CN116912356B - 一种六边形集合可视化方法及相关装置 - Google Patents
一种六边形集合可视化方法及相关装置 Download PDFInfo
- Publication number
- CN116912356B CN116912356B CN202311180510.7A CN202311180510A CN116912356B CN 116912356 B CN116912356 B CN 116912356B CN 202311180510 A CN202311180510 A CN 202311180510A CN 116912356 B CN116912356 B CN 116912356B
- Authority
- CN
- China
- Prior art keywords
- hexagonal
- image
- given set
- agent
- members
- 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
- 238000007794 visualization technique Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 37
- 230000002787 reinforcement Effects 0.000 claims abstract description 25
- 238000012800 visualization Methods 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims description 43
- 230000009471 action Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 8
- 238000013519 translation Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 4
- 238000010586 diagram Methods 0.000 abstract description 28
- 238000013507 mapping Methods 0.000 abstract description 16
- 239000003795 chemical substances by application Substances 0.000 description 99
- 230000003993 interaction Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000012549 training Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 238000013461 design Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013079 data visualisation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T11/00—2D [Two Dimensional] image generation
- G06T11/20—Drawing from basic elements, e.g. lines or circles
- G06T11/206—Drawing of charts or graphs
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本申请公开了一种六边形集合可视化方法及相关装置,方法包括获取各给定集合的成员数量以及各给定集合间的交集成员数量;根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。本申请通过让智能体根据给定的集合关系,对六边形图像在网格布局上进行调整,生成布局和集合的映射关系图,这样可以提高六边形集合可视化的效率。同时,通过单个里编写对每个集合成员进行映射,能支持对单个集合成员额外的编码,这样可以更容易感知集合数量的差异。
Description
技术领域
本申请涉及数据可视化技术领域,特别涉及一种六边形集合可视化方法及相关装置。
背景技术
六边形可视化形式通常指的是采用六边形图像作为可视化主要元素。目前最场景的六边形可视化形式为六边形分箱图,这种图表的形式通常是对散点图进行进一步的抽象,根据散点图中点的位置映射到六边形里,对与每个六边形统计点的数量或密度进行颜色的映射。
现有六边形可视化普遍是采用整数线性规划模型构建集合和六边形图的映射关系,将集合系统嵌入到六边形布局中。但是,这种方式限于线性规划模型的限制,即得到映射关系的时间损耗过长。
因而现有技术还有待改进和提高。
发明内容
本申请要解决的技术问题在于,针对现有技术的不足,提供一种六边形集合可视化方法及相关装置。
为了解决上述技术问题,本申请实施例第一方面提供了一种六边形集合可视化方法,所述方法包括:
获取各给定集合的成员数量以及各给定集合间的交集成员数量;
根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;
将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。
所述的六边形集合可视化方法,其中,所述初始六边形图像采用网格布局方式。
所述的六边形集合可视化方法,其中,所述将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像具体包括:
将所述初始六边形图像编码为初始图像矩阵,其中,所述初始图像矩阵的通道表示该像素点位置覆盖所属给定集合信息,图像矩阵的通道数等于给定集合的集合数量;
将所述初始图像矩阵作为状态信息输入所述预设智能体,通过所述预设智能体确定目标图像矩阵;
将所述目标图像矩阵转换为六边形图像,以得到目标六边形图像。
所述的六边形集合可视化方法,其中,所述图像矩阵中的每个通道的元素值为0或1,其中,0表示该通道对应的给定集合未覆盖该像素位置,1表示该通道对应的给定集合覆盖该像素位置。
所述的六边形集合可视化方法,其中,所述预设智能体的动作空间包括旋转、平移和布局。
所述的六边形集合可视化方法,其中,所述预设智能体的奖励函数为:
,
其中,和/>分别表示交集成员数量和当前时间/>时所有集合的交集数量,表示给定集合,/>表示给定集合的集合数量。
所述的六边形集合可视化方法,其中,所述获取各给定集合的成员数量以及各给定集合间的交集成员数量之后,所述方法还包括:
根据各给定集合的成员数量和各交集成员数量确定目标数量;
根据所述目标数量在预设的智能体集合中选取预设智能体,其中,所述预设的智能体集合中的每个智能体均为经过强化学习得到的,且预设智能体对应的图像矩阵的图像维度对应的像素位置数量大于目标数量。
本申请实施例第二方面提供了一种六边形集合可视化装置,所述装置包括:
获取模块,用于获取各给定集合的成员数量以及各给定集合间的交集成员数量;
生成模块,用于根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;
确定模块,用于将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。
本申请实施例第三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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上任一所述的六边形集合可视化方法中的步骤。
本申请实施例第四方面提供了一种终端设备,其包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如上任一所述的六边形集合可视化方法中的步骤。
有益效果:与现有技术相比,本申请提供了一种六边形集合可视化方法及相关装置,方法包括获取各给定集合的成员数量以及各给定集合间的交集成员数量;根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。本申请通过让智能体根据给定的集合关系,对六边形图像在网格布局上进行调整,生成布局和集合的映射关系图,这样可以提高六边形集合可视化的效率。同时,通过单个里编写对每个集合成员进行映射,能支持对单个集合成员额外的编码,这样可以更容易感知集合数量的差异。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域普通技术人员而言,在不符创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请提供的六边形集合可视化方法的流程图。
图2为网格布局的示意图。
图3为圆形布局的示意图。
图4a为移动动作的示意图。
图4b为旋转动作的示意图。
图4c为布局变换动作的示意图。
图5为本申请提供的六边形集合可视化装置的结构原理图。
图6为本申请提供的终端设备的结构原理图。
具体实施方式
本申请提供一种六边形集合可视化方法及相关装置,为使本申请的目的、技术方案及效果更加清楚、明确,以下参照附图并举实施例对本申请进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本申请,并不用于限定本申请。
本技术领域技术人员可以理解,除非特意声明,这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是,本申请的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件,但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解,当我们称元件被“连接”或“耦接”到另一元件时,它可以直接连接或耦接到其他元件,或者也可以存在中间元件。此外,这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。
本技术领域技术人员可以理解,除非另外定义,这里使用的所有术语(包括技术术语和科学术语),具有与本申请所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语,应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样被特定定义,否则不会用理想化或过于正式的含义来解释。
应理解,本实施例中各步骤的序号和大小并不意味着执行顺序的先后,各过程的执行顺序以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
经过研究发现,欧拉图和维恩图欧拉在18世纪提出的欧拉图是这个方向的第一个想法,欧拉图将类簇(又称集合)抽象为形状并编码类簇间的交叠关系。维恩图是欧拉图的一种特殊形式,它将集合之间所有可能的交集关系进行绘,但由于其绘制的局限性,当集合数量增加时,对维恩图的类簇关系将会越来越难以被用户理解。许多这个方向的后续工作是在传统的欧拉图或维恩图的设计上进行迭代优化以更好的描述类簇间的交叠关系。例如,Micallef等人提出只绘制三个类簇的面积比例关系的维恩图。Simonetto等人对类簇的交集进行图的建模,在类簇间的区域由节点表示,对这些区域采用轮廓和纹理进行可视化。Riche等人提出了紧凑的长方形欧拉图,该方法将类簇的形状简化为紧凑的长方形,这些长方形由线条链接。
六边形可视化形式通常指的是采用六边形图像作为可视化主要元素。最常见的可视化形式是六边形分箱图,这种图表的形式通常是对散点图进行进一步的抽象,根据散点图中点的位置映射到六边形里,对与每个六边形统计点的数量或密度进行颜色的映射。
Heimerl等人的工作里,针对多类散点图的分箱方式,对六边形进行多维的设计包括颜色,内嵌图表和纹理方式,增强此类分箱图的可视化效果。Trautner等人的工作里借用蜂窝的隐喻,使用三维中的阴影和厚度等编码方式增强六边形分箱图的感知。此外六边形的设计在地图可视化中也是最常见的方法,通过建立地图和六边形的映射,每个六边形代表一个区域,最后生成六边形网格地图可视化。
在六边形的集合可视化技术里,Petter等人采用整数线性规划模型构建集合和六边形网格图的映射关系,将集合系统嵌入到六边形网格布局中,设计出了欧拉图的六边形集合形状。但这种方法受限于线性规划模型的限制,即得到映射关系的时间损耗过长,并且在一些集合关系场景里无法得到解。
为了解决上述问题,在本申请实施例中,获取各给定集合的成员数量以及各给定集合间的交集成员数量;根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。本申请通过让智能体根据给定的集合关系,对六边形图像在网格布局上进行调整,生成布局和集合的映射关系图,这样可以提高六边形集合可视化的效率。同时,通过单个里编写对每个集合成员进行映射,能支持对单个集合成员额外的编码,这样可以更容易感知集合数量的差异。
下面结合附图,通过对实施例的描述,对申请内容作进一步说明。
本实施例提供了一种六边形集合可视化方法,如图1所示,所述方法包括:
S10、获取各给定集合的成员数量以及各给定集合间的交集成员数量。
具体地,每个给定集合均包括若干集合成员,例如,给定集合包括给定集合0、给定集合1和给定集合2,其中,给定集合0的成员数量为45,给定集合1的成员数量为28,给定集合2的成员数量为25。交集成员数量用于反映两个给定集合的交集所包括的成员数量,也就是说,各给定集合间的交集成员数量包括所有给定集合中两两给定集合所形成的交集所包括的成员数量。例如,给定集合包括给定集合0、给定集合1和给定集合2,给定集合0和给定集合1的交集成员数量为10,给定集合0和给定集合2的交集成员数量为5,给定集合1和给定集合2的交集成员数据为10,那么各给定集合间的交集成员数量为{(0,1):10,(0,2):5,(1,2):10}。应理解的是,获取到各给定集合间的交集成员数量时,通过交集成员数量可以知道交集所包括的成员数量,以及形成交集的两个给定集合。
S20、根据各给定集合的成员数量以及集合交集关系生成初始六边形图像。
具体地,初始六边形图像为基于六边形布局环境的布局方式确定,其中,六边形布局环境采用网格布局方式,网格布局指的是给定纵向和横向的行列数,在六边形坐标系中生成对应的网格布局。例如,如图2所示,给定网格布局的纵向的行数为3,横向的列数为3等。本申请采用网格布局作为六边形布局环境,可以通过配置行列的形式进行任意的网格变换,生成不同形状六边形集合,提高了六边形可视化的灵活性。当然,在实际应用中,六边形布局环境还可以采用其他布局方式,例如圆形布局等,如图3所述,圆形布局为给定整数为N的半径,设定一个六边形为圆形,距其三个坐标的半径为N范围内填充其包含的所有六边形。
在本申请的一个实现方式中,在生成初始六边形图像时,基于每个给定集合形成一个初始网格布局,然后将各给定集合的初始网络布局布置到同一图像中以形成初始六边形图形。其中,初始六边形图形的中心坐标为(0,0)各给定集合对应的初始网格布局的行数和列数可以是随机生成的,并且行数和列数满足图像矩阵的高度维度和宽度维度的限制。例如,给定集合0包括45个成员,可以生成一个7*7的六边形排列作为给定集合0对应的初始网格布局。此外,在将各初始网格布局布置到同一图像时,将各初始网格布局随机布置于同一图像内,并保持各初始网格布局间存在部分重叠区域,还可以是将各初始网格布局的中心点重叠来将各初始网格布局布置于同一图像内等。
S30、将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像。
具体地,智能体配置有强化学习模型,强化学习(reinforcement learning,RL),又称再励学习、评价学习或增强学习,用于描述和解决智能体(agent)在与环境的交互过程中通过学习策略以达成回报最大化或实现特定目标的问题。强化学习是智能体(agent)以“试错”的方式进行学习,通过动作(action)与环境进行交互获得的奖励(reward)指导行为,目标是使智能体获得最大的奖励。
强化学习主要包括四个元素:智能体(agent)、环境(environment)状态(state)、动作(action)与奖励(reward),其中,智能体的输入为状态,输出为动作。其中,在强化学习的训练过程中,通过智能体与环境进行多次交互,获得每次交互的动作、状态、奖励;将这多组(动作,状态,奖励)作为训练数据,对智能体进行一次训练。采用上述过程,对智能体进行下一轮次训练,直至满足收敛条件。可以理解的是,本申请中智能体与初始六边形图像为输入,通过智能体与六边形布局环境进行多次交互来得到目标六边形图像。
智能体(agent)是指能够思想并与环境进行交互的实体。例如,智能体可以是某个特定的环境下的计算机系统或者计算机系统的一部分。智能体可以根据自身对环境的感知,按照已有的指示或者通过自主学习,并与其他智能体进行沟通协作,在其所处的环境中自主地完成设定的目标。智能体可以是软件或者软件和硬件结合的实体。在本实施例中,智能体配置有经过训练的强化学习模型,例如,用A3C模型有效训练网络模型作为智能体的强化学习模型,A3C的神经网络参数作为该智能体的参数记作。
在本申请中,智能体交互的环境为六边形网格环境,智能体通过与环境进行交互得到的状态为基于六边形图像编码形成的图像矩阵,图像矩阵覆盖与六边形网络环境相关的所有信息,其中,所有信息可以包括给定集合的表征信息和给定集合间的交集的表征信息。应该理解的是,在对六边形进行编码形成图像矩阵后,通过图像矩阵可以确定每个给定集合所包括的成员数量,以及两两给定集合间的交集所包括的成员数量。换句话说,基于图像矩阵可以确定六边形图像中的单个六边形所处的给定集合,其中,当个六边形可以包含于一个给定集合,也可以包含多个给定集合。
所述图像矩阵的高度维度和宽度维度均匀六边形图像的高度维度和宽度维度相匹配,用于表示图像像素在六边形图像中的位置。图像矩阵的通道维度与给定集合的数量相同,用于表示像素位置所处的给定集合。在一个典型实现方式中,像素位置在每个通道上的值均为0或1,其中,0表示该通道对应的给定集合未覆盖该像素位置,1表示该通道对应的给定集合覆盖该像素位置。换句话说,通道上的值为1表示其对应的给定集合在该像素上覆盖一个六边形,该通道上的值为0表示其对应的给定集合在该像素上未覆盖一个六边形,并且当像素同时又多个通道表征为1时,说明多个给定集合在该像素位置又一个交集成员。
在实际应用中,由于图像矩阵的尺度越大智能体的训练越难,并且在将图像矩阵为六边形图像环境的状态变量时,需要图像矩阵可以容纳一定数量的集合成员。因此,本申请实施例预先设置多种跨度的图像维度,然后分别基于不同图像维度训练得到智能体,在基于智能体确定给定集合对应的目标六边形图像时,可以根据给定集合所包括的成员数量来确定给定集合对应的智能体。
基于此,在本申请的一个实现方式中,所述获取各给定集合的成员数量以及各给定集合间的交集成员数量之后,所述方法还包括:
根据各给定集合的成员数量和各交集成员数量确定目标数量;
根据所述目标数量在预设的智能体集合中选取预设智能体,其中,所述预设的智能体集合中的每个智能体均为经过强化学习得到的,且预设智能体对应的图像矩阵的图像维度对应的像素位置数量大于目标数量。
具体地,目标数量为用于选取智能体的依据,其中,目标数量可以等于各给定集合的成员数量和,使得在各给定集合完全不相交的情况下,图像维度容纳各给定集合形成的六边形图像。当然,本申请中,由于可视化用于反映给定集合的相交关系,从而各给定集合间存在交集,相应的,目标数量可以等于各给定集合的成员数量和与各交集成员数量的差,或者等于各给定集合的成员数量和与各交集成员数量的差的预设倍数,例如,1.2,1.1等。
智能体集合中包括若干智能体,若干智能体中的智能体均配置有强化学习模型,并且各智能体中作为状态变量的图像矩阵的图像维度不同,例如,智能体集合中包括智能体a、智能体b、智能体c,智能体a对应的图像维度为20*20、智能体b对应的图像维度为40*40、智能体c对应的图像维度为100*100。此外,图像维度对应的像素位置等于宽度维度和高度维度的乘积,例如,图像维度为40*40,那么图像维度对应的像素位置为40*40=1600。此外,值得说明的是,各给定集合映射形成的六边形图像的行数需要小于或者等于图像维度中的高度维度,各给定集合映射形成的六边形图像的列数需要小于或者等于图像维度中的宽度维度。
在本申请的一个实现方式中,智能体与环境交互得到动作包括旋转、平移和布局。也就是说,智能体通过旋转、平移和布局与环境进行交互,环境反馈新的状态。也就是说,智能体的动作空间包括旋转,平移和布局,其中,如图4a、图4b和图4c所示,旋转指的是让六边形类簇围绕自身进行旋转,平移指的是操纵六边形类簇在网格布局上的六个方向进行移动,布局变换在网格布局中具体表现是对六边形集合的排列方式进行变换,例如,从2行3列,变换到3行2列。
在本申请的一个实现方式中,在六边形网格环境中,希望智能体可以对当前观察到的六边形类簇(每个给定集合对应一个六边形类簇)的重叠数量采取不同的措施,比如当智能体发现某一个六边形类簇采取一个动作后,可以使得他们之间的重叠数量和给定的重叠数量目标越来越接近时,就要鼓励智能体多采取这样的动作,反之如果采取的某一动作使得当前类簇的重叠数量偏离目标时,就要给予智能体惩罚。基于此,所述智能体的奖励函数为:
,
其中,和/>分别表示交集成员数量和当前时间/>时所有集合的交集数量,表示给定集合,/>表示给定集合的集合数量。
本申请的实现方式中在奖励值进行了归一化处理,这样可以避免智能体学习过程中奖励值波动太大,智能体学习不稳定的问题。
在本申请的一个实现方式中,所述将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像具体包括:
将所述初始六边形图像编码为初始图像矩阵,其中,初始图像矩阵的通道数等于给定集合的集合数量;
将所述初始图像矩阵作为状态信息输入所述预设智能体,通过所述预设智能体确定目标图像矩阵;
将所述目标图像矩阵转换为六边形图像,以得到目标六边形图像。
具体地,智能体的交互环境为六边形网格环境,智能体与环境交互的状态为图像矩阵,从而在获取到初始六边形图像后,将初始六边形图像编码为初始图像矩阵,然后将初始图像矩阵作为初始状态,通过智能体来基于初始状态确定当前动作,根据环境在当前动作作用下的奖励函数和下一状态,以便于智能体与环境的下一次交互,依次类推,得到目标图像矩阵,最后将目标图像矩阵转换为六边形图像,得到用于反映给定集合间的交集关系的目标六边形图像,通过目标六边形图像将定集合间的交集关系可视化。
在一个实现方式中,所述智能体配置的强化学习模型的训练过程可以为:
首先,初始化训练数据,其中,初始化训练数据包括初始化大小为N的六边形图像环境,初始化集合的成员数量及各集合间的交集成员数量/>,用随机的权重初始化强化学习模型的参数/>,初始化模型超参数中的迭代次数/>;学习率/>;结束条件/>;
其次,交互初始化操作:基于初始化集合的成员数量及各集合间的交集成员数量/>形成六边形网格图像中;
最后,进行与环境交互操作,其中,与环境交互操作包括:根据当前策略选择动作;执行动作/>,得到下一状态/>,以及奖励值/>,计算是否满足结束条件/>,模型收集四元组数据/>,计算/>,使用均方误差损失函数更新模型参数/>。然后再执行交互初始化操作,直至强化学习模型的训练结束。
本申请在将六边形集合和集合关系映射到六边形网格图像中时,是将每个六边形集合中心点放置到网格图像的中心,使其产生一个交集数量,而我们训练的智能体就要通过对每个集合进行动作变化,使之最终的交集为目标,此时可以结束当前交互过程,并反馈智能体额外的奖励。
综上所述,本实施例提供了一种六边形集合可视化方法,方法包括获取各给定集合的成员数量以及各给定集合间的交集成员数量;根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。本申请通过让智能体根据给定的集合关系,对六边形图像在网格布局上进行调整,生成布局和集合的映射关系图,这样可以提高六边形集合可视化的效率。同时,通过单个里编写对每个集合成员进行映射,能支持对单个集合成员额外的编码,这样可以更容易感知集合数量的差异。
基于上述六边形集合可视化方法,本实施例提供了一种六边形集合可视化装置,如图5所示,所述装置包括:
获取模块100,用于获取各给定集合的成员数量以及各给定集合间的交集成员数量;
生成模块200,用于根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;
确定模块300,用于将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型。
基于上述六边形集合可视化方法,本实施例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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如上述实施例所述的六边形集合可视化方法中的步骤。
基于上述六边形集合可视化方法,本申请还提供了一种终端设备,如图6所示,其包括至少一个处理器(processor)20;显示屏21;以及存储器(memory)22,还可以包括通信接口(Communications Interface)23和总线24。其中,处理器20、显示屏21、存储器22和通信接口23可以通过总线24完成相互间的通信。显示屏21设置为显示初始设置模式中预设的用户引导界面。通信接口23可以传输信息。处理器20可以调用存储器22中的逻辑指令,以执行上述实施例中的方法。
此外,上述的存储器22中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。
存储器22作为一种计算机可读存储介质,可设置为存储软件程序、计算机可执行程序,如本公开实施例中的方法对应的程序指令或模块。处理器20通过运行存储在存储器22中的软件程序、指令或模块,从而执行功能应用以及数据处理,即实现上述实施例中的方法。
存储器22可包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据终端设备的使用所创建的数据等。此外,存储器22可以包括高速随机存取存储器,还可以包括非易失性存储器。例如,U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等多种可以存储程序代码的介质,也可以是暂态存储介质。
此外,上述存储介质以及终端设备中的多条指令处理器加载并执行的具体过程在上述方法中已经详细说明,在这里就不再一一陈述。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (8)
1.一种六边形集合可视化方法,其特征在于,所述方法包括:
获取各给定集合的成员数量以及各给定集合间的交集成员数量;
根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;
将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型;
所述将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像具体包括:
将所述初始六边形图像编码为初始图像矩阵,其中,初始图像矩阵的通道数等于给定集合的集合数量;
将所述初始图像矩阵作为状态信息输入所述预设智能体,通过所述预设智能确定目标图像矩阵;
将所述目标图像矩阵转换为六边形图像,以得到目标六边形图像;
所述预设智能体的奖励函数为:
,
其中,和/>分别表示交集成员数量和当前时间t时所有集合的交集数量,表示给定集合,/>表示给定集合的集合数量。
2.根据权利要求1所述的六边形集合可视化方法,其特征在于,所述初始六边形图像采用网格布局方式。
3.根据权利要求1所述的六边形集合可视化方法,其特征在于,所述初始图像矩阵中的每个通道的元素值为0或1,其中,0表示该通道对应的给定集合未覆盖0所处的像素位置,1表示该通道对应的给定集合覆盖1所处的像素位置。
4.根据权利要求1所述的六边形集合可视化方法,其特征在于,所述预设智能体的动作空间包括旋转、平移和布局排列变换。
5.根据权利要求1所述的六边形集合可视化方法,其特征在于,所述获取各给定集合的成员数量以及各给定集合间的交集成员数量之后,所述方法还包括:
根据各给定集合的成员数量和各交集成员数量确定目标数量;
根据所述目标数量在预设的智能体集合中选取预设智能体,其中,所述预设的智能体集合中的每个智能体均为经过强化学习得到的,且预设智能体对应的图像矩阵的图像维度对应的像素位置数量大于目标数量。
6.一种六边形集合可视化装置,其特征在于,所述装置包括:
获取模块,用于获取各给定集合的成员数量以及各给定集合间的交集成员数量;
生成模块,用于根据各给定集合的成员数量以及集合交集关系生成初始六边形图像;
确定模块,用于将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像,其中,所述预设智能体配置有强化学习模型;
其中,所述将所述初始六边形图像输入预设智能体,通过预设智能体确定用于表示给定集合的集合交集关系的目标六边形图像具体包括:
将所述初始六边形图像编码为初始图像矩阵,其中,初始图像矩阵的通道数等于给定集合的集合数量;
将所述初始图像矩阵作为状态信息输入所述预设智能体,通过所述预设智能确定目标图像矩阵;
将所述目标图像矩阵转换为六边形图像,以得到目标六边形图像;
所述预设智能体的奖励函数为:
,
其中,和/>分别表示交集成员数量和当前时间t时所有集合的交集数量,表示给定集合,/>表示给定集合的集合数量。
7.一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一个或者多个程序,所述一个或者多个程序可被一个或者多个处理器执行,以实现如权利要求1-5任意一项所述的六边形集合可视化方法中的步骤。
8.一种终端设备,其特征在于,包括:处理器和存储器;
所述存储器上存储有可被所述处理器执行的计算机可读程序;
所述处理器执行所述计算机可读程序时实现如权利要求1-5任意一项所述的六边形集合可视化方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180510.7A CN116912356B (zh) | 2023-09-13 | 2023-09-13 | 一种六边形集合可视化方法及相关装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311180510.7A CN116912356B (zh) | 2023-09-13 | 2023-09-13 | 一种六边形集合可视化方法及相关装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116912356A CN116912356A (zh) | 2023-10-20 |
CN116912356B true CN116912356B (zh) | 2024-01-09 |
Family
ID=88358815
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311180510.7A Active CN116912356B (zh) | 2023-09-13 | 2023-09-13 | 一种六边形集合可视化方法及相关装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912356B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
CN111353822A (zh) * | 2020-03-03 | 2020-06-30 | 广东博智林机器人有限公司 | 一种图像布局、模型训练方法、装置、设备及存储介质 |
CN114545776A (zh) * | 2022-03-02 | 2022-05-27 | 盛景智能科技(嘉兴)有限公司 | 多智能体控制方法及装置 |
WO2022120955A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 多智能体仿真方法及采用该方法的平台 |
CN116737301A (zh) * | 2023-06-13 | 2023-09-12 | 北京看云软件有限公司 | 图层元素的对齐方法及装置 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016130858A1 (en) * | 2015-02-11 | 2016-08-18 | Skytree, Inc. | User interface for unified data science platform including management of models, experiments, data sets, projects, actions, reports and features |
US20180165845A1 (en) * | 2016-12-09 | 2018-06-14 | Free Construction Sp. Z o.o. | Method of Analysis of Visualised Data |
US11195050B2 (en) * | 2019-02-05 | 2021-12-07 | Microstrategy Incorporated | Machine learning to generate and evaluate visualizations |
US11449662B2 (en) * | 2020-10-12 | 2022-09-20 | Adobe Inc. | Automatic generation of layout variations based on visual flow |
-
2023
- 2023-09-13 CN CN202311180510.7A patent/CN116912356B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020000399A1 (zh) * | 2018-06-29 | 2020-01-02 | 东莞理工学院 | 一种基于智能电网的多智能体深度强化学习代理方法 |
CN111353822A (zh) * | 2020-03-03 | 2020-06-30 | 广东博智林机器人有限公司 | 一种图像布局、模型训练方法、装置、设备及存储介质 |
WO2022120955A1 (zh) * | 2020-12-11 | 2022-06-16 | 中国科学院深圳先进技术研究院 | 多智能体仿真方法及采用该方法的平台 |
CN114545776A (zh) * | 2022-03-02 | 2022-05-27 | 盛景智能科技(嘉兴)有限公司 | 多智能体控制方法及装置 |
CN116737301A (zh) * | 2023-06-13 | 2023-09-12 | 北京看云软件有限公司 | 图层元素的对齐方法及装置 |
Non-Patent Citations (3)
Title |
---|
MosaicSets:Embedding Set Systems into Grid Graphs;Peter Rottmann etal.;《IEEE TRANSACTIONS ON VISUALIZATION COMPUTER GRAPHICS》;第9卷(第1期);第875-885页 * |
offsite Aerial Path Planning for Efficient Urban Scene Reconstruction;Hui Huang etal.;《ACM Transcations on Graphics(Proceedings of SIGGRAPH ASIA 2020)》;第1-16页 * |
联邦可视化:一种隐私保护的可视化新模型;魏雅婷;王智勇;周舒悦;陈为;;智能科学与技术学报(04);第100-105页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116912356A (zh) | 2023-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110390638A (zh) | 一种高分辨率三维体素模型重建方法 | |
WO2019008519A1 (en) | SYSTEMS AND METHODS FOR PROVIDING SYNTHESIS OF NON-PARAMETRIC TEXTURE OF ARBITRARY SHAPE AND / OR MATERIAL DATA IN A UNIFIED FRAMEWORK | |
Wu et al. | Spherical self-organizing map using efficient indexed geodesic data structure | |
JP7403638B2 (ja) | 高速なスパースニューラルネットワーク | |
CN101751689A (zh) | 一种三维人脸重建方法 | |
US9799102B2 (en) | Smoothing images using machine learning | |
CN111881919B (zh) | 一种基于追踪式格网剖分的线要素智能化简方法与装置 | |
CN112734887A (zh) | 基于深度学习的人脸混合-变形生成方法和装置 | |
CN116363308A (zh) | 人体三维重建模型训练方法、人体三维重建方法和设备 | |
CN117934782B (zh) | Xr扩展现实场景的构建方法、装置、设备及存储介质 | |
CN116912356B (zh) | 一种六边形集合可视化方法及相关装置 | |
US20220398004A1 (en) | User Interfaces and Methods for Generating a New Artifact Based on Existing Artifacts | |
CN102496140A (zh) | 一种基于多层嵌套笼体的实时交互式图像变形方法 | |
CN117218300A (zh) | 三维模型的构建方法、三维构建模型的训练方法及装置 | |
CN116385667B (zh) | 三维模型的重建方法、纹理重构模型的训练方法以及装置 | |
US11995795B2 (en) | Image processing device and method for operating same | |
CN110097505A (zh) | 一种数字高程模型数据处理方法及装置 | |
CN113808006B (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
CN112634399B (zh) | 封闭曲线生成方法、装置、电子设备及可读存储介质 | |
WO2021248356A1 (en) | Method and system for generating images | |
GB2438668A (en) | Deformation of mask based images | |
Greenfield | Robot paintings evolved using simulated robots | |
Wang et al. | Cellular matrix model for parallel combinatorial optimization algorithms in Euclidean plane | |
CN102436674A (zh) | 用于创建模型数据的方法及系统 | |
Le Goff et al. | Guaranteed quality-driven hexahedral overlay grid method |
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 |