本发明涉及计算机图案生成和图案浏览领域,尤其是涉及一种结构可变的图案生成和利用图案生成浏览界面的方法。
背景技术:
现有的成熟的算法和系统能够简单快速地根据单一图案的形态结构获得很多拥有不同元素大小,位置,方向的变体候选。例如论文patex:exploringpatternvariations中,作者使用图案部件之间的几何关系来描述图案并通过采样那些分别满足不同几何关系的子集的图案来获得许多基于源图案的图案变体。然而此种方法仅针对于单一图案变体,无法在多个图案之间自动化地创作出一些既能保持一些不同源图案中的特征也能带来一些新变化的图案。
另外对于不同的图案来说,它们之间的元素和排列特征都可能大相径庭。在两个简单的图案之间也会存在无数的图案变体。这样具有差异的新图案结果需要尽可能多地被采样到。最后,目前的图案设计工具中缺少一些能够让设计师在同一个集合内快速连续地浏览到所有的这些元素和形态结构各不相同的图案变体。
技术实现要素:
本发明提供了一种在给定的两个图案之间采样出一些新图案的系统并提供了一种生成图案的交互式浏览界面。这些新图案既能保持源图案中的一些局部特征,也能带有一些变化,即使这些作为参考的源图案之间的元素数量,元素排列特征可能具有差异性。设计师在界面中能浏览到所有的这些元素和形态各不相同的图案结果。本发明主要解决了如何识别这些不同拓扑结构图案各自的形态特征并加以利用的问题以及如何在由排列特征,元素数量都有差异的新图案所组成的不同空间集合中进行采样的问题。同时提供了一种图案交互式浏览界面,能够让设计师随意地浏览所有可能搜索到的图案变体。
本发明至少通过如下技术方案之一实现。
一种结构可变的图案生成方法,包括以下步骤:
s1、为图案中的元素构建关系图模型;
s2、采用能量方程的离散优化模型,在不同拓扑结构图案之间进行元素的匹配;
s3、基于rjmcmc算法(reversejumpmarkovchainmontecarlo,可逆跳转马尔科夫链蒙特卡洛算法),在不同拓扑结构图案之间采样,获得新的图案。
进一步的,步骤s1所述的关系包括元素的关系类型和关系的关系类型,其中元素的关系类型包括元素与元素之间的距离关系、元素与元素的方向夹角关系、元素与元素的尺寸比例关系;关系的关系类型包括元素之间保持的距离是等差或者等比关系、图案中某一个元素与其他元素的朝向之间的夹角关系。
进一步的,步骤s1构建的关系图模型是用来描述图案中的元素间的关系以及关系间的关系;
关系图模型包括关系图向量,一个关系图向量代表一个图案;关系图向量是一个一维向量,由三个部分组成,其中第一个部分依次是图案中每个元素的位置(x,y)、朝向θ和尺寸s这三个信息,第二个部分包含元素与元素之间关系的值,第三个部分是关系值r,所述关系值r包括元素与元素的关系值和关系的关系值,关系图向量μ如下:
μ=(x1,y1,θ1,s1,x2,y2,θ2,s2,...,xi,yi,θi,si,r1,r2,r3,...,ri)(1)
关系图模型通过有向图
具体地,具体地,元素的关系类型共有6种,关系的关系类型有3种,其中,6种元素的关系类型为:
1)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心的距离被定义为元素之间的欧几里德距离关系,其中关系值ri的值为:
其中,(xa,ya)为元素ea的位置,(xa,yb)为元素eb的位置;
2)、代表图案中的一个元素ea和代表图案中的另一个元素eb的方向之间的角度差被定义为元素之间的方向差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
其中,θa和θb分别为ea和eb的朝向;
3)、代表图案中的一个元素ea和代表图案中的另一个元素eb的大小之间的差被定义为元素之间的大小差关系,关系值ri:
ri=sa-sb
其中,sa和sb分别为ea和eb的尺寸;
4)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与x轴之间的夹角被定义为绝对角度差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
5)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与元素ea的方向之间的夹角被定义为元素之间的相对角度差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
6)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与元素ea的方向之间的夹角的绝对值被定义为元素之间的对称角度差关系,关系值ri的取值范围为[0,π],顺时针和逆时针的角度变化均为正数:
所述3种关系的关系类型分别为:
3-1)、两个不是角度关系的关系ev和ed,其值rv和rd的差被定义为关系差的关系,关系值ri的取值:
ri=rv-rd
3-2)、两个角度关系ev和ed的值rv和rd的差被定义为角度关系差的关系,关系值ri的取值范围为[0,π]
3-3)、两个关系ev和ed的值rv和rd的商被定义为关系商的关系值ri:
ri=rv/rd
进一步的,步骤s2所述的基于能量方程的离散优化模型如下:
使得
其中,m和n分别是进行元素匹配的图案a和图案b的元素个数,xij是用于指定一个图案中的第i个元素是否与另外一个图案的第j个元素对应,i∈m,j∈n;xij为1表示元素i和元素j存在对应关系,否则不存在;vij用于指定当xij为1时,该对应带来的消耗;元素与元素之间对应的消耗定义为两个元素之间的欧式距离;λ是权重,用于平衡离散优化模型中的前一项
后一项用于避免一个图案中的两个对称的元素分别对应到其他图案中两个不对称的图案,因此,建立一个列表,列表中的每一项是一个四元素(p,q,g,h),其中p和g表示图案a中的第p和第q个元素是对称关系,q和h表示图案a中的第q和第h个元素是对称关系;设该列表的长度为k,则后一项中第k个列表计算式的sk定义为:
其中xp,g是用于指定图案a中的第p个元素是否与图案b中的第q个元素对应,xq,h是用于指定图案a中的第q个元素是否与图案b的第h个元素对应,
同时该离散优化模型需要满足如下的三个约束条件,
进一步的,步骤s3采用rjmcmc采样算法在不同拓扑结构的图案之间获得既能保持原始图案中的局部特征的同时也能有一些额外变化的新图案,在采集过程中,rjmcmc算法维持一个随机变量的维度可变的马尔科夫链,该马尔科夫链中不断生成的随机变量,在迭代过程中逐渐趋近于一个固定的概率分布p直至概率分布p完全稳定,接下来从该马尔科夫链中采样得到的所有的随机变量均满足这个固定的概率分布;
所述的rjmcmc算法如下:
设定概率密度函数:
其中,p表示概率分布,z是使分布归一化的配分函数,在rjmcmc算法不需要计算配分函数的情况下进行采样,f为能量函数;
f=f(μ,μa,μb)(4)
关系图向量μ的概率密度函数表示为:
其中,β为由人为设定的温度系数;
采样过程具体为:将图案a的关系图向量μa和图案b的关系图向量μb输入rjmcmc算法,μa∈μ,μb∈μ,μa将作为马尔科夫链的初始变量以e0表示,马尔科夫链得到的每一个变量ei代表一个关系图向量μi即代表着一个新的图案;
rjmcmc算法在每次迭代得到马尔科夫链的新变量的过程中,首先会随机选择漫移操作或者跳跃操作中的其中一种操作;如果得到马尔科夫链中第m个变量em的第m次迭代选择了漫移操作,则马尔科夫链的新变量em将通过在上一个变量em-1中代表的关系图向量μ的任意一项μi上加上一个从正态分布
如果得到马尔科夫链中第i个变量xi的第i次迭代选择了跳跃操作,则马尔科夫链的新变量xi的候选变量xi'将通过在上一个变量xi-1中随机增加或者减少向量的维度得到,具体的,在变量xi-1代表的关系图向量μi-1中根据步骤s2中计算的元素的对应关系随机选择一组元素的对应关系,并将新的元素加入该对应关系中缺少新元素的图案,新的元素的四个信息随机生成,同时产生新的元素与关系图向量μi-1所对应的图案中的元素之间的关系,或者减去多出的元素,同时消去多出的元素与关系图向量μi-1所对应的图案中的元素关系,形成新的关系图向量μi;
rjmcmc算法根据如下接受拒绝概率来选择是否接受候选变量x'i成为新变量xi:
其中
经过一段时间的迭代后,rjmcmc算法中马尔科夫链的随机变量根据式(5)计算得到的值出现的次数概率将等于这个计算得到的值,这些变量将作为rjmcmc算法采样得到的结果。
进一步的,在两个图案之间构建如下能量函数,用于度量步骤s3新采样得到的新图案的好坏:
其中,μ是新的图案中元素的关系图向量,μa和μb分别是给定的图案a和图案b中元素的关系图向量;α是能量函数中第一项的权重;能量函数中第一项fvalid(μ)定义为:
fvalid(μ)=μ-σ(μ)(9)
其中σ(μ)是关系图向量中的元素与其关系的实际值所组成的新的向量集合
其中σi(μ)代表σ(μ)向量中的第i项,μi代表μ向量中的第i项,如果μ中的第i项是图案中一个元素的信息,则σ(μ)中的第i项保持μ中的第i项的值依旧表示图案中该元素的相同信息;如果μ中的第i项是图案中一个元素与元素之间的关系的值,σ(μ)中的第i项则是该关系实际的值;
β是能量函数中第二项的权重,用户约束采样得到的新图案中的一些元素是保持给定的图案a和图案b中的一些元素的位置、大小和方向,因此fconstrain(μ,μa,μb)定义为衡量新图案的关系图向量中受到约束的元素的信息与其指定的图案中的元素的信息之间的差距:
fconstrain(μ,μa,μb)=μ{eca}-μa{ec'a}+μ{ecb}-μb{e'cb}(11)
其中eca表示新图案中受到约束需要保持图案a中的元素信息的元素集合,e'ca表示eca中的元素需要保持的图案a中的元素集合;ecb表示新图案中受到约束需要保持图案b中的元素信息的元素集合,e'cb表示ecb中的元素需要保持的图案b中的元素集合;μ{eca}表示eca集合中的元素在新图案的关系图向量μ中的元素信息;μa{e'ca}表示e'ca集合中的元素在图案a的关系图向量μa中的元素信息;μb{e'cb}表示e'cb集合中的元素在图案b的关系图向量μb中的元素信息;
γ是能量函数中第三项的权重,fgroup(μ)定义为衡量对称关系组与其平均值之间的差距:
fgroup(μ)是由关系图向量μ中所有对称关系组与其平均值之间的差距所组成的一维向量,图案中的元素对称性在关系图向量中表现为关系值,g表示对称关系组的关系值相等的集合,设新生成的图案中有h个关系值相等的集合,μ{gh}表示第h个集合中的关系在关系图向量中的值所组成的向量,h=1~h,
δ是能量函数中第四项的权重,从给定的图案a和图案b中随机选择一个图案作为新图案的指导图案,该指导图案的关系图向量表示为τ,因此flocal(μ,τ)定义为衡量新图案与指导图案之间的差距:
flocal(μ,τ)=μ-τ(13)
最终,从能量方程来说一个最好的图案满足:图案中的关系的实际值与图案对应的关系向量图μ中的关系值相等;图案对应的关系向量图μ中的关系值与其所在的对称关系组中关系值的平均值相等;图案中受到约束的元素的信息与需要保持的元素的信息相等;图案对应的关系向量图μ与指导关系向量图τ相等;
一种利用图案生成浏览界面方法,包括以下步骤:
1)、获取采样得到的新图案的高维向量表达特征,得到高维向量空间;所述高位向量表达特征采用该图案的关系图向量表示;
2)、采用gplvm(gaussianprocesslatentvariablemodel,高斯过程隐变量模型)将高维向量空间压缩到二维流形空间;
3)、将二维流形空间中的点逆映射到高维空间中,得到新的图案,并对其进行后处理;
4)、生成图案浏览界面,所述图案浏览界面分为两个部分,一部分是得到的二维流形热图,用户通过鼠标在二维流形热图上滑动,另一部分会出现相应的新图案。
进一步的,步骤2)的
压缩是使用高斯过程隐变量模型工具箱,该工具箱将高维向量表达特征降维成二维向量,形成二维流形空间,所有的二维向量作为相应的坐标,所述坐标确定采样结果的高维向量空间的二维流形。同时工具箱还会计算该高维向量空间中所有的图案与采样结果的协方差值,协方差值越大,二维流形上展示的颜色越红;协方差值越小,二维流形上展示的颜色越蓝,最终形成一张二维流形热图。
进一步的,步骤3)具体是通过高斯过程隐变量模型工具箱将二维流形空间中的点的坐标逆映射到得到相应的新关系图向量。一个全新的关系图向量确定一个全新的图案。
进一步的,步骤3)是通过如下的图案修复函数进行后处理,用于修复图案中存在的对称关系:
其中μ*是满足式(14)的最小值的图案关系图向量,μ是修复函数的变量,μ0是需要通过此函数进行修复的图案的关系图向量。
本发明的有益效果是:本发明基于遗传算法的元素对应分配方案能够有效地记录这些不同拓扑结构图案之间变形所产生的例如分裂和合并等特殊物理效果。通过rjmcmc采样算法能够稳定获得在两个不同拓扑结构的源图案之间大量的既能保持多个源图案中的局部特征的同时也能有一些额外变化的新图案。gplvm算法能够学习这些采样结果所处的高维空间并通过低维度流形的方法表达这个高维空间,在该空间中能够统一快速地浏览一些带有连续变化效果的新图案。
附图说明
图1是实施例中一种结构可变的图案生成和利用图案生成浏览界面的方法流程图;
图2是本实施例一个图案的两个层次的属性的示意图;
图3是本实施例一个图案的关系图向量的有向图;
图4是本实施例中需要进行元素配对的图案a和图案b;
图5是本实施例对图4两个图案的元素进行配对的结果图;
图6是本实施例rjmcmc算法得到的新图案;
图7是本实施例rjmcmc算法得到的另外一个新图案;
图8是本实施例的图案所生成浏览界面示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。
如图1所示的一种结构可变的图案生成方法,包括以下步骤:
s1、为原始图案中的元素构建关系图模型;
步骤s1所述的原始图案都是由元素组成。这些图案的元素具有强烈的几何排列特征。图案的元素与元素之间有一定的关系,这些关系之间还存在更高级的关系,即关系的关系,步骤s1所述的关系包括元素的关系类型和关系的关系类型,其中元素的关系类型包括元素与元素之间的距离关系、元素与元素的方向夹角关系、元素与元素的尺寸比例关系;关系的关系类型包括元素之间保持的距离是等差或者等比关系、图案中某一个元素与其他元素的朝向之间的夹角均保持一致的关系等。
本实施例中的图案共有六种元素的关系类型以及三种关系的关系类型。
六种元素的关系类型分别为:
(1)代表图案①中的一个元素e1和代表图案②中的另一个元素e2的中心的距离被定义为元素之间的欧几里德距离关系。(2)代表图案中的一个元素e1和代表图案中的另一个元素e2的方向之间的角度差被定义为元素之间的方向差关系。关系值的取值范围为[-π,π],顺时针的角度变化为负数。(3)代表图案中的一个元素e1和代表图案中的另一个元素e2的大小之间的差被定义为元素之间的大小差关系。(4)代表图案中的一个元素e1和代表图案中的另一个元素e2的中心点之间的连线与x轴之间的夹角被定义为绝对角度差关系。关系值的取值范围为[-π,π],顺时针的角度变化为负数。(5)代表图案中的一个元素e1和代表图案中的另一个元素e2的中心点之间的连线与元素e1的方向之间的夹角被定义为元素之间的相对角度差关系。关系值的取值范围为[-π,π],顺时针的角度变化为负数。(6)代表图案中的一个元素e1和代表图案中的另一个元素e2的中心点之间的连线与元素e1的方向之间的夹角的绝对值被定义为元素之间的对称角度差关系。关系值的取值范围为[0,π],顺时针和逆时针的角度变化均为正数。(5)和(6)之间的差别在于有没有求取绝对值。
三种关系的关系类型分别为:
1.两个关系的差值r1-r2被定义为关系差的关系。2.两个角度关系的差值被定义为角度关系差的关系,关系值的取值范围为[0,π]。3.两个关系的商r1/r2被定义为关系商的关系。
一个图案有两个层属性:第一层属性是元素,第二层属性是排列,以图2中左边框内图案为例,图案虚线框中的部分有两个层次的属性,第一层属性是元素,第二层属性是排列,这里通过元素与元素之间的距离关系表示。
步骤s1采用了关系图模型来描述图案中的元素与元素之间的关系以及这些关系之间的关系。
关系图模型可以通过关系图向量进行表示。具体设:μ是一个图案中元素的关系图向量。关系图向量是一个一维向量,由三个部分组成,其中第一个部分依次是图案中每个元素的位置(x,y)、朝向θ和尺寸s这三个信息,第二个部分包含元素与元素之间关系的值,第三个部分则是元素关系的关系的值。关系值(包含关系值和关系的关系值)在关系图向量中统一以r表示:
μ=(x1,y1,θ1,s1,x2,y2,θ2,s2,...,r1,r2,r3,...)(1)
关系图模型通过有向图
将节点ni对应关系图向量的所有的元素信息或关系值记做
具体地,图案共有6种元素的关系类型以及3种关系的关系类型,其中,6种元素的关系类型为:
1)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心的距离被定义为元素之间的欧几里德距离关系,ea∈e,eb∈e,其关系值ri的值为:
其中,(xa,ya)为元素ea的位置,(xa,yb)为元素eb的位置;
2)、代表图案中的一个元素ea和代表图案中的另一个元素eb的方向之间的角度差被定义为元素之间的方向差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
其中,θa和θb分别为ea和eb的朝向;
3)、代表图案中的一个元素ea和代表图案中的另一个元素eb的大小之间的差被定义为元素之间的大小差关系,关系值ri:
ri=sa-sb
其中,sa和sb分别为ea和eb的尺寸;
4)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与x轴之间的夹角被定义为绝对角度差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
5)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与元素ea的方向之间的夹角被定义为元素之间的相对角度差关系,关系值ri的取值范围为[-π,π],顺时针的角度变化为负数:
6)、代表图案中的一个元素ea和代表图案中的另一个元素eb的中心点之间的连线与元素ea的方向之间的夹角的绝对值被定义为元素之间的对称角度差关系,关系值ri的取值范围为[0,π],顺时针和逆时针的角度变化均为正数:
所述3种关系的关系类型分别为:
3-1)、两个不是角度关系的关系ev和ed,其值rv和rd的差被定义为关系差的关系,关系值ri的取值:
ri=rv-rd
3-2)、两个角度关系ev和ed的值rv和rd的差被定义为角度关系差的关系,关系值ri的取值范围为[0,π]
3-3)、两个关系ev和ed的值rv和rd的商被定义为关系商的关系值ri:
ri=rv/rd
图3为一个图案的关系图向量的有向图,图案中元素与元素之间存在距离差异的关系即第一种元素的关系类型;距离之间的差值关系即第三种关系的关系类型。
s2、在不同拓扑结构图案之间进行元素的匹配;
构建了基于如下能量方程的离散优化模型,用于在两个图案之间找对应的元素:
其中,m和n分别是进行元素匹配的图案a和图案b的元素个数,xij是用于指定一个图案中的第i个元素是否与另外一个图案的第j个元素对应,i∈m,j∈n;xij为1表示元素i和元素j存在对应关系,否则不存在;vij用于指定当xij为1时,该对应带来的消耗;元素与元素之间对应的消耗定义为两个元素之间的欧式距离;λ是权重,用于平衡离散优化模型中的前一项
后一项用于避免一个图案中的两个对称的元素分别对应到其他图案中两个不对称的图案,因此,建立一个列表,列表中的每一项是一个四元素(p,q,g,h),其中p和g表示图案a中的第p和第q个元素是对称关系,q和h表示图案a中的第q和第h个元素是对称关系。设该列表的长度为k,则后一项中第k个列表计算式的sk定义为:
其中xp,g是用于指定图案a中的第p个元素是否与图案b中的第q个元素对应,xq,h是用于指定图案a中的第q个元素是否与图案b的第h个元素对应,
同时该离散优化模型需要满足如下的三个约束条件,
图4是本实施例中需要进行元素配对的两个图案,图5是通过离散优化模型对图4两个图案的元素进行元素配对的结果,图中图案中的每一个元素都带有标签,左右两个图案中标签相同的元素存在对应关系,根据两个图案中元素的位置关系,离散优化模型允许一个图案中的一个点会对应另一个图案上的多个点。在图4中,其中左边图案内圈上的一个点会对应右边图案内圈上的两个点。
s3、基于rjmcmc算法在不同拓扑结构图案之间采样,得到新的图案;
在两个图案之间构建了如下能量函数用于度量新采样得到的图案的好坏:
f(μ,μa,μb)=||αfvalid(μ)||2+||βfconstrain(μ,μa,μb)||2+||γfgroup(μ)||2+||δflocal(μ,τ)||2
s.t.μ{rca}=μa{rc′a}andμ{rcb}=μb{rc′b}(4)
其中,μ是新的图案中元素的关系图向量,μa和μb分别是给定的两个图案中元素的关系图向量。α是能量函数中第一项的权重;能量函数中第一项fvalid(μ)定义为:
fvalid(μ)=μ-σ(μ)(5)
其中σ(μ)是关系图向量中的元素与其关系的实际值所组成的新的向量
其中σi(μ)代表σ(μ)向量中的第i项,μi代表μ向量中的第i项,如果μ中的第i项是图案中一个元素的信息,则σ(μ)中的第i项保持μ中的第i项的值依旧表示图案中该元素的相同信息;如果μ中的第i项是图案中一个元素与元素之间的关系的值,σ(μ)中的第i项则是该关系实际的值;
β是能量函数中第二项的权重,用户约束采样得到的新图案中的一些元素是保持给定的图案a和图案b中的一些元素的位置、大小和方向,因此fconstrain(μ,μa,μb)定义为衡量新图案的关系图向量中受到约束的元素的信息与其指定的图案中的元素的信息之间的差距:
fconstrain(μ,μa,μb)=μ{eca}-μa{e'ca}+μ{ecb}-μb{e'cb}(11)
其中eca表示新图案中受到约束需要保持图案a中的元素信息的元素集合,e'ca表示eca中的元素需要保持的图案a中的元素集合;ecb表示新图案中受到约束需要保持图案b中的元素信息的元素集合,e'cb表示ecb中的元素需要保持的图案b中的元素集合;μ{eca}表示eca集合中的元素在新图案的关系图向量μ中的元素信息;μa{e'ca}表示e'ca集合中的元素在图案a的关系图向量μa中的元素信息;μb{e'cb}表示e'cb集合中的元素在图案b的关系图向量μb中的元素信息;
γ是能量函数中第三项的权重,fgroup(μ)定义为衡量对称关系组与其平均值之间的差距:
fgroup(μ)是由关系图向量μ中所有对称关系组与其平均值之间的差距所组成的一维向量,图案中的元素对称性在关系图向量中表现为关系值,g表示对称关系组的关系值相等的集合,设新生成的图案中有h个关系值相等的集合,μ{gh}表示第h个集合中的关系在关系图向量中的值所组成的向量,h=1~h,
δ是能量函数中第四项的权重,从给定的图案a和图案b中随机选择一个图案作为新图案的指导图案,该指导图案的关系图向量表示为τ,因此flocal(μ,τ)定义为衡量新图案与指导图案之间的差距:
flocal(μ,τ)=μ-τ(13)
最终,从能量方程来说一个最好的图案满足:图案中的关系的实际值与图案对应的关系向量图μ中的关系值相等;图案对应的关系向量图μ中的关系值与其所在的对称关系组中关系值的平均值相等;图案中受到约束的元素的信息与需要保持的元素的信息相等;图案对应的关系向量图μ与指导关系向量图τ相等;
进一步的,采用rjmcmc采样算法在不同拓扑结构的图案之间获得大量的既能保持多个源图案中的局部特征的同时也能有一些额外变化的新图案;rjmcmc算法维持一个随机变量的维度可变的马尔科夫链,该马尔科夫链中不断生成的随机变量在运行过程中逐渐趋近于一个固定的概率分布p直至完全稳定。接下来从该马尔科夫链中采样得到的所有的随机变量均满足这个固定的概率分布。因此rjmcmc算法设定这样一个概率密度函数:
其中f是能量函数:
f=f(μ,μa,μb)(11)
关系图向量μ的概率密度函数可以表示为
z是使分布归一化的配分函数,通常较为复杂,但rjmcmc算法可以在不需要计算配分函数的情况下进行采样。β是一个温度系数。根据rjmcmc算法计算的能量方程的不同,β的值由人为的设定而来。
将图案a的关系图向量μa和图案b的关系图向量μb输入rjmcmc算法,μa∈μ,μb∈μ,μa将作为马尔科夫链的初始变量以x0表示,马尔科夫链得到的每一个变量xi代表一个关系图向量μi;rjmcmc算法在每次迭代得到马尔科夫链的新变量的过程中,首先会随机选择漫移操作或者跳跃操作中的其中一种操作。
马尔科夫链得到的每一个变量ei代表一个关系图向量μi也代表着一个新的图案;
rjmcmc算法在每次迭代得到马尔科夫链的新变量的过程中,首先会随机选择漫移操作或者跳跃操作中的其中一种操作;如果得到马尔科夫链中第m个变量em的第m次迭代选择了漫移操作,则马尔科夫链的新变量em将通过在上一个变量em-1中代表的关系图向量μ的任意一项μi上加上一个从正态分布
如果得到马尔科夫链中第i个变量xi的第i次迭代选择了跳跃操作,则马尔科夫链的新变量xi的候选变量xi'将通过在上一个变量xi-1中随机增加或者减少向量的维度得到,具体的,在变量xi-1代表的关系图向量μi-1中根据步骤s2中计算的元素的对应关系随机选择一组元素的对应关系,并将新的元素加入该对应关系中缺少新元素的图案,新的元素的四个信息随机生成。同时产生新的元素与关系图向量μi-1所对应的图案中的元素之间的关系,或者减去多出的元素,同时消去多出的元素与关系图向量μi-1所对应的图案中的元素关系,形成新的关系图向量μi;
rjmcmc算法根据如下接受拒绝概率来选择是否接受候选变量xi'成为新变量xi:
其中
经过一段时间的迭代后,rjmcmc算法中马尔科夫链的随机变量根据式(5)计算得到的值出现的次数概率将等于这个计算得到的值,这些变量将作为rjmcmc算法采样得到的结果。
rjmcmc算法在迭代的过程中经过跳转操作
如图所示,图中圆的半径线代表了该元素的方向,图6和图7中图案内圈上的元素数量与图4中的给定的两个图案中内圈上的元素不同。
一种利用所述结构可变的图案生成浏览界面的方法,包括以下步骤:
1)、获取采样得到的新图案的高维向量表达特征;
由于通过rjmcmc算法采样得到的新图案都具有各自的关系图向量,因此新图案的高位向量表达特征可以直接采用该图案的关系图向量表示。
2)、采用gplvm(gaussianprocesslatentvariablemodel高斯过程隐变量模型)将上述高维向量空间压缩到二维流形空间;
使用了高斯过程隐变量模型工具箱进行空间的降维。该工具可以直接将新图案的高维向量表达特征压缩降维成一个二维向量进行表示。所有的二维向量作为坐标确定了一个采样结果的高维向量空间的二维流形。同时工具箱还会计算该高维向量空间中所有的图案与采样结果的协方差值,协方差值越大,二维流形上展示的颜色越红;协方差值越小,二维流形上展示的颜色越蓝,最终形成一张二维流形热图。
3)、将二维流形空间中的点逆映射到高维空间中,得到新的图案,并对其进行后处理;
构建了如下的图案修复函数进行后处理,用于修复图案中存在的对称关系
其中μ是修复函数的变量,μ0是需要通过此函数进行修复的图案的关系图向量。
s7、生成图案浏览界面:所述的图案浏览界面分为两个部分,一部分是得到的二维流形热图,用户通过鼠标在二维流形热图上滑动,另一部分会出现相应的新图案。
如图8所示,左边显示二维流形的热量图,右边显示对应的高维空间的新图案;
用户的浏览方法如下:用户在界面左边的二维流形热量图中滑动鼠标,界面右边出现相应的图案。如图8所示,界面中左边显示二维流形热量图,当用户在图上随意拖动鼠标,界面中右边将会出现相应的图案。
以上对本发明实施例所提供的技术方案进行了详细介绍,本发明中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。