為了消除設計決策者決策偏好對產(chǎn)品開發(fā)的影響,進一步提升設計決策效率,提出了ResNet人工智能設計決策模型。該模型基于人工智能思想,構建了基于產(chǎn)品造型語義的設計歷史方案數(shù)據(jù)集,并對該數(shù)據(jù)集進行了產(chǎn)品造型語義標注。通過深度殘差學習網(wǎng)絡算法（ResNet）對數(shù)據(jù)集進行不斷訓練來提高設計決策的準確度,將一般設計決策問題轉化為設計方案圖像的語義識別問題,最大限度地消除了決策者決策偏好的影響。通過起重機造型設計決策實例,驗證了ResNet人工智能設計決策算法的有效性和可行性。 

【文章來源】：計算機集成制造系統(tǒng). 2019,25(10)北大核心EICSCD

【文章頁數(shù)】：9 頁

【部分圖文】：

汾計語Y的沖苦流涌

第１０期王亞輝等：基于深度學習的人工智能設計決策模型表１設計歷史數(shù)據(jù)集造型語義標注圖片編號總體語義描述造型語義描述第一部分第二部分第三部分可實現(xiàn)性（１～１０）總體評價（１～１０）１堅實男性內(nèi)斂感性女性穩(wěn)健理性莊嚴理性穩(wěn)健堅實７７２科技感性張揚感性女性零碎理性科技穩(wěn)健零碎脆弱５６３穩(wěn)健內(nèi)斂女性女性完整未來未來莊嚴理性完整未來７６４穩(wěn)健完整內(nèi)斂理性零碎輕浮未來完整零碎脆弱輕�。福叮睢瓊鹘y(tǒng)的數(shù)據(jù)集構建通常采用多用戶同時參與的方式，通過對不同用戶選擇或標注結果的統(tǒng)計分析，計算置信度來進行相應的判斷，以此提高數(shù)據(jù)集的可信度。如果數(shù)據(jù)量特別大，半監(jiān)督或弱監(jiān)督及相關的檢測算法需要介入數(shù)據(jù)集篩選和目標標注，通過算法的初步處理，給出目標圖像分割區(qū)域大致位置，進行圖像的初步定位，此外在數(shù)據(jù)集相對不大的情況下，可以通過人工進行校正。鑒于設計領域的特殊性，設計歷史數(shù)據(jù)集造型語義的標注工作均由５年以上的設計人員人工標注完成，最終的分數(shù)通過置信度統(tǒng)計獲得。２．３基于ＲｅｓＮｅｔ算法的人工智能設計決策模型ＲｅｓＮｅｔ的結構優(yōu)勢在于可以快速地實現(xiàn)加速超深神經(jīng)網(wǎng)絡的訓練過程［１８］。如圖６所示，Ｒｅｓｎｅｔ整個深層網(wǎng)絡原始輸入ｘ經(jīng)過一個ｃｏｎｖ－ｒｅｌｕ－ｃｏｎｖ組合層輸出Ｆ（ｘ），將輸出和原始輸出做加法，即Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ，原始輸入經(jīng)過ｉｄｅｎｔｉｔｙ激活函數(shù)疊加到卷積輸出上，使用堆疊層擬合Ｈ（ｘ）－ｘ，將ｘ重新疊加就得到

【參考文獻】：
期刊論文
[1]遺傳編程及其在產(chǎn)品創(chuàng)新設計中的應用研究進展[J]. 劉肖健,陳方敏,華爾天.  機械設計. 2017(11)
[2]基于深度殘差網(wǎng)絡的高光譜遙感數(shù)據(jù)霾監(jiān)測[J]. 陸永帥,李元祥,劉波,劉輝,崔林麗.  光學學報. 2017(11)
[3]基于殘差網(wǎng)絡人臉年齡估計[J]. 白昊洋,胡�？�,馬可心,高策.  電腦知識與技術. 2017(14)
[4]基于多目標粒子群優(yōu)化算法的汽車造型設計決策模型[J]. 王亞輝,余隋懷.  計算機集成制造系統(tǒng). 2017(04)
[5]考慮客戶需求偏好的產(chǎn)品創(chuàng)新概念設計方案生成[J]. 楊濤,楊育,張東東.  計算機集成制造系統(tǒng). 2015(04)
[6]基于模糊信息公理的設計方案評價方法及應用[J]. 肖人彬,程賢福,廖小平.  計算機集成制造系統(tǒng). 2007(12)
[7]基于案例的工業(yè)設計情境模型及其應用[J]. 譚浩,趙江洪,王巍,張軍.  機械工程學報. 2006(12)
[8]用戶的產(chǎn)品造型風格感性認知研究[J]. 羅仕鑒,朱上上.  包裝工程. 2005(03)
[9]汽車方案設計智能決策支持系統(tǒng)[J]. 朱曉杰,王國業(yè),卞鋒.  汽車科技. 2005(02)

碩士論文
[1]基于感性意象的汽車起重機造型分析[D]. 肖航杰.湖南大學 2012
[2]基于數(shù)據(jù)挖掘的汽車整車方案設計決策模型的研究[D]. 楊春瑩.武漢理工大學 2011



本文編號：3448544