CN117274464B - 基于元宇宙的数据渲染方法、装置及设备 - Google Patents
基于元宇宙的数据渲染方法、装置及设备 Download PDFInfo
- Publication number
- CN117274464B CN117274464B CN202311516896.4A CN202311516896A CN117274464B CN 117274464 B CN117274464 B CN 117274464B CN 202311516896 A CN202311516896 A CN 202311516896A CN 117274464 B CN117274464 B CN 117274464B
- Authority
- CN
- China
- Prior art keywords
- array
- analysis
- internal memory
- rendering
- data item
- 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
- 238000009877 rendering Methods 0.000 title claims abstract description 442
- 238000000034 method Methods 0.000 title claims description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 364
- 230000015654 memory Effects 0.000 claims abstract description 304
- 238000013507 mapping Methods 0.000 claims abstract description 136
- 230000001105 regulatory effect Effects 0.000 claims abstract description 3
- 238000012545 processing Methods 0.000 claims description 55
- 238000003491 array Methods 0.000 claims description 45
- 230000008569 process Effects 0.000 claims description 21
- 238000012549 training Methods 0.000 claims description 14
- 238000010586 diagram Methods 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 12
- 230000009977 dual effect Effects 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 3
- 230000000875 corresponding effect Effects 0.000 description 179
- 239000011159 matrix material Substances 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000004891 communication Methods 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000004088 simulation Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000000644 propagated effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000002310 reflectometry Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T15/00—3D [Three Dimensional] image rendering
-
- 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
-
- 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 Physics & Mathematics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computer Graphics (AREA)
- Image Generation (AREA)
Abstract
本公开提供一种基于元宇宙的数据渲染方法、装置及设备，涉及的数据渲染分析算法包括嵌入映射算子与数组解析算子，在嵌入映射算子中得到表示整个现实数据集合模板的渲染特征信息的嵌入映射数组后，在数组解析算子中，通过该嵌入映射数组进行首次数组解析，获得首个内部记忆解析数组和对应的首个渲染策略后，不断通过上一次数组解析得到的内部记忆解析数组与渲染策略进行当次数组解析，直到停止数组解析，最后通过多次解析得到的多个渲染策略与渲染策略分布位置链标签包括的多个渲染策略之间的损失，调节数据渲染分析算法，在调试时改善数据渲染分析算法预估的多级数据渲染策略的高低级策略一致的问题，精准表示现实数据集合对应的多级渲染策略。
Description
技术领域
本公开涉及电数据处理领域，具体而言，涉及一种基于元宇宙的数据渲染方法、装置及设备。
背景技术
随着经济社会数字化转型的持续推进，数字孪生逐渐成为各界关注的热点。尤其是近年以来以数字孪生为核心技术的“元宇宙”概念的爆发式兴起，使得数字孪生技术得到了包括学术界、工业界等在内的多方重点关注。基于数字孪生的元宇宙是通过使用数字技术和数据模型来创建一个与现实世界相对应的虚拟空间。它可以被看作是现实世界的数字镜像，包含了物理世界中的各种实体、环境和行为。在元宇宙中，数字孪生起着关键的作用，通过收集、整合和模拟大量的现实世界数据，构建出一个具有高度真实感和交互性的虚拟环境。将现实世界的数据镜像到元宇宙离不开数字孪生模型的创建仿真，其中涉及采集到的数据的渲染，现有技术中，对数据进行渲染时，例如进行光照、阴影、颜色等视觉效果渲染时，通常直接进行大范围无差别渲染，但是在现实空间中，同一空间的不同对象对应的细节是不同的，因此，多层级渲染（Multiresolution Rendering）是更符合现实世界的渲染方式，如何确保多层级渲染的准确性是需要考虑的技术问题。
发明内容
本公开的目的在于提供一种基于元宇宙的数据渲染方法、装置及设备。本公开的其他特性和优点将通过下面的详细描述变得显然，或部分地通过本公开的实践而习得。
根据本公开实施例的一个方面，提供一种基于元宇宙的数据渲染方法，应用于计算机设备，所述方法包括：
获取待进行多级渲染策略预估的现实数据集合；
基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组；
基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链；
基于所述渲染策略分布位置链对预设的数字孪生模型进行渲染。
可选地，所述方法还包括：
将所述现实数据集合输入所述数据渲染分析算法的嵌入映射算子；
基于所述嵌入映射算子的数据项嵌入算子，索引数据项关联清单得到所述现实数据集合中每个数据项的数据项标签，将分类标记以及所述每个数据项的数据项标签嵌入为相应的数据项描述数组，所述每个数据项的数据项描述数组用于表征对应数据项的渲染特征信息，所述分类标记对应的数据项描述数组用于表征所述现实数据集合的整体渲染特征信息；
以及将所述现实数据集合中每个数据项的数据项描述数组分别与所述分类标记的数据项描述数组组合，得到所述每个数据项在所述现实数据集合中的数据描述数组。
可选地，所述基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组，包括：
将所述现实数据集合中每个数据项的数据描述数组，输入所述嵌入映射算子的整体嵌入网络；
在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组。
可选地，如果所述整体嵌入网络为第一方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述第一方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述第一方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述第一方向嵌入网络对应所述最末一个数据项的第一方向嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组；
如果所述整体嵌入网络为第二方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述第二方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述第二方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到所述现实数据集合中的第一个数据项时，将获得的所述第二方向嵌入网络对应所述第一个数据项的第二方向嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组；
如果所述整体嵌入网络为双重方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述双重方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，得到所述双重方向嵌入网络对应所述最末一个数据项的第一方向嵌入内部记忆数组；
在所述双重方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到所述现实数据集合中的第一个数据项时，得到所述双重方向嵌入网络对应所述第一个数据项的第二方向嵌入内部记忆数组；
通过所述最末一个数据项的第一方向嵌入内部记忆数组与所述第一个数据项的第二方向嵌入内部记忆数组，得到所述现实数据集合的嵌入映射数组。
可选地，所述基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，包括：
基于所述现实数据集合中每个数据项的分布顺次，按照第一方向将每个数据项的数据描述数组作为所述双重方向嵌入网络的内部记忆层当下处理的数据描述数组；
如果当下处理的数据描述数组是所述现实数据集合中第一个数据项对应的数据描述数组，基于所述内部记忆层通过初始的第一方向嵌入内部记忆数组与所述第一个数据项对应的数据描述数组，得到所述第一个数据项对应的第一方向嵌入内部记忆数组；
如果当下处理的数据描述数组不是所述现实数据集合中第一个数据项对应的数据描述数组，基于所述内部记忆层通过上一次处理得到的第一方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第一方向嵌入内部记忆数组；
所述基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，包括：
基于所述现实数据集合中每个数据项的分布顺次，按照第二方向将每个数据项的数据描述数组作为所述双重方向嵌入网络的内部记忆层当下处理的数据描述数组；
如果当下处理的数据描述数组是所述现实数据集合中最末一个数据项对应的数据描述数组，基于所述内部记忆层通过初始的第二方向嵌入内部记忆数组与所述最末一个数据项对应的数据描述数组，得到所述最末一个数据项对应的第二方向嵌入内部记忆数组；
如果当下处理的数据描述数组不是所述现实数据集合中最末一个数据项对应的数据描述数组，基于所述内部记忆层通过上一次处理得到的第二方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第二方向嵌入内部记忆数组。
可选地，所述通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略，包括：
基于所述数组解析算子，索引数据项首端标识所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述数据项首端标识对应的编码数组与所述嵌入映射数组进行数组解析得到首个内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述首个内部记忆解析数组得到首个渲染策略数组，将所述首个渲染策略数组中最大结果所对应的渲染策略作为所述现实数据集合对应的首个渲染策略；
所述通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析，包括：
基于所述数组解析算子，索引上一次数组解析得到的渲染策略所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述上一次数组解析所得到的内部记忆解析数组与所述渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将所述渲染策略数组中最大结果所对应的渲染策略作为当次数组解析所述现实数据集合对应的渲染策略；
当数组解析的轮次符合预设的轮次数或通过当次输出的渲染策略数组输出数据项末端标识时，结束数组解析。
可选地，所述将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链，包括：
索引渲染策略关系图，确定每次数组解析得到的渲染策略所对应的渲染策略链分布位置；
通过所述渲染策略链分布位置，将每次数组解析得到的渲染策略进行融合，得到所述现实数据集合对应的渲染策略分布位置链。
可选地，所述数据渲染分析算法的训练过程包括：
获取现实数据集合模板以及所述现实数据集合模板的渲染策略分布位置链标签；
基于数据渲染分析算法的嵌入映射算子，通过所述现实数据集合模板中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合模板的嵌入映射数组；
基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合模板对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
通过多次数组解析得到的多个渲染策略与所述渲染策略分布位置链标签所包括的多个渲染策略之间的损失，调节所述数据渲染分析算法。
根据本公开实施例的另一个方面，提供一种数据备份装置，包括：
数据获取模块，用于获取待进行多级渲染策略预估的现实数据集合；
数组嵌入模块，用于基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组；
数组解析模块，用于基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
渲染策略融合模块，用于将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链；
模型渲染模块，用于基于所述渲染策略分布位置链对预设的数字孪生模型进行渲染。
根据本公开实施例的又一个方面，提供一种计算机设备，包括：处理器；以及存储器，用于存储所述处理器的可执行指令；其中，所述处理器被配置为经由执行所述可执行指令来执行以上所述的方法。
本公开的有益效果：
本公开提供的基于元宇宙的数据渲染方法、装置及设备中，数据渲染分析算法包括嵌入映射算子与数组解析算子，在嵌入映射算子中得到表示整个现实数据集合模板的渲染特征信息的嵌入映射数组后，在数组解析算子中，通过该嵌入映射数组进行首次数组解析，获得首个内部记忆解析数组和对应的首个渲染策略后，不断通过上一次数组解析得到的内部记忆解析数组与渲染策略进行当次数组解析，也即先解析第一级的渲染策略，然后解析第二级的渲染策略，再解析第三级的渲染策略，直到停止数组解析，最后通过多次解析得到的多个渲染策略与渲染策略分布位置链标签包括的多个渲染策略之间的损失，调节数据渲染分析算法，因先解析高一级策略后解析低一级策略，可在调试时改善数据渲染分析算法预估的多级数据渲染策略的高低级策略一致的问题，使得数据渲染分析算法预估的渲染策略分布位置链能精准表示现实数据集合对应的多级渲染策略。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。显而易见地，下面描述中的附图仅仅是本公开的一些实施例，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的附图。
图1是本公开实施例提供的一种基于元宇宙的数据渲染方法的流程图。
图2是本公开实施例提供的数据渲染装置的功能模块架构示意图。
图3是本公开实施例提供的一种计算机设备的组成示意图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的范例；相反，提供这些实施方式使得本公开将更加全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。
此外，所描述的特征、结构或特性可以以任何合适的方式结合在一个或更多实施例中。在下面的描述中，提供许多具体细节从而给出对本公开的实施例的充分理解。然而，本领域技术人员将意识到，可以实践本公开的技术方案而没有特定细节中的一个或更多，或者可以采用其它的方法、组元、装置、操作等。在其它情况下，不详细示出或描述公知方法、装置、实现或者操作以避免模糊本公开的各方面。
附图中所示的方框图仅仅是功能实体，不一定必须与物理上独立的实体相对应。即，可以采用软件形式来实现这些功能实体，或在一个或多个硬件模块或集成电路中实现这些功能实体，或在不同网络和/或处理器装置和/或微控制器装置中实现这些功能实体。
附图中所示的流程图仅是示例性说明，不是必须包括所有的内容和操作/操作，也不是必须按所描述的顺序执行。例如，有的操作/操作还可以分解，而有的操作/操作可以合并或部分合并，因此实际执行的顺序有可能根据实际情况改变。
请参照图1，是本公开实施例提供的基于元宇宙的数据渲染方法的流程示意图，包括以下操作：
操作S101，获取待进行多级渲染策略预估的现实数据集合。
其中，现实数据集合即需要进行数据渲染的在真实世界采集整合的数据，例如通过各种传感器、设备和系统采集和收集的数据，例如摄像头、激光扫描仪、GPS定位等，数据的采集可以包括地理信息、物体形状、运动轨迹、环境参数等。
操作S102，基于调试完成的数据渲染分析算法的嵌入映射算子，通过现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到现实数据集合的嵌入映射数组。
上述操作中，调试完成的数据渲染分析算法是预先基于训练数据进行算法调校得到的可以对现实数据集合进行多级渲染策略预估的机器学习算法。
本公开实施例中，调试完成的数据渲染分析算法的算法架构包括嵌入映射算子与数组解析算子，分别可以理解为编码器和解码器，嵌入映射算子用于对现实数据集合进行数组嵌入映射（即将高维数据映射到低维向量空间，即编码），得到现实数据集合的嵌入映射数组。数组解析算子用于嵌入映射算子输出的嵌入映射数组进行数组解析（即解码），数组解析过程中通过渲染策略链分布位置（即处在渲染策略链中的哪一层级）从大到小按序解析得到多个渲染策略，令基于多个渲染策略得到现实数据集合的渲染策略分布位置链，渲染策略分布位置链即多个具有不同层级分布位置的渲染策略组成的链状表达，一个渲染策略分布位置链包含多个依次（如层级从高到低）的渲染策略（如光照渲染中的光影追踪渲染-全局反射渲染-镜面反射渲染的渲染策略链）。
现实数据集合的嵌入映射数组表征整个现实数据集合的整体渲染特征信息，描述数组可以为一维的（即向量）、二维的（即矩阵）和多维的（即张量），本公开对此不做限定，该嵌入映射数组通过现实数据集合中每个数据项（即单个数据，如物体形状、物体类型）的数据描述数组进行数组嵌入映射得到，现实数据集合中每个数据项的数据描述数组只表征每个数据项的渲染特征信息，基于数组嵌入映射可以挖掘得到现实数据集合中数据项和数据项的渲染特征信息之间的牵涉关系，得到的嵌入映射数组可以根精确地表达整个现实数据集合。现实数据集合中每个数据项的数据描述数组，是每个数据项的向量化表达，数据项描述数组可以基于Transfromer转换生成。
可选地，嵌入映射算子与数组解析算子都可以采用神经网络架构，如循环神经网络、卷积神经网络、长短时记忆神经网络等。嵌入映射算子与数组解析算子包含多层网络结构，包括数据加载层、内部记忆层和结果输出层。嵌入映射算子的内部记忆层是隐藏层，其对数据加载层的输入数据进行处理，例如嵌入映射算子的内部记忆层可以对数据加载层的现实数据集合中每个数据项的数据描述数组进行线性变换，基于嵌入映射算子的结果输出层输出现实数据集合的嵌入映射数组。数组解析算子的内部记忆层可以对数据加载层的数据，例如现实数据集合的嵌入映射数组进行线性变换，基于数组解析算子的结果输出层输出渲染策略。
获取现实数据集合后，在嵌入映射算子中通过现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到现实数据集合的嵌入映射数组。
操作S103，基于数据渲染分析算法的数组解析算子，通过嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据首个内部记忆解析数组得到现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析。
基于数据渲染分析算法的嵌入映射算子，得到现实数据集合的嵌入映射数组后，持续基于数组解析算子通过嵌入映射数组进行多次数组解析。多次数组解析是进行迭代解析的过程，其中，每次数组解析时，数组解析算子的数据加载层得到上一次数组解析输出得到的内部记忆解析数组与渲染策略，数组解析算子的内部记忆层，基于上一次数组解析输出得到的内部记忆解析数组与渲染策略进行当次数组解析，获得当次数组解析的内部记忆解析数组，数组解析算子的结果输出层根据当次的内部记忆解析数组得到当次数组解析的渲染策略，基于相同原理，进行多次数组解析，在满足数组解析完结要求时结束数组解析，得到多次数组解析得到的多个渲染策略。其中，首次数组解析的输入是现实数据集合的嵌入映射数组，输出数组解析算子的首个内部记忆解析数组，通过首个内部记忆解析数组可以得到现实数据集合的首个渲染策略。其中，数组解析完结要求是数组解析次数等于预设次数，或者数组解析输出的渲染策略是数据项末端标识<OVER>。换言之，若当次数组解析没有输出<OVER>，就再次进行后一次数组解析，直到数组解析次数等于预设的数组解析次数，通过以上数组解析过程，可以理解，每次数组解析输出一个渲染策略，数组解析次数等于数组解析输出的现实数据集合的渲染策略的数量，那么，预设数组解析次数可基于对各个现实数据集合的渲染策略数量确定的，预设数组解析次数可通过具体要求进行配置。通过以上数组解析过程，可以理解，每次数组解析输出的渲染策略确定为下一次数组解析的生成，在下一次数组解析输出下次数组解析的渲染策略，如此令每次数组解析输出的渲染策略的层级为下一次数组解析输出的渲染策略的相等层级或更高一层级，通过先解析高一级策略，后解析低一级策略，保证高低级策略的一致性。
操作S104，将数组解析得到的多个渲染策略从高到低进行融合，得到现实数据集合对应的渲染策略分布位置链。
可选地，针对数组解析逐一获得的多个渲染策略，可以基于索引渲染策略关系图（预设的图结构，其中设置多个图节点，每一个图节点对应一个渲染策略，各个渲染策略拥有对应的层级），得到每个渲染策略的层级和渲染策略间的上下级关系，从而基于渲染策略的层级和渲染策略间的上下级关系，将多个渲染策略进行融合（例如直接从高到低进行链接），得到现实数据集合对应的渲染策略分布位置链。
以上基于元宇宙的数据渲染方法中，通过嵌入映射数组进行首次数组解析得到首个内部记忆解析数组和对应的首个渲染策略后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，因每次数组解析将上一次数组解析得到的渲染策略进行了考虑，则当次数组解析得到的渲染策略与上一次数组解析得到渲染策略间能更好的确保高低级策略的一致性，即先解析高一级策略后解析低一级策略，保障高低级策略的统一，令将多个渲染策略从高到低进行融合得到的渲染策略分布位置链能精准表示现实数据集合对应的多级渲染策略。
可选地，每个数据项在现实数据集合中的数据描述数组，在获取时，采用以下操作得到：将现实数据集合输入数据渲染分析算法的嵌入映射算子；基于嵌入映射算子的数据项嵌入算子，索引数据项关联清单（数据项关联清单即记录数据项和其预先关联的标签的清单）得到现实数据集合中每个数据项的数据项标签，将分类标记以及每个数据项的数据项标签嵌入为相应的数据项描述数组，每个数据项的数据项描述数组用于表征对应数据项的渲染特征信息（即表征渲染元素的特征信息，如光照渲染中的材质、反射率等），分类标记对应的数据项描述数组用于表征现实数据集合的整体渲染特征信息；以及将现实数据集合中每个数据项的数据项描述数组分别与分类标记的数据项描述数组组合，得到每个数据项在现实数据集合中的数据描述数组。
对于本公开实施例，数据渲染分析算法的嵌入映射算子包括数据项嵌入算子，数据项嵌入算子用于将每个数据项转换为相应的数据描述数组，数据项嵌入算子可以为前置训练的数据处理算法，如transformer，将每个数据项嵌入为相应的数据项描述数组。
举例而言，将现实数据集合中的每个数据项，基于索引数据项关联清单得到每个数据项的数据项标签（例如data_lable）后，将分类标记<cla>和每个数据项的数据项标签输入数据项嵌入算子，输出各自的数据项描述数组，其中分类标记<cla>的数据项描述数组可以记录成<cla>数组，每个数据项的数据项描述数组可以记录成<data>数组，<cla>数组可以表征现实数据集合的整体渲染特征信息，每个数据项的<data>数组表征对应数据项的渲染特征信息。然后，基于嵌入映射算子分别将每个<data>数组和<cla>数组进行组合，得到每个数据项的数据描述数组，因<cla>数组表征现实数据集合的整体渲染特征信息，则组合得到的数组亦包含现实数据集合的整体渲染特征信息，即为每个数据项的数据描述数组，组合的方式例如是将每个<data>数组和<cla>数组进行相加。
可选地，操作S104包括：将现实数据集合中每个数据项的数据描述数组，输入嵌入映射算子的整体嵌入网络；在整体嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到现实数据集合中的最末一个数据项时，将获得的整体嵌入网络对应最末一个数据项的嵌入内部记忆数组作为现实数据集合的嵌入映射数组。
其中，整体嵌入网络为全局编码的网络，可以为卷积神经网络或长短时记忆网络（类型不限）。获得现实数据集合中每个数据项的数据项描述数组后，整体嵌入网络还通过现实数据集合中每个数据项的数据项描述数组生成现实数据集合的嵌入映射数组，也即二次嵌入，在二次嵌入时，考虑了数据项之间在现实数据集合中的牵涉关系，该牵涉关系即关联关系，例如从前向后的牵涉关系或从后向前的牵涉关系，抑或双重方向的牵涉关系，嵌入得到的现实数据集合的嵌入映射数组能精准表示现实数据集合的整体特征信息。
那么，在整体嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，不停将上一次的执行结果和当前字的数据描述数组作为当前执行的输入，在处理到现实数据集合中的最末一个数据项时停止，将获得的整体嵌入网络对应最末一个数据项的嵌入内部记忆数组作为现实数据集合的嵌入映射数组。其中，因首次处理不具有上一次执行结果，则首次执行输入的执行结果为原始的内部记忆数组。如果基于从前向后的牵涉关系，那么最末一个数据项是现实数据集合中的最末一个数据项，如果基于从后向前的牵涉关系，那么最末一个数据项是现实数据集合中的第一个数据项。
可选地，在整体嵌入网络为第一方向（从前向后的方向）嵌入网络时，可以在第一方向嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，按照第一方向对每个数据项相应的数据描述数组进行按次处理，逐一获得第一方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到现实数据集合中的最末一个数据项时，将获得的第一方向嵌入网络对应最末一个数据项的第一方向嵌入内部记忆数组作为现实数据集合的嵌入映射数组。
举例而言，可以基于现实数据集合中每个数据项的分布顺次，按照第一方向将每个数据项的数据描述数组作为第一方向嵌入网络的内部记忆层当下处理的数据描述数组；如果当下处理的数据描述数组是现实数据集合中第一个数据项对应的数据描述数组，基于内部记忆层通过初始的第一方向嵌入内部记忆数组与第一个数据项对应的数据描述数组，得到第一个数据项对应的第一方向嵌入内部记忆数组；如果当下处理的数据描述数组不是现实数据集合中第一个数据项对应的数据描述数组，基于内部记忆层通过上一次处理得到的第一方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第一方向嵌入内部记忆数组。
换言之，从现实数据集合的第一个数据项对应的数据描述数组开始按次处理，基于第一方向嵌入网络的内部记忆层，重复的将上一次的执行结果与当下处理的数据项的数据描述数组作为当前执行的输入，直到最后一次执行，将对现实数据集合中最末一个数据项处理得到的第一方向嵌入内部记忆数组作为整个现实数据集合的嵌入映射数组。
可选地，在整体嵌入网络为第二方向（从后向前的方向）嵌入网络时，可以在第二方向嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，按照第二方向对每个数据项相应的数据描述数组进行按次处理，逐一获得第二方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到现实数据集合中的第一个数据项时，将获得的第二方向嵌入网络对应第一个数据项的第二方向嵌入内部记忆数组作为现实数据集合的嵌入映射数组。
举例而言，基于现实数据集合中每个数据项的分布顺次，按照第二方向将每个数据项的数据描述数组作为双重方向嵌入网络的内部记忆层当下处理的数据描述数组；如果当下处理的数据描述数组是现实数据集合中最末一个数据项对应的数据描述数组，基于内部记忆层通过初始的第二方向嵌入内部记忆数组与最末一个数据项对应的数据描述数组，得到最末一个数据项对应的第二方向嵌入内部记忆数组；如果当下处理的数据描述数组不是现实数据集合中最末一个数据项对应的数据描述数组，基于内部记忆层通过上一次处理得到的第二方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第二方向嵌入内部记忆数组。
换言之，从现实数据集合的最末一个数据项对应的数据描述数组开始按次处理，基于第二方向嵌入网络的内部记忆层，重复的将上一次的执行结果与当下处理的数据项的数据描述数组作为当前执行的输入，进行当前执行，直到最后一次执行，将对现实数据集合中第一个数据项处理得到的第二方向嵌入内部记忆数组作为整个现实数据集合的嵌入映射数组。
可选地，在整体嵌入网络为双重方向（从前向后的方向加上从后向前的方向）嵌入网络时，可以在双重方向嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，按照第一方向对每个数据项相应的数据描述数组进行按次处理，逐一获得双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到现实数据集合中的最末一个数据项时，得到双重方向嵌入网络对应最末一个数据项的第一方向嵌入内部记忆数组；在双重方向嵌入网络的内部记忆层中，基于现实数据集合中每个数据项的分布顺次，按照第二方向对每个数据项相应的数据描述数组进行按次处理，逐一获得双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到现实数据集合中的第一个数据项时，得到双重方向嵌入网络对应第一个数据项的第二方向嵌入内部记忆数组；通过最末一个数据项的第一方向嵌入内部记忆数组与第一个数据项的第二方向嵌入内部记忆数组，得到现实数据集合的嵌入映射数组。其中，双重方向嵌入网络对现实数据集合中每个数据项进行第一方向处理和上述基于第一方向嵌入网络对现实数据集合中每个数据项进行处理的过程一致，双重方向嵌入网络对现实数据集合中每个数据项进行第二方向处理和以上基于第二方向嵌入网络对现实数据集合中每个数据项处理的过程一致。
在整体嵌入网络为双重方向嵌入网络时，基于第一方向执行得到最末一个数据项对应的第一方向嵌入内部记忆数组、基于第二方向执行得到第一个数据项对应的第二方向嵌入内部记忆数组之后，将最末一个数据项对应的第一方向嵌入内部记忆数组与第一个数据项对应的第二方向嵌入内部记忆数组相加，获得现实数据集合的嵌入映射数组。
可选地，操作S103中，通过嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据首个内部记忆解析数组得到现实数据集合对应的首个渲染策略，包括：基于数组解析算子，索引数据项首端标识对应的编码数组；基于数组解析算子的内部记忆层通过数据项首端标识对应的编码数组与嵌入映射数组进行数组解析得到首个内部记忆解析数组；基于内部记忆层的归一决策算子（可以为全连接网络，作用为进行渲染策略分类），通过首个内部记忆解析数组得到首个渲染策略数组（即表征渲染策略的数组），将首个渲染策略数组中最大结果对应的渲染策略作为现实数据集合对应的首个渲染策略。各渲染策略的编码数组例如为编码后的嵌入向量，用于表征各渲染策略，渲染策略之间具有相似性时，渲染策略对应的编码数组间具有相似性。数据渲染分析算法的训练过程中，在数组解析算子中具有各渲染策略对应的编码数组库，编码数组库中包括数据项首端标识<BEG>对应的编码数组与数据项末端标识<OVER>对应的编码数组。调试时，编码数组库中的编码数组与算法的参数变化而变化，在训练完成时，得到各个渲染策略对应的编码数组组成的编码数组库。
举例而言，将现实数据集合的嵌入映射数组与数据项首端标识<BEG>对应的编码数组作为数组解析算子的首个加载数据，加载至数组解析算子的内部记忆层中，执行得到数组解析算子的首个内部记忆解析数组，在结果输出层中，依据首个内部记忆解析数组进行分类，得到现实数据集合的首个渲染策略。譬如将首个内部记忆解析数组输入归一决策算子得到渲染策略数组，通过渲染策略数组中最大结果的分布，得到对应的渲染策略作为第一个数组解析得到的渲染策略。
可选地，操作S103中，通过上一次数组解析得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析，包括：基于数组解析算子，索引上一次数组解析得到的渲染策略对应的编码数组；基于数组解析算子的内部记忆层通过上一次数组解析得到的内部记忆解析数组与渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组；基于内部记忆层的归一决策算子，通过当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将渲染策略数组中最大结果对应的渲染策略作为当次数组解析现实数据集合对应的渲染策略；当数组解析的轮次符合预设的轮次数或通过当次输出的渲染策略数组输出数据项末端标识时，不在进行数组解析。譬如第二次数组解析时，索引首次数组解析得到的首个渲染策略对应的编码数组，将索引到的编码数组与首次数组解析得到的内部记忆解析数组作为第二次数组解析的加载数据，加载至数组解析算子的内部记忆层，以得到第二次数组解析的内部记忆解析数组，基于归一决策算子将第二次数组解析的内部记忆解析数组映射为渲染策略数组，通过渲染策略数组中最大结果的概率分布确定对应的渲染策略作为第二次数组解析得到的渲染策略。
操作S105，基于渲染策略分布位置链对预设的数字孪生模型进行渲染。
数字孪生模型又可以称为数据孪生体，其建立过程可以参照现有通用的技术，例如通过收集与实际物理系统相关的各种数据，包括传感器数据、图像数据、声音数据等，对收集到的数据进行分析与处理，例如去除噪声、对数据进行标准化以及进行数据预处理，并将处理后的数据存储在数据库中，基于实际物理系统的结构与性能参数，建立与之相应的仿真模型。数字孪生模型建立好后，通过渲染引擎，基于渲染策略分布位置链对其进行对应策略的渲染。
对于数据渲染分析算法，其训练过程可以包括以下操作：
操作S201，获取现实数据集合模板以及现实数据集合模板的渲染策略分布位置链标签。
操作S202，基于数据渲染分析算法的嵌入映射算子，通过现实数据集合模板中每个数据项的数据描述数组进行数组嵌入映射，得到现实数据集合模板的嵌入映射数组。
操作S203，基于数据渲染分析算法的数组解析算子，通过嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据首个内部记忆解析数组得到现实数据集合模板对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析。
操作S204，通过多次数组解析得到的多个渲染策略与渲染策略分布位置链标签包括的多个渲染策略之间的损失，调节数据渲染分析算法。
其中，操作S201~S204可参考前述各个操作流程。
举例而言，可选地，将现实数据集合模板输入数据渲染分析算法的嵌入映射算子；基于嵌入映射算子的数据项嵌入算子，索引数据项关联清单得到现实数据集合模板中每个数据项的数据项标签，将分类标记以及每个数据项的数据项标签嵌入为相应的数据项描述数组，每个数据项的数据项描述数组用于表征对应数据项的渲染特征信息，分类标记对应的数据项描述数组用于表征现实数据集合模板的整体渲染特征信息；以及将现实数据集合模板中每个数据项的数据项描述数组分别与分类标记的数据项描述数组组合，得到每个数据项在现实数据集合模板中的数据描述数组。
可选地，将现实数据集合模板中每个数据项的数据描述数组，输入嵌入映射算子的整体嵌入网络；在整体嵌入网络的内部记忆层中，基于现实数据集合模板中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到现实数据集合模板中的最末一个数据项时，将获得的整体嵌入网络对应最末一个数据项的嵌入内部记忆数组作为现实数据集合模板的嵌入映射数组。
可选地，整体嵌入网络为双重方向嵌入网络，可以在双重方向嵌入网络的内部记忆层中，基于现实数据集合模板中每个数据项的分布顺次，按照第一方向对每个数据项相应的数据描述数组进行按次处理，逐一获得双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到现实数据集合模板中的最末一个数据项时，得到双重方向嵌入网络对应最末一个数据项的第一方向嵌入内部记忆数组；在双重方向嵌入网络的内部记忆层中，基于现实数据集合模板中每个数据项的分布顺次，按照第二方向对每个数据项相应的数据描述数组进行按次处理，逐一获得双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到现实数据集合模板中的第一个数据项时，得到双重方向嵌入网络对应第一个数据项的第二方向嵌入内部记忆数组；通过最末一个数据项的第一方向嵌入内部记忆数组与第一个数据项的第二方向嵌入内部记忆数组，得到现实数据集合模板的嵌入映射数组。
可选地，可以基于数组解析算子，索引数据项首端标识所对应的编码数组；基于数组解析算子的内部记忆层通过数据项首端标识对应的编码数组与嵌入映射数组进行数组解析得到首个内部记忆解析数组；基于内部记忆层的归一决策算子，通过首个内部记忆解析数组得到首个渲染策略数组，将首个渲染策略数组中最大结果所对应的渲染策略作为现实数据集合模板对应的首个渲染策略。
可选地，可以基于数组解析算子，索引上一次数组解析得到的渲染策略所对应的编码数组；基于数组解析算子的内部记忆层通过上一次数组解析所得到的内部记忆解析数组与渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组；基于内部记忆层的归一决策算子，通过当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将渲染策略数组中最大结果所对应的渲染策略作为当次数组解析现实数据集合模板对应的渲染策略；当数组解析的轮次符合预设的轮次数或通过当次输出的渲染策略数组输出数据项末端标识时，结束数组解析。
可选地，因提前部署了数组解析的结束要求，为数组解析输出数据项末端标识<OVER>时，或数组解析的次数等于最大数组解析次数K时，停止数组解析，对现实数据集合模板数组解析得到的渲染策略的数量上限为K。
操作S204包括：将现实数据集合模板的渲染策略分布位置链标签进行去重，基于渲染策略链分布位置递减顺序排序，得到现实数据集合模板对应的多个标注渲染策略构成的链条A，链条A长度为K，将基于数据渲染策略算法进行多次数组解析输出的多个渲染策略形成的预估渲染策略链条B，长度为K，和多个标注渲染策略构建的链条进行相对熵损失确定，依据相对熵损失调节数据渲染分析算法。
可选地，通过多次数组解析得到的多个渲染策略与渲染策略分布位置链标签所包括的多个渲染策略之间的损失，调节数据渲染分析算法，包括：
操作S2041，获取体现渲染策略分布位置链之间的相关性的关系矩阵；操作S2042，通过关系矩阵体现的渲染策略分布位置链之间的相关性，确定与渲染策略分布位置链标签具有相关性的渲染策略分布位置链作为扩充渲染策略分布位置链；操作S2043，通过多次数组解析得到的多个渲染策略、渲染策略分布位置链标签以及扩充渲染策略分布位置链确定相对熵损失，通过相对熵损失调节数据渲染分析算法。对于本公开实施例，通过关系矩阵填补现实数据集合可能欠缺的渲染策略分布位置链作为扩充渲染策略分布位置链，再基于扩充渲染策略分布位置链与初始的渲染策略分布位置链标签构建标注渲染策略链条，加入渲染策略的过往知识，补充遗漏，提高算法性能。
可选地，通过多次数组解析得到的多个渲染策略、渲染策略分布位置链标签以及扩充渲染策略分布位置链确定相对熵损失，通过相对熵损失调节数据渲染分析算法，包括：将渲染策略分布位置链标签与扩充渲染策略分布位置链进行去重后得到现实数据集合模板对应的多个标注渲染策略；通过多个标注渲染策略与多次数组解析得到的多个渲染策略确定相对熵损失。
本公开实施例中，渲染策略分布位置链之间的关系可以基于关系矩阵进行表达，关系矩阵例如为X×Y，Y是渲染策略分布位置链数量，矩阵中的组元包括0、1，0代表其在行列的两个渲染策略分布位置链没有相关性，1代表有相关性。
可选地，获取体现渲染策略分布位置链之间的相关性的关系矩阵，包括：获取现实数据集合模板集合；基于前置训练的数据处理算法将现实数据集合模板集合中的每个现实数据集合表征为数据描述数组，将对应每个渲染策略的现实数据集合模板的数据描述数组进行均值求解，得到每个渲染策略的数据特征表达；通过任两个渲染策略的数据特征表达的特征距离获取每个渲染策略的相关渲染策略；通过每个渲染策略的相关渲染策略，生成表征渲染策略分布位置链之间的相关性的关系矩阵。
对于本公开实施例，基于渲染策略关联的训练数据间的特征共性度量结果，确定两个渲染策略分布位置链之间的相关性，增加了确定相关渲染策略分布位置链的效率。在确定相关渲染策略的过程中，先获取训练样本，即现实数据集合模板集合，现实数据集合模板集合的每个现实数据集合模板基于前置训练数据处理算法，得到相应的数据描述数组。再获取每个渲染策略分布位置链的所有现实数据集合模板的数据描述数组进行平均，得到每个渲染策略的数据特征表达，再通过该数据特征表达，每两个计算渲染策略分布位置链之间的杰卡德距离，得到每个渲染策略分布位置链的前m个相关渲染策略分布位置链。
作为一个综合的实施例，基于元宇宙的数据渲染方法通过以下操作实现：
环节一：基于关系矩阵训练包含嵌入映射算子和数组解析算子的数据渲染分析算法，具体而言，获取现实数据集合模板以及现实数据集合模板的渲染策略分布位置链标签，基于数据渲染分析算法的嵌入映射算子，通过现实数据集合模板中每个数据项的数据描述数组进行数组嵌入映射，得到现实数据集合模板的嵌入映射数组，基于数据渲染分析算法的数组解析算子，通过嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据首个内部记忆解析数组得到现实数据集合模板对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析，获取现实数据集合模板集合，基于前置训练数据处理算法将现实数据集合模板集合中的每个现实数据集合表征为数据描述数组，将属于每个渲染策略的现实数据集合模板的数据描述数组进行均值求解，得到每个渲染策略的数据特征表达，通过任两个渲染策略的数据特征表达的特征距离获取每个渲染策略的相关渲染策略，通过每个渲染策略的相关渲染策略，生成表征渲染策略分布位置链之间的相关性的关系矩阵，通过关系矩阵体现的渲染策略分布位置链之间的相关性，确定与渲染策略分布位置链标签具有相关性的渲染策略分布位置链作为扩充渲染策略分布位置链，将渲染策略分布位置链标签与扩充渲染策略分布位置链进行去重处理后，得到现实数据集合模板对应的多个标注渲染策略，通过多个标注渲染策略与多次数组解析得到的多个渲染策略，计算相对熵损失，通过相对熵损失调节数据渲染分析算法，获取待进行多级渲染策略预估的现实数据集合。
环节二：基于调试完成的数据渲染分析算法进行文本渲染策略预估，具体而言，将现实数据集合输入数据渲染分析算法的嵌入映射算子，基于嵌入映射算子的数据项嵌入算子，索引数据项关联清单得到现实数据集合中每个数据项的数据项标签，将分类标记以及每个数据项的数据项标签嵌入为对应的数据项描述数组，每个数据项的数据项描述数组表征对应数据项的渲染特征信息，分类标记对应的数据项描述数组表征现实数据集合的整体渲染特征信息，将现实数据集合中每个数据项的数据项描述数组分别与分类标记的数据项描述数组组合，得到每个数据项在现实数据集合中的数据描述数组，将现实数据集合输入数据渲染分析算法的嵌入映射算子，基于嵌入映射算子的数据项嵌入算子，索引数据项关联清单得到现实数据集合中每个数据项的数据项标签，将分类标记以及每个数据项的数据项标签嵌入为相应的数据项描述数组，每个数据项的数据项描述数组表征对应数据项的渲染特征信息，分类标记对应的数据项描述数组表征现实数据集合的整体渲染特征信息，以及将现实数据集合中每个数据项的数据项描述数组分别与分类标记的数据项描述数组组合，得到每个数据项在现实数据集合中的数据描述数组，基于现实数据集合中每个数据项的分布顺次，按照第一方向将每个数据项的数据描述数组作为双重方向嵌入网络的内部记忆层当下处理的数据描述数组，如果当下处理的数据描述数组是现实数据集合中第一个数据项对应的数据描述数组，基于内部记忆层通过初始的第一方向嵌入内部记忆数组与第一个数据项对应的数据描述数组，得到第一个数据项对应的第一方向嵌入内部记忆数组，如果当下处理的数据描述数组不是现实数据集合中第一个数据项对应的数据描述数组，基于内部记忆层通过上一次处理获取到的第一方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第一方向嵌入内部记忆数组，在处理到现实数据集合中的最末一个数据项时，得到双重方向嵌入网络对应最末一个数据项的第一方向嵌入内部记忆数组，基于现实数据集合中每个数据项的分布顺次，按照第二方向将每个数据项的数据描述数组作为双重方向嵌入网络的内部记忆层当下处理的数据描述数组，如果当下处理的数据描述数组是现实数据集合中最末一个数据项对应的数据描述数组，基于内部记忆层通过初始的第二方向嵌入内部记忆数组与最末一个数据项对应的数据描述数组，得到最末一个数据项对应的第二方向嵌入内部记忆数组，如果当下处理的数据描述数组不是现实数据集合中最末一个数据项对应的数据描述数组，基于内部记忆层通过上一次处理得到的第二方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第二方向嵌入内部记忆数组，在处理到现实数据集合中的第一个数据项时，得到双重方向嵌入网络对应第一个数据项的第二方向嵌入内部记忆数组，通过最末一个数据项的第一方向嵌入内部记忆数组与第一个数据项的第二方向嵌入内部记忆数组，得到现实数据集合的嵌入映射数组，基于数组解析算子，索引数据项首端标识所对应的编码数组，基于数组解析算子的内部记忆层通过数据项首端标识对应的编码数组与嵌入映射数组进行数组解析得到首个内部记忆解析数组，基于内部记忆层的归一决策算子，通过首个内部记忆解析数组得到首个渲染策略数组，将首个渲染策略数组中最大结果所对应的渲染策略作为现实数据集合对应的首个渲染策略，持续基于数组解析算子，索引上一次数组解析得到的渲染策略所对应的编码数组，基于数组解析算子的内部记忆层通过上一次数组解析所得到的内部记忆解析数组与渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组，基于内部记忆层的归一决策算子，通过当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将渲染策略数组中最大结果所对应的渲染策略作为当次数组解析现实数据集合对应的渲染策略，当数组解析的轮次符合预设的轮次数，或者，通过当次输出的渲染策略数组输出数据项末端标识时，不再进行数组解析，索引渲染策略关系图，确定每次数组解析得到的渲染策略所对应的渲染策略链分布位置，通过渲染策略链分布位置，将每次数组解析得到的渲染策略进行融合，得到现实数据集合对应的渲染策略分布位置链。
对于本公开实施例，训练数据渲染分析算法的过程通过关系矩阵填补现实数据集合中可能欠缺的渲染策略分布位置链作为扩充渲染策略分布位置链，然后基于该扩充渲染策略分布位置链与初始的渲染策略分布位置链标签生成标注渲染策略链条，引入渲染策略的过往信息，防止遗漏的负面效果，提高算法性能。数据渲染分析算法的训练环节中，在数组解析算子进行多次进行迭代解析，先解析得到渲染策略链分布位置靠前的渲染策略，再通过该渲染策略进行数组解析得到渲染策略链分布位置靠后的渲染策略，因每次数组解析综合了上一次数组解析得到的渲染策略，则当次数组解析获取到的渲染策略与上一次数组解析得到渲染策略间能确保高低级策略的一致性，在预估现实数据集合的渲染策略分布位置链时，基于调试完成的数据渲染分析算法，逐一预估得到多个渲染策略后，将多个渲染策略从高到低进行融合得到的渲染策略分布位置链，可以精准表示现实数据集合对应的多级渲染策略。
应当注意，尽管在附图中以特定顺序描述了本公开中方法的各个操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加的或备选的，可以省略某些操作，将多个操作合并为一个操作执行，以及/或者将一个操作分解为多个操作执行等。
以下介绍本公开的装置实施例，可以用于执行本公开上述实施例中的基于元宇宙的数据渲染方法。图2示意性地示出了本公开实施例提供的数据渲染装置的结构框图。如图2所示，数据渲染装置200包括：
数据获取模块210，用于获取待进行多级渲染策略预估的现实数据集合；
数组嵌入模块220，用于基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组；
数组解析模块230，用于基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
渲染策略融合模块240，用于将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链；
模型渲染模块250，用于基于所述渲染策略分布位置链对预设的数字孪生模型进行渲染。
本公开各实施例中提供的数据渲染装置的具体细节已经在对应的方法实施例中进行了详细的描述，此处不再赘述。
图3示意性地示出了用于实现本公开实施例的计算机设备的计算机系统结构框图。
需要说明的是，图3示出的计算机设备的计算机系统300仅是一个示例，不应对本公开实施例的功能和使用范围带来任何限制。
如图3所示，计算机系统300包括中央处理器301(Central Processing Unit，CPU)，其可以根据存储在只读存储器302(Read-Only Memory，ROM)中的程序或者从存储部分308加载到随机访问存储器303(Random Access Memory，RAM)中的程序而执行各种适当的动作和处理。在随机访问存储器303中，还存储有系统操作所需的各种程序和数据。中央处理器301、在只读存储器302以及随机访问存储器303通过总线304彼此相连。输入/输出接口305(Input/Output接口，即I/O接口)也连接至总线304。
以下部件连接至输入/输出接口305：包括键盘、鼠标等的输入部分306；包括诸如阴极射线管(Cathode Ray Tube，CRT)、液晶显示器(Liquid Crystal Display，LCD)等以及扬声器等的输出部分307；包括硬盘等的存储部分308；以及包括诸如局域网卡、调制解调器等的网络接口卡的通信部分309。通信部分309经由诸如因特网的网络执行通信处理。驱动器310也根据需要连接至输入/输出接口305。存储介质311，诸如磁盘、光盘、磁光盘、半导体存储器等等，根据需要安装在驱动器310上，以便于从其上读出的计算机程序根据需要被安装入存储部分308。
特别地，根据本公开的实施例，各个方法流程图中所描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信部分309从网络上被下载和安装，和/或从存储介质311被安装。在该计算机程序被中央处理器301执行时，执行本公开的系统中限定的各种功能。
需要说明的是，本公开实施例所示的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(Erasable Programmable Read Only Memory，EPROM)、闪存、光纤、便携式紧凑磁盘只读存储器(Compact Disc Read-Only Memory，CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
应当注意，尽管在上文详细描述中提及了用于动作执行的设备的若干模块或者单元，但是这种划分并非强制性的。实际上，根据本公开的实施方式，上文描述的两个或更多模块或者单元的特征和功能可以在一个模块或者单元中具体化。反之，上文描述的一个模块或者单元的特征和功能可以进一步划分为由多个模块或者单元来具体化。
通过以上的实施方式的描述，本领域的技术人员易于理解，这里描述的示例实施方式可以通过软件实现，也可以通过软件结合必要的硬件的方式来实现。因此，根据本公开实施方式的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM，U盘，移动硬盘等)中或网络上，包括若干指令以使得一台计算设备(可以是个人计算机、服务器、触控终端、或者网络设备等)执行根据本公开实施方式的方法。
本领域技术人员在考虑说明书及实践这里公开的发明后，将容易想到本公开的其它实施方案。本公开旨在涵盖本公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。
应当理解的是，本公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种基于元宇宙的数据渲染方法，其特征在于，应用于计算机设备，所述方法包括：
获取待进行多级渲染策略预估的现实数据集合；
基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组；
基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链；
基于所述渲染策略分布位置链对预设的数字孪生模型进行渲染；
其中，所述通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略，包括：
基于所述数组解析算子，索引数据项首端标识所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述数据项首端标识对应的编码数组与所述嵌入映射数组进行数组解析得到首个内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述首个内部记忆解析数组得到首个渲染策略数组，将所述首个渲染策略数组中最大结果所对应的渲染策略作为所述现实数据集合对应的首个渲染策略；
所述通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析，包括：
基于所述数组解析算子，索引上一次数组解析得到的渲染策略所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述上一次数组解析所得到的内部记忆解析数组与所述渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将所述渲染策略数组中最大结果所对应的渲染策略作为当次数组解析所述现实数据集合对应的渲染策略；
当数组解析的轮次符合预设的轮次数或通过当次输出的渲染策略数组输出数据项末端标识时，结束数组解析。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
将所述现实数据集合输入所述数据渲染分析算法的嵌入映射算子；
基于所述嵌入映射算子的数据项嵌入算子，索引数据项关联清单得到所述现实数据集合中每个数据项的数据项标签，将分类标记以及所述每个数据项的数据项标签嵌入为相应的数据项描述数组，所述每个数据项的数据项描述数组用于表征对应数据项的渲染特征信息，所述分类标记对应的数据项描述数组用于表征所述现实数据集合的整体渲染特征信息；
以及将所述现实数据集合中每个数据项的数据项描述数组分别与所述分类标记的数据项描述数组组合，得到所述每个数据项在所述现实数据集合中的数据描述数组。
3.根据权利要求1所述的方法，其特征在于，所述基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组，包括：
将所述现实数据集合中每个数据项的数据描述数组，输入所述嵌入映射算子的整体嵌入网络；
在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组。
4.根据权利要求3所述的方法，其特征在于，如果所述整体嵌入网络为第一方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述第一方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述第一方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述第一方向嵌入网络对应所述最末一个数据项的第一方向嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组；
如果所述整体嵌入网络为第二方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述第二方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述第二方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到所述现实数据集合中的第一个数据项时，将获得的所述第二方向嵌入网络对应所述第一个数据项的第二方向嵌入内部记忆数组作为所述现实数据集合的嵌入映射数组；
如果所述整体嵌入网络为双重方向嵌入网络，则所述在所述整体嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，对相应的数据描述数组进行按次处理，逐一获得所述整体嵌入网络对应每个数据项的嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，将获得的所述整体嵌入网络对应所述最末一个数据项的内部记忆数组作为所述现实数据集合的嵌入映射数组，包括：
在所述双重方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，在处理到所述现实数据集合中的最末一个数据项时，得到所述双重方向嵌入网络对应所述最末一个数据项的第一方向嵌入内部记忆数组；
在所述双重方向嵌入网络的内部记忆层中，基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，在处理到所述现实数据集合中的第一个数据项时，得到所述双重方向嵌入网络对应所述第一个数据项的第二方向嵌入内部记忆数组；
通过所述最末一个数据项的第一方向嵌入内部记忆数组与所述第一个数据项的第二方向嵌入内部记忆数组，得到所述现实数据集合的嵌入映射数组。
5.根据权利要求4所述的方法，其特征在于，所述基于所述现实数据集合中每个数据项的分布顺次，按照第一方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第一方向嵌入内部记忆数组，包括：
基于所述现实数据集合中每个数据项的分布顺次，按照第一方向将每个数据项的数据描述数组作为所述双重方向嵌入网络的内部记忆层当下处理的数据描述数组；
如果当下处理的数据描述数组是所述现实数据集合中第一个数据项对应的数据描述数组，基于所述内部记忆层通过初始的第一方向嵌入内部记忆数组与所述第一个数据项对应的数据描述数组，得到所述第一个数据项对应的第一方向嵌入内部记忆数组；
如果当下处理的数据描述数组不是所述现实数据集合中第一个数据项对应的数据描述数组，基于所述内部记忆层通过上一次处理得到的第一方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第一方向嵌入内部记忆数组；
所述基于所述现实数据集合中每个数据项的分布顺次，按照第二方向对所述每个数据项相应的数据描述数组进行按次处理，逐一获得所述双重方向嵌入网络对应每个数据项的第二方向嵌入内部记忆数组，包括：
基于所述现实数据集合中每个数据项的分布顺次，按照第二方向将每个数据项的数据描述数组作为所述双重方向嵌入网络的内部记忆层当下处理的数据描述数组；
如果当下处理的数据描述数组是所述现实数据集合中最末一个数据项对应的数据描述数组，基于所述内部记忆层通过初始的第二方向嵌入内部记忆数组与所述最末一个数据项对应的数据描述数组，得到所述最末一个数据项对应的第二方向嵌入内部记忆数组；
如果当下处理的数据描述数组不是所述现实数据集合中最末一个数据项对应的数据描述数组，基于所述内部记忆层通过上一次处理得到的第二方向嵌入内部记忆数组与当下处理的数据描述数组，获得当下处理获得的第二方向嵌入内部记忆数组。
6.根据权利要求1所述的方法，其特征在于，所述将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链，包括：
索引渲染策略关系图，确定每次数组解析得到的渲染策略所对应的渲染策略链分布位置；
通过所述渲染策略链分布位置，将每次数组解析得到的渲染策略进行融合，得到所述现实数据集合对应的渲染策略分布位置链。
7.根据权利要求1~6任一项所述的方法，其特征在于，所述数据渲染分析算法的训练过程包括：
获取现实数据集合模板以及所述现实数据集合模板的渲染策略分布位置链标签；
基于数据渲染分析算法的嵌入映射算子，通过所述现实数据集合模板中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合模板的嵌入映射数组；
基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合模板对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
通过多次数组解析得到的多个渲染策略与所述渲染策略分布位置链标签所包括的多个渲染策略之间的损失，调节所述数据渲染分析算法。
8.一种数据渲染装置，其特征在于，包括：
数据获取模块，用于获取待进行多级渲染策略预估的现实数据集合；
数组嵌入模块，用于基于调试完成的数据渲染分析算法的嵌入映射算子，通过所述现实数据集合中每个数据项的数据描述数组进行数组嵌入映射，得到所述现实数据集合的嵌入映射数组；
数组解析模块，用于基于所述数据渲染分析算法的数组解析算子，通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略之后，持续通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析；
渲染策略融合模块，用于将数组解析得到的多个渲染策略从高到低进行融合，得到所述现实数据集合对应的渲染策略分布位置链；
模型渲染模块，用于基于所述渲染策略分布位置链对预设的数字孪生模型进行渲染；
其中，所述通过所述嵌入映射数组进行首次数组解析得到首个内部记忆解析数组，并依据所述首个内部记忆解析数组得到所述现实数据集合对应的首个渲染策略，包括：
基于所述数组解析算子，索引数据项首端标识所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述数据项首端标识对应的编码数组与所述嵌入映射数组进行数组解析得到首个内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述首个内部记忆解析数组得到首个渲染策略数组，将所述首个渲染策略数组中最大结果所对应的渲染策略作为所述现实数据集合对应的首个渲染策略；
所述通过上一次数组解析所得到的内部记忆解析数组与渲染策略进行当次数组解析，得到当次数组解析的内部记忆解析数组与渲染策略，直到停止数组解析，包括：
基于所述数组解析算子，索引上一次数组解析得到的渲染策略所对应的编码数组；
基于所述数组解析算子的内部记忆层通过所述上一次数组解析所得到的内部记忆解析数组与所述渲染策略对应的编码数组进行当次数组解析，得到当次数组解析的内部记忆解析数组；
基于所述内部记忆层的归一决策算子，通过所述当次数组解析的内部记忆解析数组得到当次输出的渲染策略数组，将所述渲染策略数组中最大结果所对应的渲染策略作为当次数组解析所述现实数据集合对应的渲染策略；
当数组解析的轮次符合预设的轮次数或通过当次输出的渲染策略数组输出数据项末端标识时，结束数组解析。
9.一种计算机设备，其特征在于，包括：
处理器；
以及存储器，用于存储所述处理器的可执行指令；
其中，所述处理器被配置为经由执行所述可执行指令来执行权利要求1至7中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516896.4A CN117274464B (zh) | 2023-11-15 | 2023-11-15 | 基于元宇宙的数据渲染方法、装置及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311516896.4A CN117274464B (zh) | 2023-11-15 | 2023-11-15 | 基于元宇宙的数据渲染方法、装置及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117274464A CN117274464A (zh) | 2023-12-22 |
| CN117274464B true CN117274464B (zh) | 2024-04-16 |
Family
ID=89206629
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311516896.4A Active CN117274464B (zh) | 2023-11-15 | 2023-11-15 | 基于元宇宙的数据渲染方法、装置及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274464B (zh) |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9614570D0 (en) * | 1996-07-11 | 1996-09-04 | Ibm | Embedded HTML documents |
| CN109861948A (zh) * | 2017-11-30 | 2019-06-07 | 腾讯科技(成都)有限公司 | 虚拟现实数据处理方法、装置、存储介质和计算机设备 |
| CN113835890A (zh) * | 2021-09-24 | 2021-12-24 | 厦门雅基软件有限公司 | 一种渲染数据处理方法、装置、设备和存储介质 |
| CN114924815A (zh) * | 2022-03-31 | 2022-08-19 | 北京达佳互联信息技术有限公司 | 页面渲染方法、装置、电子设备及存储介质 |
| CN114995719A (zh) * | 2022-06-10 | 2022-09-02 | 北京百度网讯科技有限公司 | 列表渲染方法、装置、设备以及存储介质 |
| CN116503522A (zh) * | 2022-06-07 | 2023-07-28 | 腾讯科技（深圳）有限公司 | 互动画面的渲染方法、装置、设备、存储介质及程序产品 |
| WO2023151566A1 (zh) * | 2022-02-08 | 2023-08-17 | 中兴通讯股份有限公司 | 数字孪生体系的构建方法、终端设备及存储介质 |
| CN116825293A (zh) * | 2023-08-25 | 2023-09-29 | 青岛市胶州中心医院 | 一种可视化产科影像检查处理方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8307308B2 (en) * | 2009-08-27 | 2012-11-06 | International Business Machines Corporation | Updating assets rendered in a virtual world environment based on detected user interactions in another world |
| US11748932B2 (en) * | 2020-04-27 | 2023-09-05 | Microsoft Technology Licensing, Llc | Controllable image generation |
| US11985381B2 (en) * | 2022-01-10 | 2024-05-14 | Tencent America LLC | Mapping architecture of immersive technologies media format (ITMF) specification with rendering engines |
-
2023
- 2023-11-15 CN CN202311516896.4A patent/CN117274464B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB9614570D0 (en) * | 1996-07-11 | 1996-09-04 | Ibm | Embedded HTML documents |
| CN109861948A (zh) * | 2017-11-30 | 2019-06-07 | 腾讯科技(成都)有限公司 | 虚拟现实数据处理方法、装置、存储介质和计算机设备 |
| CN113835890A (zh) * | 2021-09-24 | 2021-12-24 | 厦门雅基软件有限公司 | 一种渲染数据处理方法、装置、设备和存储介质 |
| WO2023151566A1 (zh) * | 2022-02-08 | 2023-08-17 | 中兴通讯股份有限公司 | 数字孪生体系的构建方法、终端设备及存储介质 |
| CN114924815A (zh) * | 2022-03-31 | 2022-08-19 | 北京达佳互联信息技术有限公司 | 页面渲染方法、装置、电子设备及存储介质 |
| CN116503522A (zh) * | 2022-06-07 | 2023-07-28 | 腾讯科技（深圳）有限公司 | 互动画面的渲染方法、装置、设备、存储介质及程序产品 |
| CN114995719A (zh) * | 2022-06-10 | 2022-09-02 | 北京百度网讯科技有限公司 | 列表渲染方法、装置、设备以及存储介质 |
| CN116825293A (zh) * | 2023-08-25 | 2023-09-29 | 青岛市胶州中心医院 | 一种可视化产科影像检查处理方法 |
Non-Patent Citations (4)
| Title |
|---|
| Exploring the Knowledge Structure of Digital Twin & Metaverse;Hyun, Ko Mi 等;Journal of Korea Technology Innovation Society;第25卷(第6期);1185-1203 * |
| 出版+数字孪生：概念原理、基础框架与应用场景;丁靖佳;出版发行研究信息科技;1-8 * |
| 基于Android平台作物3D模型渲染方法的实现;林菁;中国优秀硕士学位论文全文库信息科技(第1期);1-58 * |
| 基于OpenGL的剪切机三维动画软件设计与实现;王冠;中国优秀硕士学位论文全文库信息科技(第5期);1-6 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117274464A (zh) | 2023-12-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113792113A (zh) | 视觉语言模型获得及任务处理方法、装置、设备及介质 | |
| CN110673840A (zh) | 一种基于标签图嵌入技术的自动代码生成方法及系统 | |
| CN112445876A (zh) | 融合结构、属性和关系信息的实体对齐方法和系统 | |
| CN110162972B (zh) | 一种基于语句联合编码深度神经网络的uaf漏洞检测方法 | |
| CN110807335A (zh) | 基于机器学习的翻译方法、装置、设备及存储介质 | |
| CN115238045B (zh) | 一种生成式事件论元抽取方法、系统及存储介质 | |
| CN116661805B (zh) | 代码表示的生成方法和装置、存储介质及电子设备 | |
| CN116126341A (zh) | 模型编译方法、装置、计算机设备及计算机可读存储介质 | |
| CN114816997A (zh) | 一种基于图神经网络与双向gru特征抽取的缺陷预测方法 | |
| CN113591093A (zh) | 基于自注意力机制的工业软件漏洞检测方法 | |
| CN115292568B (zh) | 一种基于联合模型的民生新闻事件抽取方法 | |
| CN114580424A (zh) | 一种用于法律文书的命名实体识别的标注方法和装置 | |
| CN112162775A (zh) | 一种基于Transformer和混合代码表示的Java代码注释自动生成方法 | |
| CN110852076B (zh) | 一种自动化疾病编码转换的方法及装置 | |
| CN111597816A (zh) | 一种自注意力命名实体识别方法、装置、设备及存储介质 | |
| CN110688312A (zh) | 一种基于Transformer的软件缺陷预测方法 | |
| CN114155477A (zh) | 一种基于平均教师模型的半监督视频段落定位方法 | |
| CN112148879B (zh) | 一种自动给代码打数据结构标签的计算机可读存储介质 | |
| CN117274464B (zh) | 基于元宇宙的数据渲染方法、装置及设备 | |
| CN116776157A (zh) | 支持模态增加的模型学习方法及其装置 | |
| CN115062619B (zh) | 中文实体链接方法、装置、设备及存储介质 | |
| Wakchaure et al. | A scheme of answer selection in community question answering using machine learning techniques | |
| CN116702765A (zh) | 一种事件抽取方法、装置及电子设备 | |
| CN115470232A (zh) | 模型训练和数据查询方法、装置、电子设备和存储介质 | |
| CN115186085A (zh) | 回复内容处理方法以及媒体内容互动内容的交互方法 |
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 |