CN117407985A - 一种机械零部件三维cad模型检索结果互补性关联方法 - Google Patents

一种机械零部件三维cad模型检索结果互补性关联方法 Download PDF

Info

Publication number
CN117407985A
CN117407985A CN202311326750.3A CN202311326750A CN117407985A CN 117407985 A CN117407985 A CN 117407985A CN 202311326750 A CN202311326750 A CN 202311326750A CN 117407985 A CN117407985 A CN 117407985A
Authority
CN
China
Prior art keywords
association
model
elements
clustering
results
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.)
Pending
Application number
CN202311326750.3A
Other languages
English (en)
Inventor
宁方伟
蔡茂林
贾锐斌
李进涛
石鹏
李子瑞
曲虹全
刘青华
牛帅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Ant Factory Manufacturing Co ltd
Original Assignee
Guangdong Ant Factory Manufacturing Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Ant Factory Manufacturing Co ltd filed Critical Guangdong Ant Factory Manufacturing Co ltd
Priority to CN202311326750.3A priority Critical patent/CN117407985A/zh
Publication of CN117407985A publication Critical patent/CN117407985A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/17—Mechanical parametric or variational design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本发明涉及机械设计技术领域，具体涉及一种机械零部件三维CAD模型检索结果互补性关联方法，包括以下步骤：对各零件模型间的结构关联关系进行量化，构造结构矩阵模型；通过聚类将行列元素划分形成若干个聚类结果，将聚类结果中所有相关零件模型作为第一关联结果；针对用户行为数据，采用量化关联规则挖掘零件模型的频繁项集；根据预设的强关联判断依据，挖掘频繁项集中各事务项之间的关联关系，确定关联集合，将关联集合中所有相关零件模型作为第二关联结果；将第一关联结果和第二关联结果作为零件模型复用的综合推荐内容。本发明从设计结构及用户行为数据两个角度发掘零件结构与非结构关联关系，为设计人员提供更多的零件设计模型重用选择。

Description

一种机械零部件三维CAD模型检索结果互补性关联方法
技术领域
本发明涉及机械设计技术领域，更具体的说是涉及一种机械零部件三维CAD模型检索结果互补性关联方法。
背景技术
依靠检索技术重用零件三维CAD模型历史设计知识可以提高零件的标准化水平，广泛应用标准件可缩短机械产品设计制造周期的25％-40％，减少原材料及能源的浪费，显著提高产品的制造精度和使用性能，大幅度提升生产效率。零部件的三维模型快速搜索是实现零件库数据资源重复利用最有效手段。三维模型搜索可提高设计知识的复用，节省90％以上的时间。
零部件开发过程中的主要过程信息，如详细设计信息、生产加工、装配信息、实验数据、使用数据、维护保养等信息形成的知识积累形式，形成了以三维模型为核心的关联关系，三维模型的搜索是实现制造知识推荐的关键技术。三维CAD模型相似性度量是实现历史设计知识重用的关键技术。零件设计中的主要过程信息，如详细设计信息、图纸信息、力学分析数据、装配信息，产生的知识积累形成了以三维CAD模型为核心的关联关系。
目前，设计人员在设计零件新品时，一般只从设计结构角度去检索相关零部件，由于零件设计中存在大量非结构性关联组件，只根据结构检索结果，无法全面分析关联模型，因而相关零部件的检索精准度不够。
发明内容
有鉴于此，本发明提供了一种机械零部件三维CAD模型检索结果互补性关联方法，从设计结构及用户行为数据两个角度发掘零件结构与非结构关联关系，为设计人员提供更多的零件设计模型重用选择。
为了实现上述目的，本发明采用如下技术方案：
一种机械零部件三维CAD模型检索结果互补性关联方法，包括以下步骤：
对各零件模型间的结构关联关系进行量化，构造结构矩阵模型；所述结构矩阵模型由一组排列顺序相同的行列元素组成，各所述行列元素与零件装配体结构涉及的各零件模型一一对应，矩阵元素值代表零件模型之间的关联强弱程度；
通过聚类将所述行列元素划分形成若干个聚类结果，将所述聚类结果中所有相关零件模型作为第一关联结果；
针对用户行为数据，采用量化关联规则挖掘零件模型的频繁项集；
根据预设的强关联判断依据，挖掘频繁项集中各事务项之间的关联关系，确定关联集合，将所述关联集合中所有相关零件模型作为第二关联结果；
将所述第一关联结果和所述第二关联结果作为零件模型复用的综合推荐内容。
进一步的，所述结构矩阵模型的构造过程包括：
根据零件模型的功能设计和装配要求，对各关联分析零件模型进行编号，确定所述矩阵结构模型的行列元素；
从空间联系、能量联系、信息联系和物料联系四个方面分别确定各零件模型间的关联强弱程度，并以数值表示，分别作为四个方面下各零件模型间的关联权重；
将各零件模型在四个方面下的关联权重进行加权求和，得到矩阵元素的综合权重，构建数值化的结构矩阵模型。
进一步的，各零件模型间的关联强弱程度分为：较强联系、一般联系、弱联系和无联系，分别对应的关联权重标识为：3、2、1和0。
进一步的，按照下式矩阵元素的综合权重：
Wi,j＝α*Si,j+β*Ei,j+γIi,j+κMi,j
其中，Wi,j表示矩阵元素(i,j)的综合权重；Si,j表示元素(i,j)在空间联系方面的权重；Ei,j表示元素(i,j)在能量联系方面的权重；Ii,j表示元素(i,j)在信息联系方面的权重；Mi,j表示元素(i,j)在物料联系方面的权重；α，β，γ，κ分别表示空间联系、能量联系、信息联系、物料联系的相对重要性。
进一步的，所述通过聚类将所述行列元素划分形成若干个聚类结果，包括：
将矩阵元素中弱联系的关联强度权重降为0，使其作为独立元素，并进行剥离；
在剩余矩阵元素中找出与大部分元素都有联系的公共类元素，并依次移动到所述结构矩阵模型的最后，使这些公共类元素靠近矩阵的对角线位置；
对进行行列变换后的结构矩阵模型进行划分，形成若干个聚类结果，再添加所述独立元素。
进一步的，在对行列变换后的结构矩阵模型进行划分时，以总体的联系信息流量最小为目标，形成最终的聚类结果。
进一步的，所述结构矩阵模型总体的联系信息流量的计算过程为：
将结构矩阵模型从左上角至右下角的N个普通聚类记为CL1、CL2、...、CLN，计算任意聚类CLi间的联系信息流量
式中，α表示聚类数目对联系信息流量的影响重要程度，d表示两元素间的联系权重；任意的聚类CLi所包含的第一个及最后一个聚类元素的位置编号为mi，ni，mj、nj分别表示任意的聚类CLj所包含的第一个及最后一个聚类元素的位置编号，下脚标i和j分别表示第i聚类和第j聚类；聚类CLi的规模为Si＝ni-mi(1≤mi≤ni≤S)，S表示聚类规模；
根据N个普通聚类的联系信息流量进行求和，得到结构矩阵模型总体的联系信息流量：
通过行列变换，使得联系信息流量Wout最小，形成的CL1，CL2，…，CLN为最终聚类结果。
进一步的，所述第二关联结果的获得过程，包括：
遍历数据库中的用户信息，将零件模型检索记录、零件模型浏览记录和零件模型下载记录作为用户行为数据，并转化为非结构化数据；
将用户行为数据中对零件模型的操作记录作为事务项，针对用户行为数据中各事务项存在的关联关系，采用支持度Support和置信度Confidence量化强关联规则，统计每个事务项的支持度M(i)和置信度Confindence(i)，并获取最小支持度minSup和最小置信度minCon；
构建频繁模式树链表，将各事务项非增序地插入树中，构建频繁模式树；
判断各事务项的支持度M(i)是否大于最小支持度minSup，将大于等于最小支持度的事务项作为频繁项集；
判断各事务项的置信度Confindence(i)是否大于最小置信度minCon，将大于等于最小置信度minCon的事务项间的关系转为关联性，并在数据库中登记为关联集合，作为第二关联结果；
当用户检索零件时，将关联集合中的各零件模型作为推荐内容。
进一步的，采用动态调整最小支持度minSup，具体公式为：
M(i)＝nf(i)
式中，f(i)表示事务项i出现的次数；minSup0表示初始设置的最小支持度；n表示最小支持度与当前事务现之间的关联系数，取值范围为0＜n＜1；最小支持度minSup为：minSup∈[last·minSup,last·(1-minSup)]，last表示上一个事务项的minSup值。
经由上述的技术方案可知，与现有技术相比，本发明具有以下有益效果：
本发明根据用户的搜索结果，从设计结构及用户行为数据两个角度发掘零件结构与非结构关联关系，形成互补性全面关联分析，在结构关联关系分析方面，量化各另建模型间关联的强弱关系，采用多种联系信息作为依据的对零件模型进行聚类，以聚类结果作为推荐项集；在非结构性关联分析方面，针对用户行为数据，采用量化关联规则方法并构建频繁项集，明确强关联规则的判断依据，挖掘频繁项集之间的强关联性。最终将结构性和非结构性两个角度挖掘的零件模型整合后，以设计模型知识推荐的形式为设计人员提供更多的零件设计模型重用选择，促进三维模型的设计模型知识重用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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发明的实施例，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，还可以根据提供的附图获得其他的附图。
图1为本发明提供的机械零部件三维CAD模型检索结果互补性关联方法的流程图；
图2为本发明提供的结构矩阵模型的结构示意图；
图3为本发明提供的结构矩阵模型进行行列变化的流程图；
图4为本发明提供的第二关联结果的生成流程；
图5为本发明提供的频繁模式树的构造示意图。
具体实施方式
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，都属于本发明保护的范围。
如图1所示，本发明实施例公开了一种机械零部件三维CAD模型检索结果互补性关联方法，包括以下步骤：
S1、对各零件模型间的结构关联关系进行量化，构造结构矩阵模型；结构矩阵模型由一组排列顺序相同的行列元素组成，各行列元素与零件装配体结构涉及的各零件模型一一对应，矩阵元素值代表零件模型之间的关联强弱程度；
通过聚类将行列元素划分形成若干个聚类结果，将聚类结果中所有相关零件模型作为第一关联结果；
S2、针对用户行为数据，采用量化关联规则挖掘零件模型的频繁项集；
根据预设的强关联判断依据，挖掘频繁项集中各事务项之间的关联关系，确定关联集合，将关联集合中所有相关零件模型作为第二关联结果；
S3、将第一关联结果和第二关联结果作为零件模型复用的综合推荐内容。
下面，对上述各步骤做进一步说明。
S1、零件设计结构关联性分析：
为了能够直观详细的表示零件模型间的设计结构依赖关系，针对零件关联分析从空间联系、能量联系、信息联系、物料联系四个方面进行分析。采用结构矩阵方法，以矩阵的形式表示各个零件模型间的关联性，并实现强弱关系的量化。结构矩阵模型由一组排列顺序相同的行列元素值组成，构造如图2所示。每个行列元素与零件装配体结构拓扑零件一一对应，矩阵元素值为零件模型之间的联系强弱程度，行列元素通过聚类划分形成若干个聚类结果。
具体来说，结构矩阵模型的构造过程包括：
S11、根据零件模型的功能设计和装配要求，对各关联分析零件模型进行编号(比如可以用字母表示关联分析零件模型)，确定矩阵结构模型的行列元素。
S12、从空间联系、能量联系、信息联系和物料联系四个方面分别确定各零件模型间的关联强弱程度，并以数值表示，分别作为四个方面下各零件模型间的关联权重；通过四点刻度法进行数值化运算，将各零件模型间的关联强弱程度分为：较强联系、一般联系、弱联系和无联系，对应的刻度分别标记为高、中、低、无，对应的关联权重标识为：3、2、1和0，以此获取二值标识矩阵。
S13、对四向量矩阵进行降维，将各零件模型在四个方面下的关联权重进行加权求和，得到矩阵元素的综合权重，构建数值化的结构矩阵模型。
按照下式矩阵元素的综合权重：
Wi,j＝α*Si,j+β*Ei,j+γIi,j+κMi,j (1)
其中，Wi,j表示矩阵元素(i,j)的综合权重；Si,j表示元素(i,j)在空间联系方面的权重；Ei,j表示元素(i,j)在能量联系方面的权重；Ii,j表示元素(i,j)在信息联系方面的权重；Mi,j表示元素(i,j)在物料联系方面的权重；α，β，γ，κ分别表示空间联系、能量联系、信息联系、物料联系的相对重要性。
为了降低聚类划分复杂度，需要对结构矩阵模型进行行列变换，如图3所示，具体过程如下：
S14、将矩阵元素中弱联系的关联强度权重降为0，使其作为独立元素，并进行剥离；
S15、在剩余矩阵元素中找出与大部分元素都有联系的公共类元素，并依次移动到结构矩阵模型的最后，使这些公共类元素尽可能靠近矩阵的对角线位置；
S16、对进行行列变换后的结构矩阵模型进行划分，形成若干个聚类结果，最后添加独立元素。
在对行列变换后的结构矩阵模型进行划分时，以总体的联系信息流量最小为目标，形成最终的聚类结果。
其中，结构矩阵模型总体的联系信息流量的计算过程为：
将结构矩阵模型从左上角至右下角的N个普通聚类记为CL1、CL2、...、CLN，计算任意聚类CLi间的联系信息流量
式中，α表示聚类数目对联系信息流量的影响重要程度，d表示两元素间的联系权重；任意的聚类CLi所包含的第一个及最后一个聚类元素的位置编号为mi，ni，mj、nj分别表示任意的聚类CLj所包含的第一个及最后一个聚类元素的位置编号，下脚标i和j分别表示第i聚类和第j聚类；聚类CLi的规模为Si＝ni-mi(1≤mi≤ni≤S)，S表示聚类规模；
根据N个普通聚类的联系信息流量进行求和，得到结构矩阵模型总体的联系信息流量：
通过行列变换，使得联系信息流量Wout最小，形成的CL1，CL2，…，CLN为最终聚类结果。将聚类中所有相关零件模型作为关联结果形成零件设计模型复用推荐，即第一关联结果。
S2、用户行为数据关联性分析：
除了零件模型设计结构中存在关联信息外，对于非结构关联信息分析，对用户行为展开数据挖掘。基于用户行为数据的零件关联分析是采用数据挖掘算法从用户的对零件模型的操作行为记录中挖掘零件的关联性，用户行为数据包括零件模型检索记录、模型浏览记录、模型下载记录。
如图4所示，第二关联结果的获得过程具体包括：
S21、获取用户行为数据，将零件模型检索记录、零件模型浏览记录和零件模型下载记录作为用户行为数据，进行数据清洗，并转化为非结构化数据。
S22、遍历数据库中的用户信息，将用户行为数据中对零件模型的操作记录作为事务项，针对用户行为数据中各事务项存在的关联关系，采用支持度Support和置信度Confidence量化强关联规则，统计每个事务项的支持度M(i)和置信度Confindence(i)，并获取最小支持度minSup和最小置信度minCon。
本实施例中，针对用户行为数据中存在的关联关系，采用支持度Support和置信度Confidence量化强关联规则，支持度Support的定义如下：
式中，A、B分别表示存在于事务集T中的两个不同事务，满足A∈T，B∈T,且count(T)为事务集的大小。上式表示了事务A和B在所有事务中同时出现的概率。置信度Confidence的定义如下，表示了事务A出现时，事务A和B在所有事务中同时出现的概率。
当Support(A→B)＞minSup以及Confidence(A→B)＞minCon时，则事务A和B存在强关联规则，组成频繁项集，minSup及minCon分别为最小支持度以及最小置信度的阈值。实际应用时，结合零件数量和检索结果，最小置信度阈值minCon。
本实施例采取FP-Growth算法对后续构建的频繁项进行挖掘，基于前缀树快速挖掘频繁模式，相对于Apriori算法具有更快的速度和更少的内存占用。FP-Growth算法将数据集存储在一种称为FP树的结构中，该树通过压缩来节省空间。然后，使用该树来高效地发现频繁项集。FP-Growth算法是通过最小支持度挖掘频繁项集，最小支持度的设定影响频繁项集的优劣，采用动态调整最小支持度minSup方法，即：
M(i)＝nf(i) (7)
式中，f(i)表示事务项i出现的次数；minSup0表示初始设置的最小支持度；n表示最小支持度与当前事务现之间的关联系数，取值范围为0＜n＜1；最小支持度minSup为：minSup∈[last·minSup,last·(1-minSup)]，last表示上一个事务项的minSup值。
S23、构建频繁模式树链表，将各事务项非增序地插入树中，构建频繁模式树，如图5所示。
S24、频繁项集挖掘：
判断各事务项的支持度M(i)是否大于最小支持度minSup，将大于等于最小支持度的事务项作为频繁项集。
S25、判断各事务项的置信度Confindence(i)是否大于最小置信度minCon，将大于等于最小置信度minCon的事务项间的关系转为关联性，并在数据库中登记为关联集合，作为第二关联结果。
S26、当用户检索零件时，将关联集合中的各零件模型作为推荐内容。
S3、结构和非结构关联分析互补：
最后，将基于结构角度发掘的第一关联结果和基于数据行为数据发掘的第二关联结果进行整合，两种关联结果形成互补，作为零件模型的综合推荐内容。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，包括以下步骤：
对各零件模型间的结构关联关系进行量化，构造结构矩阵模型；所述结构矩阵模型由一组排列顺序相同的行列元素组成，各所述行列元素与零件装配体结构涉及的各零件模型一一对应，矩阵元素值代表零件模型之间的关联强弱程度；
通过聚类将所述行列元素划分形成若干个聚类结果，将所述聚类结果中所有相关零件模型作为第一关联结果；
针对用户行为数据，采用量化关联规则挖掘零件模型的频繁项集；
根据预设的强关联判断依据，挖掘频繁项集中各事务项之间的关联关系，确定关联集合，将所述关联集合中所有相关零件模型作为第二关联结果；
将所述第一关联结果和所述第二关联结果作为零件模型复用的综合推荐内容。
2.根据权利要求1所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，所述结构矩阵模型的构造过程包括：
根据零件模型的功能设计和装配要求，对各关联分析零件模型进行编号，确定所述矩阵结构模型的行列元素；
从空间联系、能量联系、信息联系和物料联系四个方面分别确定各零件模型间的关联强弱程度，并以数值表示，分别作为四个方面下各零件模型间的关联权重；
将各零件模型在四个方面下的关联权重进行加权求和，得到矩阵元素的综合权重，构建数值化的结构矩阵模型。
3.根据权利要求2所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，各零件模型间的关联强弱程度分为：较强联系、一般联系、弱联系和无联系，分别对应的关联权重标识为：3、2、1和0。
4.根据权利要求2所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，按照下式矩阵元素的综合权重：
Wi,j＝α*Si,j+β*Ei,j+γIi,j+κMi,j
其中，Wi,j表示矩阵元素(i,j)的综合权重；Si,j表示元素(i,j)在空间联系方面的权重；Ei,j表示元素(i,j)在能量联系方面的权重；Ii,j表示元素(i,j)在信息联系方面的权重；Mi,j表示元素(i,j)在物料联系方面的权重；α，β，γ，κ分别表示空间联系、能量联系、信息联系、物料联系的相对重要性。
5.根据权利要求3所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，所述通过聚类将所述行列元素划分形成若干个聚类结果，包括：
将矩阵元素中弱联系的关联强度权重降为0，使其作为独立元素，并进行剥离；
在剩余矩阵元素中找出与大部分元素都有联系的公共类元素，并依次移动到所述结构矩阵模型的最后，使这些公共类元素靠近矩阵的对角线位置；
对进行行列变换后的结构矩阵模型进行划分，形成若干个聚类结果，再添加所述独立元素。
6.根据权利要求4所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，在对行列变换后的结构矩阵模型进行划分时，以总体的联系信息流量最小为目标，形成最终的聚类结果。
7.根据权利要求6所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，所述结构矩阵模型总体的联系信息流量的计算过程为：
将结构矩阵模型从左上角至右下角的N个普通聚类记为CL1、CL2、...、CLN，计算任意聚类CLi间的联系信息流量
式中，α表示聚类数目对联系信息流量的影响重要程度，d表示两元素间的联系权重；任意的聚类CLi所包含的第一个及最后一个聚类元素的位置编号为mi，ni，mj、nj分别表示任意的聚类CLj所包含的第一个及最后一个聚类元素的位置编号，下脚标i和j分别表示第i聚类和第j聚类；聚类CLi的规模为Si＝ni-mi(1≤mi≤ni≤S)，S表示聚类规模；
根据N个普通聚类的联系信息流量进行求和，得到结构矩阵模型总体的联系信息流量：
通过行列变换，使得联系信息流量Wout最小，形成的CL1，CL2，…，CLN为最终聚类结果。
8.根据权利要求1所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，所述第二关联结果的获得过程，包括：
遍历数据库中的用户信息，将零件模型检索记录、零件模型浏览记录和零件模型下载记录作为用户行为数据，并转化为非结构化数据；
将用户行为数据中对零件模型的操作记录作为事务项，针对用户行为数据中各事务项存在的关联关系，采用支持度Support和置信度Confidence量化强关联规则，统计每个事务项的支持度M(i)和置信度Confindence(i)，并获取最小支持度minSup和最小置信度minCon；
构建频繁模式树链表，将各事务项非增序地插入树中，构建频繁模式树；
判断各事务项的支持度M(i)是否大于最小支持度minSup，将大于等于最小支持度的事务项作为频繁项集；
判断各事务项的置信度Confindence(i)是否大于最小置信度minCon，将大于等于最小置信度minCon的事务项间的关系转为关联性，并在数据库中登记为关联集合，作为第二关联结果；
当用户检索零件时，将关联集合中的各零件模型作为推荐内容。
9.根据权利要求7所述的机械零部件三维CAD模型检索结果互补性关联方法，其特征在于，采用动态调整最小支持度minSup，具体公式为：
M(i)＝nf(i)
式中，f(i)表示事务项i出现的次数；minSup0表示初始设置的最小支持度；n表示最小支持度与当前事务现之间的关联系数，取值范围为0＜n＜1；
最小支持度minSup为：minSup∈[last·minSup,last·(1-minSup)]，last表示上一个事务项的minSup值。
CN202311326750.3A 2023-10-13 2023-10-13 一种机械零部件三维cad模型检索结果互补性关联方法 Pending CN117407985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311326750.3A CN117407985A (zh) 2023-10-13 2023-10-13 一种机械零部件三维cad模型检索结果互补性关联方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311326750.3A CN117407985A (zh) 2023-10-13 2023-10-13 一种机械零部件三维cad模型检索结果互补性关联方法

Publications (1)

Publication Number Publication Date
CN117407985A true CN117407985A (zh) 2024-01-16

Family

ID=89499253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311326750.3A Pending CN117407985A (zh) 2023-10-13 2023-10-13 一种机械零部件三维cad模型检索结果互补性关联方法

Country Status (1)

Country Link
CN (1) CN117407985A (zh)

Similar Documents

Publication Publication Date Title
Mampaey et al. Summarizing data succinctly with the most informative itemsets
Mampaey et al. Tell me what i need to know: succinctly summarizing data with itemsets
CN107577924B (zh) 一种基于深度学习的长链非编码rna亚细胞位置预测方法
CN113051359B (zh) 一种基于多级索引结构的大规模轨迹数据相似性查询方法
CN108491226B (zh) 基于集群缩放的Spark配置参数自动调优方法
US10210280B2 (en) In-memory database search optimization using graph community structure
JP6355840B2 (ja) ストップワード識別方法および装置
CN107291895B (zh) 一种快速的层次化文档查询方法
CN105320679A (zh) 一种数据表索引集合生成方法及装置
CN101404033A (zh) 本体层级结构的自动生成方法及系统
CN108984574B (zh) 数据处理方法及装置
CN105095522A (zh) 基于最近邻搜索的关系表集合外键识别方法
CN103473307A (zh) 跨媒体稀疏哈希索引方法
CN112965991B (zh) 预计算结果生成方法、装置、电子设备及存储介质
Jiang et al. xLightFM: Extremely memory-efficient factorization machine
CN117851490A (zh) 基于大数据的数据分析处理系统
Ma et al. POD: A parallel outlier detection algorithm using weighted kNN
CN111061836B (zh) 一种适用于Lucene全文检索引擎的自定义打分方法
CN117407985A (zh) 一种机械零部件三维cad模型检索结果互补性关联方法
Glenis et al. SCALE-BOSS: A framework for scalable time-series classification using symbolic representations
Wedashwara et al. Combination of genetic network programming and knapsack problem to support record clustering on distributed databases
CN114647679A (zh) 一种基于数值特征聚类的水文时间序列模体挖掘方法
CN114168625A (zh) 一种语法树的优化方法、装置
JP2007122405A (ja) データベース管理システムの性能チューニングシステム
CN110309179B (zh) 基于并行pso的最大容错频繁项集挖掘方法

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