一种基于机器学习的建筑匹配方法及装置
阅读：2发布：2020-07-22
专利汇可以提供一种基于机器学习的建筑匹配方法及装置专利检索，专利查询，专利分析的服务。并且本 申请 实施例 提供一种基于 机器学习 的建筑匹配方法及装置。该方法包括：通过家居特征数据构建家居多维特征集；家居包括家具、家电；量化 抽取 用户家庭成员结构、家居功能需求特征，形成用户需求限定集；基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练；将家居多维特征集导入机器学习网络，结合用户需求限定集进行约束，匹配出家居在建筑室内的摆放 位置 。本申请实施例的一种基于机器学习的建筑匹配方法及装置，通过结合家居摆放方法和机器学习特点，提高了家居摆放设计效率。，下面是一种基于机器学习的建筑匹配方法及装置专利的具体信息内容。
1.一种基于机器学习的建筑匹配方法，其特征在于，包括：
通过家居特征数据构建家居多维特征集；所述家居包括家具、家电；
量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集；
基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练；
将所述家居多维特征集导入所述机器学习网络，结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置；
所述基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练，包括以下步骤：
建立家居样本集合，获取每个样本家居的n维家居特征值，构成多个n维家居特征向量，其中n为正整数；
将所述建筑室内家居摆放匹配案例中的套间分解为多个独立房间，获取每个独立房间中家居的摆放匹配位置，构成s维匹配位置特征向量，其中s为独立房间中的家居数量；
将所述家居样本集合中的n维家居特征向量作为机器学习网络的输入，所述s维匹配位置特征向量作为输出，进行神经网络训练；
设定稳态阈值ε，δ为当前家居匹配位置，δ′为上一次训练结果中的家居匹配位置，多次迭代训练神经网络后，当|δ-δ′|＜时训练过程进入稳态，停止训练。
2.根据权利要求1所述的方法，其特征在于，所述通过家居特征数据构建家居多维特征集，包括：
通过对家居的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家居多维特征集。
3.根据权利要求2所述的方法，其特征在于，所述标准化和量化处理，包括：
按家居的形状、材质、颜色、功能对家居进行分类，使得家居的形状、材质、颜色、功能分别通过统一度量进行描述，从而实现家居的标准化处理；
对家居的形状、材质、颜色、功能进行编码，从而实现家居的量化处理。
4.根据权利要求1所述的方法，其特征在于，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，包括：
将家庭成员按不同居住组合类型进行编码，根据不同居住组合类型确定家庭结构需求限定。
5.根据权利要求4所述的方法，其特征在于，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，还包括：
将家居功能需求进行分解，并按照需求强度进行排序编码，结合所述家庭结构需求限定，形成量化用户需求限定集。
6.根据权利要求1所述的方法，其特征在于，所述结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置，包括：
将用户需求强度编码为限定集的前m位，采用与或匹配的方式计算出能够最大满足用户需求的家居摆放位置。
一种基于机器学习的建筑匹配方法及装置
技术领域
[0001] 本申请涉及家居设计领域，尤其涉及一种基于机器学习的建筑匹配方法及装置。
背景技术
[0002] 家居设计，是指家庭居住环境、办公场所、公共空间或者是商业空间的整体陈设风格以及饰品设计搭配。随着人们生活水平提高，人们对家居设计的要求也越来越高。与此同时，房价的高涨也使得居住面积越来越紧张。如何利用有限的空间，合理地摆放家具、家电等家居设备，满足整个家庭成员功能需求的同时，也达到符合传统美学经验的目的，成为当前家居设计的难点。
[0003] 机器学习的动机在于建立、模拟人脑进行分析学习的神经网络。机器学习模仿人脑的机制来解释数据，通过组合低层特征形成抽象的高层表示属性类别或特征，从而实现通用人工智能。目前深度学习已经被广泛应用在机器翻译、语义挖掘、图像识别、人脸识别、语音识别等领域。因此，可以通过将机器学习技术与家居设计实践相结合，从而既提高了家居设计的效率，又提高了空间利用的准度。发明内容
[0004] 有鉴于此，本申请的目的在于提出一种基于机器学习的建筑匹配方法及装置，提高建筑空间利用水平，解决目前家居设计过程中，智能化低、效率低的技术问题。
[0005] 基于上述目的，本申请提出了一种基于机器学习的建筑匹配方法，包括：
[0006] 通过家居特征数据构建家居多维特征集；所述家居包括家具、家电；
[0007] 量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集；
[0008] 基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练；
[0009] 将所述家居多维特征集导入所述机器学习网络，结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置。
[0010] 在一些实施例中，所述通过家居特征数据构建家居多维特征集，包括：
[0011] 通过对家居的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家居多维特征集。
[0012] 在一些实施例中，所述标准化和量化处理，包括：
[0013] 按家居的形状、材质、颜色、功能对家居进行分类，使得家居的形状、材质、颜色、功能分别通过统一度量进行描述，从而实现家居的标准化处理；
[0014] 对家居的形状、材质、颜色、功能进行编码，从而实现家居的量化处理。
[0015] 在一些实施例中，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，包括：
[0016] 将家庭成员按不同居住组合类型进行编码，根据不同居住组合类型确定家庭结构需求限定。
[0017] 在一些实施例中，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，还包括：
[0018] 将家居功能需求进行分解，并按照需求强度进行排序编码，结合所述家庭结构需求限定，形成量化用户需求限定集。
[0019] 在一些实施例中，所述基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练，包括以下步骤：
[0020] 建立家居样本集合，获取每个样本家具的n维家居特征值，构成多个n维家居特征向量，其中n为正整数；
[0021] 将所述建筑室内家居摆放匹配案例中的套间分解为多个独立房间，获取每个独立房间中家居的摆放匹配位置，构成s维匹配位置特征向量，其中s为独立房间中的家居数量；
[0022] 将所述家居样本集合中的n维家居特征向量作为机器学习网络的输入，所述s维匹配位置特征向量作为输出，进行神经网络训练；
[0024] 在一些实施例中，所述结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置，包括：
[0025] 将用户需求强度编码为限定集的前m位，采用与或匹配的方式计算出能够最大满足用户需求的家居摆放位置。
[0026] 基于上述目的，本申请还提出了一种基于机器学习的建筑匹配装置，包括：
[0027] 特征抽取模块，用于通过家居特征数据构建家居多维特征集；所述家居包括家具、家电；
[0028] 需求抽取模块，用于量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集；
[0029] 机器学习模块，用于基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练；
[0030] 结果匹配模块，用于将所述家居多维特征集导入所述机器学习网络，结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置。
[0031] 在一些实施例中，所述特征抽取模块，包括：
[0032] 家具特征抽取单元，用于通过对家居的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家具多维特征集；
[0033] 家电特征抽取单元，用于通过对家电的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家电多维特征集。
[0034] 在一些实施例中，所述需求抽取模块，包括：
[0035] 家庭需求抽取单元，用于将家庭成员按不同居住组合类型进行编码，根据不同居住组合类型确定家庭结构需求限定；
[0037] 在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本发明公开的一些实施方式，而不应将其视为是对本发明范围的限制。
[0038] 图1示出根据本发明实施例的基于机器学习的建筑匹配方法的流程图。
[0039] 图2示出根据本发明实施例的基于机器学习的建筑匹配装置的构成图。
[0040] 图3示出根据本发明实施例的特征抽取模块构成图。
[0041] 图4示出根据本发明实施例的需求抽取模块构成图。
具体实施方式
[0042] 下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
[0043] 需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
[0044] 图1示出根据本发明实施例的基于机器学习的建筑匹配方法的流程图。如图1所示，该基于机器学习的建筑匹配方法包括：
[0045] 步骤S11、通过家居特征数据构建家居多维特征集；所述家居包括家具、家电。
[0046] 在一种实施方式中，所述通过家居特征数据构建家居多维特征集，包括：
[0047] 通过对家居的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家居多维特征集。
[0048] 在一种实施方式中，标准化和量化处理包括：
[0049] 按家居的形状、材质、颜色、功能对家居进行分类，使得家居的形状、材质、颜色、功能分别通过统一度量进行描述，从而实现家居的标准化处理；
[0050] 对家居的形状、材质、颜色、功能进行编码，从而实现家居的量化处理。
[0051] 具体来说，人们在进行家居摆放定位的考虑过程中，会综合考虑家居的尺寸大小、形状特点、颜色搭配、功能便捷等因素，因此，将这项工作交给机器学习进行的时候，也需要对这些因素进行综合分析。由于机器学习只能对量化数据进行精确处理计算，因此，机器学习的第一步便是将各类家居特征数据进行标准化和量化处理。
[0052] 对于家居的尺寸而言，本身就是量化的数据，无需进行进一步的量化加工，但是需要对家居的长、宽、高三个维度的数据进行采集，针对建筑室内实际尺寸进行匹配。
[0053] 对于形状特点而言，由于形状本身并不是量化数据，因此有必要对家居的形状进行编码处理，例如，长方形可以编码为001，圆形可以编码为002等。值得注意的是，人们在进行家居摆放过程中，往往把形状往往和尺寸结合起来进行考虑，例如，会出现在一个一平米的圆形区域内，是匹配一个内接正方形小桌合适，还是匹配一个圆形小桌合适。因此，在进行机器学习的过程中，在形状和尺寸单独作为输入特征的同时，还可以将二者的联合特征作为输入特征导入机器学习过程中。
[0054] 对于颜色而言，同样需要进行编码量化处理。人们在家居匹配设计过程中往往需要将家居的颜色搭配为相近或相似的风格，因此，在机器学习的过程中，可以结合家居美学搭配规律，通过采用编码匹配算法，快速实现颜色搭配的计量。
[0055] 对于功能而言，也是需要进行编码量化处理的一个特征。不同的家居具备不同的功能，匹配的摆放位置也需要一定的规律，例如厨卫电器，无论大小、尺寸、颜色如何，也只能摆放在厨房或卫生间的指定区域。因此，在进行功能量化编码时，可以考虑采用分级编码的方式进行区域限定，从而实现指定功能区域匹配指定功能家居的技术效果。例如，功能编码时，一级编码为功能区域编码，如1表示客厅，2表示厨房；二级编码为特定人员编码，如1表示老人，2表示儿童；三级编码为具体功能，如001为阅读，002为烹饪，当表示用于老人烹饪的厨房家居时，即可编码为21002。当然，功能编码可以根据具体家居匹配的需要进行进一步的分级粒度细化，从而提高功能匹配的准确度。
[0056] 步骤S12、量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集。
[0057] 在一种实施方式中，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，包括：
[0058] 将家庭成员按不同居住组合类型进行编码，根据不同居住组合类型确定家庭结构需求限定。
[0059] 具体来说，目前中国家庭中，出现4-2-1的倒金字塔型(即4个老人、2个中年人、1个小孩)、2-1(即2个中年人、1个小孩)还有新婚夫妇二人世界等不同的家庭居住结构，在家居匹配摆放的过程中，需要针对不同家庭居住结构进行组合类型确定用户需求的限定集。
[0060] 例如，在4-2-1家庭类型中，需要将老人、小孩、中年人的需求进行编码，取交集后形成以家庭为单位的综合需求限定集。
[0061] 在一种实施方式中，所述量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集，还包括：
[0062] 将家居功能需求进行分解，并按照需求强度进行排序编码，结合所述家庭结构需求限定，形成量化用户需求限定集。
[0063] 具体来说，有限的建筑空间面对无限的居住需求往往是不能全面满足所有的用户需求，因此，在进行匹配机器学习的过程中，为了避免最终出现无解的计算结果，可以考虑对用户的家居匹配需求按照紧迫程度进行编码，机器学习过程中，能满足大部分用户紧迫需求即可视为有效求解。例如，老人和小孩的安全防护需求往往比娱乐需求更为紧迫，则可以将老人和小孩的安全防护迫切程度编码先排在娱乐功能之上。
[0064] 步骤S13、基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练。
[0065] 在一种实施方式中，所述基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练，包括以下步骤：
[0066] 建立家居样本集合，获取每个样本家具的n维家居特征值，构成多个n维家居特征向量，其中n为正整数；
[0067] 将所述建筑室内家居摆放匹配案例中的套间分解为多个独立房间，获取每个独立房间中家居的摆放匹配位置，构成s维匹配位置特征向量，其中s为独立房间中的家居数量；
[0068] 将所述家居样本集合中的n维家居特征向量作为机器学习网络的输入，所述s维匹配位置特征向量作为输出，进行神经网络训练；
[0069] 设定稳态阈值ε，δ为当前家居匹配位置，δ′为上一次训练结果中的家居匹配位置，多次迭代训练神经网络后，当|δ-δ′|<ε时训练过程进入稳态，停止训练。
[0070] 步骤S14、将所述家居多维特征集导入所述机器学习网络，结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置。
[0071] 在一种实施方式中，所述结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置，包括：
[0072] 将用户需求强度编码为限定集的前m位，采用与或匹配的方式计算出能够最大满足用户需求的家居摆放位置。
[0073] 例如，在进行需求强度编码时，将限定集的第1位编为需求强度编码位，0为必须满足，1为尽量满足，2为可选满足，如果匹配“0and 1and 2”的计算结果方案较少时，可以放开要求，采用“0and1”或者“0”的匹配标准，释放出更多的家居摆放匹配方案。
[0074] 图2示出根据本发明实施例的基于机器学习的建筑匹配装置的构成图。如图2所示，该基于机器学习的建筑匹配装置整体可以分为：
[0075] 特征抽取模块21，用于通过家居特征数据构建家居多维特征集；所述家居包括家具、家电；
[0076] 需求抽取模块22，用于量化抽取用户家庭成员结构、家居功能需求特征，形成用户需求限定集；
[0077] 机器学习模块23，用于基于建筑室内家居摆放匹配案例，构建机器学习网络，并进行训练；
[0078] 结果匹配模块24，用于将所述家居多维特征集导入所述机器学习网络，结合所述用户需求限定集进行约束，匹配出家居在建筑室内的摆放位置。
[0079] 图3示出根据本发明实施例的基于机器学习的建筑匹配装置的构成图。
[0080] 从图3中可以看出，特征抽取模块21，包括：
[0081] 家具特征抽取单元211，用于通过对家居的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家具多维特征集；
[0082] 家电特征抽取单元212，用于通过对家电的尺寸、形状、材质、颜色、功能进行多维数据提取，并进行标准化和量化处理，形成家电多维特征集。
[0083] 图4示出根据本发明实施例的需求抽取模块构成图。
[0084] 从图4可以看出，需求抽取模块22包括：
[0085] 家庭需求抽取单元221，用于将家庭成员按不同居住组合类型进行编码，根据不同居住组合类型确定家庭结构需求限定；
[0086] 功能需求抽取单元222，用于以家居为单位，将家居功能需求进行分解，并进行编码，结合所述家庭结构需求限定，形成量化的用户需求限定集。
[0087] 在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0088] 流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现特定逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。
[0089] 在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
[0090] 应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
[0091] 本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。
[0092] 此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读存储介质中。所述存储介质可以是只读存储器，磁盘或光盘等。
[0093] 以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到其各种变化或替换，这些都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
| 标题 | 发布/更新时间 | 阅读量 |
|---|---|---|
| 一种模型生成方法、声纹识别方法及对应装置 | 2020-06-24 | 0 |
| 一种基于局部参考点的快速点云配准方法 | 2023-04-15 | 0 |
| 一种基于局部并行神经网络的红外人脸识别方法 | 2021-07-18 | 1 |
| 人脸认证的方法和装置 | 2023-01-28 | 0 |
| 一种基于多任务学习的排水管道异常类型自动检测方法 | 2020-06-06 | 1 |
| 夜晚模式镜头付着物的检测系统、终端和存储介质 | 2020-09-16 | 0 |
| 数据处理方法、装置、介质及电子设备 | 2020-06-12 | 2 |
| 一种典型环境下智能电能表可靠性综合评价模型 | 2020-06-24 | 0 |
| 一种基于深度学习对视频或图片中数字的检测和识别方法 | 2023-07-24 | 1 |
| 骨组织结构形态异常的快速检测方法及电子装置 | 2020-08-13 | 2 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台，是提供专利分析，专利查询，专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据，免费查、免费专利分析。
分析报告
专利汇分析报告产品可以对行业情报数据进行梳理分析，涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度，系统通过AI智能系统对图表进行解读，只需1分钟，一键生成行业专利分析报告。
QQ群二维码
意见反馈
意见反馈