專利名稱：面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種知識應(yīng)用方法，尤其是一種面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法。
背景技術(shù)：
飾品行業(yè)是從珠寶首飾、工藝禮品行業(yè)中分離出來而形成的一個新興產(chǎn)業(yè)。飾品作為新經(jīng)濟的增長點，在發(fā)達國家已逐步走向成熟。隨著我國與國際社會的全面接軌，生活水平的逐步提高，人們的生活理念發(fā)生了巨大變化，崇尚時尚、追逐流行已成為國人生活的主旋律之一，中國飾品行業(yè)的發(fā)展展現(xiàn)出無限商機。
飾品是大眾型消費品，它有廣大的消費人群，市場潛力巨大。據(jù)我國相關(guān)機構(gòu)對中國飾品市場的調(diào)查發(fā)現(xiàn)，由于經(jīng)濟水平的發(fā)展，更多的消費者購買飾品，首要考慮的是飾品的樣式，而后則是流行趨勢及價格等因素；同時，來自韓國、日本等國的產(chǎn)品因其設(shè)計精美、引領(lǐng)時尚潮流而在市場中占據(jù)明顯優(yōu)勢。這對于我國的飾品生產(chǎn)企業(yè)來講，是學(xué)習(xí)的機會，更是面臨的可貴機遇與嚴峻挑戰(zhàn)。
飾品生產(chǎn)企業(yè)要想在市場競爭中站穩(wěn)腳跟，必須要加強創(chuàng)新，注重創(chuàng)新設(shè)計，提升企業(yè)的核心競爭力。經(jīng)驗表明，在飾品創(chuàng)新設(shè)計過程中，設(shè)計師往往要花費70％以上的時間收集所需的知識和信息，嚴重影響了新品的開發(fā)效率，與企業(yè)快速響應(yīng)市場需求的要求背道而馳。當(dāng)前飾品企業(yè)內(nèi)外部存在著海量信息和知識，然而許多的技術(shù)文檔無法重用，設(shè)計師的理念無法通過合適的途徑表達與共享。因此，建立合理的知識管理體系，整合知識資源，從而為企業(yè)高級管理人員提供決策、為企業(yè)各部門技術(shù)人員提供智力支持，是飾品行業(yè)生產(chǎn)企業(yè)的當(dāng)務(wù)之急。
通常而言，知識管理系統(tǒng)包含知識獲取、知識表示、知識建模、知識檢索和知識重用等內(nèi)容。對于知識管理，前人已經(jīng)進行了許多有意義的工作。在知識獲取方面，研究者們采用了多種技術(shù)，謝友柏團隊就研究了基于實例的產(chǎn)品設(shè)計知識獲取、利用神經(jīng)網(wǎng)絡(luò)實現(xiàn)知識的獲取、采用Rough Set理論進行知識的獲取等；借用網(wǎng)絡(luò)技術(shù)，余忠華等采用了基于BBS的知識獲取技術(shù)來獲取知識。然而，由于顯性知識可以以相對較低的成本從一個地方復(fù)制到另一個地方，而隱性知識很難復(fù)制。所以，從某種程度上可以認為隱性知識相對顯性知識對于企業(yè)的市場競爭力具有更為重要的作用。正因為隱性知識具有如此重要的作用，所以有很多研究者研究將隱性知識變?yōu)轱@性知識的方法。如蘇財茂等提出知識獲取的步驟包括準備階段、收集階段、提取階段、完善階段；Cheah Yu-N等采用本體技術(shù)，通過場景來獲取隱性知識；Tuggle等通過研究過程圖，從過程圖中獲取隱性知識；羅仕鑒等歸納出，隱性知識可以通過問卷法、口語分析法、語義差異法、臨場實時繪制、主成分分析、聚類分析、多維尺度分析等綜合方法獲取和表征。
在知識建模方面，美國NIST的設(shè)計倉庫提出一個建?？蚣芤灾С止こ坍a(chǎn)品建模，以對象和關(guān)系集來表達產(chǎn)品；歐洲的WISE項目建立了基于Web的計算機支持協(xié)同工程設(shè)計知識管理平臺；國內(nèi)學(xué)者如潘旭偉等研究了面向知識管理的知識建模技術(shù)，包括知識載體、知識內(nèi)容信息和知識情境的知識建模技術(shù)。在現(xiàn)有的產(chǎn)品設(shè)計知識建模方法中，一個突出的特點就是所建立的產(chǎn)品知識模型包含的內(nèi)容沒有覆蓋到整個設(shè)計過程，尚未能全方位地支持基于知識重用的設(shè)計。
知識檢索是設(shè)計知識重用中的關(guān)鍵技術(shù)，設(shè)計檢索的目的就是在已有產(chǎn)品設(shè)計知識中找到能夠滿足設(shè)計需求的知識。相關(guān)研究目前集中在索引的建立、基于實例推理、基于神經(jīng)網(wǎng)絡(luò)的檢索等方面。如Kritit提出以結(jié)構(gòu)-行為-功能模型(SBF)構(gòu)成工程設(shè)計的統(tǒng)一的索引詞匯表；Aamodt提出基于實例推理的設(shè)計中的4R模型；曹銳等提出了基于本體的制造資源獲取和智能檢索系統(tǒng)結(jié)構(gòu)，建立了多層次信息智能檢索模型，并論述了語義檢索相關(guān)算法；王英林等研究了基于本體的可重構(gòu)知識管理平臺，提出了基于本體的知識檢索策略；張東民等提出了基于本體的設(shè)計知識建模和檢索策略。
產(chǎn)品設(shè)計知識重用技術(shù)研究主要研究基于知識重用的產(chǎn)品設(shè)計，在理論方法方面目前主要集中在設(shè)計重用研究方面；在具體的實現(xiàn)技術(shù)方面，主要集中在智能CAD方面的研究，主要有基于推理的設(shè)計方法、基于搜索的方法、基于約束滿足的方法和基于綜合的方法等，但尚未建立起系統(tǒng)化的基于知識重用的產(chǎn)品快速設(shè)計理論。
總體而言，目前對知識管理的研究還處于探索階段。大部分企業(yè)存在部分知識管理的措施，但只有把知識管理與企業(yè)運作緊密地結(jié)合起來，才能真正實現(xiàn)知識管理。所以，盡管知識管理成為國內(nèi)外重要的研究領(lǐng)域，但對企業(yè)實施知識管理的具體方法與手段沒有進行系統(tǒng)的研究，還不能給企業(yè)提供一套操作性強的知識管理方案。主要存在以下問題 (1)缺乏有效的設(shè)計知識管理工具。目前企業(yè)的產(chǎn)品設(shè)計知識沒有得到系統(tǒng)有效的管理，尤其缺乏對概念設(shè)計知識的管理，增加了產(chǎn)品開發(fā)成本，降低了產(chǎn)品設(shè)計開發(fā)質(zhì)量，延長了產(chǎn)品開發(fā)時間； (2)企業(yè)產(chǎn)品開發(fā)中大量應(yīng)用CAD技術(shù)，但無法實現(xiàn)設(shè)計意圖、設(shè)計原理的記錄與獲取，產(chǎn)品設(shè)計過程中的方案設(shè)計、評價決策等創(chuàng)造性活動在很大程度上還依賴于設(shè)計者自身的經(jīng)驗和知識； (3)缺乏對支持基于知識重用的產(chǎn)品快速設(shè)計方法的系統(tǒng)化的研究，產(chǎn)品設(shè)計一直是屬于“弱理論、強經(jīng)驗”的技術(shù)活動；知識運用方面，更多地研究了檢索知識的方法，但未提供一個流程或方法來保證或促進已有知識的利用。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題在于構(gòu)建一個新的知識應(yīng)用方法，能夠適應(yīng)飾品行業(yè)需求，并支持多種格式的產(chǎn)品設(shè)計知識建模、檢索，使企業(yè)能夠有效、快速地識別、獲取、開發(fā)、分解、儲存和傳遞產(chǎn)品設(shè)計知識。
所述面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法包括知識庫的建立步驟、知識表示步驟、神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟、知識獲取步驟、知識建模步驟、知識檢索步驟和知識重用步驟 1)建立飾品企業(yè)創(chuàng)新設(shè)計知識庫，包括飾品設(shè)計元素庫、造型庫、渲染材質(zhì)庫、素材庫、環(huán)境貼圖庫、色系搭配規(guī)則庫、色彩庫、文化常識庫、風(fēng)俗禁忌庫、綠色材質(zhì)標準庫、產(chǎn)品信息編碼庫、物料庫、工藝規(guī)則庫、設(shè)計經(jīng)驗知識庫、銷售歷史資料庫、色彩流行色及飾品流行趨勢庫； 2)采用框架表示法與產(chǎn)生式表示法結(jié)合的方式進行知識表示，利用框架表示法來表示飾品設(shè)計所要考慮的各種要素及各要素間的關(guān)系等靜態(tài)知識；利用產(chǎn)生式規(guī)則作為知識處理方法來表示動態(tài)知識； 3)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同時在保證精度的條件下進行神經(jīng)網(wǎng)絡(luò)的剪枝操作，簡化網(wǎng)絡(luò)結(jié)構(gòu)； 4)基于BP神經(jīng)網(wǎng)絡(luò)，利用非線性激勵函數(shù)三段線性逼近算法進行知識規(guī)則抽??； 5)進行產(chǎn)品設(shè)計知識本體建模，知識本體表示模型如下所示 K-ontology＝{Ks，AKs，R，AR，Q，G} (1) 其中，K-ontology表示設(shè)計知識本體，Ks表示設(shè)計知識中各種知識概念的集合；AKs表示多個概念所對應(yīng)的屬性集組成的集合，其中每個屬性集對應(yīng)于一個概念；R是一個關(guān)系集合；AR是由多個關(guān)系屬性集組成的集合，其中每個屬性集對應(yīng)于R中的一個關(guān)系；Q表示概念之間的層次結(jié)構(gòu)關(guān)系；G表示公理集合；設(shè)計知識的本體是產(chǎn)品設(shè)計所需要的各種知識的集合，可以將設(shè)計知識本體用BNF范式描述如下 <設(shè)計知識子類>::＝<父類屬性>[子類自定義屬性] (2)； 6)采用知識引導(dǎo)和多策略檢索相結(jié)合的方法來實現(xiàn)設(shè)計知識的快速檢索 第一階段，知識庫表示為Ωk＝{Ωk1，Ωk2，…，Ωki，…，Ωkn}，第i個子庫為Ωki＝{Ati1，Ati1，…，Atik，…，Atip}，引導(dǎo)知識庫有q個子庫，對應(yīng)q種檢索策略，即Ωks＝{Ωks1，Ωks2，…，Ωksi，…，Ωksq}，其中Ωksi＝{Ati1，Ati1，…，Atik，…，Atij}；用戶需求為ΩU＝{Item1，Item2，…，Itemk，…，Itemn}，從中抽取1個部分關(guān)鍵參數(shù)組成預(yù)檢索參數(shù)，即ΩUI＝{Item1，Item2，…，Itemk，…，Iteml}； 第二階段是在預(yù)檢索階段的基礎(chǔ)上，利用多種設(shè)計知識檢索策略，根據(jù)預(yù)檢索的結(jié)果進行檢索擴展，在設(shè)計知識庫中檢索與預(yù)檢索結(jié)果相關(guān)的知識庫，將檢索問題和設(shè)計知識進行匹配，根據(jù)所匹配結(jié)果的相似度排序找出最佳相似或前n個相似的知識條目； 7)利用基于實例的檢索(Case-Based Reasoning，CBR)實現(xiàn)飾品設(shè)計知識的重用對于檢索結(jié)果，進行重用度評價，重用度用相似度和滿足度的加權(quán)和來計算 DoR＝wiDoS+wjDoF (3) 其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度，wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定。
進一步，所述的步驟2)包括如下具體步驟 (2.1)框架由框架名和若干個槽組成，每個槽包含若干個側(cè)面，每個側(cè)面又包括若干個值；其中，框架的各個槽存放著對象的屬性名，側(cè)面用于存放對象的屬性，側(cè)面的值則為屬性值； (2.2)在描述復(fù)雜的對象知識時，提取出共同屬性構(gòu)成上層框架，知識對象的獨有下級屬性構(gòu)成下層框架，下層框架繼承與上層框架形成父子繼承關(guān)系，子框架可以繼承父框架的槽屬性與槽值； (2.3)在進行具體的設(shè)計過程中需要調(diào)用的知識，包括結(jié)構(gòu)規(guī)則知識、造型規(guī)則知識、工藝選擇知識、質(zhì)量標準選擇知識、配色規(guī)則知識、選材規(guī)則知識則選用產(chǎn)生式表示法表示；產(chǎn)生式規(guī)則是一條以“如果這些條件滿足，就采取這些行動”的形式所表示的語句，以“IF-THEN”的格式描述。
進一步，所述的步驟3)包括如下具體步驟 (3.1)對數(shù)據(jù)進行歸一化預(yù)處理，對樣本輸入值，按照公式(4)進行簡單歸一化處理 其中，dmin表示d的最小值，dmax表示d的最大值；這樣，輸入數(shù)據(jù)被按比例分配在
范圍內(nèi)； (3.2)已知數(shù)據(jù)集(Ip，Op)，p＝1，2，…，k，且輸入Ip∈RN，輸出OP∈R，構(gòu)建合理規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后使得包含懲罰項的均方誤差總和足夠小，其中懲罰項是不斷增大的； (3.3)進行神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)計隱神經(jīng)元對輸入Ip的激活函數(shù)Lij和輸出神經(jīng)元的預(yù)測值

按下式計算 Ijp是p模式輸入神經(jīng)元j的值，函數(shù)h(x)是隱層神經(jīng)元的激勵函數(shù)，用雙曲正切函數(shù)表示 (3.4)構(gòu)造誤差函數(shù)，采用含懲罰項的均方誤差綜合設(shè)輸入神經(jīng)元個數(shù)為m，隱神經(jīng)元個數(shù)為n，輸出層為一個神經(jīng)元，則性能函數(shù)為 其中，ε1，ε2，β是正的懲罰項參數(shù)，ωij是第j個數(shù)如神經(jīng)元和第i個隱神經(jīng)元的連接權(quán)重，vi是第i個隱神經(jīng)元和輸出神經(jīng)元的連接權(quán)重； 當(dāng)均方誤差總和最小時，懲罰項θ(w，v)使權(quán)重值不斷接近原始的(真實)權(quán)重空間，此時，網(wǎng)絡(luò)的最終權(quán)重值有許多接近或者為0； (3.5)通過技術(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測的絕對平方誤差對冗余的和不相關(guān)的單元進行刪除，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的剪枝算法，利用下列公式來決定剪枝何時停止 其中，ET和EX是訓(xùn)練集T和交叉驗證集X的絕對平方誤差，|T|和|X|是訓(xùn)練集和交叉驗證集的基數(shù)； (3.6)把整個樣本分成三個集合訓(xùn)練集，交叉驗證集和測試集，隱層單元初始化足夠多，然后訓(xùn)練網(wǎng)絡(luò)使誤差函數(shù)E(w，v)的值減小； (3.7)計算ET和EX的值，ETbest＝ET，EXbest＝Ex，Emax＝max{ETbest，EXbest}；Emax的值用來確定神經(jīng)網(wǎng)絡(luò)單元是否可以刪除，定位為ETbest和EXbest中的最大值，以此刪除盡可能多的冗余單元，而不會犧牲泛化能力； (3.8)對于i＝1，2，…，n，令Vi＝0，預(yù)測誤差ETi并找出其最小值，此時i＝n，即ETk＝minETi，然后令Vk＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+α)Emax，EX≤(1+α)Emax，則去掉隱層單元h，并轉(zhuǎn)向判斷下一隱層單元h-1；合適的參數(shù)α>0被用來控制一個單元被刪除的機率； (3.9)對于j＝1，2，…，m，令wi，j＝0，對于所有i計算預(yù)測誤差ETj，找出ETi最小值ETt＝minjETj，然后令wij＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+α)Emax，EX≤(1+α)Emax，則刪除輸入層第t個神經(jīng)元，并轉(zhuǎn)向判斷下一隱層單元t-1； (3.10)用測試集對網(wǎng)絡(luò)進行準確性測試，并不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
進一步，所述的步驟4)包括如下具體步驟 (4.1)非線性激勵函數(shù)為h(x)＝tanh(x)，由于h(x)是反對稱的，x取非負值；利用分段線性函數(shù)D(x)逼近，選取合適的xm值，使得D(x)比h(x)的值大； h′(0)＝1，h′(xm)＝1-h2(xm)，因此，D(x)表示為 其中，拐點的計算公式是 (4.2)對于每一個隱層神經(jīng)元i＝1，2，…，n，從訓(xùn)練樣本中確定xm的值，并按照公式(13)計算出對應(yīng)的xi0； (4.3)確定三段線性分段函數(shù)Di(x) (4.4)對于每個分段區(qū)間，確定神經(jīng)網(wǎng)絡(luò)輸出

對于輸入樣本p的線性關(guān)系 其中， (4.5)生成條件規(guī)則(C1，C2，…，Cn)，Ci處于三段線性區(qū)間中的一段中。
進一步，所述的步驟6)包括如下具體步驟 (6.1)對于新檢索需求，確定預(yù)檢索屬性集ΩUI； (6.2)確定檢索策略，針對ΩUI中每一個索引屬性與對應(yīng)的引導(dǎo)知識庫中每一個對應(yīng)的屬性作精確比較，屬性比較相同的構(gòu)成相應(yīng)的中間結(jié)果集Ωkpi(i＝1，2，…，l)； (6.3)將1個中間結(jié)果集求交得到預(yù)檢索結(jié)果Ωkp，即 Ωkp＝Ωkp1∩Ωkp2∩…∩Ωkpl (16) 若Ωkp為空，則回到步驟(6.1)，降低搜索條件，調(diào)整預(yù)檢索屬性集ΩUI； (6.4)對Ωkp的每一個引導(dǎo)知識庫，依據(jù)引導(dǎo)知識庫所對應(yīng)的檢索策略，根據(jù)本體知識庫中知識之間的聯(lián)系進行檢索擴展； (6.5)所有相關(guān)的設(shè)計知識庫Ωki中計算每一個屬性特征Atik與用戶需求ΩU中檢索參數(shù)Itemk的相似度 sim(Atik，Itemk) (17) 進一步，根據(jù)各個檢索參數(shù)的權(quán)重，計算設(shè)計知識整體相似度 SIM(Ωki，ΩU) (18) (6.6)根據(jù)設(shè)定相似度閾值選取相似實例或按照實例相似度進行排序，顯示相關(guān)知識。
進一步，所述的步驟7)中包括如下具體步驟 (7.1)在基于實例檢索開始前，需要輸入表示元素的知識庫、通用領(lǐng)域知識庫和實例庫；并相互連接上述三個知識庫中的所有概念； (7.2)對于檢索到的實例知識進行篩選，求解重用度、相似度和滿意度；通過距離計算法求解目標實例與源實例之間的相似性，公式如下 其中，n是屬性總數(shù)；aih是第i個實例的第h個屬性的值；ajh表示第j個實例的第h個屬性的值；ωh是第h個屬性的權(quán)值；此處每個屬性的值已經(jīng)規(guī)范化，均值為0，標準偏差為1； (7.3)關(guān)系算子的滿意度計算
其中，p為屬性，x是屬性集中的一元；r為要求，y是要求集中的一元； (7.4)邏輯算子的滿意度計算


(7.5)重用度計算公式如下 DoR＝wiDoS+wjDoF(24) 其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度；wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定； 若檢索到的實例與所需的知識重用度大于閾值T，即兩者在一定程度上比較相近，則對應(yīng)的實例知識可以作為重用知識用于新的產(chǎn)品設(shè)計過程中。
進一步，所述的知識應(yīng)用方法還包括步驟8)建立企業(yè)內(nèi)部知識虛擬交流社區(qū)，實現(xiàn)隱性知識的顯性化。
進一步，所述的知識應(yīng)用方法還包括步驟9)基于用戶檔案的個性化知識檢索方法進行檢索的優(yōu)化，通過為不同的知識庫用戶提供個人的用戶名，通過機器自主學(xué)習(xí)建立用戶興趣模型，使得用戶能夠在檢索過程中優(yōu)先獲得個人感興趣的知識，提高知識檢索的效率和準確性。
進一步，所述的步驟9)包括如下具體步驟 (9.1)為每一個設(shè)計人員分配單獨的用戶名并建立用戶檔案，基本結(jié)構(gòu)定義如下 UP＝<UInfo，UPL> UInfo＝<UID，UN，UD> 其中UPL表示用戶感興趣的關(guān)鍵短語的相關(guān)信息；UInfo表示用戶信息，UID表示用戶唯一標識符，UN表示用戶名，UD表示用戶其它描述信息； (9.2)對知識檢索結(jié)果進行聚類，動態(tài)地得到一些檢索結(jié)果的關(guān)鍵短語，將其加入用戶側(cè)檔，用來描述個人喜好的信息；各關(guān)鍵短語及它在用戶檔案中的關(guān)鍵性描述如下 UPL＝<<UW1，UPW1，UWE1>，…，<UWi，UPWi，UWEi>> (25) 其中UWi表示用戶檢索時使用的短語，UPWi表示該短語所屬類的標簽，UWEi表示該短語的權(quán)重，權(quán)重越大則說明用戶對該短語所代表的知識內(nèi)容的興趣越大； (9.3)假設(shè)用戶共進行了m次查詢，且在某次查詢時點擊了結(jié)果中的n個知識檢索對象，則權(quán)重UWEi的計算方法如下 上式中，Cik表示第i個短語在用戶點擊的第k個頁面中出現(xiàn)的次數(shù)，

表示第i個短語在這n個頁面中出現(xiàn)的總次數(shù)，而

表示所有短語出現(xiàn)總次數(shù)的最大值；按照權(quán)重UWEi對用戶檢索時使用的關(guān)鍵短語進行排序，UWEi越大，則該關(guān)鍵短語可以理解為用戶對相關(guān)知識內(nèi)容的喜好程度更高；在用戶使用過程中，按照用戶搜索的結(jié)果進行聚類分析，確定用戶最感興趣的關(guān)鍵短語，對知識檢索結(jié)果按照關(guān)鍵詞的權(quán)重高低進行排序，優(yōu)先顯示權(quán)重更高的檢索內(nèi)容，提高檢索效率和精度。
本發(fā)明綜合利用了知識庫、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)建模、個性化知識檢索等方法，實現(xiàn)了面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，使得企業(yè)內(nèi)部設(shè)計知識的重用成為可能。上述技術(shù)方案有效實現(xiàn)飾品企業(yè)設(shè)計知識的科學(xué)管理和合理利用，縮短企業(yè)新產(chǎn)品開發(fā)周期，提高產(chǎn)品設(shè)計命中率，降低開發(fā)成本。


圖1為框架表示法結(jié)構(gòu)圖。
圖2為隱性知識管理框架圖。
圖3為知識虛擬交流社區(qū)功能模塊示意圖。
圖4為神經(jīng)網(wǎng)絡(luò)獲取知識過程圖。
圖5為基于知識引導(dǎo)的多視圖設(shè)計知識檢索模型。
圖6為個性化知識檢索系統(tǒng)的模型結(jié)構(gòu)圖。
圖7為知識重用綜合推理框圖。
圖8為飾品創(chuàng)新設(shè)計知識庫及知識應(yīng)用方法框架圖。
具體實施例方式 下面通過實施例對本發(fā)明作優(yōu)選地具體的說明，但本發(fā)明的保護范圍并不限于此。
參照圖8，一種面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，包括知識庫的建立步驟、知識表示步驟、神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟、知識獲取步驟、知識建模步驟、知識檢索步驟和知識重用步驟 1)建立飾品企業(yè)創(chuàng)新設(shè)計知識庫，包括飾品設(shè)計元素庫、造型庫、渲染材質(zhì)庫、素材庫、環(huán)境貼圖庫、色系搭配規(guī)則庫、色彩庫、文化常識庫、風(fēng)俗禁忌庫、綠色材質(zhì)標準庫、產(chǎn)品信息編碼庫、物料庫、工藝規(guī)則庫、設(shè)計經(jīng)驗知識庫、銷售歷史資料庫、色彩流行色及飾品流行趨勢庫； 2)采用框架表示法與產(chǎn)生式表示法結(jié)合的方式進行知識表示，利用框架表示法來表示飾品設(shè)計所要考慮的各種要素及各要素間的關(guān)系等靜態(tài)知識；利用產(chǎn)生式規(guī)則作為知識處理方法來表示動態(tài)知識； 3)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同時在保證精度的條件下進行神經(jīng)網(wǎng)絡(luò)的剪枝操作，簡化網(wǎng)絡(luò)結(jié)構(gòu)； 4)基于BP神經(jīng)網(wǎng)絡(luò)，利用非線性激勵函數(shù)三段線性逼近算法進行知識規(guī)則抽??； 5)進行產(chǎn)品設(shè)計知識本體建模，知識本體表示模型如下所示 K-ontology＝{Ks，AKs，R，AR，Q，G} (1) 其中，K-ontology表示設(shè)計知識本體，Ks表示設(shè)計知識中各種知識概念的集合；AKs表示多個概念所對應(yīng)的屬性集組成的集合，其中每個屬性集對應(yīng)于一個概念；R是一個關(guān)系集合；AR是由多個關(guān)系屬性集組成的集合，其中每個屬性集對應(yīng)于R中的一個關(guān)系；Q表示概念之間的層次結(jié)構(gòu)關(guān)系；G表示公理集合；設(shè)計知識的本體是產(chǎn)品設(shè)計所需要的各種知識的集合，可以將設(shè)計知識本體用BNF范式描述如下 <設(shè)計知識子類>::＝<父類屬性>[子類自定義屬性] (2)； 6)采用知識引導(dǎo)和多策略檢索相結(jié)合的方法來實現(xiàn)設(shè)計知識的快速檢索 第一階段，知識庫表示為Ωk＝{Ωk1，Ωk2，…，Ωki，…，Ωkn}，第i個子庫為Ωki＝{Ati1，Ati1，…，Atik，…，Atip}，引導(dǎo)知識庫有q個子庫，對應(yīng)q種檢索策略，即Ωks＝{Ωks1，Ωks2，…，Ωksi，…，Ωksq}，其中Ωksi＝{Ati1，Atii，…，Atik，…，Atij}；用戶需求為ΩU，＝{Item1，Item2，…，Itemk，…，Itemn}，從中抽取1個部分關(guān)鍵參數(shù)組成預(yù)檢索參數(shù)，即ΩUI＝{Item1，Item2，…，Itemk，…，Iteml}； 第二階段是在預(yù)檢索階段的基礎(chǔ)上，利用多種設(shè)計知識檢索策略，根據(jù)預(yù)檢索的結(jié)果進行檢索擴展，在設(shè)計知識庫中檢索與預(yù)檢索結(jié)果相關(guān)的知識庫，將檢索問題和設(shè)計知識進行匹配，根據(jù)所匹配結(jié)果的相似度排序找出最佳相似或前n個相似的知識條目；7)利用基于實例的檢索(Case-Based Reasoning，CBR)實現(xiàn)飾品設(shè)計知識的重用對于檢索結(jié)果，進行重用度評價，重用度用相似度和滿足度的加權(quán)和來計算 DoR＝wiDoS+wjDoF (3) 其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度，wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定。
所述的步驟2)包括如下具體步驟 (2.1)框架由框架名和若干個槽組成，每個槽包含若干個側(cè)面，每個側(cè)面又包括若干個值；其中，框架的各個槽存放著對象的屬性名，側(cè)面用于存放對象的屬性，側(cè)面的值則為屬性值； (2.2)在描述復(fù)雜的對象知識時，提取出共同屬性構(gòu)成上層框架，知識對象的獨有下級屬性構(gòu)成下層框架，下層框架繼承與上層框架形成父子繼承關(guān)系，子框架可以繼承父框架的槽屬性與槽值； (2.3)在進行具體的設(shè)計過程中需要調(diào)用的知識，包括結(jié)構(gòu)規(guī)則知識、造型規(guī)則知識、工藝選擇知識、質(zhì)量標準選擇知識、配色規(guī)則知識、選材規(guī)則知識則選用產(chǎn)生式表示法表示；產(chǎn)生式規(guī)則是一條以“如果這些條件滿足，就采取這些行動”的形式所表示的語句，以“IF-THEN”的格式描述。
所述的步驟3)包括如下具體步驟 (3.1)對數(shù)據(jù)進行歸一化預(yù)處理，對樣本輸入值，按照公式(4)進行簡單歸一化處理 其中，dmin表示d的最小值，dmax表示d的最大值；這樣，輸入數(shù)據(jù)被按比例分配在
范圍內(nèi)； (3.2)已知數(shù)據(jù)集(Ip，Op)，p＝1，2，…，k，且輸入Ip∈RN，輸出Op∈R，構(gòu)建合理規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后使得包含懲罰項的均方誤差總和足夠小，其中懲罰項是不斷增大的； (3.3)進行神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)計隱神經(jīng)元對輸入Ip的激活函數(shù)Lij和輸出神經(jīng)元的預(yù)測值

按下式計算 Ijp是p模式輸入神經(jīng)元j的值，函數(shù)h(x)是隱層神經(jīng)元的激勵函數(shù)，用雙曲正切函數(shù)表示 (3.4)構(gòu)造誤差函數(shù)，采用含懲罰項的均方誤差綜合設(shè)輸入神經(jīng)元個數(shù)為m，隱神經(jīng)元個數(shù)為n，輸出層為一個神經(jīng)元，則性能函數(shù)為 其中，ε1，ε2，β是正的懲罰項參數(shù)，ωij是第j個數(shù)如神經(jīng)元和第i個隱神經(jīng)元的連接權(quán)重，vi是第i個隱神經(jīng)元和輸出神經(jīng)元的連接權(quán)重； 當(dāng)均方誤差總和最小時，懲罰項θ(w，v)使權(quán)重值不斷接近原始的(真實)權(quán)重空間，此時，網(wǎng)絡(luò)的最終權(quán)重值有許多接近或者為0； (3.5)通過技術(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測的絕對平方誤差對冗余的和不相關(guān)的單元進行刪除，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的剪枝算法，利用下列公式來決定剪枝何時停止 其中，ET和EX是訓(xùn)練集T和交叉驗證集X的絕對平方誤差，|T|和|X|是訓(xùn)練集和交叉驗證集的基數(shù)； (3.6)把整個樣本分成三個集合訓(xùn)練集，交叉驗證集和測試集，隱層單元初始化足夠多，然后訓(xùn)練網(wǎng)絡(luò)使誤差函數(shù)E(w，v)的值減??； (3.7)計算ET和EX的值，ETbest＝ET，EXbest＝Ex，Emax＝max{ETbest，EXbest}；Emax的值用來確定神經(jīng)網(wǎng)絡(luò)單元是否可以刪除，定位為ETbest和EXbest中的最大值，以此刪除盡可能多的冗余單元，而不會犧牲泛化能力； (3.8)對于i＝1，2，…，n，令Vi＝0，預(yù)測誤差ETi并找出其最小值，此時i＝n，即ETk＝min ETi，然后令Vk＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+α)Emax，EX≤(1+α)Emax，則去掉隱層單元h，并轉(zhuǎn)向判斷下一隱層單元h-1；合適的參數(shù)α>0被用來控制一個單元被刪除的機率； (3.9)對于j＝1，2，…，m，令wi，j＝0，對于所有i計算預(yù)測誤差ETj，找出ETi最小值ETt＝minjETj，然后令wij＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+α)Emax，EX≤(1+α)Emax，則刪除輸入層第t個神經(jīng)元，并轉(zhuǎn)向判斷下一隱層單元t-1； (3.10)用測試集對網(wǎng)絡(luò)進行準確性測試，并不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
所述的步驟4)包括如下具體步驟 (4.1)非線性激勵函數(shù)為h(x)＝tanh(x)，由于h(x)是反對稱的，x取非負值；利用分段線性函數(shù)D(x)逼近，選取合適的xm值，使得D(x)比h(x)的值大； h′(0)＝1，h′(xm)＝1-h2(xm)，因此，D(x)表示為 其中，拐點的計算公式是 (4.2)對于每一個隱層神經(jīng)元i＝1，2，…，n，從訓(xùn)練樣本中確定xm的值，并按照公式(13)計算出對應(yīng)的xi0； (4.3)確定三段線性分段函數(shù)Di(x) (4.4)對于每個分段區(qū)間，確定神經(jīng)網(wǎng)絡(luò)輸出

對于輸入樣本p的線性關(guān)系 其中， (4.5)生成條件規(guī)則(C1，C2，…，Cn)，Ci處于三段線性區(qū)間中的一段中。
所述的步驟6)包括如下具體步驟 (6.1)對于新檢索需求，確定預(yù)檢索屬性集ΩUI； (6.2)確定檢索策略，針對ΩUI中每一個索引屬性與對應(yīng)的引導(dǎo)知識庫中每一個對應(yīng)的屬性作精確比較，屬性比較相同的構(gòu)成相應(yīng)的中間結(jié)果集Ωkpi(i＝1，2，…，l)； (6.3)將1個中間結(jié)果集求交得到預(yù)檢索結(jié)果Ωkp，即 Ωkp＝Ωkp1∩Ωkp2∩…∩Ωkpl (16) 若Ωkp為空，則回到步驟(6.1)，降低搜索條件，調(diào)整預(yù)檢索屬性集ΩUI； (6.4)對Ωkp的每一個引導(dǎo)知識庫，依據(jù)引導(dǎo)知識庫所對應(yīng)的檢索策略，根據(jù)本體知識庫中知識之間的聯(lián)系進行檢索擴展； (6.5)所有相關(guān)的設(shè)計知識庫Ωki中計算每一個屬性特征Atik與用戶需求ΩU中檢索參數(shù)Itemk的相似度 sim(Atik，Itemk) (17) 進一步，根據(jù)各個檢索參數(shù)的權(quán)重，計算設(shè)計知識整體相似度 SIM(Ωki，ΩU)(18) (6.6)根據(jù)設(shè)定相似度閾值選取相似實例或按照實例相似度進行排序，顯示相關(guān)知識。
所述的步驟7)中包括如下具體步驟 (7.1)在基于實例檢索開始前，需要輸入表示元素的知識庫、通用領(lǐng)域知識庫和實例庫；并相互連接上述三個知識庫中的所有概念； (7.2)對于檢索到的實例知識進行篩選，求解重用度、相似度和滿意度；通過距離計算法求解目標實例與源實例之間的相似性，公式如下 其中，n是屬性總數(shù)；aih是第i個實例的第h個屬性的值；ajh表示第j個實例的第h個屬性的值；ωh是第h個屬性的權(quán)值；此處每個屬性的值已經(jīng)規(guī)范化，均值為0，標準偏差為1； (7.3)關(guān)系算子的滿意度計算
其中，p為屬性，x是屬性集中的一元；r為要求，y是要求集中的一元； (7.4)邏輯算子的滿意度計算


(7.5)重用度計算公式如下 DoR＝wiDoS+wjDoF (24) 其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度；wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定； 若檢索到的實例與所需的知識重用度大于閾值T，即兩者在一定程度上比較相近，則對應(yīng)的實例知識可以作為重用知識用于新的產(chǎn)品設(shè)計過程中。
所述的知識應(yīng)用方法還包括步驟8)建立企業(yè)內(nèi)部知識虛擬交流社區(qū)，實現(xiàn)隱性知識的顯性化。
所述的知識應(yīng)用方法還包括步驟9)，包括如下具體步驟 (9.1)為每一個設(shè)計人員分配單獨的用戶名并建立用戶檔案，基本結(jié)構(gòu)定義如下 UP＝<UInfo，UPL> UInfo＝<UID，UN，UD> 其中UPL表示用戶感興趣的關(guān)鍵短語的相關(guān)信息；UInfo表示用戶信息，UID表示用戶唯一標識符，UN表示用戶名，UD表示用戶其它描述信息； (9.2)對知識檢索結(jié)果進行聚類，動態(tài)地得到一些檢索結(jié)果的關(guān)鍵短語，將其加入用戶側(cè)檔，用來描述個人喜好的信息；各關(guān)鍵短語及它在用戶檔案中的關(guān)鍵性描述如下 UPL＝<<UW1，UPW1，UWE1>，…，<UWi，UPWi，UWEi>> (25) 其中UWi表示用戶檢索時使用的短語，UPWi表示該短語所屬類的標簽，UWEi表示該短語的權(quán)重，權(quán)重越大則說明用戶對該短語所代表的知識內(nèi)容的興趣越大； (9.3)假設(shè)用戶共進行了m次查詢，且在某次查詢時點擊了結(jié)果中的n個知識檢索對象，則權(quán)重UWEi的計算方法如下 上式中，Cik表示第i個短語在用戶點擊的第k個頁面中出現(xiàn)的次數(shù)，

表示第i個短語在這n個頁面中出現(xiàn)的總次數(shù)，而

表示所有短語出現(xiàn)總次數(shù)的最大值；按照權(quán)重UWEi對用戶檢索時使用的關(guān)鍵短語進行排序，UWEi越大，則該關(guān)鍵短語可以理解為用戶對相關(guān)知識內(nèi)容的喜好程度更高；在用戶使用過程中，按照用戶搜索的結(jié)果進行聚類分析，確定用戶最感興趣的關(guān)鍵短語，對知識檢索結(jié)果按照關(guān)鍵詞的權(quán)重高低進行排序，優(yōu)先顯示權(quán)重更高的檢索內(nèi)容，提高檢索效率和精度。
在面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法中，對于知識庫中的知識表示所采用的框架法，如圖1所示?？蚣鼙硎痉▽︼椘吩O(shè)計知識進行描述，不但能夠全面表示飾品設(shè)計所要考慮的各種要素，而且能夠表示各要素之間的關(guān)系。它體現(xiàn)了設(shè)計師在進行創(chuàng)新設(shè)計時的思維活動，當(dāng)遇到新的設(shè)計問題時，設(shè)計師通過對設(shè)計需求分析，在頭腦中產(chǎn)生需求產(chǎn)品的框架，通過與知識庫中產(chǎn)品實例的知識進行匹配，查找出最相似的產(chǎn)品造型設(shè)計圖檔以及結(jié)構(gòu)、材料、工藝、配色、質(zhì)量要求，并從調(diào)用此實例的結(jié)構(gòu)、材料、工藝、配色、質(zhì)量要求等框架知識與產(chǎn)生式規(guī)則知識，并對其中某些細節(jié)進行變型、修改、補充，形成對新產(chǎn)品的概念造型設(shè)計創(chuàng)意。
如在具體的飾品創(chuàng)新設(shè)計過程中，設(shè)計框架如下所示 框架名<產(chǎn)品框架設(shè)計> 風(fēng)格{<纖巧一笨重>[約束條件1]，<細膩一粗曠>[約束條件2]，<艷麗一樸素>[約束條件3]，<簡約一復(fù)雜>[約束條件4]，<時髦一土氣>[約束條件5]……} 設(shè)計定位價位{<價位>} 佩戴環(huán)境{季節(jié)[約束條件1]，場合[約束條件2]，…} 目標群體佩戴對象{性別[約束條件1]，年齡[約束條件2]，性格[約束條件3]，職業(yè)[約束條件4]，……} 佩戴目的{休閑[約束條件1]，工作[約束條件2]，娛樂[約束條件3]，運動[約束條件4]，…} 佩戴部位{頭飾[約束條件1]，手鏈[約束條件2]，項鏈[約束條件3]，胸針[約束條件4]，戒指[約束條件5]，耳環(huán)[約束條件6]……} 造型{<造型類>>[約束條件1]，<模塊組成>[約束條件2]} 配色思路{<鍍色>[約束條件1]，<鈷漆色>[約束條件2]，<畫漆烤漆要求>[約束條件3]} 材質(zhì){<功能配件>[約束條件1]，<連接材料>[約束條件2]，<點綴物>[約束條件3]} 工藝{<工藝流程>[約束條件1]，<鍍前鍍后要求>[約束條件2]，<連接組合要求>[約束條件3]} 結(jié)構(gòu){<面部>[約束條件1]，<側(cè)面>[約束條件2]，<底邊>[約束條件3]，<厚度>[約束條件4]} 文化常識{<各國國花、國樹、國鳥、宗教信仰、禁忌、民俗風(fēng)情、大眾偏好>} 質(zhì)量要求{<拋光方式>[約束條件1]，<抗拉強度>[約束條件2]，<焊接>[約束條件3]，<的鈷>[約束條件4]，<包裝>[約束條件5]} 賣點{<賣點>} 創(chuàng)意來源{<創(chuàng)意來源>} 設(shè)計思路{<設(shè)計思路>} 飾品設(shè)計框架知識共有十二個槽，分別是“風(fēng)格”、“設(shè)計定位”、“造型”、“配色思路”和“材質(zhì)”、“工藝”、“文化常識”、“結(jié)構(gòu)”、“質(zhì)量要求”、“賣點”和“創(chuàng)意來源”、“設(shè)計思路”。這些槽值代表的屬性能全面概括飾品設(shè)計要考慮的人、飾品、環(huán)境三大要素。每個槽有多個側(cè)面，每個側(cè)面又包含若干個槽值。槽值與側(cè)面值可以為空，并且在對框架處理過程中是允許改變的，原來空著的值可以被填上，反之已填的槽值也可被刪除等等。
以“質(zhì)量要求”槽的框架結(jié)構(gòu)為例，除表示與框架連接關(guān)系的側(cè)面“質(zhì)量要求編號”外，根據(jù)飾品的質(zhì)量要求的要素，分為五個側(cè)面，每個側(cè)面又有相應(yīng)的側(cè)面取值，每個取值又有可選項作為約束，采用框架的BNF范式對其進行表達 <質(zhì)量要求槽>＝<槽頭|[質(zhì)量要求名]><側(cè)面部分|[質(zhì)量要求編號][拋光方式][抗拉強度][焊接][的鈷][包裝]><約束條件|[質(zhì)量要求編號]> <拋光方式>＝<側(cè)面值|[振動][粗拋][細拋][精]> <抗拉強度>＝<側(cè)面值|[1kg][2kg][3kg][4kg][5kg][5kg以上]> <焊接>＝<側(cè)面值|[分左右邊][不分左右邊][不露夾][剪夾焊接][其它]> <的鈷>＝<側(cè)面值|[合臺][蓋邊][重疊][爪鑲][底鑲]> <包裝>＝<側(cè)面值|[單只][成對][成套][同色系][混色系][其它]> 飾品的質(zhì)量要求方案設(shè)計就是一系列的槽值填充過程，將具體的信息填入槽或側(cè)面后，就得到相應(yīng)的設(shè)計方案實例。
另一方面，在進行具體的設(shè)計過程中需要調(diào)用的知識則用產(chǎn)生式法進行表示，例如，選材規(guī)則知識舉例 if目標群體性別＝男，then連接方式＝銅鏈，Cd＝0.7 if產(chǎn)品類別＝胸針and價格＝高，then功能配件＝鴨嘴夾，Cd＝0.8 由此，結(jié)合框架法和產(chǎn)生式法，能夠較好地對知識進行表達。
圖2是隱性知識管理框架圖。隱性知識是企業(yè)最有價值的知識財富，大部分的創(chuàng)新設(shè)計來源于隱性知識。但是不同的隱性知識的獲取難度是不同的，必須區(qū)別對待。有些隱性知識可以通過及時的總結(jié)和適當(dāng)?shù)姆椒ㄓ梦淖趾驼Z言表達出來；有些隱性知識需要借助視音頻系統(tǒng)等幫助記錄；也有些隱性知識目前還無法表達，交流常常要通過面對面或基于實際場景才能進行，目前尚無簡單易行的方法。另一方面，由于隱性知識本身包含了價值，知識的擁有者未必愿意將之共享，也一定程度上使得隱性知識的獲取更為困難。在企業(yè)內(nèi)部環(huán)境中，搭建一個知識虛擬交流社區(qū)，無疑是對知識，尤其是隱性知識的共享的一種有益嘗試，如圖3所示就是一個企業(yè)內(nèi)部基于Intranet/Extranet/Internet而建立的知識虛擬交流社區(qū)，主要通過內(nèi)部論壇、內(nèi)部設(shè)計師博客等方式的網(wǎng)絡(luò)交流進行設(shè)計知識的表達，通過交流獲取一定的設(shè)計知識，并定期將其以文檔或其它形式進行規(guī)整集中，作為企業(yè)的知識資源。同時，為了保證企業(yè)內(nèi)部知識的安全性，虛擬知識交流社區(qū)有著嚴格的準入管理制度，論壇的所有用戶、設(shè)計師都必須使用真實身份進行審核及注冊，方能進入虛擬社區(qū)查看和發(fā)表各種文檔知識信息內(nèi)容。另外，社區(qū)平臺還支持多用戶的飾品創(chuàng)新設(shè)計網(wǎng)上快速三維發(fā)布與交互功能，基于計算機輔助設(shè)計系統(tǒng)和互聯(lián)網(wǎng)技術(shù)的飾品三維快速發(fā)布系統(tǒng)，可以實現(xiàn)新產(chǎn)品圖樣的網(wǎng)上快速發(fā)布與交互，加強企業(yè)與客戶在新產(chǎn)品開發(fā)過程中的溝通。如，基于Web的多用戶飾品發(fā)布交流平臺、在線交流與飾品設(shè)計論壇及材質(zhì)渲染級的高保真圖樣效果發(fā)布工具等。系統(tǒng)通過與飾品創(chuàng)新設(shè)計開發(fā)平臺集成在一起，將飾品三維曲面設(shè)計源文件轉(zhuǎn)換為VRML格式(*.vrml或*.wrl)，采用VRML閱讀器進行展示。VRML使用場景圖(Scene Graph)數(shù)據(jù)結(jié)構(gòu)來建立3D實景，這種數(shù)據(jù)結(jié)構(gòu)是以SGI開發(fā)的OpenInventor3D工具包為基礎(chǔ)的一種數(shù)據(jù)格式。VRML閱讀和解釋器可以采用第三方插件也可以自主編寫VRMI場景渲染壓縮編碼程序。自主編寫按照ISO/IEC 19775-1定義的VRML結(jié)構(gòu)規(guī)范進行編碼、壓縮和解碼，通過基于VRML標準的擴展節(jié)點功能，提高真實性和交互性。在基于Web的多用戶飾品三維設(shè)計交互發(fā)布界面中，客戶可以選擇三維展示模式及三維展示速度等，包括行走模式、檢視模式、環(huán)視模式等。
創(chuàng)新設(shè)計企業(yè)往往具有相對龐大的知識庫體系，如飾品企業(yè)，往往有飾品設(shè)計元素(配件)庫、造型庫、渲染材質(zhì)庫、素材庫、環(huán)境貼圖庫、色系搭配規(guī)則庫色彩庫、文化常識庫、風(fēng)俗禁忌庫、綠色材質(zhì)標準庫、產(chǎn)品信息編碼庫、物料庫、工藝規(guī)則庫、設(shè)計經(jīng)驗知識庫、銷售歷史資料庫、色彩流行色及飾品流行趨勢庫等多個知識子庫。如何在如此龐大的知識庫體系中獲取所需的知識，并在不同知識之間形成關(guān)聯(lián)，是知識庫使用者所必須面對的問題。
由于神經(jīng)網(wǎng)絡(luò)是一個由簡單處理單元構(gòu)成的規(guī)模宏大的并行分布式處理器，天然具有存儲經(jīng)驗知識和使之可用的特性，因此本發(fā)明中運用BP神經(jīng)網(wǎng)絡(luò)進行海量知識庫中的知識獲取工作，并發(fā)掘出不同知識間固有的內(nèi)在聯(lián)系，基本算法如圖4所示。在完成神經(jīng)網(wǎng)絡(luò)構(gòu)造后，為了提高神經(jīng)網(wǎng)絡(luò)收斂速度而進行剪枝處理，具體算法如下 Step1把整個樣本分成三個集合訓(xùn)練集，交叉驗證集和測試集； Step2隱層單元初始化足夠多，然后訓(xùn)練網(wǎng)絡(luò)使誤差函數(shù)E(w，v)的值減??； Step3計算ET和EX的值，ETbest＝ET，EXbest＝Ex，Emax＝max{ETbest，EXbest}； Step4刪除冗余隱層單元 ①對于i＝1，2，…，n，令Vi＝0，預(yù)測誤差ETi并找出其最小值； ②此時i＝n，即ETk＝minETi，然后令Vk＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值； ③若ET≤(1+α)Emax，EX≤(1+α)Emax，則去掉隱層單元h，并轉(zhuǎn)向判斷下一隱層單元h-1；否則使用最初的神經(jīng)網(wǎng)絡(luò)權(quán)重設(shè)置。
Step5刪除冗余輸入神經(jīng)元 ①對于j＝1，2，…，m，令wi，j＝0，對于所有i計算預(yù)測誤差ETj； ②找出ETi最小值ETt＝minjETj，然后令wij＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值； ③若ET≤(1+α)Emax，EX≤(1+α)Emax，則刪除輸入層第t個神經(jīng)元，并轉(zhuǎn)向判斷下一隱層單元t-1；否則使用最初的神經(jīng)網(wǎng)絡(luò)權(quán)重設(shè)置。
Step6用測試集對網(wǎng)絡(luò)進行準確性測試，并不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
結(jié)合步驟6的知識抽取方法，本發(fā)明利用一些內(nèi)部調(diào)查數(shù)據(jù)進行仿真，求解用戶喜好程度與所用材質(zhì)的內(nèi)在關(guān)聯(lián)。其中，飾品制作的主要材質(zhì)有純銀、合金鍍白金、合金鍍銀、合金鍍黃金、水鉆、水晶、合成寶石等；實驗中用戶喜好程度主要用以下指標描述時尚感、年輕感、現(xiàn)代感、豪華度、貴重感和親切感等。
仿真實驗中采用了518個內(nèi)部調(diào)查樣本，隨機分為三組，分別作為訓(xùn)練集(174個)、交叉驗證集(172個)和測試集(172個)。構(gòu)建神經(jīng)網(wǎng)絡(luò)并進行剪枝處理后，隱神經(jīng)元件減少為1個，輸入神經(jīng)元保留四個指標時尚感、年輕感、現(xiàn)代感和親切感，并取得各自與隱層神經(jīng)元的連接權(quán)重。在進行相應(yīng)隱神經(jīng)元替換的三段線性函數(shù)逼近，可以得知，用戶的喜好程度與時尚感、年輕感、現(xiàn)代感和親切感這四個指標密切相關(guān)，同時也可以得到各種材質(zhì)的用戶喜好程度，可以得到純銀、合金鍍白金、水晶等材質(zhì)的飾品更加受歡迎。結(jié)合市場的實際情況，飾品的主要消費群體為城鎮(zhèn)年輕女性，從這個結(jié)果來看，基本上也是符合市場的實際情況的。
本發(fā)明采用結(jié)合知識引導(dǎo)和多策略檢索相結(jié)合的檢索方法進行知識檢索，并且結(jié)合用戶檔案(user-profile)實現(xiàn)個性化的知識檢索，圖5為基于知識引導(dǎo)的多視圖設(shè)計知識檢索模型。在系統(tǒng)接收到新的用戶檢索需求之后，按照用戶的檢索字段確定預(yù)檢索屬性集合，將每一個預(yù)檢索屬性與對應(yīng)的知識庫中每一個對應(yīng)屬性作精確比較，屬性比較近似的構(gòu)成中間結(jié)果集，所有中間結(jié)果集的交集即預(yù)檢索結(jié)果。對于預(yù)檢索結(jié)果中屬性所設(shè)計的各個知識庫，根據(jù)知識間的相互聯(lián)系進行知識庫內(nèi)的擴展檢索，檢索出各種與預(yù)檢索結(jié)果有關(guān)聯(lián)的信息，并按照與實際檢索需求相符程度高低進行排序，得到最終的檢索結(jié)果。由于飾品設(shè)計是個復(fù)雜的知識體系，擁有造型庫、渲染材質(zhì)庫、色系搭配規(guī)則庫色彩庫、工藝規(guī)則庫、色彩流行色及飾品流行趨勢庫等數(shù)十個知識庫，本發(fā)明基于本體建模方法，建立本體映射和管理知識本體映射信息，搭建了不同設(shè)計知識本體庫之間、用戶與知識管理系統(tǒng)之間的橋梁。由于不同知識類型在概念級的共享關(guān)系，在設(shè)計知識檢索時，可以直接檢索與某一概念相關(guān)的所有知識元，不必指定具體的知識類別。例如可以檢索或統(tǒng)計某員工創(chuàng)建的所有知識，也可檢索與某部件(或某功能、某軟件工具)相關(guān)的所有知識元。
另一方面，由于設(shè)計師個人的設(shè)計風(fēng)格、興趣喜好的不同，在進行知識庫檢索時，即便使用同樣的檢索字段，對于檢索出來的知識條目的選擇也是完全不同的，圖6即為個性化知識檢索系統(tǒng)的模型結(jié)構(gòu)圖。在設(shè)計師使用知識管理系統(tǒng)之前，需要按照個人身份注冊，建立用戶檔案(user-profile)用來記錄個人信息及喜好。在設(shè)計師每一次提出檢索要求時，系統(tǒng)會對檢索得到的結(jié)果，按照用戶檔案(user-profile)里面的個人喜好信息進行比對，進行知識的過濾和排序，將符合設(shè)計師喜好的設(shè)計知識優(yōu)先顯示出來。另一方面，用戶檔案(user-profile)里面的個人喜好信息也并非是一成不變的，設(shè)計師可以就每一次的檢索結(jié)果進行一個相關(guān)反饋，即選擇出自己認為最符合檢索要求的信息，通過這樣的操作，不斷對用戶興趣模型進行更新，最大程度上實現(xiàn)個性化的快速檢索。例如，當(dāng)設(shè)計師進行造型設(shè)計是對造型設(shè)計庫進行檢索，檢索的關(guān)鍵字段為“船”，相關(guān)的知識檢索結(jié)果可能包括下列這些內(nèi)容(a)帆船；(b)木船；(c)現(xiàn)代艦船；(d)如同船型的月牙。盡管檢索結(jié)果都存在一艘船或船型的物體，但它們無論在視覺上還是在語義上都有很大不同的。事實上，在飾品設(shè)計中，反而是(d)選項被采納得更為普遍。
圖7為知識重用綜合推理框圖，主要處理方法是計算相似度和滿足度，由此而得到相應(yīng)的重用度，重用度越高，則認為該知識與設(shè)計師大腦所構(gòu)思的方案越接近。在基于實例檢索開始前，需要輸入表示元素的知識庫、通用領(lǐng)域知識庫和實例庫，并相互連接上述三個知識庫中的所有概念。對于檢索到的原設(shè)計實例的特征進行分析，求解相似度和滿足度。當(dāng)檢索到的實例的相似度和滿足度都符合條件時即說明該實例知識能夠進行重用。對于這些實例，按照設(shè)計師的設(shè)計理念進行實例修改，即實現(xiàn)了知識的重用。進行知識重用的主要目的在于在已有設(shè)計知識的基礎(chǔ)上，進行簡要的加工和改善，快速設(shè)計相應(yīng)的新型產(chǎn)品，可以迅速推向市場，占領(lǐng)先機，這對于飾品企業(yè)而言是至關(guān)重要的。依舊以如同船型的月牙型吊墜飾品為例，若設(shè)計師構(gòu)思重新設(shè)計一款月牙吊墜，經(jīng)過知識庫檢索，從銷售歷史資料庫發(fā)現(xiàn)此類吊墜銷售情況良好，則可從相應(yīng)的造型庫、色系搭配規(guī)則庫色彩庫、材質(zhì)庫中快速獲取直接相關(guān)的知識，綜合所獲取的相關(guān)知識，設(shè)計師可以在此基礎(chǔ)上進行一定的改動和優(yōu)化，得以實現(xiàn)新產(chǎn)品的快速設(shè)計。
本發(fā)明綜合利用了知識庫、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)建模、個性化知識檢索等方法，實現(xiàn)了面向飾品創(chuàng)新設(shè)計的知識管理的方法及系統(tǒng)，使得企業(yè)內(nèi)部設(shè)計知識的重用成為可能。上述技術(shù)方案有效實現(xiàn)飾品企業(yè)設(shè)計知識的科學(xué)管理和合理利用，縮短企業(yè)新產(chǎn)品開發(fā)周期，提高產(chǎn)品設(shè)計命中率，降低開發(fā)成本。
權(quán)利要求
1、一種面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述知識應(yīng)用方法包括知識庫的建立步驟、知識表示步驟、神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟、知識獲取步驟、知識建模步驟、知識檢索步驟和知識重用步驟
1)建立飾品企業(yè)創(chuàng)新設(shè)計知識庫，包括飾品設(shè)計元素庫、造型庫、渲染材質(zhì)庫、素材庫、環(huán)境貼圖庫、色系搭配規(guī)則庫、色彩庫、文化常識庫、風(fēng)俗禁忌庫、綠色材質(zhì)標準庫、產(chǎn)品信息編碼庫、物料庫、工藝規(guī)則庫、設(shè)計經(jīng)驗知識庫、銷售歷史資料庫、色彩流行色及飾品流行趨勢庫；
2)采用框架表示法與產(chǎn)生式表示法結(jié)合的方式進行知識表示，利用框架表示法來表示飾品設(shè)計所要考慮的各種要素及各要素間的關(guān)系等靜態(tài)知識；利用產(chǎn)生式規(guī)則作為知識處理方法來表示動態(tài)知識；
3)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，同時在保證精度的條件下進行神經(jīng)網(wǎng)絡(luò)的剪枝操作，簡化網(wǎng)絡(luò)結(jié)構(gòu)；
4)基于BP神經(jīng)網(wǎng)絡(luò)，利用非線性激勵函數(shù)三段線性逼近算法進行知識規(guī)則抽?。?br> 5)進行產(chǎn)品設(shè)計知識本體建模，知識本體表示模型如下所示
K-ontology＝{Ks，AKs，R，AR，Q，G} (1)
其中，K-ontology表示設(shè)計知識本體，Ks表示設(shè)計知識中各種知識概念的集合；AKs表示多個概念所對應(yīng)的屬性集組成的集合，其中每個屬性集對應(yīng)于一個概念；R是一個關(guān)系集合；AR是由多個關(guān)系屬性集組成的集合，其中每個屬性集對應(yīng)于R中的一個關(guān)系；Q表示概念之間的層次結(jié)構(gòu)關(guān)系；G表示公理集合；設(shè)計知識的本體是產(chǎn)品設(shè)計所需要的各種知識的集合，可以將設(shè)計知識本體用BNF范式描述如下
<設(shè)計知識子類>::＝<父類屬性>[子類自定義屬性] (2)；
6)采用知識引導(dǎo)和多策略檢索相結(jié)合的方法來實現(xiàn)設(shè)計知識的快速檢索
第一階段，知識庫表示為Ωk＝{Ωk1，Ωk2，…，Ωki，…，Ωkn}，第i個子庫為Ωki＝{Atil，Atil，…，Atik，…，Atip}，引導(dǎo)知識庫有q個子庫，對應(yīng)q種檢索策略，即Ωks＝{Ωks1，Ωks2，…，Ωksi，…，Ωksq}，其中Ωksi＝{Atil，Atil，…，Atik，…，Atij}；用戶需求為ΩU＝{Item1，Item2，…，Itemk，…，Itemn}，從中抽取1個部分關(guān)鍵參數(shù)組成預(yù)檢索參數(shù)，即ΩUI＝{Item1，Item2，…，Itemk，…，Iteml}；
第二階段是在預(yù)檢索階段的基礎(chǔ)上，利用多種設(shè)計知識檢索策略，根據(jù)預(yù)檢索
的結(jié)果進行檢索擴展，在設(shè)計知識庫中檢索與預(yù)檢索結(jié)果相關(guān)的知識庫，將檢索問題和設(shè)計知識進行匹配，根據(jù)所匹配結(jié)果的相似度排序找出最佳相似或前n個相似的知識條目；
7)利用基于實例的檢索實現(xiàn)飾品設(shè)計知識的重用對于檢索結(jié)果，進行重用度評價，重用度用相似度和滿足度的加權(quán)和來計算
DoR＝wiDoS+wjDoF (3)
其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度，wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定。
2、如權(quán)利要求1所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟2)包括如下具體步驟
(2.1)框架由框架名和若干個槽組成，每個槽包含若干個側(cè)面，每個側(cè)面又包括若干個值；其中，框架的各個槽存放著對象的屬性名，側(cè)面用于存放對象的屬性，側(cè)面的值則為屬性值；
(2.2)在描述復(fù)雜的對象知識時，提取出共同屬性構(gòu)成上層框架，知識對象的獨有下級屬性構(gòu)成下層框架，下層框架繼承與上層框架形成父子繼承關(guān)系，子框架可以繼承父框架的槽屬性與槽值；
(2.3)在進行具體的設(shè)計過程中需要調(diào)用的知識，包括結(jié)構(gòu)規(guī)則知識、造型規(guī)則知識、工藝選擇知識、質(zhì)量標準選擇知識、配色規(guī)則知識、選材規(guī)則知識則選用產(chǎn)生式表示法表示；產(chǎn)生式規(guī)則是一條以“如果這些條件滿足，就采取這些行動”的形式所表示的語句，以“IF-THEN”的格式描述。
3、如權(quán)利要求1所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟3)包括如下具體步驟
(3.1)對數(shù)據(jù)進行歸一化預(yù)處理，對樣本輸入值，按照公式(4)進行簡單歸一化處理
其中，dmin表示d的最小值，dmax表示d的最大值；這樣，輸入數(shù)據(jù)被按比例分配在
范圍內(nèi)；
(3.2)已知數(shù)據(jù)集(Ip，Op)，p＝1，2，…，k，且輸入Ip∈RN，輸出Op∈R，構(gòu)建合理規(guī)模的BP神經(jīng)網(wǎng)絡(luò)，訓(xùn)練后使得包含懲罰項的均方誤差總和足夠小，其中懲罰項是不斷增大的；
(3.3)進行神經(jīng)網(wǎng)絡(luò)參數(shù)設(shè)計隱神經(jīng)元對輸入Ip的激活函數(shù)Lij和輸出神經(jīng)元的預(yù)測值
按下式計算
Ijp是p模式輸入神經(jīng)元j的值，函數(shù)h(x)是隱層神經(jīng)元的激勵函數(shù)，用雙曲正切函數(shù)表示
(3.4)構(gòu)造誤差函數(shù)，采用含懲罰項的均方誤差綜合設(shè)輸入神經(jīng)元個數(shù)為m，隱神經(jīng)元個數(shù)為n，輸出層為一個神經(jīng)元，則性能函數(shù)為
其中，ε1，ε2，β是正的懲罰項參數(shù)，ωij是第j個數(shù)如神經(jīng)元和第i個隱神經(jīng)元的連接權(quán)重，vi是第i個隱神經(jīng)元和輸出神經(jīng)元的連接權(quán)重；
當(dāng)均方誤差總和最小時，懲罰項θ(w，v)使權(quán)重值不斷接近原始的(真實)權(quán)重空間，此時，網(wǎng)絡(luò)的最終權(quán)重值有許多接近或者為0；
(3.5)通過技術(shù)神經(jīng)網(wǎng)絡(luò)預(yù)測的絕對平方誤差對冗余的和不相關(guān)的單元進行刪除，實現(xiàn)神經(jīng)網(wǎng)絡(luò)的剪枝算法，利用下列公式來決定剪枝何時停止
其中，ET和EX是訓(xùn)練集T和交叉驗證集X的絕對平方誤差，|T|和|X|是訓(xùn)練集和交叉驗證集的基數(shù)；
(3.6)把整個樣本分成三個集合訓(xùn)練集，交叉驗證集和測試集，隱層單元初始化足夠多，然后訓(xùn)練網(wǎng)絡(luò)使誤差函數(shù)E(w，v)的值減??；
(3.7)計算ET和EX的值，ETbest＝ET，EXbest＝Ex，Emax＝max{ETbest，EXbest)；Emax的值用來確定神經(jīng)網(wǎng)絡(luò)單元是否可以刪除，定位為ETbest和EXbest中的最大值，以此刪除盡可能多的冗余單元，而不會犧牲泛化能力；
(3.8)對于i＝1，2，…，n，令Vi＝0，預(yù)測誤差ETi并找出其最小值，此時i＝n，即ETk＝minETi，然后令Vk＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+a)Emax，EX≤(1+a)Emax，則去掉隱層單元h，并轉(zhuǎn)向判斷下一隱層單元h-1；合適的參數(shù)a>0被用來控制一個單元被刪除的機率；
(3.9)對于j＝1，2，…，m，令wi，j＝0，對于所有i計算預(yù)測誤差ETj，找出ETi最小值ETt＝minjETj，然后令wij＝0，重新訓(xùn)練網(wǎng)絡(luò)，計算出EX和ET的值；若ET≤(1+α)Emax，EX≤(1+a)Emax，則刪除輸入層第t個神經(jīng)元，并轉(zhuǎn)向判斷下一隱層單元t-1；
(3.10)用測試集對網(wǎng)絡(luò)進行準確性測試，并不斷調(diào)整神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。
4、如權(quán)利要求1所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟4)包括如下具體步驟
(4.1)非線性激勵函數(shù)為h(x)＝tanh(x)，由于h(x)是反對稱的，x取非負值；利用分段線性函數(shù)D(x)逼近，選取合適的xm值，使得D(x)比h(x)的值大；
h′(0)＝1，h′(xm)＝1-h2(xm)，因此，D(x)表示為
其中，拐點的計算公式是
(4.2)對于每一個隱層神經(jīng)元i＝1，2，…，n，從訓(xùn)練樣本中確定xm的值，并按照公式(13)計算出對應(yīng)的xi0；
(4.3)確定三段線性分段函數(shù)Di(x)
(4.4)對于每個分段區(qū)間，確定神經(jīng)網(wǎng)絡(luò)輸出
對于輸入樣本p的線性關(guān)系
其中，
(4.5)生成條件規(guī)則(C1，C2，…，Cn)，Ci處于三段線性區(qū)間中的一段中。
5、如權(quán)利要求1所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟6)包括如下具體步驟
(6.1)對于新檢索需求，確定預(yù)檢索屬性集ΩUI；
(6.2)確定檢索策略，針對ΩUI中每一個索引屬性與對應(yīng)的引導(dǎo)知識庫中每一個對應(yīng)的屬性作精確比較，屬性比較相同的構(gòu)成相應(yīng)的中間結(jié)果集Ωkpi(i＝1，2，…，l)；
(6.3)將1個中間結(jié)果集求交得到預(yù)檢索結(jié)果Ωkp，即
Ωkp＝Ωkp1∩Ωkp2∩…∩Ωkpl，(16)
若Ωkp為空，則回到步驟(6.1)，降低搜索條件，調(diào)整預(yù)檢索屬性集ΩUI；
(6.4)對Ωkp的每一個引導(dǎo)知識庫，依據(jù)引導(dǎo)知識庫所對應(yīng)的檢索策略，根據(jù)本體知識庫中知識之間的聯(lián)系進行檢索擴展；
(6.5)所有相關(guān)的設(shè)計知識庫Ωki中計算每一個屬性特征Atik與用戶需求ΩU中檢索參數(shù)Itemk的相似度
sim(Atik，Itemk) (17)
進一步，根據(jù)各個檢索參數(shù)的權(quán)重，計算設(shè)計知識整體相似度
SIM(Ωki，ΩU) (18)
(6.6)根據(jù)設(shè)定相似度閾值選取相似實例或按照實例相似度進行排序，顯示相關(guān)知識。
6、如權(quán)利要求1所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟7)中包括如下具體步驟
(7.1)在基于實例檢索開始前，需要輸入表示元素的知識庫、通用領(lǐng)域知識庫和實例庫；并相互連接上述三個知識庫中的所有概念；
(7.2)對于檢索到的實例知識進行篩選，求解重用度、相似度和滿意度；通過距離計算法求解目標實例與源實例之間的相似性，公式如下
其中，n是屬性總數(shù)；aih是第i個實例的第h個屬性的值；ajh表示第j個實例的第h個屬性的值；ωh是第h個屬性的權(quán)值；此處每個屬性的值已經(jīng)規(guī)范化，均值為0，標準偏差為1；
(7.3)關(guān)系算子的滿意度計算
其中，p為屬性，x是屬性集中的一元；r為要求，y是要求集中的一元；
(7.4)邏輯算子的滿意度計算
(7.5)重用度計算公式如下
DoR＝wiDoS+wjDoF (24)
其中，DoR代表重用度，DoS和DoF分別代表相似度和滿足度；wi和wj為權(quán)值，根據(jù)DoS和DoF對設(shè)計的影響程度來確定；
若檢索到的實例與所需的知識重用度大于閾值T，即兩者在一定程度上比較相近，則對應(yīng)的實例知識可以作為重用知識用于新的產(chǎn)品設(shè)計過程中。
7、如權(quán)利要求1所述的一種面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的知識應(yīng)用方法還包括步驟8)建立企業(yè)內(nèi)部知識虛擬交流社區(qū)，實現(xiàn)隱性知識的顯性化。
8、如權(quán)利要求1或7所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的知識應(yīng)用方法還包括步驟9)基于用戶檔案的個性化知識檢索方法進行檢索的優(yōu)化，通過為不同的知識庫用戶提供個人的用戶名，通過機器自主學(xué)習(xí)建立用戶興趣模型，使得用戶能夠在檢索過程中優(yōu)先獲得個人感興趣的知識，提高知識檢索的效率和準確性。9、如權(quán)利要求8所述的面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，其特征在于所述的步驟9)包括如下具體步驟
(9.1)為每一個設(shè)計人員分配單獨的用戶名并建立用戶檔案，基本結(jié)構(gòu)定義如下
UP＝<UInfo，UPL>
UInfo＝<UID，UN，UD>
其中UPL表示用戶感興趣的關(guān)鍵短語的相關(guān)信息；UInfo表示用戶信息，UID表示用戶唯一標識符，UN表示用戶名，UD表示用戶其它描述信息；
(9.2)對知識檢索結(jié)果進行聚類，動態(tài)地得到一些檢索結(jié)果的關(guān)鍵短語，將其加入用戶側(cè)檔，用來描述個人喜好的信息；各關(guān)鍵短語及它在用戶檔案中的關(guān)鍵性描述如下
UPL＝<<UW1，UPW1，UWE1>，…，<UWi，UPWi，UWEi>> (25)
其中UWi表示用戶檢索時使用的短語，UPWi表示該短語所屬類的標簽，UWEi表示該短語的權(quán)重，權(quán)重越大則說明用戶對該短語所代表的知識內(nèi)容的興趣越大；
(9.3)假設(shè)用戶共進行了m次查詢，且在某次查詢時點擊了結(jié)果中的n個知識檢索對象，則權(quán)重UWEi的計算方法如下
上式中，Cik表示第i個短語在用戶點擊的第k個頁面中出現(xiàn)的次數(shù)，
表示第i個短語在這n個頁面中出現(xiàn)的總次數(shù)，而
表示所有短語出現(xiàn)總次數(shù)的最大值；按照權(quán)重UWEi對用戶檢索時使用的關(guān)鍵短語進行排序，UWEi越大，則該關(guān)鍵短語可以理解為用戶對相關(guān)知識內(nèi)容的喜好程度更高；在用戶使用過程中，按照用戶搜索的結(jié)果進行聚類分析，確定用戶最感興趣的關(guān)鍵短語，對知識檢索結(jié)果按照關(guān)鍵詞的權(quán)重高低進行排序，優(yōu)先顯示權(quán)重更高的檢索內(nèi)容，提高檢索效率和精度。
全文摘要
本發(fā)明涉及一種面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，包括知識庫的建立步驟、知識表示步驟、神經(jīng)網(wǎng)絡(luò)的構(gòu)建步驟、知識獲取步驟、知識建模步驟、知識檢索步驟和知識重用步驟。本發(fā)明綜合利用了知識庫、神經(jīng)網(wǎng)絡(luò)、數(shù)據(jù)建模、個性化知識檢索等方法，實現(xiàn)了面向飾品創(chuàng)新設(shè)計的知識應(yīng)用方法，使得企業(yè)內(nèi)部設(shè)計知識的重用成為可能。上述技術(shù)方案有效實現(xiàn)飾品企業(yè)設(shè)計知識的科學(xué)管理和合理利用，縮短企業(yè)新產(chǎn)品開發(fā)周期，提高產(chǎn)品設(shè)計命中率，降低開發(fā)成本。
文檔編號G06F17/50GK101458732SQ20081016412
公開日2009年6月17日 申請日期2008年12月25日 優(yōu)先權(quán)日2008年12月25日
發(fā)明者朱信忠, 趙建民, 徐慧英, 胡丞懿 申請人:浙江師范大學(xué), 朱信忠