[发明专利]一种基于机器学习的建筑匹配方法及装置

说明书

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。

技术领域

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

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。

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

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。

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：

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。

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：

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。

在一些实施例中，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。

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：

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。

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：

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。

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：

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；