型对应的参数总数确定;删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集,能够以删除第一数据集中参数的形式合理的添加噪音,便于生成不同结构类型对应的不同的目标训练数据集。
可选的,删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集,包括:
获取第一数据集中的每一结构类型对应的参数数量,并根据第一数据集中的构件标识和每一结构类型对应的参数数量确定所有结构类型对应的参数总数;
根据第一数据集中的所有结构类型对应的参数总数对第一数据集中每一参数进行赋值,得到赋值后的第一数据集;
删除所述赋值后的第一数据集中与第一采样值差值最小的参数,得到采样后的第一数据集。
具体的,获取第一数据集中的每一结构类型对应的参数数量,并根据第一数据集中的构件标识和每一结构类型对应的参数数量确定所有结构类型对应的参数总数的方式可以为:先确定每一结构类型对应的参数数量,再根据构件标识的数量与每一结构类型对应的参数数量的乘积确定所有结构类型对应的参数总数。
具体的,根据第一数据集中的所有结构类型对应的参数总数对第一数据集中每一参数进行赋值,得到赋值后的第一数据集的方式可以为:根据第一数据集中的所有结构类型对应的参数总数确定赋值范围,根据赋值范围对第一数据集中每一参数进行随机赋值。
具体的,删除所述赋值后的第一数据集中与第一采样值差值最小的参数,得到采样后的第一数据集的方式可以为:确定第一采样值后,查找与第一采样值差值最小的赋值,将此赋值对应的参数删除,得到采样后的第一数据集。
通过获取第一数据集中的每一结构类型对应的参数数量,并根据第一数据集中的构件标识和每一结构类型对应的参数数量确定所有结构类型对应的参数总数,根据第一数据集中的所有结构类型对应的参数总数对第一数据集中每一参数进行赋值,得到赋值后的第一数据集,删除所述赋值后的第一数据集中与第一采样值差值最小的参数,得到采样后的第一数据集,能够便于高斯分布采样,提高以删除参数的方式合理增加噪音的效率。
可选的,根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集,包括:
根据第一历史建筑设计数据、第一数据集以及第一数据集对应的采样次数确定第一采样数据;
根据第一历史建筑设计数据、采样后的第一数据集以及采样后的第一数据集对应的采样次数确定第二采样数据;
获取对所述第一数据集进行采样时的删除数据对应的结构类型;
根据所述删除数据对应的结构类型、第一采样数据以及第二采样数据生成所述删除数据对应的结构类型对应的目标训练数据集。
其中,第一采样数据为第一数据集确定的采样数据,第二采样数据为采样后的第一数据集确定的采样数据。删除数据对应的结构类型为对第一数据集进行采样时删除的参数对应的结构类型,每次循环目标操作时,删除数据对应的结构类型可为同一结构类型,也可为不同结构类型。
具体的,根据第一历史建筑设计数据、第一数据集以及第一数据集对应的采样次数确定第一采样数据,例如可以是,若设定第一历史建筑设计数据为训练条件,第一数据集为/>,第一数据集对应的采样次数为0,则第一采样数据为/>。
具体的,根据第一历史建筑设计数据、采样后的第一数据集以及采样后的第一数据集对应的采样次数确定第二采样数据,例如可以是,若设定第一历史建筑设计数据为训练条件,第一数据集为/>,则采样后的第一数据集为/>,采样后的第一数据集对应的采样次数为1,则第二采样数据为/>。
具体的,获取对所述第一数据集进行采样时的删除数据对应的结构类型,例如可以是,在对第一数据集为采样时,删除数据对应的结构类型可为梁。
具体的,根据所述删除数据对应的结构类型、第一采样数据以及第二采样数据生成所述删除数据对应的结构类型对应的目标训练数据集的方式可以为:因对第一数据集进行采样时的删除数据对应的结构类型为随机结构类型,则每次采样后的训练数据为不同结构类型对应的训练数据,根据每次采样时得到的删除数据对应的结构类型、第一采样数据以及第二采样数据生成删除数据对应的结构类型对应的训练数据,根据每次采样不同结构类型对应的训练数据生成不同结构类型对应的目标训练数据集。例如可以是,若对第一数据集为采样时,删除数据对应的结构类型为梁,则训练数据可为/>;若第一数据集为/>,采样后的第一数据集为/>,则第一采样数据为/>,第二采样数据为,对第一数据集为/>采样时,删除数据对应的结构类型为柱,则训练数据为,因此可根据每次采样删除数据对应的结构类型、第一采样数据以及第二采样数据生成不同结构类型对应的训练数据,将不同结构类型对应的训练数据汇总得到不同结构类型对应的目标训练数据集。
通过根据第一历史建筑设计数据、第一数据集以及第一数据集对应的采样次数确定第一采样数据,根据第一历史建筑设计数据、采样后的第一数据集以及采样后的第一数据集对应的采样次数确定第二采样数据,获取对第一数据集进行采样时的删除数据对应的结构类型,根据删除数据对应的结构类型、第一采样数据以及第二采样数据生成所述删除数据对应的结构类型对应的目标训练数据集,能够细化不同结构类型对应的目标训练数据集,提高获取不同结构类型对应的目标训练数据集的准确性,便于后续根据不同结构类型对应的目标训练数据集训练不同结构类型的生成网络模型。
在一个具体的例子中,若设定第一历史建筑设计数据为训练条件,对第一历史结构设计数据中的构件标识、结构类型以及至少一种结构类型对应的参数编号并进行随机队列排列,得到第一历史结构设计数据对应的最初始的第一数据集为/>,如表1所示:
表1
其中,每一结构类型对应的参数包括位置、尺寸以及配筋,采样数据为,/>中所有结构类型对应的参数数量为15,则赋值范围1-15,对每一参数进行赋值,如表2所示:
表2
首次执行目标操作时,在期望值为N/2=7.5,标准差为N/6=2.5的高斯分布中进行采样,第一采样值若为6.9,与6.9差值最小的数值为7,则删除数值7对应的参数,获取数值7对应的参数对应的结构类型为梁,形成第一次采样后的第一数据集,采样数据为。将第一次采样后的第一数据集/>按照/>中的所有结构类型对应的所有参数数量对/>重新赋值,赋值的范围为1-14,赋值后如表3所示:
表3
在期望值为14/2=7,标准差为14/6=2.333的高斯分布中进行采样,若第一采样值为5.7,与5.7差值最小的数值为6,则删除数值6对应的参数,获取数值6对应的参数对应的结构类型为柱,形成第二次采样后的第一数据集,训练数据为/>,则训练数据依次为/>、/>。重复上述过程,直至/>中每一种结构类型对应的参数为空,可得到每一种结构类型对应的目标训练数据集。
可选的,基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,包括:
根据评分规则构建评分模型;
构建第二待训练模型;
对第二历史结构设计数据对应的第二数据集循环执行分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型;
其中,所述分类训练操作包括:
将第二数据集输入至目标生成网络模型,得到目标生成网络模型对应的第一预测数据集,其中,若为首次执行分类训练操作,则将任一生成网络模型确定为目标生成网络模型,若非首次执行分类训练操作,则根据上一次执行分类训练操作的第二数据集对应的目标评分确定目标生成网络模型;
将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分。
其中,评分模型可为一种包含建筑设计参数和结构设计总参数的计算器,例如可以是Abaqus。
其中,第二待训练模型可为分类器。第二数据集为根据第二历史结构设计数据得
到的数据集,此第二数据集得到的方式与根据第一历史结构设计数据得到的第一数据集的
方式相同,可第二数据集可为、…以及中的任一数据集。
其中,训练参数可包括第二待训练模型中的深度神经网络中的训练参数,也可以
包括第二待训练模型中的其它训练参数。目标生成网络模型为基于第二数据集,第二待训
练模型预测的应选择的生成网络模型,第一预测数据集为基于第二数据集得到的由目标生
成网络模型预测的数据集,例如,若第二数据集为,则第一预测数据集可为。目标评
分为第二数据集经过目标生成网络模型后由评分模型对第一预测数据集评分得到的分数,
记为第二数据集对应的目标评分。
具体的,根据评分规则构建评分模型的方式可以为:设定评分规则,并基于评分规则构建评分模型。需要说明的是,评分模型中可以包含第二历史建筑设计数据作为分类条件。评分模型会对第二待训练模型做出的选择,即选择的目标生成网络模型进行评分,评分越高,证明选择越正确,第二待训练模型为了获取更高的分数,需不断更新第二待训练模型中的参数。
具体的,构建第二待训练模型的方式可以为:获取交互器、优化器、深度神经网络以及经验回放器构建第二待训练模型。例如可以是,图3是本发明实施例一中的一种评分模型与第二待训练模型的示意图,如图3所示,第二待训练模型的最外层可以为交互器,用于与评分模型进行信息交互、存储超参数等,存储及调用经验回放等,需要说明的是,在交互器初始化过程中,首先需要构建经验回放器,并向其中加入经验,经验回放器用于存储及回放其它建筑或历史建筑中获取的经验数据,可包括第二历史结构设计数据中得到的经验数据,避免在开始训练时样本丰富度不够,在之后的训练过程中也可将获得的数据都加入经验回放器中,经验回放器会随机抽取一批训练样本交由优化器及深度神经网络进行学习和训练。
第二待训练模型中最内部可以为深度神经网络,用于储存深度神经网络模型、参
数以及支撑上层计算,深度神经网络包含两个结构相同的神经网络分别为目标策略网络及
行为策略网络,行为策略网络输出,目标策略网络输出,用于损失函数的计算,同
时行为策略网络会作为输出动作交由评分模型,行为策略网络的参数会定期更新至目标策
略网络。其中,深度神经网络可分为三层结构,第一层为全连接层,输入,输出1024个参
数,可使用ReLU作为激活函数,第二层为全连接层,将第一层输出的1024个参数作为输入,
输出256个参数并使用ReLU作为激活函数。第三层为全连接层,将第二层输出的256个参数
作为输入,输出1个参数(即当前情况下选择的目标生成网络模型对应的参数,或者终止生
成过程)并使用ReLU作为激活函数。
第二待训练模型中中间层可以为优化器,可采用SGD作为优化策略、MSE作为损失函数以及将交互器的信息加工并使用加工后的结果更新深度神经网络。其中,损失函数可定义为:
;
通过损失函数计算损失值后,第二待训练模型中的SGD会寻找使得损失值变小的方向对行为策略网络进行优化,最终得到目标分类网络模型。
具体的,对第二历史结构设计数据对应的第二数据集循环执行分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型的方式可以为:可将第二数据集预先存储至第二待训练模型中经验回放器中,对经验回放器随机抽取的第二数据集循环执行分类训练操作,不断更新第二待训练模型中的训练参数,直至训练参数满足迭代结束条件,得到目标分类网络模型。
具体的,所述分类训练操作包括:将第二数据集输入至目标生成网络模型,得到目标生成网络模型对应的第一预测数据集,其中,若为首次执行分类训练操作,则将任一生成网络模型确定为目标生成网络模型,若非首次执行分类训练操作,则根据上一次执行分类训练操作的第二数据集对应的目标评分确定目标生成网络模型;将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分,例如可以是,如图3所示,若第二待训练模型中输出动作输出第二数据集,第二待训练模型预测在/>下的目标生成网络模型为/>模型,则将经过/>模型输出的对/>的第一预测数据集/>输入至评分模型,得到第二数据集/>对应的目标评分/>,然后由经验回放器继续随机抽取样本进行学习和训练,循环分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型。需要说明的是,若为首次执行分类训练操作,则任一生成网络模型均有可能成为目标生成网络模型;若并非首次执行分类训练操作,第二待训练模型会根据上一次执行分类训练操作的第二数据集对应的目标评分预测目标生成网络模型,不断证明第二待训练模型预测的目标生成网络模型为正确生成网络模型,即在分类训练时,第二待训练模型可自主选择训练效果更佳的目标生成网络模型。例如可以是,在结构设计中,墙、柱均为竖向受力的结构类型,在一定程度上可以相互替换。若柱生成网络模型训练效果不佳时,则说明柱生成网络模型输出的预测数据集中的柱参数并不合理,评分模型会以低的目标评分降低第二待训练模型在下一次训练时选择柱生成网络模型的可能性,提高选择其它生成网络模型的可能性,达到了自主选择训练效果更佳的生成网络模型,直至第二待训练模型训练完成,得到目标分类网络模型。
需要注意的,为便于统计和观察,经验回放器在得到目标评分后,可将第二数据集/>、目标生成网络模型/>模型、目标评分/>以及第一预测数据集/>相关联,并存储至经验回放器中。
通过根据评分规则构建评分模型,构建第二待训练模型,对第二历史结构设计数据对应的第二数据集循环执行分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型,能够快速得到目标分类网络模型,进而通过目标分类网络模型提高预测目标生成网络模型的准确性。
可选的,将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分,包括:
获取第二历史建筑设计数据;
根据第二历史建筑设计数据和第一预测数据集确定第一预测数据集中每一构件对应的目标承载力、目标位移、实际承载力以及实际位移,其中,所述第一预测数据集包括至少一个构件;
根据评分规则、每一构件对应的目标承载力、目标位移、实际承载力以及实际位移进行评分,得到第二数据集对应的目标评分。
其中,第二历史建筑设计数据为与第二历史结构设计数据对应的数据。
其中,目标承载力为构件对应的承载力的极限值,目标位移为构件对应的位移的允许值的极限值,实际承载力为构件对应的实际的承载力,实际位移为构件对应的实际的位移的最大值。
其中,第一预测数据集中包括至少一个构件。
其中,评分规则可以包括:
若当前构件的实际承载力低于其目标承载力的30%时,扣1分,每低于5%多扣1分;
若当前构件的实际承载力高于其目标承载力的70%,扣5分,每超出5%,多扣5分;
若当前构件的目标承载力高于其目标承载力的100%时,扣100分;
若当前构件的实际位移高于其目标位移的50%时,扣1分,每超出5%多扣2分;
若当前构件的实际位移高于其目标位移的100%时,扣100分。
具体的,获取第二历史建筑设计数据的方式可以为:由评分模型接收第二历史建筑设计数据作为计算的初始信息。
具体的,根据第二历史建筑设计数据和第一预测数据集确定第一预测数据集中每一构件对应的目标承载力、目标位移、实际承载力以及实际位移的方式可以为:根据第二历史建筑设计数据和第一预测数据集进行有限元计算或者进行基坑计算可对第一预测数据集中的每一构件的承载力和位移进行分析,得到每一构件对应的目标承载力、目标位移、实际承载力以及实际位移。
具体的,根据评分规则、每一构件对应的目标承载力、目标位移、实际承载力以及实际位移进行评分,得到第二数据集对应的目标评分的方式可以为:基于评分规则,根据每一构件对应的目标承载力、目标位移、实际承载力以及实际位移得到每一构件的评分,进而得到第一预测数据集的评分,因第二待训练模型输入的为第二数据集,则得到的评分应为第二数据集对应的目标评分。
通过根据第二历史建筑设计数据和第一预测数据集确定第一预测数据集中每一构件对应的目标承载力、目标位移、实际承载力以及实际位移,根据评分规则、每一构件对应的目标承载力、目标位移、实际承载力以及实际位移进行评分,得到第二数据集对应的目标评分,能够快速确定第二数据集对应的目标评分,进而根据目标评分对第二待训练模型进行优化,提高对第二待训练模型优化的效率。
可选的,在根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型之后,还包括:
获取目标建筑设计数据和预设数据架构,其中,预设数据架构包括:构件标识、结构类型以及结构类型对应的参数标识;
根据目标建筑设计数据构建初始生成数据,对初始生成数据循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,得到目标生成数据;
其中,所述生成操作包括:
将初始生成数据输入至多网络生成模型中的目标分类网络模型,输出初始生成数据对应的第一构件标识和第一结构类型;
根据初始生成数据对应的第一构件标识、第一结构类型以及预设数据架构生成第一预测生成数据;
将第一预测生成数据输入至第一预测生成数据对应的目标生成网络模型,得到第一生成数据;
根据第一生成数据更新初始生成数据。
其中,目标建筑设计数据可设定为生成条件。预设数据架构为待生成数据对应的数据生成顺序,需要说明的是,不同的构件标识对应的结构类型可能为同一种结构类型,例如P1标识和P3标识对应的结构类型均为梁。其中,参数标识可为文字标识,例如,位置、尺寸以及配筋。其中,在首次执行生成操作时,初始生成数据需由目标建筑设计数据以及初始数据集(空白数据集)构成。终止标识信息可在目标分类网络模型中进行预设。目标生成数据为目标建筑设计数据对应的目标结构设计数据,也可以包括目标建筑设计数据和目标结构设计数据。第一预测生成数据为第一构件标识、第一结构类型以及预设数据架构组成的数据。
具体的,获取目标建筑设计数据和预设数据架构的方式可以为:预设数据架构,并将目标建筑设计数据设定为生成条件。
具体的,根据目标建筑设计数据构建初始生成数据,对初始生成数据循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,得到目标生成数据的方式可以为:根据目标建筑设计数据构建初始生成数据,循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,则将最后的第一预测生成数据输入至目标生成网络模型,得到目标生成数据。得到目标生成数据的方式还可以为:根据历史经验预设生成步数,根据目标建筑设计数据、预设生成步数以及初始数据集构建首次执行生成操作的初始生成数据,其中,预设生成步数应小于终止标识信息对应的步数,在循环过程中,若预设生成步数减少为零,则将预设步数为零对应的最后的第一预测生成数据输入至目标生成网络模型,得到目标生成数据。
具体的,将初始生成数据输入至多网络生成模型中的目标分类网络模型,输出初始生成数据对应的第一构件标识和第一结构类型;根据初始生成数据对应的第一构件标识、第一结构类型以及预设数据架构生成第一预测生成数据,例如可以是,若目标建筑设计数据为生成条件,预设生成步数为/>,初始数据集为/>,则初始生成数据/>,将初始生成数据输入至目标分类网络模型,则输出初始生成数据对应的第一构件标识和第一结构类型,例如第一构件标识为P1,第一结构类型为梁,如表4所示:
表4
其中,根据第一构件标识P1、第一结构类型梁以及预设数据架构生成第一预测生成数据。
具体的,将第一预测生成数据输入至第一预测生成数据对应的目标生成网络模型,得到第一生成数据;根据第一生成数据更新初始生成数据,例如可以是,将第一预测生成数据输入至目标生成网络模型,即将表4对应的第一预测生成数据输入至梁生成网络模型,根据预设数据架构中每一结构类型对应的参数标识的数量确定在生成网络模型中的循环生成次数,若结构类型对应的参数标识数量为3,则在梁生成网络模型需循环三次,直接补全构件标识为P1和结构类型为梁时的位置、尺寸以及配筋参数,得到第一生成数据集,如表5所示:/>
表5
然后预设生成步数减少,可为,则第一生成数据可为/>,将第一生成数据更新为初始生成数据,根据初始生成数据循环执行生成操作,直至预设生成步数为零,形成拥有多个构件标识、多个结构类型以及每一结构类型对应的参数的目标生成数据。
通过获取目标建筑设计数据和预设数据架构,根据目标建筑设计数据构建初始生成数据,对初始生成数据循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,得到目标生成数据,能够基于多网络生成模型快速获取每一构件标识和每一构件标识对应的结构类型的生成参数,由每一种结构类型的生成参数组成目标生成数据,既能够节省人力物力,同时提高了生成目标生成数据的效率和准确性。
本实施例的技术方案,通过获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型,解决了由于现有技术中的生成模型无法对每一种结构类型对应的参数进行精确预测,导致生成的建筑物数据精确度低的问题,能够得到多网络生成模型,进而使用多网络生成模型生成数据能够提高预测每一种结构类型对应的参数的准确性。
实施例二
图4是本发明实施例二中的一种多网络生成模型确定装置的结构示意图。本实施例可适用于确定用于生成建筑结构数据的多网络生成模型的情况,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多网络生成模型确定的功能的设备中,如图4所示,所述多网络生成模型确定装置具体包括:第一获取模块210、确定模块220、得到模块230、第二获取模块240和生成模块250。
其中,第一获取模块210,用于获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;
确定模块220,用于根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;
得到模块230,用于根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;
第二获取模块240,用于获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;
生成模块250,用于根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
可选的,所述确定模块具体用于:
根据第一历史结构设计数据确定第一数据集,其中,所述第一数据集包括:构件标识、结构类型以及至少一种结构类型对应的参数;
根据第一数据集确定高斯分布的第一参数;
对所述第一数据集循环执行目标操作,直至所述第一数据集中每一结构类型对应的参数为空;
根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集;
其中,所述目标操作包括:
根据高斯分布的第一参数确定第一采样值,其中,若为首次执行目标操作,则高斯分布的第一参数根据第一历史结构设计数据对应的第一数据集中所有结构类型对应的参数总数确定,若非首次执行目标操作,则高斯分布的第一参数根据上一循环过程对应的采样后的第一数据集中所有结构类型对应的参数总数确定;
删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集。
可选的,所述确定模块具体用于:
获取第一数据集中的每一结构类型对应的参数数量,并根据第一数据集中的构件标识和每一结构类型对应的参数数量确定所有结构类型对应的参数总数;
根据第一数据集中的所有结构类型对应的参数总数对第一数据集中每一参数进行赋值,得到赋值后的第一数据集;
删除所述赋值后的第一数据集中与第一采样值差值最小的参数,得到采样后的第一数据集。
可选的,所述确定模块具体用于:
根据第一历史建筑设计数据、第一数据集以及第一数据集对应的采样次数确定第一采样数据;
根据第一历史建筑设计数据、采样后的第一数据集以及采样后的第一数据集对应的采样次数确定第二采样数据;
获取对所述第一数据集进行采样时的删除数据对应的结构类型;
根据所述删除数据对应的结构类型、第一采样数据以及第二采样数据生成所述删除数据对应的结构类型对应的目标训练数据集。
可选的,所述第二获取模块具体用于:
根据评分规则构建评分模型;
构建第二待训练模型;
对第二历史结构设计数据对应的第二数据集循环执行分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型;
其中,所述分类训练操作包括:
将第二数据集输入至目标生成网络模型,得到目标生成网络模型对应的第一预测数据集,其中,若为首次执行分类训练操作,则将任一生成网络模型确定为目标生成网络模型,若非首次执行分类训练操作,则根据上一次执行分类训练操作的第二数据集对应的目标评分确定目标生成网络模型;
将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分。
可选的,所述第二获取模块具体用于:
获取第二历史建筑设计数据;
根据第二历史建筑设计数据和第一预测数据集确定第一预测数据集中每一构件对应的目标承载力、目标位移、实际承载力以及实际位移,其中,所述第一预测数据集包括至少一个构件;
根据评分规则、每一构件对应的目标承载力、目标位移、实际承载力以及实际位移进行评分,得到第二数据集对应的目标评分。
可选的,还包括:
第三获取模块,用于获取目标建筑设计数据和预设数据架构,其中,预设数据架构包括:构件标识、结构类型以及结构类型对应的参数标识;
终止模块,用于根据目标建筑设计数据构建初始生成数据,对初始生成数据循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,得到目标生成数据;
其中,所述生成操作包括:
将初始生成数据输入至多网络生成模型中的目标分类网络模型,输出初始生成数据对应的第一构件标识和第一结构类型;
根据初始生成数据对应的第一构件标识、第一结构类型以及预设数据架构生成第一预测生成数据;
将第一预测生成数据输入至第一预测生成数据对应的目标生成网络模型,得到第一生成数据;
根据第一生成数据更新初始生成数据。
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。
实施例三
图5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5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,例如多网络生成模型确定方法。
在一些实施例中,多网络生成模型确定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多网络生成模型确定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)而被配置为执行多网络生成模型确定方法。
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 (10)
1.一种多网络生成模型确定方法,其特征在于,包括:
获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;
根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;
根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;
获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;
根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
2.根据权利要求1所述的方法,其特征在于,根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集,包括:
根据第一历史结构设计数据确定第一数据集,其中,所述第一数据集包括:构件标识、结构类型以及至少一种结构类型对应的参数;
根据第一数据集确定高斯分布的第一参数;
对所述第一数据集循环执行目标操作,直至所述第一数据集中每一结构类型对应的参数为空;
根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集;
其中,所述目标操作包括:
根据高斯分布的第一参数确定第一采样值,其中,若为首次执行目标操作,则高斯分布的第一参数根据第一历史结构设计数据对应的第一数据集中所有结构类型对应的参数总数确定,若非首次执行目标操作,则高斯分布的第一参数根据上一循环过程对应的采样后的第一数据集中所有结构类型对应的参数总数确定;
删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集。
3.根据权利要求2所述的方法,其特征在于,删除所述第一数据集中的第一采样值对应的删除数据,得到采样后的第一数据集,包括:
获取第一数据集中的每一结构类型对应的参数数量,并根据第一数据集中的构件标识和每一结构类型对应的参数数量确定所有结构类型对应的参数总数;
根据第一数据集中的所有结构类型对应的参数总数对第一数据集中每一参数进行赋值,得到赋值后的第一数据集;
删除所述赋值后的第一数据集中与第一采样值差值最小的参数,得到采样后的第一数据集。
4.根据权利要求2所述的方法,其特征在于,根据第一历史建筑设计数据、第一数据集、采样后的第一数据集以及删除数据确定至少一种结构类型对应的目标训练数据集,包括:
根据第一历史建筑设计数据、第一数据集以及第一数据集对应的采样次数确定第一采样数据;
根据第一历史建筑设计数据、采样后的第一数据集以及采样后的第一数据集对应的采样次数确定第二采样数据;
获取对所述第一数据集进行采样时的删除数据对应的结构类型;
根据所述删除数据对应的结构类型、第一采样数据以及第二采样数据生成所述删除数据对应的结构类型对应的目标训练数据集。
5.根据权利要求1所述的方法,其特征在于,基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,包括:
根据评分规则构建评分模型;
构建第二待训练模型;
对第二历史结构设计数据对应的第二数据集循环执行分类训练操作,直至第二待训练模型中的训练参数满足迭代结束条件,得到目标分类网络模型;
其中,所述分类训练操作包括:
将第二数据集输入至目标生成网络模型,得到目标生成网络模型对应的第一预测数据集,其中,若为首次执行分类训练操作,则将任一生成网络模型确定为目标生成网络模型,若非首次执行分类训练操作,则根据上一次执行分类训练操作的第二数据集对应的目标评分确定目标生成网络模型;
将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分。
6.根据权利要求5所述的方法,其特征在于,将第一预测数据集输入至评分模型,得到第二数据集对应的目标评分,包括:
获取第二历史建筑设计数据;
根据第二历史建筑设计数据和第一预测数据集确定第一预测数据集中每一构件对应的目标承载力、目标位移、实际承载力以及实际位移,其中,所述第一预测数据集包括至少一个构件;
根据评分规则、每一构件对应的目标承载力、目标位移、实际承载力以及实际位移进行评分,得到第二数据集对应的目标评分。
7.根据权利要求1所述的方法,其特征在于,在根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型之后,还包括:
获取目标建筑设计数据和预设数据架构,其中,预设数据架构包括:构件标识、结构类型以及结构类型对应的参数标识;
根据目标建筑设计数据构建初始生成数据,对初始生成数据循环执行生成操作,直至目标分类网络模型的输出结果中包括终止标识信息,得到目标生成数据;
其中,所述生成操作包括:
将初始生成数据输入至多网络生成模型中的目标分类网络模型,输出初始生成数据对应的第一构件标识和第一结构类型;
根据初始生成数据对应的第一构件标识、第一结构类型以及预设数据架构生成第一预测生成数据;
将第一预测生成数据输入至第一预测生成数据对应的目标生成网络模型,得到第一生成数据;
根据第一生成数据更新初始生成数据。
8.一种多网络生成模型确定装置,其特征在于,包括:
第一获取模块,用于获取第一历史结构设计数据以及第一历史结构设计数据对应的第一历史建筑设计数据;
确定模块,用于根据第一历史结构设计数据和第一历史建筑设计数据确定至少一种结构类型对应的目标训练数据集;
得到模块,用于根据每种结构类型对应的目标训练数据集分别对第一待训练模型进行训练,得到每种结构类型对应的生成网络模型;
第二获取模块,用于获取第二历史结构设计数据,并基于每种结构类型对应的生成网络模型和第二历史结构设计数据对第二待训练模型进行训练,得到目标分类网络模型,其中,所述第一待训练模型和第二待训练模型不同;
生成模块,用于根据每种结构类型对应的生成网络模型和目标分类网络模型生成多网络生成模型。
9.一种电子设备,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1-7中任一项所述的多网络生成模型确定方法。
10.一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1-7中任一项所述的多网络生成模型确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133412.8A CN116882033B (zh) | 2023-09-05 | 2023-09-05 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311133412.8A CN116882033B (zh) | 2023-09-05 | 2023-09-05 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116882033A true CN116882033A (zh) | 2023-10-13 |
CN116882033B CN116882033B (zh) | 2023-11-28 |
Family
ID=88260814
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311133412.8A Active CN116882033B (zh) | 2023-09-05 | 2023-09-05 | 一种多网络生成模型确定方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116882033B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110941829A (zh) * | 2019-11-27 | 2020-03-31 | 北京电子科技学院 | 一种基于生成对抗网络的大规模硬件木马库生成系统及方法 |
US20210073589A1 (en) * | 2019-09-09 | 2021-03-11 | Apple Inc. | Method for Improving Temporal Consistency of Deep Neural Networks |
US20220301227A1 (en) * | 2019-09-11 | 2022-09-22 | Google Llc | Image colorization using machine learning |
CN115718958A (zh) * | 2022-08-26 | 2023-02-28 | 上海设序科技有限公司 | 一种多标签学习的机械结构智能设计系统及其方法 |
CN115758561A (zh) * | 2022-10-26 | 2023-03-07 | 中国航空工业集团公司西安航空计算技术研究所 | 一种飞机飞行模拟参数数据的生成方法 |
-
2023
- 2023-09-05 CN CN202311133412.8A patent/CN116882033B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210073589A1 (en) * | 2019-09-09 | 2021-03-11 | Apple Inc. | Method for Improving Temporal Consistency of Deep Neural Networks |
US20220301227A1 (en) * | 2019-09-11 | 2022-09-22 | Google Llc | Image colorization using machine learning |
CN110941829A (zh) * | 2019-11-27 | 2020-03-31 | 北京电子科技学院 | 一种基于生成对抗网络的大规模硬件木马库生成系统及方法 |
CN115718958A (zh) * | 2022-08-26 | 2023-02-28 | 上海设序科技有限公司 | 一种多标签学习的机械结构智能设计系统及其方法 |
CN115758561A (zh) * | 2022-10-26 | 2023-03-07 | 中国航空工业集团公司西安航空计算技术研究所 | 一种飞机飞行模拟参数数据的生成方法 |
Non-Patent Citations (2)
Title |
---|
李波 等: "基于语法分析和统计方法的答案排序模型", 《中文信息学报》, vol. 23, no. 2, pages 23 - 27 * |
滕南君 等: "PG-RNN:一种基于递归神经网络的密码猜测模型", 《智能系统学报》, vol. 13, no. 6, pages 889 - 896 * |
Also Published As
Publication number | Publication date |
---|---|
CN116882033B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113159835A (zh) | 基于人工智能的发电侧电价报价方法、装置、存储介质及电子设备 | |
CN110689427A (zh) | 一种基于生存分析的消费分期违约概率模型 | |
CN116775622B (zh) | 一种结构数据生成方法、装置、设备及存储介质 | |
CN114218931B (zh) | 信息抽取方法、装置、电子设备和可读存储介质 | |
CN114896291A (zh) | 多智能体模型的训练方法和排序方法 | |
CN116882033B (zh) | 一种多网络生成模型确定方法、装置、设备及存储介质 | |
JP6290029B2 (ja) | 生産制御支援装置、生産制御支援方法およびプログラム | |
CN116452861A (zh) | 目标模型训练方法、装置及电子设备 | |
CN116307325A (zh) | 一种配电网的线路规划方法、装置、电子设备及存储介质 | |
CN115496157A (zh) | 分类模型训练方法、装置、电子设备及存储介质 | |
CN115495705A (zh) | 评价函数确定方法、装置、电子设备以及存储介质 | |
JP2023544929A (ja) | ビデオプッシュ方法、装置、電子機器、記憶媒体、及びコンピュータプログラム | |
CN114997072B (zh) | 基坑水平支撑布置方案确定方法、装置、设备及存储介质 | |
CN114154847A (zh) | 一种工程施工方案的确定方法、装置、客户端和存储介质 | |
CN114638073B (zh) | 一种钢筋加工方法、装置、电子设备及存储介质 | |
CN117236233B (zh) | 半导体器件初始值评估方法、装置、电子设备及存储介质 | |
CN117130280B (zh) | 泵房控制方法、装置、电子设备及存储介质 | |
CN113591095B (zh) | 一种标识信息处理方法、装置及电子设备 | |
EP4202777A1 (en) | Method and apparatus for distributing network layers in neural network model | |
CN115146997A (zh) | 基于电力数据的评估方法、装置、电子设备及存储介质 | |
CN118092219A (zh) | 控制模型的训练方法、松散回潮机的控制方法和装置 | |
CN116392821A (zh) | 一种游戏玩家匹配方法、装置、设备和存储介质 | |
CN116523249A (zh) | 一种生产线确定方法、装置、设备和存储介质 | |
CN117828364A (zh) | 还原度确定方法、装置、设备及存储介质 | |
CN115018359A (zh) | 一种防雷策略确定方法、装置、设备以及存储介质 |
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 |