[发明专利]一种基于深度学习的零部件属性矩阵自动生成方法

权利要求书

1.一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，包含以下步骤：

步骤一、获取作为样本的产品的零部件信息，创建零部件字典；所述步骤一具体是：获取所有作为样本的产品结构，为产品结构中的零部件信息创建零部件字典；通过零部件的编号，来区分不同的零部件，并对每一个不同的零部件进行聚类处理，将其放入零部件字典中，零部件字典中零部件的个数为N；

步骤二、创建零部件的数值映射；所述步骤二具体是：为零部件字典中的每个零部件创建数值映射，此处将零部件映射的内容定义为一个N维的向量，其中向量的维度由零部件字典的大小决定，即该向量的维度为N，并定义其为零部件的one-hot向量；

步骤三、定义属性矩阵E的大小；步骤三具体是：定义属性矩阵E为一个N×M大小的矩阵，其中矩阵E的横坐标表示字典中的N个零部件，矩阵的纵坐标表示零部件的M个共同特征信息；

步骤四、根据样本产品的结构，建立零部件序列模型；所述步骤四具体是：获取所有作为样本的产品结构，对产品结构中零部件的序列化依照产品的结构树进行处理；

步骤五、设定固定的滑动窗口，划分零部件序列模型，形成训练样本集D；所述步骤五具体是：设定零部件个数为n的固定滑动窗口，设定n = 3，根据固定滑动窗口中的三个零部件和其后一个零部件，来确定训练样本的输入和输出，在零部件序列模型中，固定滑动窗口中的三个零部件P1、P2、P3为训练样本的输入，其后一个零部件P4为训练样本的输出，将P1、P2、P3与P4作为一个样本添加到训练样本集，然后将固定滑动窗口向右滑动一个零部件，训练样本的输入变为固定滑动窗口中的零部件P2、P3、P4，输出变为其后一个零部件P5，将P2、P3、P4与P5作为一个样本添加到训练样本集，以此类推，当该零部件产品的序列模型划分完毕，按上述过程为下一个零部件产品序列模型进行划分，通过不断的滑动窗口，最终形成训练样本集D；

步骤六、构建神经网络结构，并确定网络的输入层、隐含层与输出层；所述步骤六具体是：依据零部件的one-hot向量维度N，创建神经网络输入层和输出层的神经元个数，因为训练样本的输入为固定滑动窗口中三个零部件，输出为其后的一个零部件，所以输入层神经元个数由三个零部件的one-hot向量组成，即N×3个输入层神经元；输出层神经元个数由一个零部件的one-hot向量组成，即N×1个输出层神经元，由步骤四中定义的N×M大小的属性矩阵E可确定神经网络隐含层的神经元个数，输入层到隐含层的神经元是非全连接的，将属性矩阵E设定为输入层到隐含层的权值矩阵，分别与输入的三个零部件的one-hot向量相乘，得到三个零部件的嵌入向量，嵌入向量的维度均等于M，所以隐含层神经元的个数由三个零部件的嵌入向量组成，即M×3个隐含层神经元；

步骤七、对相关的样本进行训练；

步骤八、使用属性矩阵E。

2.根据权利要求1所述的一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，所述步骤七具体是：将训练样本集D转化为样本矩阵，放入到已经构建好的神经网络中，选取合适的激活函数，通过计算，最终得到符合预期的网络结构以及所有最优的权值参数，从中获取输入层到隐含层的权值矩阵，即属性矩阵E。

3.根据权利要求1所述的一种基于深度学习的零部件属性矩阵自动生成方法，其特征在于，所述步骤八具体是：将给定的零部件的one-hot向量乘以训练得到的属性矩阵E，获得零部件所对应的属性向量；如果为两个零部件的属性向量，即可将其应用于相关算法如余弦夹角、神经网络，计算其相似性。