CN117057173B - 一种支持发散思维的仿生设计方法、系统及电子设备 - Google Patents
一种支持发散思维的仿生设计方法、系统及电子设备 Download PDFInfo
- Publication number
- CN117057173B CN117057173B CN202311322737.0A CN202311322737A CN117057173B CN 117057173 B CN117057173 B CN 117057173B CN 202311322737 A CN202311322737 A CN 202311322737A CN 117057173 B CN117057173 B CN 117057173B
- Authority
- CN
- China
- Prior art keywords
- bionic
- keywords
- design
- thinking
- semantic network
- 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
- 239000011664 nicotinic acid Substances 0.000 title claims abstract description 147
- 238000013461 design Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008901 benefit Effects 0.000 claims abstract description 50
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000013507 mapping Methods 0.000 claims description 33
- 230000003592 biomimetic effect Effects 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 7
- 238000012546 transfer Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012800 visualization Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000010276 construction Methods 0.000 claims description 3
- 238000007405 data analysis Methods 0.000 claims description 3
- 238000012938 design process Methods 0.000 description 6
- 210000003323 beak Anatomy 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- GCPYCNBGGPHOBD-UHFFFAOYSA-N Delphinidin Natural products OC1=Cc2c(O)cc(O)cc2OC1=C3C=C(O)C(=O)C(=C3)O GCPYCNBGGPHOBD-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- JKHRCGUTYDNCLE-UHFFFAOYSA-O delphinidin Chemical compound [O+]=1C2=CC(O)=CC(O)=C2C=C(O)C=1C1=CC(O)=C(O)C(O)=C1 JKHRCGUTYDNCLE-UHFFFAOYSA-O 0.000 description 2
- 235000007242 delphinidin Nutrition 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003137 locomotive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000010845 search algorithm Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F40/00—Handling natural language data
- G06F40/30—Semantic analysis
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种支持发散思维的仿生设计方法,包括以下步骤:获取仿生设计案例集合并提取相应的关键词进行编码,以生成包含来源、好处和应用的三元组集合;以所述三元组集合中来源、好处以及应用作为节点,构建对应的语义网络;采用三元组集合对所述语义网络进行训练,以获得用于仿生设计发散思维的检索模型;将待检索的关键词输入至检索模型中,以输出包含关键词对应的三元组,共享仿生对象和共享仿生应用集合以及相似仿生对象和相似仿生应用集合的检索结果。本发明还提供了一种仿生设计系统和电子设备。本发明提供的方法可增加设计结果的多样性,从而为用户的思维发散提供更全面的指导。
Description
技术领域
本发明涉及计算机辅助设计领域,尤其涉及一种支持发散思维的仿生设计方法、系统及电子设备。
背景技术
仿生设计:仿生设计是一种类比设计方法,通过类比推理从自然来源、功能和结构中汲取灵感到目标领域。
现有的仿生设计研究主要集中在收集仿生设计案例、构建仿生设计数据库以及促进生物学知识的检索等方面。尽管现有方法很有用,仿生设计方法仍然遇到支持生物启发构思中发散思维的挑战,因为在将生物知识(称为源域)连接到目标域时,源域和目标域之间的关联始终局限于单个案例。因此,对于缺乏经验或知识范围有限的专业设计人员以及不精通类比思维的设计人员来说,这一挑战被放大。
“来源”:指自然界中作为生物灵感的特定有机体、系统或过程;只能用名词来描述;一个仿生设计案例中只有一个“来源”。
“好处”:指生物源所表现出的优点、特征或性质;应使用动词+名词或形容词+名词的组合来描述;一个仿生设计案例可以有多个“好处”。
“应用”:描述如何将生物效益转化为创新或设计解决方案;只能用名词来描述;一个仿生设计案例中只有一个“应用”。
专利文献CN113221559A公开了一种利用语义特征的科技创新领域中文关键短语抽取方法及系统,该方法通过挖掘中文科技创新文档语料特征,构建出中文停用词及停用模式库,实现对无效信息的高性能过滤;此外借助领域专家标注对各类关键短语抽取算法进行量化评估分析,从而选用更加适合领域认知的算法模型,并利用多种统计规则进行过滤以提升短语抽取性能;进一步利用文档的结构特点,对文档的主题语义进行向量空间嵌入表示,并综合利用所抽取短语与文档主题的语义相似度,和短语语义重要程度进行计算与排名,完成对关键短语的进一步筛选。该方法可支撑多种下游任务和应用,包括科技创新领域知识图谱构建、科技创新文档语义检索、科技创新实体精准搜索等场景。
专利文献CN115033772A公开了一种基于语义网络的创意激发方法,包括:步骤1、构建用于匹配检索的数据库;步骤2、获取关键词,通过映射获得语义网络中对应的节点信息,基于所述节点信息在步骤1构建的数据库中进行匹配,获取所有相关联节点的权重信息集合;步骤3、对权重信息集合中统计权重进行标准化,获得关联节点对应的标准统计权重集合;步骤4、基于标准统计权重集合与语义权重集合,计算获得路径边权重集合;步骤5、基于路径边权重集合,生成用于体现关键词与相关词之间隐式关系的力导向图。
发明内容
本发明的主要目的在于提供一种支持发散思维的仿生设计方法、系统以及电子设备,该方法可减少仿生设计过程中的信息检索时间和设计构思时间,并提高设计结果的多样性,从而为用户的思维发散提供更全面的指导。
为了实现本发明的第一个目的,提供了一种支持发散思维的仿生设计方法,包括以下步骤:
获取仿生设计案例集合并提取相应的关键词进行编码,以生成包含来源、好处和应用的三元组集合,所述关键词包括与来源对应的仿生对象关键词,与好处对应的仿生特点关键词,以及与应用对应的仿生应用关键词;
以所述三元组集合中来源、好处以及应用作为节点,构建对应的语义网络;
采用三元组集合对所述语义网络进行训练,以获得用于仿生设计发散思维的检索模型,所述检索模型包括直接映射模块,相关映射模块以及潜在映射模块,所述直接映射模块根据输入关键词对仿生设计案例集合进行检索,根据检索结果在语义网络中进行节点连接,以输出对应的三元组,所述相关映射模块通过语义网络生成所述检索结果中与好处相关的仿生特点关键词,以获得共享所述仿生特点关键词的共享仿生对象和共享仿生应用集合,所述潜在映射模块通过所述仿生特点关键词在仿生设计案例集合中进行语义相似度匹配,并将匹配结果对应的相似仿生对象和相似仿生应用集合;
将待检索的关键词输入至检索模型中,以输出包含关键词对应的三元组,共享仿生对象和共享仿生应用集合以及相似仿生对象和相似仿生应用集合的检索结果。
本发明通过对仿生知识与仿生应用的编码构建对应的语义网络,并结合相应的检索逻辑从而实现仿生设计过程的思维发散。
具体的,所述共享仿生对象和共享仿生应用,指与输入关键词在语义网络中有同一个仿生特点关键词的仿生对象和仿生应用。
所述相似仿生对象和相似仿生应用,指输入关键词在语义网络中有关的仿生特点关键词,与语义网络中其他仿生特点关键词之间进行相似度匹配,将相似度匹配较高的仿生关键词作为中间检索的节点,从而引出对应的仿生对象和仿生应用。
具体的,采用GPT-3模型对仿生设计案例集合进行关键词编码。
具体的,所述语义网络的构建包括节点边设置和检索转移方向设置。
具体的,所述节点边设置的具体过程如下:
将每个三元组中来源、好处以及应用作为语义网络的节点,分别构建来源和好处之间的第一连接边,以及好处和应用之间的第二连接边。
具体的,所述检索转移方向设置的方向包括:来源-好处-应用和应用-好处-来源两种检索转移方向。
具体的,所述潜在映射模块采用S-Bert模型进行语义相似度计算。
具体的,所述S-Bert模型包括词特征提取模块和相似度计算模块,所述词特征提取模块用于提取输入关键词和仿生设计案例集合中关键词的特征向量,所述相似度计算模块采用余弦公式计算所述特征向量的相似度值,并输出相似度值大于阈值的结果。
为了实现本发明的第二个目的,提供了一种仿生设计系统,通过上述的支持发散思维的仿生设计方法实现,包括:
输入单元,用于输入仿生设计思路的关键词;
数据分析单元,用于根据输入的关键词,对仿生设计案例集合进行检索,以获得对应的检索结果;
语义网络模块,根据检索结果对预构建的语义网络进行节点连接,以获得对应的三元组;
思维拓展模块,根据检索结果和对应的三元组进行分析,以获得共享仿生对象和共享仿生应用集合,以及相似仿生对象和相似仿生应用集合;
可视化模块,根据语义网络模块和思维拓展模块的输出结果,生成对应的可视化结果。
为了实现本发明的第三个目的,提供了一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现上述的支持发散思维的仿生设计方法的步骤。
与现有技术相比,本发明的有益效果:
在仿生设计过程中基于预构建的语义网络进行信息检索,该语义网络可以将特定逻辑且具有语义关系的仿生关键词连接在一起,从而能够检索得到很多由生物、生物特点和工程应用构成的三元组,每个三元组可以组成一个仿生设计的设计想法,降低了仿生设计过程中的信息检索时间和设计构思时间,同时提高设计结果的多样性,从而为用户的思维发散提供更全面的指导。
附图说明
图1为本实施例提供的支持发散思维的仿生设计方法的流程图;
图2为本实施例提供的语义网络的结构示意图;
图3为本实施例提供的检索模型的工作流程图;
图4为本实施例提供的仿生设计系统的结构示意图。
具体实施方式
以下将参考附图详细说明本公开的各种示例性实施例、特征和方面。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面,但是除非特别指出,不必按比例绘制附图。
如图1所示,本实施例提供了一种支持发散思维的仿生设计方法,包括以下步骤:
获取仿生设计案例集合并提取相应的关键词进行编码,以生成包含来源、好处和应用的三元组集合,所述关键词包括与来源对应的仿生对象关键词,与好处对应的仿生特点关键词,以及与应用对应的仿生应用关键词;
以所述三元组集合中来源、好处以及应用作为节点,构建对应的语义网络;
采用三元组集合对所述语义网络进行训练,以获得用于仿生设计发散思维的检索模型,所述检索模型包括直接映射模块,相关映射模块以及潜在映射模块,所述直接映射模块根据输入关键词对仿生设计案例集合进行检索,根据检索结果在语义网络中进行节点连接,以输出对应的三元组,所述相关映射模块通过语义网络生成所述检索结果中与好处相关的仿生特点关键词,以获得共享所述仿生特点关键词的共享仿生对象和共享仿生应用集合,所述潜在映射模块通过所述仿生特点关键词在仿生设计案例集合中进行语义相似度匹配,并将匹配结果对应的相似仿生对象和相似仿生应用集合;
将待检索的关键词输入至检索模型中,以输出包含关键词对应的三元组,共享仿生对象和共享仿生应用集合以及相似仿生对象和相似仿生应用集合的检索结果。
更具体地,为了支持仿生设计检索,在本实施例中采用大语言模型GPT-3将仿生设计案例编码为三元组<来源,好处,应用>,同时准备200个仿生设计案例组成AskNature数据库。为了实现这一目标,首先确定了三元组中三类元数据的编码方法,通过人工编码200个案例,然后使用人工编码的数据让GPT-3做少样本学习,即微调。GPT-3模型在经过微调之后便具有了从仿生设计案例中编码三元组的能力。其中在进行人工编码过程中三元组元数据的定义如下:
“来源”:指自然界中作为生物灵感的特定有机体、系统或过程;只能用名词来描述;一个仿生设计案例中只有一个“来源”。
“好处”:指生物源所表现出的优点、特征或性质;应使用动词+名词或形容词+名词的组合来描述;一个仿生设计案例可以有多个“好处”。
“应用”:描述如何将生物效益转化为创新或设计解决方案;只能用名词来描述;一个仿生设计案例中只有一个“应用”。
首先进行人工打标,每个AskNature数据库里面的案例大约是一段50-300词的文本,人工打标成一个“来源”的关键词,一个“应用”的关键词和若干个“好处”的关键词,一共将200个案例打标好以后,让GPT-3模型进行微调训练,得到GPT-3微调模型。训练完成之后的GPT-3微调模型可以对输入的一段仿生设计案例的文本进行文本编码,得到该案例的<来源,好处,应用>三元组。
如图2所述,为了实现仿生设计检索,在本实例中将编码好的三元组数据被用于构建一个语义网络,进而可以在该语义网络中实施检索方法。其中三元组中的元数据被转换为语义网络的节点,因此节点一共有三种类别,而连接这些节点的两种关系:<来源-好处>和<好处-应用>被转换为语义网络的边。
语义网络中的边进一步被分配方向,并组合成两种类型的知识转移链接:“来源”->“好处”->“应用”和“应用”->“好处”->“来源”。通过为边分配方向,可以有效地检索两个仿生设计模式的知识。
如图3所示,所构建的语义网络将被用于进行概念设计过程中的信息检索。当输入一个节点在语义网络中进行检索时,会得到很多跟该节点相连的三元组数据,而每个三元组都可以作为一个潜在的概念设计方案,比如当输入是“翠鸟的喙”时,可能会得到一个三元组为<“翠鸟的喙”-“减小阻力”–“火车头外型”>,该三元组表示一个潜在的概念设计方案:翠鸟的喙的形状可以支持翠鸟在入水捕鱼的时候减小阻力,通过模仿该结构,可以设计出一款新型抗风阻的火车头。
由于所构建的语义网络有2种边的方向,即“来源”->“好处”->“应用”和“应用”->“好处”->“来源”,因此在检索算法中,当输入搜索是“来源”节点时,搜索方向是寻找可以从输入自然源导出的相关“好处”和工程“应用”。相反,当输入搜索是“应用”节点时,搜索方向是寻找已被用作技术解决方案的相关“好处”及其可能的生物“来源”。这两种检索模式对应于仿生设计的两种模式:解决方案驱动和问题驱动。仿生设计的检索结果用于支持发散思维,因为该方法可以检索出很多潜在的三元组。在类比映射过程中,映射知识基于某些共享的相似性将源和目标链接起来。这些相似性可以是产品的整体相似性,也可以是产品部分的子功能相似性。在本实施例中,采用归因相似性来支持发散性思维。该归因相似性指语义相关性,表示词之间属性的相似程度,可以用语义相似度来表示。在本实例化中采用S-Bert来计算语义相似度。
第一步是直接映射。这直接从给定的输入开始,然后根据检索模式通过“来源”->“好处”->“应用”或“应用”->“好处”->“来源”的路径进行映射。在该步骤中,多个“好处”节点(例如好处1、好处2、好处3)连接到单个“应用”节点,或者相反,单个“来源”节点连接到多个“好处”节点,形成多个“来源”->“好处”->“应用”或“应用”->“好处”->“来源”路径。这一步是从来源到目标的初步探索。
第二步是相关映射,它基于来源和潜在目标之间子功能的相似性。子功能是指生物系统的特定功能方面或组件,例如直接映射步骤中的多个好处节点。与直接映射结果不同,此步骤不会直接从输入中检索,而是通过共享子功能(如“好处2”节点)将源连接到新目标来建立。由此产生的映射代表了来源和新目标之间基于产品部件的共享子功能的不同思维。
第三步通过潜在映射进一步扩展思维,潜在映射基于来源和潜在目标之间的语义相似性。该映射不是直接使用共享子功能,而是通过语义相似的子功能(即图 2 中所示的“相似好处”节点)将来源连接到新目标来建立。由此产生的映射代表了来源和新目标之间基于这个语义相似的子功能的发散思维,这是一种归因相似性。这一步允许更多样化的联系,进一步促进设计过程中的发散思维。
如图4所示,本实施例还提供了一种仿生设计系统,通过上述实施例提出的仿生设计方法实现,包括:
输入单元,用于输入仿生设计思路的关键词。
数据分析单元,用于根据输入的关键词,对仿生设计案例集合进行检索,以获得对应的检索结果。
语义网络模块,根据检索结果对预构建的语义网络进行节点连接,以获得对应的三元组。
思维拓展模块,根据检索结果和对应的三元组进行分析,以获得共享仿生对象和共享仿生应用集合,以及相似仿生对象和相似仿生应用集合。
可视化模块,根据语义网络模块和思维拓展模块的输出结果,生成对应的可视化结果。
本实施例还提供了一种电子设备,该电子设备包括通过系统总线连接的处理器、存储器、显示屏、输入装置、网络接口和数据库。其中,该计算机设计的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储本实施例中对应的数据。该计算机程序被处理器执行时以实现上述实施例提供的仿生设计方法。
综上所述,本发明提供的方法通过存储构建的语义网络并集成仿生设计检索和映射的功能。从技术上讲,语义网络是在 Neo4j控制台上实现的,这是一个强大的图形操作平台,可以存储和管理大量图形数据。前端工具Cytoscape用于可视化语义网络。支持检索的后端使用Python开发,前端使用JavaScript和CSS开发,为用户输入数据并获取检索结果提供交互界面。用户在使用该工具过程中,首先在搜索框中输入目标关键字。然后需要选择“来源”或“应用”来确认检索模式。最后一步是依次在“STEP 01”、“STEP 02”和“STEP 03”之间切换,对应仿生设计映射的不同步骤,而不同步骤的映射结果的图例注释也不同。从AskNatureNet 获得的结果呈现在可视化语义网络中,由检索到的链接(S-B-A 或 A-B-S)组成。用户可以通过检查节点和边中传达的信息来汲取仿生创意的灵感。为了区分不同的节点类型,“来源”节点用绿色表示,“好处”节点用蓝色表示,“应用”节点用灰色表示,颜色深浅根据映射步骤而变化。如果用户在理解某个节点的含义时遇到困难,他们可以单击该节点来访问简短的介绍,甚至可以访问 AskNature 中原始页面的 URL 以获取更多信息。如果一个节点源自多个仿生设计案例,则可以通过单击刷新图标来切换详细信息和相应的URL。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其它相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (9)
1.一种支持发散思维的仿生设计方法,其特征在于,包括以下步骤:
获取仿生设计案例集合并提取相应的关键词进行编码,以生成包含来源、好处和应用的三元组集合,所述关键词包括与来源对应的仿生对象关键词,与好处对应的仿生特点关键词,以及与应用对应的仿生应用关键词;
以所述三元组集合中来源、好处以及应用作为节点,构建对应的语义网络;
采用三元组集合对所述语义网络进行训练,以获得用于仿生设计发散思维的检索模型,所述检索模型包括直接映射模块,相关映射模块以及潜在映射模块,所述直接映射模块根据输入关键词对仿生设计案例集合进行检索,根据检索结果在语义网络中进行节点连接,以输出对应的三元组,所述相关映射模块通过语义网络生成所述检索结果中与好处相关的仿生特点关键词,以获得共享所述仿生特点关键词的共享仿生对象和共享仿生应用集合,所述潜在映射模块通过所述仿生特点关键词在仿生设计案例集合中进行语义相似度匹配,并将匹配结果对应的相似仿生对象和相似仿生应用集合;
将待检索的关键词输入至检索模型中,以输出包含关键词对应的三元组,共享仿生对象和共享仿生应用集合以及相似仿生对象和相似仿生应用集合的检索结果。
2.根据权利要求1所述的支持发散思维的仿生设计方法,其特征在于,采用GPT-3模型对仿生设计案例集合进行关键词编码。
3.根据权利要求1所述的支持发散思维的仿生设计方法,其特征在于,所述语义网络的构建包括节点边设置和检索转移方向设置。
4.根据权利要求3所述的支持发散思维的仿生设计方法,其特征在于,所述节点边设置的具体过程如下:
将每个三元组中来源、好处以及应用作为语义网络的节点,分别构建来源和好处之间的第一连接边,以及好处和应用之间的第二连接边。
5.根据权利要求3所述的支持发散思维的仿生设计方法,其特征在于,所述检索转移方向设置的方向包括:来源-好处-应用和应用-好处-来源两种检索转移方向。
6.根据权利要求1所述的支持发散思维的仿生设计方法,其特征在于,所述潜在映射模块采用S-Bert模型进行语义相似度计算。
7.根据权利要求6所述的支持发散思维的仿生设计方法,其特征在于,所述S-Bert模型包括词特征提取模块和相似度计算模块,所述词特征提取模块用于提取输入关键词和仿生设计案例集合中关键词的特征向量,所述相似度计算模块采用余弦公式计算所述特征向量的相似度值,并输出相似度值大于阈值的结果。
8.一种仿生设计系统,其特征在于,通过权利要求1~7任一项所述的支持发散思维的仿生设计方法实现,包括:
输入单元,用于输入仿生设计思路的关键词;
数据分析单元,用于根据输入的关键词,对仿生设计案例集合进行检索,以获得对应的检索结果;
语义网络模块,根据检索结果对预构建的语义网络进行节点连接,以获得对应的三元组;
思维拓展模块,根据检索结果和对应的三元组进行分析,以获得共享仿生对象和共享仿生应用集合,以及相似仿生对象和相似仿生应用集合;
可视化模块,根据语义网络模块和思维拓展模块的输出结果,生成对应的可视化结果。
9.一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1~7任一项所述的支持发散思维的仿生设计方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322737.0A CN117057173B (zh) | 2023-10-13 | 2023-10-13 | 一种支持发散思维的仿生设计方法、系统及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311322737.0A CN117057173B (zh) | 2023-10-13 | 2023-10-13 | 一种支持发散思维的仿生设计方法、系统及电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117057173A CN117057173A (zh) | 2023-11-14 |
CN117057173B true CN117057173B (zh) | 2024-01-05 |
Family
ID=88666757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311322737.0A Active CN117057173B (zh) | 2023-10-13 | 2023-10-13 | 一种支持发散思维的仿生设计方法、系统及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117057173B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117747124A (zh) * | 2024-02-20 | 2024-03-22 | 浙江大学 | 基于网络激发图分解的医学大模型逻辑反演方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110199354A (zh) * | 2017-01-09 | 2019-09-03 | 金善中 | 生物体系信息检索系统以及方法 |
WO2021253904A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
WO2022030506A1 (ja) * | 2020-08-03 | 2022-02-10 | 正好 石井 | 情報処理装置及び情報処理方法 |
CN115033772A (zh) * | 2022-06-20 | 2022-09-09 | 浙江大学 | 一种基于语义网络的创意激发方法及装置 |
-
2023
- 2023-10-13 CN CN202311322737.0A patent/CN117057173B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110199354A (zh) * | 2017-01-09 | 2019-09-03 | 金善中 | 生物体系信息检索系统以及方法 |
WO2021253904A1 (zh) * | 2020-06-18 | 2021-12-23 | 深圳前海微众银行股份有限公司 | 测试案例集生成方法、装置、设备及计算机可读存储介质 |
WO2022030506A1 (ja) * | 2020-08-03 | 2022-02-10 | 正好 石井 | 情報処理装置及び情報処理方法 |
CN115033772A (zh) * | 2022-06-20 | 2022-09-09 | 浙江大学 | 一种基于语义网络的创意激发方法及装置 |
Non-Patent Citations (2)
Title |
---|
用户需求映射网络生物文本的创新设计方法;陈亮;陈博文;刘晓敏;窦昊;;工程设计学报(03);全文 * |
面向视听跨媒体检索的神经认知计算模型研究;刘扬;涂春龙;郑逢斌;;计算机科学(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117057173A (zh) | 2023-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Guu et al. | Retrieval augmented language model pre-training | |
Zhuang et al. | Challenges and opportunities: from big data to knowledge in AI 2.0 | |
CN111444320B (zh) | 文本检索方法、装置、计算机设备和存储介质 | |
CN111611361A (zh) | 抽取式机器智能阅读理解问答系统 | |
CN109325242B (zh) | 基于词对和翻译判断句子是否对齐的方法、装置及设备 | |
CN117057173B (zh) | 一种支持发散思维的仿生设计方法、系统及电子设备 | |
CN113297369B (zh) | 基于知识图谱子图检索的智能问答系统 | |
CN109145083B (zh) | 一种基于深度学习的候选答案选取方法 | |
Xuan et al. | A survey on Bayesian nonparametric learning | |
WO2021082086A1 (zh) | 机器阅读方法、系统、装置及存储介质 | |
CN111274790A (zh) | 基于句法依存图的篇章级事件嵌入方法及装置 | |
CN112668463B (zh) | 一种基于场景识别的中文手语翻译方法及系统 | |
Peng et al. | Reinforced cross-media correlation learning by context-aware bidirectional translation | |
CN113392179A (zh) | 文本标注方法及装置、电子设备、存储介质 | |
CN110750642A (zh) | 一种基于cnn的中文关系分类方法及系统 | |
Park et al. | Visual language navigation: A survey and open challenges | |
Peng et al. | Embedding-based retrieval with llm for effective agriculture information extracting from unstructured data | |
CN114490926A (zh) | 一种相似问题的确定方法、装置、存储介质及终端 | |
Hsu et al. | Recurrent neural network encoder with attention for community question answering | |
CN113468311B (zh) | 一种基于知识图谱的复杂问句问答方法、装置及存储介质 | |
CN113988201B (zh) | 一种基于神经网络的多模态情感分类方法 | |
CN113821610A (zh) | 信息匹配方法、装置、设备及存储介质 | |
Pourkeshavarz et al. | Stacked cross-modal feature consolidation attention networks for image captioning | |
Zhang et al. | Bi-directional capsule network model for chinese biomedical community question answering | |
Haouassi et al. | Discrete student psychology optimization algorithm for the word sense disambiguation problem |
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 |