摘要：为了解决当前图卷积网络需要依赖大型数据集,从而导致时间和空间复杂度上升问题,提出了基于自我监督学习策略的层智能图卷积网络(RRLFS-L-GCN)。首先,通过在层智能图卷积网络(layer-wise graph convolutional network,L-GCN)中添加多任务机制以提高算法的泛化能力;然后,设计一种随机删除固定步长边(aandomly remove links with a fixed step,RRLFS)的自我监督学习策略,从而提出基于自我监督学习策略的层智能图卷积网络算法;最后,通过边预测验证RRLFS-L-GCN的性能。实验结果表明,该算法的识别率最高可达97.13%。对于Cora测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了6.73%。对于PubMed测试集,该算法所得识别准确率比未改进的层智能图卷积网络算法提高了8.13%。与图卷积网络相比,在Citeseer数据集上,识别准确率提高了18.43%。

摘要：结合网络和实地用户调研、用户行为模拟、功能系统分析等方法,分析用户在行李箱使用过程中存在的问题;运用TRIZ创新发明理论分析出现的问题并转换为TRIZ标准问题,采用对应的发明措施原理并结合行李箱的实际使用情况,对行李箱进行设计研究,并通过Jack仿真验证了设计的合理性。解决了行李箱的现有使用问题,获得了行李箱创新设计解决方案。通过对用户行为习惯进行模拟分析、功能分析、结合TRIZ发明原理优化了行李箱设计流程,优化了用户的使用方式,改善了用户体验。

摘要：感性工学(KE)是将消费者感性体验融入设计中的常用方法。过去十余年间,国内外学者对KE展开了研究并取得了一定成果。通过对国内外KE中的参数化设计方法关键技术研究成果进行梳理,首先总结了KE中常用的感性意象与产品特征参数化方法;随后重点介绍了3种KE模型构建问题上的常用方法及其特点,并将现有研究进行了对比;最后讨论了KE现存问题并对未来可能的研究趋势进行了展望。

摘要：针对用户需求重要性确定过程中的主观性和模糊性,以及未考虑到用户需求偏好程度对用户需求重要性影响的问题。提出一种集成模糊理论与Kano模型、逼近理想解排序法和熵权法的用户需求综合重要性确定方法。首先,通过市场调研和设计调研获得用户的原始需求信息,然后对其进行模糊聚类,得到新的用户需求信息。其次,利用模糊Kano模型对新的用户需求进行了问卷调研,得到用户需求的属性分类以及Si和DSi系数。再次,利用逼近理想解排序法(TOPSIS)确定用户需求因素与用户满意度的匹配度,得到定量的用户需求满意度值。最后,采用熵权法计算用户需求的初级重要度,将用户需求满意度值与初级重要度权重相乘,得到用户需求的综合重要度函数。以某企业新型民用摩擦焊机产品设计开发为例,验证了该方法的可行性和有效性,并对高端数控机床产品设计开发具有一定的指导和借鉴作用。

摘要：消费者对个性化产品购买需求的增加,对制造企业的定制生产能力提出了越来越高的要求。而现有制造企业存在的信息化水平不高、制造资源不足等问题,严重影响了制造企业向个性化生产转型的进程。针对上述情况,结合云制造概念及技术提出了云制造中产品个性化定制生产模式。为了更加深入地研究云制造中产品个性化定制的运行模式及阐述云制造平台在定制生产过程中的主要作用,从体系架构、服务流程、关键技术等方面对相关研究进行了回顾和介绍,然后列举了个性化定制生产模式在汽车、软件和服装行业的应用,最后对研究趋势进行了展望。分析表明,云制造平台汇聚全球的制造资源为个性化定制服务,能够有效解决单一制造企业实施个性化定制过程中面临的一系列困难,做到以较低的成本快速高效地满足消费者日益多样化、个性化的需求。

摘要：面对巨大的材料设计空间,基于理论研究、实验分析以及计算仿真的传统方法已经跟不上高性能新材料的发展需求。近年来,材料数据库与机器学习的结合带动了材料信息学的进步,推动了材料科学的发展。当前,运用数据驱动的机器学习算法建立材料性能预测模型,然后将其应用于材料筛选与新材料开发的研究引起了学者们的广泛关注。利用机器学习框架搭建材料研究设计平台对材料大数据资源进行分析与预测,成为开发新型材料的重要手段。将机器学习运用于材料科学面临一系列困难,包括根据预测对象确定材料特征的计算或自动抽取,不同精度的实验与计算数据的获取与预处理;选取或者开发合适的机器学习预测模型和训练算法;估计预测效果与预测性能的可靠性;处理材料机器学习问题所独有的小数据、异构数据、非平衡数据等特性。目前研究的焦点是针对不同的材料性能,收集相关的数据集,基于物理原理构造特征表示来训练机器学习模型,并将机器学习的最新技术用于材料信息学。现阶段机器学习已经被应用于光伏、热电、半导体、有机材料等几乎所有的材料设计领域。通过采用机器学习算法训练材料性能的预测模型,并将其用于筛选现有材料数据库或者搜索新的材料,大大加快了新材料发现的过程。目前,国内外科学家借助统计推理与机器学习算法开展了一系列的研究,开发了适合预测不同材料属性的多种材料表征方法,应用了包括深度学习、贝叶斯网络等最新机器学习与人工智能方法,在多类功能材料设计领域取得了突破性的成果。本文主要介绍了机器学习方法在材料性能预测中的相关研究与应用,包括目前最常用的材料数据库资源,多种适用的机器学习算法及应用实例,以及机器学习在材料性能预测中遇到的常见问题。最后对国内外的材料信息学发展现状进行了概括,并对其未来发展进行了展望。

摘要：筛选试验常采用二水平部分因子试验,对试验数据的处理采用方差分析的方法,其结论没有定量的指出各因素对结果影响的大小;针对这一问题,文章对因素的离差平方和作进一步分解,结果显示,因素的离差平方和包含该因素所引起的离差平方和以及一部分误差引起的离差平方和两部分内容。在因素的离差平方和中扣除误差引起的离差平方和,其余部分就是该因素引起的纯离差平方和,纯离差平方和在总离差平方和中所占的百分比即为该因素对试验结果的贡献率。最后,以往复泵的设计因素分析为例,对这一方法进行了说明。

摘要：目的产品的设计优化创新一直是研究的重点,而造型是设计优化的重要关注点之一。针对感性产品的造型优化,充分应用感性工学理论及技术,进行以用户为中心的意象造型优化设计成为当前的研究热点,基于此,对面向产品意象的造型优化设计的研究现状及趋势进行了分析。方法通过对国内外学者相关文献的梳理和归纳,在感性工学理论体系相关概念阐述的基础上,分别探讨了面向产品意象造型优化设计中的意象提取、映射构建及造型创新三个主要环节;重点分析了在产品意象造型优化中,基于计算机算法的造型优化、基于创新理论的造型优化和基于数理统计模型的造型优化三个方面的关键理论、技术及其运用。结论总结出了在造型优化方面中关键理论、技术的优缺点;结合设计研究的发展趋势,对产品意象造型优化设计提出了展望,即多方法融合、生理心理认知测量技术结合、基于AI技术和大数据的优化。

摘要：为了解决传统感性工学主观性过强、实时性差、数据少等问题,提出一种产品在线评论数据驱动的感性工学方法。以某电子商务平台智能手机在线评论为数据源,提出词频与评估、强度、活动3个维度相结合的TFEPA方法,并使用该方法提取在线评论中的感性词;为获得更合理的感性评价,采用面向在线评论的词聚类结合程度副词的方法计算感性评价值,再从认知心理学的角度,结合产品属性参数与用户感性意象,构建了基于BP神经网络的非线性映射模型,用于模拟用户心理评估机制。最后,评估了模型的泛化能力,验证了所提方法的可行性与有效性。

摘要：针对传统服饰体验设计评价中缺乏刺绣的感性意象研究,文章提出一种黎平县苗侗民族服饰刺绣绣种意象贴合度分档方法。首先,收集代表性刺绣品种制作实物,基于KE和AB式视触觉评价模式划分绣种的意象群并提取代表性意象词对,进而采集主观评价数据;其次,使用GAR法计算绣种意象评价值与参考值之间的关联度,剖析绣种意象组成方式;接着,融合RSR法构建分档回归方程,得到绣种意象贴合度分档结果;最后,综合结果判别绣种的意象趋势及状态,以辅助设计师根据目标意象运用不同刺绣品种进行服饰设计和商家向消费者推荐符合其意象需求的刺绣产品。