本发明涉及人工智能技术领域，具体是一种基于评价网络与循环神经网络的产品设计的方法。
背景技术：
当前，在用户需求多变的背景下，定制化思想深入到各行各业，而如何快速，有效的根据用户需求快速设计出符合用户需求的产品结构变得十分重要，更重要的是，通过对快速设计的产品结构给出合适的评价，以不断优化快速设计的产品结构，在体验时代变得更加有意义。
尽管如此，由于产品设计后，还需要对其的性能，外观，可用性等内容进行评价，因此，如何对于由基于循环神经网络（简称，RNN，下同）的产品设计（生成的结果进行相关指标的评价变得十分重要。
技术实现要素：
本发明的目的在于提供一种基于评价网络与循环神经网络的产品设计的方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明提供如下技术方案：
一种基于评价网络与循环神经网络的产品设计的方法，包含以下步骤：
A、预处理RNN中的输出向量；
B、确定评价网络的网络结构；
C、根据待训练的内容预先给出评价指标；
D、将预处理的输入样本及评价指标放入评价网络中进行训练；
E、利用训练后的评价网络进行预测。
作为本发明的进一步技术方案：根据权利要求1所述的一种基于评价网络与循环神经网络的产品设计的方法，其特征在于，所述步骤A具体是：在基于RNN产品设计的网络（参考专利“一种基于循环神经网络的产品设计方法”）中，将每一个网络的输出值进行预处理，并转化为对应的数值。
作为本发明的进一步技术方案：所述步骤B具体是：评价网络的输入层神经元个数由RNN网络中的循环神经网络循环次数决定；评价网络的输出层神经元个数由评价指标来确定，不同的评价体系由不同的评价网络来确定
作为本发明的进一步技术方案：所述步骤C具体是：在进行网络训练之前，先根据基于RNN产品设计网络中输出的产品结构各处具体的评价内容，并给出评价分数，利用其作为该样本的输出样本。
作为本发明的进一步技术方案：所述步骤D具体是：将预处理的输入样本及评价指标放入已经定义好的评价网络中，并选取合适的激活函数，通过计算得到相应的权值矩阵，最终得到符合预期的网络结构。
与现有技术相比，本发明的有益效果是：本发明将评价网络应用于基于循环神经网络的产品设计中，并将其与循环神经网络组合使用，将极大的优化这种问题，并最终给出评价指数最高的设计内容。
附图说明
图1为本发明的原理图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，一种基于评价网络与循环神经网络的产品设计的方法，其特征在于，包含以下步骤：
A、预处理RNN中的输出向量。在基于RNN产品设计的网络（参考专利“一种基于循环神经网络的产品设计方法”）中，将每一个网络的输出值进行预处理，并转化为对应的数值。由于，在基于RNN产品设计的网络中的输出内容以向量形式存在，在利用该网络进行预测时，结果以概率形式存在，而在其输出后，会将其转化为确定的向量信息，因此可以将该网络中输出的每一个向量进行数值化处理，以转化为二进制为例，将二进制转化为十进制，即将RNN输出后的内容转化为具体数值。以零部件A和位置信息P1为例，A=[1 0 0 0 0 0 0 0]，P1=[0 1 0 0 0 0 0 0]，将其分别转化为二进制，即A=10000000，P1=01000000，再将其转化为十进制，即A=28=256，P1=27=128；
B、确定评价网络的网络结构；评价网络实际上是一个人工神经网络，其网络的输入神经元个数，是与RNN网络中的循环神经网络循环次数相一致（如图）。即在RNN中有多少个神经网络，在评价网络中就有多少个输入神经元，这样可以将循环神经网络中的输出结果映射到评价网络中。评价网络中的输出层神经元的个数，由评价指标来确定，将其转化为多元分类问题。评价体系可以根据用途不同分为不同的评价网络，如评价产品性能的评价网络、评价产品实用度等的评价网络，其可分为不同的评价网络，评价指标也随不同的评价体系而不同；
C、根据待训练的内容预先给出评价指标。在进行网络训练之前，先根据基于RNN产品设计网络中输出的产品结构确定具体的评价内容，并给出评价分数，利用其作为该样本的输出样本；
D、将预处理的输入样本及评价指标放入评价网络中进行训练。将预处理的输入样本及评价指标放入已经定义好的评价网络中，并选取合适的激活函数（如Tanh,Sigmoid,ReLu等）和损失函数（如交叉熵等），通过计算（BP神经网络等）得到相应的权值矩阵，最终得到符合预期的网络结构；
E、利用训练后的评价网络进行预测。评价网络训练结束后，用户利用RNN进行产品设计后，在将其设计的结果代入到评价网络，评价网络就可以根据先前已经训练的网络，对RNN生成的结果给出相应的评价分数；
F、反馈作用RNN网络。在RNN中设置合适的置信区间，根据置信区间RNN中每一个神经网络预测的结果（由于设置了置信区间，因此RNN中每一个预测的结果N>1），根据该结果随机选择，可以得到多个符合条件的产品结构（包含位置信息），将产品结构放入评价网络中进行预测，通过评价网络即可得到该评价指标（如性能、实用度等）下最佳的产品结构。最后再将该结构放入基于RNN的产品设计的网络中作为样本进行训练，这样可以利用评价网络的结果更好的优化基于RNN的产品设计的网络。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。
此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。