JP5969837B2 - 性能予測装置、性能予測方法、及びプログラム - Google Patents
性能予測装置、性能予測方法、及びプログラム Download PDFInfo
- Publication number
- JP5969837B2 JP5969837B2 JP2012143381A JP2012143381A JP5969837B2 JP 5969837 B2 JP5969837 B2 JP 5969837B2 JP 2012143381 A JP2012143381 A JP 2012143381A JP 2012143381 A JP2012143381 A JP 2012143381A JP 5969837 B2 JP5969837 B2 JP 5969837B2
- Authority
- JP
- Japan
- Prior art keywords
- unit
- data
- feature
- approximate model
- design
- 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.)
- Expired - Fee Related
Links
Images
Description
図1は、本発明の一実施形態による性能予測システムの処理概要を示す図である。性能予測システムは、クライアント−サーバシステムにより構成することができ、サーバとしての性能予測装置1と、クライアントとしてのデザイナー端末9とを備えて構成される。
図2は、本実施形態の性能予測システムの構成を示すブロック図であり、本実施形態と関係する機能ブロックのみを抽出して示してある。
性能予測装置1は、1台または複数台のコンピュータ装置により実現され、記憶部10、ベースデザインデータ生成部21、モーフィング部22、学習データ生成部30、近似モデル生成部40、特徴点決定部50、特徴量抽出部60、及び近似モデル適用部70、及びベースデザイン記録部80を備えて構成される。
デザインデータ記憶部11は、ベースデザインデータ、学習用デザインSTL(Standard Triangulated Language)データ、及びテスト用STLデータを記憶する。ベースデザインデータは、ベース車両のベースデザインSTLデータ、及びベースデザイン特徴点データを含む。ベース車両とは、近似モデルを生成するための車両である学習用車両をモーフィングにより生成する元となる車両である。ベースデザインSTLデータは、3次元形状を表現する汎用的なフォーマットであるSTLデータによりベース車両の車両形状を示す。ベースデザイン特徴点データは、ベース車両の車両形状における特徴点を示す。特徴点は、特徴量を抽出するために使用される。例えば、特徴量には、車体の所定箇所の位置座標や、表面の角度、曲率などがある。学習用デザインSTLデータは、学習用車両の車両形状を示すSTLデータである。テスト用STLデータは、生成途中の近似モデルの精度を評価するために用いられるテスト用デザインの車両形状を表すSTLデータである。
入力部91は、キーボードやマウスなどであり、デザイナーによる入力を受ける。表示部93は、ディスプレイであり、画像を表示する。デザイン生成部92は、既存の車両デザイン用のCAD(computer aided design)アプリケーションにより実現することができ、入力部91により入力された情報に基づいてデザイン車両の車両形状を示すデザインデータを生成する。さらに、デザイン生成部92は、性能予測装置1から近似モデル適用部70により算出されたデザイン車両の空力性能値を受信して表示部93に表示させる。
図3は、性能予測装置1の近似モデル生成処理における動作を示すフローチャートである。
まず、ベースデザインデータ生成部21は、ベース車両のCADデータを読み込み(ステップS105)、読み込んだCADデータをベースデザインSTLデータに変換する(ステップS110)。ベースデザインデータ生成部21は、各ベース車両について生成したベースデザインSTLデータをデザインデータ記憶部11に書き込んで記憶させる。ユーザは、デザインデータ記憶部11に各ベース車両のベースデザイン特徴点データを設定する。
デザイナー端末9のデザイン生成部92は、デザイナーが入力した指示に基づいてデザイン車両の車両形状を生成する。デザイナーが入力部91により性能予測機能の起動と、デザイン車両の諸元データを入力すると、デザイン生成部92は、デザイン車両の車両形状を表す形状データとして、デザイン生成部92により生成された車両形状を表すデザインデータと、入力部91により入力された諸元データとを性能予測装置1に出力する。
図5は、近似モデル生成部40の詳細な構成を示すブロック図である。この図5において、近似モデル生成部40は、第1特徴量抽出部41、第2特徴量抽出部42、近似モデル作成部43、性能評価部44、近似モデル更新部45、サンプリング部46を備えている。
この図6は、車両種別におけるデザインD0からデザインDnは各ベース車両または各学習用車両を示し、それぞれの車両のデザイン毎に抽出された特徴量(x1〜xm)からなる第1特徴量及びCd値が示されている。
この図7は、図6と同様に、車両種別におけるデータD0からデザインDnは各ベース車両または各学習用車両を示し、それぞれのデザイン毎に抽出された特徴量(x1〜xs)及びCd値が示されている。ここで、m>sである。
指標Aは、近似モデルから得られた予測値と、CFDで算出した算出値との相関係数である。指標Bは、近似モデルから得られた予測値と、CFDで算出した算出値との平均二乗誤差である。指標Cは、モデル学習に用いたなかからデザインのペアを抽出し、このペアのデザインの性能をどれほどの正答率で当てられるかを表す正答率である。
一方、近似モデル更新部45は、上述した指標A、B及びCのいずれかが予め設定した閾値を越えていない場合、所定の精度を得るための近似モデルが生成されていないとして、近似モデルの生成の処理を継続する。
また、サンプリング部46は、学習用モーフィングデータと同様にテスト用モーフィングデータを生成し、モーフィング部22に対して出力する。テスト用モーフィングデータは、生成された近似モデルの近似精度を求める際に使用するテスト用デザインSTLデータを生成するためのモーフィング条件を示す。テスト用デザインSTLデータは、学習用デザインSTLデータとは異なるテスト用デザインの車両形状を表す。
モーフィング部22は、上記学習用モーフィングデータ及びテスト用モーフィングデータの各々に基づき、ベースデザインSTLデータのモーフィングを行い、学習用デザインSTLデータ、テスト用デザインSTLデータ生成する。
第2特徴量抽出部42は、以下に示す(1)式によるVBSRの予測近似式を用いてモデル学習、すなわち特徴量のリダクション処理を行う。
まず、ベイズ推定における(2)式に示す事後分布を、変分ベイズ法における因子分解により(3)式として示す。すなわち、Cd値(y)に対して、隠れ変数α及び重み付け係数θをすべて確率変数として、その確率分布を求める。
P(θ,α|y)は、平均Cd値である場合におけるθ及びαの組を示す事後確率である。また、P(y|θ)はθである場合に平均Cd値となる事前確率であり、P(θ|α)はαである場合にθとなる事前確率であり、P(α)はαである事前確率である。
そして、第2特徴量抽出部42は、ニュートン法を用いて(4)式におけるθを順次更新する。また、第2特徴量抽出部42は、更新されたθを用いて(5)式によりαを算出して更新する。
第2特徴量抽出部42は、リダクション閾値未満のθiが無くなると、第1特徴量におけるCd値を削除し、残った特徴量を新たに第2特徴量として、図7に示す第2特徴量テーブルを生成する。
近似モデル作成部43は、以下の(6)式に示す近似モデルとしてのクリギング予測式を最終的に求める。この(6)式は、特徴量xiからなる関数fi(xi)と、その重み係数Ciとからなる予測値yaを推定する近似モデルである。
また、(9)式における相関行列Rにおける縦行列riは、以下の(11)式により表される。この(11)式において、添字tは転置行列を示している。
まず、サンプリング部46は、モーフィング部22に対して、実験計画法に基づいて生成した学習用デザインSTLデータ、テスト用デザインSTLデータを生成するための学習用モーフィングデータ及びテスト用モーフィングデータをモーフィング部22に対して出力する。
第1特徴量抽出部41は、学習データ記憶部12から現在処理対象としているカテゴリが設定されている学習用データを読み込む(ステップS405)。第1特徴量抽出部41は、読み込んだ学習用データから特徴量及びCd値の組みを抽出して(ステップS406)、第1特徴量テーブルを作成し(ステップS407)、学習データ記憶部12に書き込んで記憶させる。
一方、近似モデル更新部45が、指標Aが指標Aに対して設定した閾値を満足していないと判定した場合、近似モデルが十分か精度でCd値の予測することができないとし(ステップS414:YES)、近似モデルの生成の処理を継続するため、処理をステップS415へ進める。
また、クリギング法のみで近似モデルを生成する場合、Cd値の推定に寄与しないノイズとなる特徴量も近似モデルに反映されてしまう。
一方、本実施形態によれば、このノイズとなる特徴量をリダクション処理により除去した後に、Cd値の推定に寄与するとして第2特徴量を抽出し、クリギング法によってこの第2特徴量を用いて近似モデルを学習して生成するため、従来例に比較してより精度の高い近似モデルを生成することが可能である。
図9は、特徴点決定部50の詳細な構成を示すブロック図である。
特徴点決定部50は、上述したとおり、ベース車両の車両形状と、デザイナー端末9により生成された、特徴点の抽出対象となるデザイン車両の車両形状とのマッチングを行い、マッチング結果に基づいてベース車両の特徴点に対応するデザイン車両の特徴点を決定する。特徴点決定部50は、輪郭線抽出部51、輪郭形状データ算出部52、モデル記憶部53、類似モデル特定部54、特徴点特定部55、モデル記録部56を備える。
ここで、DPマッチングについて説明する。DPマッチングとは、2つのデータ列の要素毎の対応関係を、部分データ列の対応関係の探索結果を統合することで解く方法である。
具体例として、データA(0)〜データA(m)のm個のデータからなるデータ列Aと、データB(0)〜データB(n)のn個のデータからなるデータ列Bの対応関係(図10(A))を得る場合を用いて説明する。まず、以下の3つのデータ列の組の対応関係及び累積距離を算出する。すなわち、(1)データ列Aの末尾のデータA(m)を削除した部分データ列A´とデータ列Bの組(図10(B))、(2)データ列Bの末尾のデータB(n)を削除した部分データ列B´とデータ列Aの組(図10(C))、(3)部分データ列A´と部分データ列B´の組(図10(D))を、それぞれ算出する。そして、(1)〜(3)のうち累積距離が最も小さい組の対応関係(図10(B))を用いて、データ列Aとデータ列Bの対応関係を得る。このとき、データ列Aとデータ列Bの間の累積距離は、(1)〜(3)のうち最も小さい累積距離に、データ列Aの末尾のデータとデータ列Bの末尾のデータの間の局所距離を加算した値となる。
例えば、データ列A´と、データBのn個のデータからなるデータ列Bの対応関係及び累積距離を得る場合、以下の3つのデータ列の組の対応関係及び累積距離を用いて算出する。すなわち、(1)データ列A´の末尾のデータA(m−1)を削除した部分データ列A´´とデータ列Bの組(図10(E))、(2)部分データ列A´とデータ列B´の組(図10(D))、(3)部分データ列A´´と部分データ列B´の組(図10(F))を、それぞれ用いる。
図11は、輪郭形状データの説明図である。
ある輪郭線と他の輪郭線との対応関係を得ようとする場合、図11(A)に示すように、輪郭線上の点をx座標及びy座標の値を用いることは、対応関係の算出結果が車両の位置や大きさの影響を受けてしまうため、好ましくない。そこで、本実施形態では、図11(B)に示すように、輪郭線で囲まれた領域の重心と輪郭線上の点とを結ぶ線分の長さd及び、当該点と当該点に隣接する2つの点とを結ぶそれぞれの線分がなす角の角度θを用いている。そして、線分の長さdを実数、角度θを虚数とする複素データである輪郭形状データを、輪郭線上の複数の点について算出することで、図11(C)に示すようなデータ列を得ることができる。
そして、特徴点特定部55は、ベース車両のデータ列とデザイン車両のデータ列との対応関係をDPマッチングにより計算する。
まず、特徴点決定部50のモデル記憶部53に、ベース車両の輪郭線、輪郭形状データ、及び特徴点を記録する動作について説明する。
まず、輪郭線抽出部51は、デザインデータ記憶部11からあるベース車両のベースデザインSTLデータを読み出す(ステップS501)。次に、輪郭線抽出部51は、ベースデザインSTLデータから、X−Y平面に平行な断面におけるベース車両の最外郭の輪郭線を、複数の断面について抽出する(ステップS502)。そして、特徴点決定部50は、輪郭線抽出部51が抽出した輪郭線を1つ選択し、全ての輪郭線について、以下に示すステップS504〜S508の処理を実行する(ステップS503)。
そして、モデル記録部56は、輪郭線抽出部51が抽出した輪郭線、輪郭形状データ算出部52が算出した輪郭形状データ、及び特定した特徴点の列番号を、関連付けてモデル記憶部53に記録する(ステップS508)。
上述したステップS501〜S508の処理を、デザインデータ記憶部11が記憶する他のベース車両についても実行する。
図13は、特徴点決定部50がデザイン車両から特徴点を抽出する動作を示すフローチャートである。
このように、全ての輪郭線についてステップS554〜S559の処理を実行することで、デザイン車両全体における特徴点の三次元座標を抽出することができる。
図14は、近似モデル適用部70におけるモデル適用処理の説明図である。
同図に示すように、近似モデル適用部70は、学習データ記憶部12から読み出した学習データをトレーニングデータとし、入力データが各クラスに属する確率(以下、「クラス所属確率」と記載する。)を算出するためのクラス分類モデルを作成する。クラスとはカテゴリの番号であり、クラスc(c=1,2,…,C)のクラス所属確率をPc、クラスcのカテゴリをScとすると、クラスcのクラス所属確率Pcはデザイン車両がカテゴリScに属する確率を表す。クラス分類モデルの作成には、ロジスティック回帰分析の確率導出式を利用したSLR(Sparse Logistic Regression)が用いられる。
データ入力部71は、入力データとして、特徴量抽出部60により抽出されたデザイン車両の特徴量の入力を受ける。分類モデル作成部72は、学習データ記憶部12に記憶されている学習データが示すデザイン車両の特徴量とカテゴリの組みから、クラス分類モデルを作成する。選択部73は、分類モデル作成部72が生成したクラス分類モデルを用い、デザイン車両の特徴量から、当該デザイン車両のクラス所属確率を算出し、算出したクラス所属確率に基づいて使用する近似モデルを選択する。性能算出部74は、選択部73により選択された近似モデルを近似モデル記憶部13から読み出し、読み出した近似モデルを使用して、デザイン車両の特徴量から空力性能値を算出する。出力部75は、選択部73により選択された近似モデルと同一のカテゴリに対応して近似モデル記憶部13から読み出した車両の各部の色の情報に基づいて感度表示画面データを生成し、空力性能値とともにデザイナー端末9に出力する。
データ入力部71が、特徴量抽出部60から抽出されたデザイン車両の特徴量の入力を受けると、分類モデル作成部72は、学習データ記憶部12から学習データを読み込む(ステップS701)。分類モデル作成部72は、学習データの読み込みが成功すると(ステップS702:YES)、SLRにより、読み込んだ学習データからクラス分類モデルを作成する(ステップS703)。
上述した実施形態によれば、複数の近似モデルを使い分けることによって、新たにデザインされた車両の空力性能を精度よく予測することができる。
また、近似モデルの学習においては、高速なモデル学習によって、空力性能に影響を与える特徴点を選択したのち、精度のよいモデル学習によって、選択した特徴点のみ用いた近似モデルを生成するため、高速に精度のよい近似モデルを生成することができる。
また、空力性能に影響を与える特徴量のみを使用した近似モデルを用いることにより、デザインされた車両の空力性能の予測時間を短縮することができる。
また、特徴点が既知の車両とのパターンマッチングに基づいて新たに生成された形状の車両の特徴点を決定するため、空力性能の算出に用いる特徴点を精度よく抽出することができる。よって、近似モデルの生成においても、近似モデルを適用した空力性能の予測においても、予測精度を向上させることが可能となる。
また、空力性能の予測結果の算出を待つ時間が短縮されるため、デザイナーは、創作活動に集中することができ、これまでよりも多くのデザインに対する空力性能を確認することが可能になるため、デザイナーの空力センスやデザイン能力も向上する。
さらには、デザイン知見を活用することも容易となる。例えば、設計知見を蓄積したり、デザイナーの特製を把握したりできるほか、他社の車両の空力性能を蓄積することによって、マーケティングに活用することが可能となる。また、空力性能の予測値を意思決定の判断材料の一つとして用いることも可能となる。
なお、上述の性能予測装置1、及びデザイナー端末9は、内部にコンピュータシステムを有している。そして、性能予測装置1のベースデザインデータ生成部21、モーフィング部22、学習データ生成部30、近似モデル生成部40、特徴点決定部50、特徴量抽出部60、近似モデル適用部70、及びベースデザイン記録部80、ならびにデザイナー端末9のデザイン生成部92の動作の過程は、プログラムの形式でコンピュータ読み取り可能な記録媒体に記憶されており、このプログラムをコンピュータシステムが読み出して実行することによって、上記処理が行われる。ここでいうコンピュータシステムとは、CPU及び各種メモリやOS、周辺機器等のハードウェアを含むものである。
また、「コンピュータ読み取り可能な記録媒体」とは、フレキシブルディスク、光磁気ディスク、ROM、CD−ROM等の可搬媒体、コンピュータシステムに内蔵されるハードディスク等の記憶装置のことをいう。さらに「コンピュータ読み取り可能な記録媒体」とは、インターネット等のネットワークや電話回線等の通信回線を介してプログラムを送信する場合の通信線のように、短時間の間、動的にプログラムを保持するもの、その場合のサーバやクライアントとなるコンピュータシステム内部の揮発性メモリのように、一定時間プログラムを保持しているものも含むものとする。また上記プログラムは、前述した機能の一部を実現するためのものであっても良く、さらに前述した機能をコンピュータシステムにすでに記録されているプログラムとの組み合わせで実現できるものであっても良い。
9 デザイナー端末
10 記憶部
11 デザインデータ記憶部
12 学習データ記憶部
13 近似モデル記憶部
21 ベースデザインデータ生成部
22 モーフィング部
30 学習データ生成部
40 近似モデル生成部
41 第1特徴量抽出部
42 第2特徴量抽出部
43 近似モデル作成部
44 性能評価部
45 近似モデル更新部
46 サンプリング部
50 特徴点決定部
51 輪郭線抽出部
52 輪郭形状データ算出部
53 モデル記憶部
54 類似モデル特定部
55 特徴点特定部
56 モデル記録部
60 特徴量抽出部
70 近似モデル適用部
71 データ入力部
72 分類モデル作成部
73 選択部
74 性能算出部
75 出力部
80 ベースデザイン記録部
91 入力部
92 デザイン生成部
93 表示部
Claims (5)
- 物体形状を表す形状データと、前記物体形状における特徴点を示す特徴点データとを記憶するデータ記憶部と、
特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部と、
機能性能予測対象の物品の形状データが示す物体形状と、前記データ記憶部に記憶されている前記形状データが示す物体形状とのマッチングを行い、前記物品の物体形状において前記特徴点データが示す特徴点に対応する特徴点を決定する特徴点決定部と、
前記特徴点決定部が決定した前記物品の物体形状における前記特徴点から特徴量を抽出する特徴量抽出部と、
前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部と、
前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部と、
を備えることを特徴とする性能予測装置。 - 前記カテゴリ毎に、前記カテゴリに属する学習用の物品の物体形状に関する複数の特徴量及び前記学習用の物品の機能性能値の組を用いて第一のモデル学習方法により第一の近似モデルを生成し、前記複数の特徴量の中から前記第一の近似モデルにおいて機能性能の算出に寄与する特徴量を抽出し、前記学習用の物品の抽出された前記特徴量及び前記学習用の物品の機能性能値の組を用いて第二のモデル学習方法により第二の近似モデルを生成し、前記近似モデル記憶部に書き込む近似モデル生成部をさらに備え、
前記選択部は、前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記第二の近似モデルの中から使用する前記近似モデルを選択する、
ことを特徴とする請求項1に記載の性能予測装置。 - 前記近似モデル記憶部は、前記機能性能への関連の強さを表す物体形状の各部の色の情報を前記カテゴリ毎に記憶し、
前記選択部により選択された前記近似モデルと同一の前記カテゴリに基づいて前記近似モデル記憶部に記憶されている前記各部の色の情報を読み出し、読み出した前記情報で示される各部の色で前記形状データが表す前記物体形状を表示させる出力部をさらに備える、
ことを特徴とする請求項1または請求項2に記載の性能予測装置。 - 物体形状を表す形状データと、前記物体形状における特徴点を示す特徴点データとを記憶するデータ記憶部と、特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部とを備えた性能予測装置が実行する性能予測方法であって、
特徴点決定部が、機能性能予測対象の物品の形状データが示す物体形状と、前記データ記憶部に記憶されている前記形状データが示す物体形状とのマッチングを行い、前記物品の物体形状において前記特徴点データが示す特徴点に対応する特徴点を決定する特徴点決定過程と、
特徴量抽出部が、前記特徴点決定過程において決定された前記物品の物体形状における前記特徴点から特徴量を抽出する特徴量抽出過程と、
選択部が、前記特徴量抽出過程において抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択過程と、
性能算出部が、前記選択過程において選択された前記近似モデルを使用して前記特徴量抽出過程において抽出された前記特徴量から機能性能を算出する性能算出過程と、
を有することを特徴とする性能予測方法。 - 性能予測装置として用いられるコンピュータを、
物体形状を表す形状データと、前記物体形状における特徴点を示す特徴点データとを記憶するデータ記憶部、
特徴量から機能性能を算出するための近似モデルをカテゴリ毎に記憶する近似モデル記憶部、
機能性能予測対象の物品の形状データが示す物体形状と、前記データ記憶部に記憶されている前記形状データが示す物体形状とのマッチングを行い、前記物品の物体形状において前記特徴点データが示す特徴点に対応する特徴点を決定する特徴点決定部、
前記特徴点決定部が決定した前記物品の物体形状における前記特徴点から特徴量を抽出する特徴量抽出部、
前記特徴量抽出部により抽出された前記特徴量に基づいて、前記近似モデル記憶部に記憶されている前記近似モデルの中から使用する前記近似モデルを選択する選択部、
前記選択部により選択された前記近似モデルを使用して前記特徴量抽出部により抽出された前記特徴量から機能性能を算出する性能算出部、
として機能させるプログラム。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012143381A JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
US13/926,104 US9323886B2 (en) | 2012-06-26 | 2013-06-25 | Performance predicting apparatus, performance predicting method, and program |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2012143381A JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2014006813A JP2014006813A (ja) | 2014-01-16 |
JP5969837B2 true JP5969837B2 (ja) | 2016-08-17 |
Family
ID=50104448
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2012143381A Expired - Fee Related JP5969837B2 (ja) | 2012-06-26 | 2012-06-26 | 性能予測装置、性能予測方法、及びプログラム |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP5969837B2 (ja) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10599788B2 (en) | 2015-12-30 | 2020-03-24 | International Business Machines Corporation | Predicting target characteristic data |
US11288414B2 (en) * | 2018-11-20 | 2022-03-29 | The Boeing Company | Artificial intelligence-based manufacturing part design |
CN110119333A (zh) * | 2019-02-21 | 2019-08-13 | 北京天泽智云科技有限公司 | 一种异常检测边缘计算系统 |
JP7147660B2 (ja) * | 2019-03-29 | 2022-10-05 | トヨタ車体株式会社 | 歩行者保護性能評価装置 |
JP7346885B2 (ja) * | 2019-04-12 | 2023-09-20 | 株式会社Ihi | 形状生成装置および形状生成方法 |
WO2021029036A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
WO2021029037A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | 機械学習装置、データ処理システム及び機械学習方法 |
WO2021029038A1 (ja) * | 2019-08-14 | 2021-02-18 | 駿河精機株式会社 | データ処理システム |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH02228763A (ja) * | 1989-03-01 | 1990-09-11 | Matsushita Electric Ind Co Ltd | 予測装置及びその方法 |
JPH04367965A (ja) * | 1991-06-17 | 1992-12-21 | Hitachi Ltd | ニューラルネットを用いた設計支援システム |
JPH06148038A (ja) * | 1992-11-09 | 1994-05-27 | Hitachi Ltd | 振動解析装置 |
JPH0765168A (ja) * | 1993-08-31 | 1995-03-10 | Hitachi Ltd | 関数近似装置及び方法 |
JP3350644B2 (ja) * | 1998-01-29 | 2002-11-25 | 富士通株式会社 | 構造解析システムおよび記録媒体 |
JP4374547B2 (ja) * | 2005-01-11 | 2009-12-02 | 清水建設株式会社 | 建物地震応答の簡易評価方法 |
WO2008114687A1 (ja) * | 2007-03-16 | 2008-09-25 | The Furukawa Electric Co., Ltd. | 振動解析装置、振動解析方法及びプログラム |
US8694292B2 (en) * | 2008-08-29 | 2014-04-08 | Disney Enterprises, Inc. | Method and system for estimating building performance |
-
2012
- 2012-06-26 JP JP2012143381A patent/JP5969837B2/ja not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
JP2014006813A (ja) | 2014-01-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP5969837B2 (ja) | 性能予測装置、性能予測方法、及びプログラム | |
US9323886B2 (en) | Performance predicting apparatus, performance predicting method, and program | |
JP6888484B2 (ja) | 検索プログラム、検索方法、及び、検索プログラムが動作する情報処理装置 | |
CN111291678B (zh) | 一种基于多特征融合的人脸图像聚类方法及装置 | |
Georgiou et al. | Learning fluid flows | |
JP7428516B2 (ja) | 編集可能なフィーチャツリーの推測のためにニューラルネットワークを学習すること | |
US11210866B2 (en) | Forming a dataset for inference of editable feature trees | |
JP7111671B2 (ja) | 学習装置、学習システム、および学習方法 | |
CN101477529B (zh) | 一种三维对象的检索方法和装置 | |
CN106844620B (zh) | 一种基于视图的特征匹配三维模型检索方法 | |
CN108470025A (zh) | 局部话题概率生成正则化自编码文本嵌入表示方法 | |
Dommaraju et al. | Identifying topological prototypes using deep point cloud autoencoder networks | |
JP5969836B2 (ja) | モデル適用装置、モデル適用方法、及びプログラム | |
Dewi et al. | Synthetic traffic sign image generation applying generative adversarial networks | |
JP2014006787A (ja) | 特徴点決定装置、特徴点決定方法、及びプログラム | |
CN113610212A (zh) | 一种多模态传感器数据的合成方法、装置及存储介质 | |
JP2020098571A (ja) | 2次元または3次元の幾何学的形状の集合のための形状記述子の集合を生成するための方法 | |
JP2014006804A (ja) | サンプリング装置、サンプリング方法、近似モデル生成装置、近似モデル生成方法及びプログラム | |
JP5957312B2 (ja) | 記録可否判定装置、記録可否判定方法、及びプログラム | |
Cai et al. | Active Learning Neural C-space Signed Distance Fields for Reduced Deformable Self-Collision | |
CN111210870B (zh) | 蛋白质分类方法 | |
CN113627522A (zh) | 基于关系网络的图像分类方法、装置、设备及存储介质 | |
Rios et al. | Back to meshes: Optimal simulation-ready mesh prototypes for autoencoder-based 3D car point clouds | |
KR101068937B1 (ko) | 기능성 게임의 개인화된 학습경로 생성방법 | |
JP2014006805A (ja) | 近似モデル生成装置、近似モデル生成方法及びプログラム |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20141127 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20151215 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20151218 |
|
A521 | Written amendment |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20160216 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20160628 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20160708 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 5969837 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |
|
R250 | Receipt of annual fees |
Free format text: JAPANESE INTERMEDIATE CODE: R250 |
|
LAPS | Cancellation because of no payment of annual fees |