[发明专利]一种变分自动编码器潜向量识别方法

说明书

本发明提供了一种变分自动编码器潜向量识别方法，通过构建潜向量识别器用以指导基于变分自动编码器的结构拓扑设计。本发明设计的潜向量识别器避免了设计的潜向量落在潜空间范围外，极大提升了设计结果的精度和稳定性。

技术领域

本发明涉及人工智能领域，具体说是一种变分自动编码器潜向量识别方法。尤指一种指导结构拓扑设计的变分自动编码器潜向量识别方法。

背景技术

拓扑设计通过改变结构内部材料的分布区域，使得结构的某种特性能够达到预期的需求。相比于参数设计，拓扑设计不局限于特定的构型，设计空间更为宽广，因此被广泛地应用。

近年来，深度学习凭借其智能和高效的优势，被逐渐引入到了结构的拓扑设计中。其实现的思路一般是将高维的拓扑构型转化为低维的参数，再对转化的参数进行设计，最后通过将参数还原来得到设计的结构。变分自动编码器由推断模型和生成模型组成，是常用的数据降维和还原的一种深度学习算法。它能够将高维离散的拓扑空间转化为低维连续的潜空间，其中潜空间里的每个潜向量都可以通过生成模型还原为相应的拓扑构型。因此，通过设计潜向量就可以间接实现拓扑构型的设计，极大减轻了高维构型设计的难度。采用具有前向模拟网络的串联神经网络通过反向传播算法可实现潜向量的设计，其中前向模拟网络已经习得潜向量与结构特性之间的关系。

然而，由于潜空间形状的不规则性，很难通过串联神经网络将设计的潜向量限制在潜空间内，导致前向模拟网络认为符合预期的结果，数值模拟却显示远远偏离预期目标。这是由于输入的设计潜向量在用于训练前向模拟网络的数据集区域之外，但是输出的结构特性接近或等于目标。这就像前向模拟网络被其数据集区域外的数据所欺骗，进而影响了拓扑设计的准确性和稳定性。因此，需要一种新的方法能够识别潜向量并指导结构的拓扑设计，这也是该领域目前研究的难点之一。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种变分自动编码器潜向量识别方法，通过构建潜向量识别器用以指导结构拓扑设计。

为达到以上目的，本发明采取的技术方案是：

一种变分自动编码器潜向量识别方法，其特征在于，包括如下步骤：

步骤1，采用训练好的变分自动编码器得到具有M个潜向量的潜向量数据集，根据潜向量数据集计算各潜向量之间欧氏距离的最小值；

步骤2，在上述潜向量数据集中根据潜向量每个维度上的最大值与最小值形成的区域随机且均匀生成N个向量，并对这N个向量进行标记，确定真潜向量和假潜向量；

步骤3，根据生成的N个向量和相应的标记，组合成数据集A；

步骤4，构建人工神经网络，使用数据集A训练并测试该网络，得到潜向量识别器；

步骤5，将潜向量识别器与用于设计潜向量的神经网络进行组合。

进一步，步骤1具体为：

步骤1-1，将拓扑数据集通过训练好的变分自动编码器转换为潜向量数据集，其中潜向量数据集包含M个潜向量；

步骤1-2，计算潜向量数据集中每个潜向量与其他潜向量之间欧氏距离的最小值ξ_i，得到数组ξ＝[ξ₁，ξ₂，…，ξ_M]；

进一步，步骤2具体为：

步骤2-1，确定一个参数使得在ξ中有百分之χ个数值小于其中χ一般在95到100之间取值；

步骤2-2，在以潜向量数据集中每个维度上的最大值和最小值为界限形成的区域中随机且均匀地生成N个向量；