一种基于机器学习的仿真物料形状的智能分类系统的制作方法

本发明涉及智能分类的，尤其涉及一种基于机器学习的仿真物料形状的智能分类系统。

背景技术：

1、随着人工智能和机器学习技术的发展，基于机器学习的智能分类系统在各个领域得到了广泛应用。虽然现有技术在仿真物料形状智能分类方面已经取得了一定进展，但仍存在一些缺点，会有以下不足之处：

2、1、现有技术在智能分类算法模块中，可能会受限于传统的分类算法模型，难以适应mcd系统的复杂多维数据特征。相比之下，我方技术方案采用基于机器学习的算法，能够更灵活地选择适合mcd系统的神经网络模型算法，从而提高了分类的准确性和泛化能力；

3、2、在传统系统中，仿真功能可能受到设计和仿真模式单元的限制，用户无法灵活地调整建模的逻辑结构，难以满足复杂仿真需求；

4、为此，我们提出一种基于机器学习的仿真物料形状的智能分类系统来解决上述提出的问题。

技术实现思路

1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

2、鉴于上述现有基于机器学习的仿真物料形状的智能分类系统存在的问题，提出了本发明。

3、因此，本发明目的是提供一种基于机器学习的仿真物料形状的智能分类系统，其将获取对象数据结构信息转变成通过图像识别的方式来获取对象的信息，并通过仿真实验论证基于机器学习的仿真物料形状智能分类的可行性。

4、为解决上述技术问题，本发明提供如下技术方案：一种基于机器学习的仿真物料形状的智能分类系统，包括：

5、数据获取模块：提取用户设计所需的仿真物料数据集，并能够将其导出生成相应的图片数据；

6、智能分类算法模块：该模块基于mcd仿真物料的数据集合，通过改进当前神经网络算法，选择一个适合于mcd系统的神经网络模型算法；

7、用户界面模块：该模块系统界面上智能分类的ui接口模块，用户在该模块上进行数据交互，以确保设计的模块结构能够按照用户的逻辑执行；

8、仿真功能模块：包括设计模式单元和仿真模式单元，设计模式单元是设计用户的接口模块，用户在设计模式单元中不断调整建模的逻辑结构，在系统中则会依次保存用户设计的逻辑结构，确保数据能够持久化保存；仿真模式单元是通过动态仿真实现用户设计的逻辑结构；

9、文件存储模块：该模块用于存储相应的数据参数，包括数据获取模块获取的数据集合，或者一些默认的参数信息。

10、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述设计模式单元包括四个子模块：

11、功能界面子模块，该模块管理用户接口显示的各个组件，其目的是为了获取用户设置的相关信息，并暂时缓存到系统中；

12、数据获取子模块，由于用户设计的仿真物料的数据集合在mcd系统内，该模块为了能够快速获取仿真物料的数据集；

13、图片截取子模块，该模块用于对单张图片的数据进行截取，是数据获取子模块的下属模块；

14、数据存储子模块，该模块能够保存来自用户接口传输的数据结构，系统在功能界面子模块退出时会创建一个相应的数据存储子模块对数据进行长期保存。

15、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述仿真模式单元包括以下子模块：

16、数据实时获取模块，该模块用于实时获取仿真过程中执行分类所需要的图片信息；

17、触发图片传感器模块，该模块在仿真过程中，将不断检测是否触发，当模块触发后将调用图片截取子模块，获取当前的仿真物料的图片信息并缓存；

18、仿真过程分类模块，该模块由三个小的子模块组成；

19、数据记录模块，该模块用于记录在仿真过程中产生的各种信息，该数据将用于对仿真物料形状智能分类功能模块的系统测试。

20、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述仿真过程分类模块包括如下：

21、神经网络读取模块，该模块是在系统中对神经网络模型进行读取；

22、执行分类模块，该模块在仿真过程中，也会不断检测是否触发，当模块触发后，会从系统中获取缓存的图片信息，其次调用神经网络算法，将图片信息传入神经网络模型中，获取相应的分类标签，达到分类的效果；

23、矩阵转换模块，对系统中仿真物料的位置的转换，在显示界面的效果是将相应的仿真物料传送到被分类的端口位置。

24、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：基于机器学习的仿真物料形状的智能分类的方法包括以下步骤：

25、步骤一：数据收集和准备：收集一组包含不同仿真物料形状的多模态数据；标记数据，为每个样本分配正确的类别标签；

26、步骤二：特征提取和选择：对每个模态的数据进行特征提取，根据特征的重要性和相关性，选择最具代表性的特征；

27、步骤三：数据融合：使用多模态融合技术将不同模态的数据进行融合，以获取更全面的信息；

28、步骤四：模型选择和训练：选择卷积神经网络、循环神经网络或其他传统机器学习模型将数据分为训练集和测试集，用训练集对模型进行训练，用测试集评估模型的性能，使用优化算法进行模型训练；

29、步骤五：模型评估和优化：对训练好的模型进行评估，根据评估结果，对模型进行优化；

30、步骤六：边缘计算优化：将训练好的模型部署到边缘设备上，以实现高效运行；

31、步骤七：动态仿真测试：在mcd系统中集成智能分类模型，并提供用户界面，允许用户上传仿真物料数据进行分类，根据用户上传的数据，调用模型进行分类预测，并显示预测结果。

32、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述步骤四中采用的算法公式为：

33、

34、其中，n表示数据集中的样本数量；di表示第i个样本的数据；ω表示数据样本的空间范围；f(di)表示对样本di进行特征提取；αi表示特征权重参数，对应第i个样本的特征；g是分类器函数，将特征向量归一化后，加上分类器参数进行分类；β是归一化参数，用来调节归一化的程度；γ是分类器参数，用来调节分类器的行为；c是分类结果。

35、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述步骤五中通过公式值域得出分类结果，具体的步骤如下：

36、s1、准备数据集：先准备好数据集d；

37、s2、特征提取：对数据集中的每个样本di进行特征提取，得到特征向量f(di)；

38、s3、归一化处理：对特征向量进行归一化处理，得到归一化的特征向量；

39、s4、计算公式值域：将归一化的特征向量带入公式中，计算公式值域：

40、

41、s5、确定分类结果：根据公式值域，确定分类结果，选择使得公式值域最大的类别作为分类结果，找到使得g(…)最大的类别c。

42、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：假设步骤s5中输入一个圆形的数据样本并通过公式计算得到：

43、g(…)＝0.8

44、如果阈值为0.5，那么将该样本分类为圆形，因为g(…)＝0.8>0.5。

45、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述步骤七mcd系统中的性能测试分为两部分的测试，一是设计模式单元下的功能界面模块的性能测试，二是测试触发图片传感器模块及仿真过程分类模块。

46、作为本发明所述基于机器学习的仿真物料形状的智能分类系统的一种优选方案，其中：所述步骤七中的测试方法：该部分主要在代码层面上的测试，因此在每一个功能模块上记录当前时间，其次在功能模块结束后记录当前时间，通过对比两个时间节点获取该模块所需要花费的时间，通过该时间对功能模块的进行性能测试。

47、本发明的有益效果：

48、1.对于仿真物料的数据，本发明将获取对象数据结构信息转变成通过图像识别的方式来获取对象的信息，并通过仿真实验论证基于机器学习的仿真物料形状智能分类的可行性；

49、2.在数据集合获取的角度，本发明设计一个数据获取模块，能够快速获取用户创建的仿真物料形状的数据集合，该设计可以应用于mcd系统；

50、3.在本发明提出的算法在仿真物料分类上有很大的优势，通过数据显示，该模型在仿真物料的识别上具有较高的精确度，并优于其它的智能分类模型，同时该模型训练收敛很快、耗时及数据迭代次数较少。。