申请/专利权人：杨浩松

申请日：2021-07-26

公开（公告）日：2024-06-28

公开（公告）号：CN113538101B

主分类号：G06Q30/0601

分类号：G06Q30/0601;G06Q50/08;G06N3/0464;G06N3/0455;G06N3/096;G06V20/60;G06V10/44;G06V10/74

优先权：

专利状态码：有效-授权

法律状态：2024.06.28#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开的一种基于人工智能的家装定制方法、系统及存储介质，涉及家装定制方面。其中家装定制方法包括：基于目标用户浏览家装项目历史数据建立个人‑项目偏好模型生成用户的目标家装风格信息，并根据目标房屋户型图生成目标房屋户型信息；基于卷积神经网络建立家装定制模型，将所述目标家装风格信息和所述目标房屋户型信息导入所述家装定制模型，所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；将所述家装方案按照预设的方式显示；同时，本发明还可以实现不同家装风格效果的切换，为用户提供了家装方案的个性化定制。

主权项：1.一种基于人工智能的家装定制方法，其特征在于，包括：基于目标用户浏览家装项目历史数据建立个人-项目偏好模型；通过所述个人-项目偏好模型提取个人偏好，将所述个人偏好根据时间进行形式化描述生成个人偏好时间序列；获取所述个人偏好时间序列中的预设区间内个人偏好信息；将所述个人偏好信息与候选家装项目信息进行匹配，获取用户对候选家装项目的感兴趣程度；根据所述感兴趣程度的排序信息生成用户的目标家装风格信息，并根据目标房屋户型图生成目标房屋户型信息；基于卷积神经网络建立家装定制模型，将所述目标家装风格信息导入所述家装定制模型；所述家装定制模型通过目标房屋户型信息及目标家装风格信息制定家装方案；将所述家装方案按照预设的方式显示；所述家装定制模型制定家装方案的具体计算为： 其中，y表示家装定制模型定制的家装方案信息，γ表示模型系数，i表示家装风格的数量，jk表示图像化信息区域掩码，gk表示家装风格k的风格编码集合，*表示卷积计算，f表示目标房屋户型的图像化信息，ωx表示家装定制模型由噪声x所造成的误差函数；所述的基于卷积神经网络建立家装定制模型，具体为：基于卷积神经网络建立家装定制模型，初始化模型参数；获取训练数据，将所述家装定制模型分成图像转换模块及家装风格构建模块；预设所述图像转换模块及家装风格构建模块的权重及梯度信息，并进行二分部交替训练；对于每个t次迭代，对家装风格构建模块训练t-1次迭代，对图像转换模块训练1次迭代；随机采样所述训练数据中的房屋图像化信息并设置对应的家装风格标签，并根据所述梯度信息对所述家装定制模型的编码器、解码器参数进行更新；将初始家装定制模型进行n个t次迭代后，完成训练，生成最终家装定制模型；所述家装定制模型在应用过程中，需要增添新的家装风格，则家装定制模型对新家装风格的增量学习，具体为：运用预设训练策略对编码器、解码器及多种家装风格集合进行联合训练；对所述编码器和解码器参数进行固定，根据新的家装风格对家装定制模型的家装风格构建模块中对应的家装风格集合进行增量训练；将家装定制模型的家装风格构建模块进行多次迭代训练至收敛；随机抽取增量家装风格作为目标家装风格导入所述家装定制模型进行验证；将家装定制模型输出的家装定制方案进行图像化处理，生成家装定制方案图像化信息；将所述家装定制方案图像化信息与预设家装方案图像化信息进行比较判断，生成偏差率；判断所述偏差率是否小于预设偏差率阈值；若小于，则证明家装风格构建成功，家装风格增量学习结束。

全文数据：

权利要求：

百度查询： 杨浩松 一种基于人工智能的家装定制方法、系统及存储介质

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD