基于深度学习的人工智能设计决策模型

发布时间：2021-10-21 07:42

　　为了消除设计决策者决策偏好对产品开发的影响,进一步提升设计决策效率,提出了ResNet人工智能设计决策模型。该模型基于人工智能思想,构建了基于产品造型语义的设计历史方案数据集,并对该数据集进行了产品造型语义标注。通过深度残差学习网络算法（ResNet）对数据集进行不断训练来提高设计决策的准确度,将一般设计决策问题转化为设计方案图像的语义识别问题,最大限度地消除了决策者决策偏好的影响。通过起重机造型设计决策实例,验证了ResNet人工智能设计决策算法的有效性和可行性。 

【文章来源】：计算机集成制造系统. 2019,25(10)北大核心EICSCD

【文章页数】：9 页

【部分图文】：

汾计语Y的冲苦流涌

第１０期王亚辉等：基于深度学习的人工智能设计决策模型表１设计历史数据集造型语义标注图片编号总体语义描述造型语义描述第一部分第二部分第三部分可实现性（１～１０）总体评价（１～１０）１坚实男性内敛感性女性稳健理性庄严理性稳健坚实７７２科技感性张扬感性女性零碎理性科技稳健零碎脆弱５６３稳健内敛女性女性完整未来未来庄严理性完整未来７６４稳健完整内敛理性零碎轻浮未来完整零碎脆弱轻浮８６ｎ…………………………………传统的数据集构建通常采用多用户同时参与的方式，通过对不同用户选择或标注结果的统计分析，计算置信度来进行相应的判断，以此提高数据集的可信度。如果数据量特别大，半监督或弱监督及相关的检测算法需要介入数据集筛选和目标标注，通过算法的初步处理，给出目标图像分割区域大致位置，进行图像的初步定位，此外在数据集相对不大的情况下，可以通过人工进行校正。鉴于设计领域的特殊性，设计历史数据集造型语义的标注工作均由５年以上的设计人员人工标注完成，最终的分数通过置信度统计获得。２．３基于ＲｅｓＮｅｔ算法的人工智能设计决策模型ＲｅｓＮｅｔ的结构优势在于可以快速地实现加速超深神经网络的训练过程［１８］。如图６所示，Ｒｅｓｎｅｔ整个深层网络原始输入ｘ经过一个ｃｏｎｖ－ｒｅｌｕ－ｃｏｎｖ组合层输出Ｆ（ｘ），将输出和原始输出做加法，即Ｈ（ｘ）＝Ｆ（ｘ）＋ｘ，原始输入经过ｉｄｅｎｔｉｔｙ激活函数叠加到卷积输出上，使用堆叠层拟合Ｈ（ｘ）－ｘ，将ｘ重新叠加就得到

【参考文献】：
期刊论文
[1]遗传编程及其在产品创新设计中的应用研究进展[J]. 刘肖健,陈方敏,华尔天.  机械设计. 2017(11)
[2]基于深度残差网络的高光谱遥感数据霾监测[J]. 陆永帅,李元祥,刘波,刘辉,崔林丽.  光学学报. 2017(11)
[3]基于残差网络人脸年龄估计[J]. 白昊洋,胡睿康,马可心,高策.  电脑知识与技术. 2017(14)
[4]基于多目标粒子群优化算法的汽车造型设计决策模型[J]. 王亚辉,余隋怀.  计算机集成制造系统. 2017(04)
[5]考虑客户需求偏好的产品创新概念设计方案生成[J]. 杨涛,杨育,张东东.  计算机集成制造系统. 2015(04)
[6]基于模糊信息公理的设计方案评价方法及应用[J]. 肖人彬,程贤福,廖小平.  计算机集成制造系统. 2007(12)
[7]基于案例的工业设计情境模型及其应用[J]. 谭浩,赵江洪,王巍,张军.  机械工程学报. 2006(12)
[8]用户的产品造型风格感性认知研究[J]. 罗仕鉴,朱上上.  包装工程. 2005(03)
[9]汽车方案设计智能决策支持系统[J]. 朱晓杰,王国业,卞锋.  汽车科技. 2005(02)

硕士论文
[1]基于感性意象的汽车起重机造型分析[D]. 肖航杰.湖南大学 2012
[2]基于数据挖掘的汽车整车方案设计决策模型的研究[D]. 杨春莹.武汉理工大学 2011



本文编号：3448544