一种自然语言驱动的端到端STEP模型生成方法及系统
本发明涉及人工智能,具体涉及一种自然语言驱动的端到端step模型生成方法及系统。
背景技术:
1、在现有的工业设计与机械制造流程中,三维模型的创建主要依赖于人工操作cad软件(如solidworks、catia、nx等)。设计人员需要根据需求,通过鼠标点击、草图绘制、特征拉伸等一系列繁琐的人机交互步骤来完成建模。这种传统方式存在以下缺陷:
2、第一,效率低下:对于简单的标准件或参数化零件,人工重复绘图浪费大量时间。
3、第二,专业门槛高:设计人员必须精通复杂的cad软件操作命令以及几何拓扑原理,培训成本高昂。
4、第三,数据断层严重:设计意图(自然语言描述)与最终模型数据(几何拓扑信息)之间缺乏直接转换工具,一旦需求变更,往往需要重新建模。
5、第四,虽然目前存在部分基于脚本(如python-occ)的参数化建模方法,但它们并非“端到端”生成,仍需人工编写代码逻辑,无法真正理解模糊的自然语言指令。
6、因此,迫切需要一种能够理解自然语言并直接输出标准step文件代码的端到端智能化方法。
技术实现思路
1、本发明的目的在于提出一种自然语言驱动的端到端step模型生成方法及系统,旨在解决现有技术中人工制图效率低、对专业软件依赖度高的问题。
2、为实现上述目的,本发明采用以下技术方案:
3、本发明第一方面提出一种自然语言驱动的端到端step模型生成方法,包括以下步骤:
4、获取自然语言描述文本作为输入序列;
5、将所述输入序列输入编码器-解码器神经网络模型,所述编码器采用基于l1范数线性归一化的自注意力机制对所述输入序列进行语义特征提取,所述l1范数线性归一化以注意力分数矩阵各行向量的l1范数作为归一化分母;
6、所述解码器通过交叉注意力机制结合所述编码器输出的语义特征和当前已生成的step代码标记序列,逐步骤自回归预测下一个step代码标记;
7、重复上述逐步骤自回归预测过程直至生成结束标记,将已生成的全部step代码标记序列拼接为step格式文本,保存为step文件。
8、进一步的改进在于,所述基于l1范数线性归一化的自注意力机制的计算公式为:
9、
10、
11、
12、其中,为输入嵌入矩阵;为查询的可学习权重矩阵;为键的可学习权重矩阵;为值的可学习权重矩阵;为查询矩阵,表示解码器在当前步骤想要关注的内容;为键矩阵,表示输入序列中各位置提供的匹配信息;为值矩阵,表示输入序列中各位置的实际内容;为原始注意力分数矩阵,其每个元素表示查询矩阵中某一行与键矩阵中某一列之间的匹配程度;为矩阵各行向量的l1范数;为预设极小常数,用于防止分母为零;为归一化后的注意力输出。
13、进一步的改进在于,所述输入序列首先通过所述编码器中的嵌入层映射为输入嵌入矩阵,所述输入嵌入矩阵作为所述自注意力机制的输入;所述输入嵌入矩阵为输入序列的独热编码矩阵与词嵌入权重矩阵的乘积与位置编码矩阵之和;所述位置编码矩阵用于保留输入序列中各单词的顺序信息。
14、进一步的改进在于,所述解码器逐步骤自回归预测下一个step代码标记的方法包括:所述解码器将当前解码步骤的隐藏状态通过线性变换映射为词表大小的逻辑值向量,所述逻辑值向量的每个维度对应词表中一个候选代码标记的预测得分;选取所述逻辑值向量中最大值对应的索引作为当前步骤预测的step代码标记。
15、进一步的改进在于,所述逻辑值向量的计算公式为:
16、
17、其中,逻辑值向量,为解码器当前步骤的隐藏状态,为映射到词表大小的权重矩阵,为偏置项;
18、选取所述逻辑值向量中最大值对应的索引作为预测的step代码标记:
19、
20、其中为第步生成的step代码标记,为第步的逻辑值向量,函数选取向量中数值最大的元素对应的索引。
21、进一步的改进在于,还包括训练步骤:以自然语言描述文本与对应的step代码文本构成训练样本对,采用交叉熵损失函数计算所述编码器-解码器神经网络模型生成的step代码标记序列与真实step代码标记序列之间的误差,通过反向传播算法更新所述编码器-解码器神经网络模型的所有可学习权重矩阵。
22、进一步的改进在于,所述step格式文本符合iso 10303标准,所述结束标记为endsec或end-iso-10303-21;所述编码器-解码器神经网络模型在检测到所述结束标记时停止解码。
23、进一步的改进在于,在将所述输入序列输入编码器-解码器神经网络模型之前,还包括以下步骤:对所述自然语言描述文本进行分词处理,将分词后的单词序列作为所述输入序列;所述分词处理将连续的自然语言文本切分为独立的单词或子词单元,以供编码器按序列顺序处理。
24、进一步的改进在于,所述编码器-解码器神经网络模型为基于transformer架构的序列到序列模型,所述编码器包含多层自注意力子层和前馈神经网络子层,用于逐层提取输入序列的语义特征;所述解码器包含多层自注意力子层、交叉注意力子层和前馈神经网络子层,用于结合所述语义特征自回归生成step代码标记序列。
25、本发明第二方面提出一种自然语言驱动的端到端step模型生成系统,包括:
26、获取模块,用于获取自然语言描述文本作为输入序列;
27、编码模块,用于将所述输入序列输入编码器-解码器神经网络模型,所述编码器采用基于l1范数线性归一化的自注意力机制对所述输入序列进行语义特征提取,所述l1范数线性归一化以注意力分数矩阵各行向量的l1范数作为归一化分母;
28、解码模块,用于通过所述解码器结合所述编码器输出的语义特征和当前已生成的step代码标记序列,逐步骤自回归预测下一个step代码标记;
29、输出模块,用于在生成结束标记后,将已生成的全部step代码标记序列拼接为step格式文本,保存为step文件。
30、本发明的有益效果为:
31、本发明将自然语言到step代码的生成问题建模为序列到序列的翻译问题,通过端到端的编码器-解码器神经网络模型实现了从自然语言描述到工业标准step模型文件的直接映射,用户无需掌握cad软件操作技能,大幅降低了三维模型生成的部署复杂度和使用成本。本发明采用基于l1范数线性归一化的注意力机制替代传统的softmax归一化,避免了指数运算带来的计算开销和数值稳定性问题,提升了模型的推理效率。
1.一种自然语言驱动的端到端step模型生成方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述基于l1范数线性归一化的自注意力机制的计算公式为:
3.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述输入序列首先通过所述编码器中的嵌入层映射为输入嵌入矩阵,所述输入嵌入矩阵作为所述自注意力机制的输入;所述输入嵌入矩阵为输入序列的独热编码矩阵与词嵌入权重矩阵的乘积与位置编码矩阵之和;所述位置编码矩阵用于保留输入序列中各单词的顺序信息。
4.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述解码器逐步骤自回归预测下一个step代码标记的方法包括:所述解码器将当前解码步骤的隐藏状态通过线性变换映射为词表大小的逻辑值向量,所述逻辑值向量的每个维度对应词表中一个候选代码标记的预测得分;选取所述逻辑值向量中最大值对应的索引作为当前步骤预测的step代码标记。
5.根据权利要求2所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述逻辑值向量的计算公式为:
6.根据权利要求2所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,还包括训练步骤:以自然语言描述文本与对应的step代码文本构成训练样本对,采用交叉熵损失函数计算所述编码器-解码器神经网络模型生成的step代码标记序列与真实step代码标记序列之间的误差,通过反向传播算法更新所述编码器-解码器神经网络模型的所有可学习权重矩阵。
7.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述step格式文本符合iso 10303标准,所述结束标记为endsec或end-iso-10303-21;所述编码器-解码器神经网络模型在检测到所述结束标记时停止解码。
8.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,在将所述输入序列输入编码器-解码器神经网络模型之前,还包括以下步骤:对所述自然语言描述文本进行分词处理,将分词后的单词序列作为所述输入序列;所述分词处理将连续的自然语言文本切分为独立的单词或子词单元,以供编码器按序列顺序处理。
9.根据权利要求1所述的一种自然语言驱动的端到端step模型生成方法,其特征在于,所述编码器-解码器神经网络模型为基于transformer架构的序列到序列模型,所述编码器包含多层自注意力子层和前馈神经网络子层,用于逐层提取输入序列的语义特征;所述解码器包含多层自注意力子层、交叉注意力子层和前馈神经网络子层,用于结合所述语义特征自回归生成step代码标记序列。
10.一种自然语言驱动的端到端step模型生成系统,其特征在于,包括:
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com