(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111459683.3 (22)申请日 2021.12.02 (71)申请人 湖北工业大 学 地址 430068 湖北省武汉市洪山区南李路 28号 (72)发明人 段明睿　 (74)专利代理 机构 武汉菲翔 知识产权代理有限 公司 42284 代理人 李慧奇 (51)Int.Cl. G06F 30/27(2020.01) G06F 30/12(2020.01) G06F 16/36(2019.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种信息交 互设计试验台 (57)摘要 本发明公开了一种信息交互设计试验台， 包 括操作设计系统、 操作元件， 操作设计系统包括 操作数据检测系统、 数据分析系统和操作系统， 操作数据检测系统收集操作元件的通信数据， 并 将数据发送至数据分析系统， 数据分析系统包括 基础动作选择模块和调整动作选择模块， 基础动 作选择模块采用操作元件的通信数据与通信强 弱的条件概率为权重， 将操作元件作为m个节点， 根据条件概率生成一个粗略的动作选择， 调整动 作选择模块根据粗略的动作选择之间依赖关系 的关系增强矩阵， 采用神经网络模 型进行学习调 整。 本发明通过强化学习模型不断进行探索性的 变化尝试， 根据尝试结果确定增强关系， 来实现 对实验的不断探索， 完成最佳的设计效果。 权利要求书1页 说明书3页 附图2页 CN 114036859 A 2022.02.11 CN 114036859 A 1.一种信息交互设计试验台， 其特征在于， 包括操作设计系 统(1)、 操作元件(2)， 所述 操作设计系统(1)包括操作数据检测系统(3)、 数据分析系统(4)和操作系统(5)， 所述操作 数据检测系统(3)收集操作元件(2)的通信数据， 并将数据发送至数据分析系统(4)， 所述数 据分析系统(4)包括基础动作选择模块(6)和调整动作选择模块(7)， 所述基础动作选择模 块(6)采用操作元件(2)的通信数据与通信强弱的条件概率为权重， 将操作元件(2)作为m个 节点， 根据条件概率生成一个粗略的动作选择， 所述调整动作选择模块(7)根据粗略的动作 选择之间依赖关系的关系增强矩阵， 采用神经网络模型进行学习调整， 对基础动作选择模 块输出的动作选择进行加权求和， 得到调整后的动作选择， 并将该动作选择发送至操作系 统(5)， 所述操作系统(5)根据该动作选择进行实际操作。 2.根据权利要求1所述的一种信息交互设计试验台， 其特征在于， 还包括记录模块(8) 和显示模块(9)， 所述记录模块(8)用于记录和保存操作系统的操作动作， 并将操作动作 发 送至显示模块(9)， 所述显示模块(9)用于将输入的操作动作显示出来。 3.根据权利要求1所述的一种信 息交互设计试验台， 其特征在于， 所述基础动作选择模 块(6)根据当前 的通信知识图谱确 立操作元件的通信数据与通信强弱的条件概率， 所述调 整动作选择模块(6)采用q强化学习算法确立粗略的动作选择之间的依赖 关系， 并形成关系 增强矩阵。 4.根据权利要求3所述的一种信息交互设计试验台， 其特征在于， 所述q强化学习算法 根据粗略的动作选择之间的依赖关系， 以实际通信强弱作为评价值q， 确定关系增强的矩 阵。 5.根据权利要求1所述的一种信 息交互设计试验台， 其特征在于， 所述神经网络模型采 用后馈传播的方式进行学习调整， 所述神经网络模型采用卷积神经网络构成， 所述卷积神 经网络由卷积到 批标准化到激活Relu函数的卷积单 元形式的网络结构组成。权　利　要　求　书 1/1 页 2 CN 114036859 A 2一种信息交互设计试验台 技术领域 [0001]本发明涉及实验设备技 术领域， 特别涉及一种信息交 互设计试验台。 背景技术 [0002]随着科学的不断深入， 在探究知识的过程中， 需要不断的进行实验来得出结论， 同 样在对信息交互设计的过程中， 需要进行试验， 通过不断进行实验， 得出最佳的设计结果， 但目前的实验过程主要通过人工来完成， 这就导致实验的效率不佳， 实验的速度很慢， 且人 工实验容 易出现认知性问题， 导 致无法得 出最佳的设计效果。 发明内容 [0003]为了至少解决或部分解决上述问题， 提供一种信息交 互设计试验台。 [0004]为了达到上述目的， 本发明提供了如下的技 术方案： [0005]本发明一种信息交互设计试验台， 包括操作设计系统、 操作元件， 所述操作设计系 统包括操作数据检测系统、 数据分析系统和操作系统， 所述操作数据检测系统收集操作元 件的通信数据， 并将数据发送至数据分析系统， 所述数据分析系统包括基础动作选择模块 和调整动作选择模块， 所述基础动作选择模块采用操作元件的通信数据与通信强弱的条件 概率为权重， 将操作元件作为m个节点， 根据条件概率生成一个粗略的动作选择， 所述调整 动作选择模块根据粗略的动作选择之 间依赖关系的关系增强矩阵， 采用神经网络模型进 行 学习调整， 对基础动作选择模块输出的动作选择进 行加权求和， 得到调整后的动作选择， 并 将该动作选择发送至操作系统， 所述操作系统根据该动作选择进行实际操作。 [0006]作为本发明的一种优选技术方案， 还包括记录模块和显示模块， 所述记录模块用 于记录和保存操作系统的操作动作， 并将操作动作发送至显示模块， 所述显示模块用于将 输入的操作动作显示出来。 [0007]作为本发明的一种优选技术方案， 所述基础动作选择模块根据当前的通信知识图 谱确立操作元件的通信数据与通信强弱的条件概率， 所述调整动作选择模块采用q强化学 习算法确立 粗略的动作选择之间的依赖关系， 并形成关系增强矩阵。 [0008]作为本发明的一种优选技术方案， 所述q强化学习算法根据粗略的动作选择之间 的依赖关系， 以实际通信强弱作为评价 值q， 确定关系增强的矩阵。 [0009]作为本发明的一种优选技术方案， 所述神经网络模型采用后馈传播的方式进行学 习调整， 所述神经网络模型采用卷积神经网络构成， 所述卷积神经网络由卷积到批标准化 到激活Relu函数的卷积单 元形式的网络结构组成。 [0010]与现有技 术相比， 本发明的有益效果如下： [0011]本发明利用神经网络模型来自动进行信息交互设计实验， 通过快速灵 活的自动化 实验设计来实现对目标的快速设计， 且通过强化学习模型不断进行探索性的变化尝试， 根 据尝试结果确定增强关系， 来实现对实验的不断探索， 完成最佳的设计效果。说　明　书 1/3 页 3 CN 114036859 A 3