趙樂，楊觀賜，徐杰，王猛，何玲，陸豐

（貴州大學(xué) 現(xiàn)代制造技術(shù)教育部重點(diǎn)實驗室, 貴陽 550025）

隨著“工業(yè)互聯(lián)網(wǎng)”和“工業(yè)4.0”的提出，智能制造技術(shù)備受矚目，得到迅速發(fā)展和應(yīng)用[1-2]?！吨袊圃?025》中指出：要大力推進(jìn)制造業(yè)的發(fā)展，加快信息技術(shù)與制造技術(shù)的深度融合，將人工智能技術(shù)引入傳統(tǒng)制造業(yè)中，實現(xiàn)產(chǎn)品生產(chǎn)自動化和智能化。設(shè)計作為一項創(chuàng)造性決策活動，是一個典型的解決定義不良問題的認(rèn)知過程，認(rèn)知在創(chuàng)造性設(shè)計活動中有著舉足輕重的作用。目前，認(rèn)知科學(xué)及其信息處理方面的研究已被列入國際人類前沿科學(xué)計劃（Human Frontier Science Program，HFSP），設(shè)計工程領(lǐng)域的認(rèn)知計算也因此進(jìn)入研究者的視線。認(rèn)知計算（Cognitive Computing，CC）研究人類的認(rèn)知行為，如記憶[3-4]、學(xué)習(xí)[5]、思考[6]及問題解決[7]，并將人類的認(rèn)知行為與智能計算方法相融合，進(jìn)而建立計算認(rèn)知模型的理論和技術(shù)方法，從而能夠運(yùn)用智能算法和大數(shù)據(jù)技術(shù)解決高度復(fù)雜的問題[8-9]。認(rèn)知計算與智能設(shè)計的結(jié)合，將具有多元化、非完整和非結(jié)構(gòu)性的認(rèn)知信息轉(zhuǎn)換成設(shè)計中所需的結(jié)構(gòu)性的要素，助力于設(shè)計的創(chuàng)新已成為學(xué)者們關(guān)注的重要內(nèi)容[10-12]。

文中圍繞認(rèn)知計算與智能設(shè)計，從用戶需求分析、機(jī)械創(chuàng)新設(shè)計、圖像生成、疾病診斷、在互聯(lián)網(wǎng)上的應(yīng)用、產(chǎn)品評價共6 個方面，對認(rèn)知計算與智能設(shè)計進(jìn)行綜述，為讀者更好地把握認(rèn)知計算和智能設(shè)計的研究現(xiàn)狀提供幫助。

1 基于認(rèn)知計算的用戶需求分析

需求分析占據(jù)產(chǎn)品設(shè)計中的首要地位，在產(chǎn)品設(shè)計時，設(shè)計者通常會通過換位思考，明確產(chǎn)品設(shè)計的方向，設(shè)計滿足用戶需求的產(chǎn)品[13-14]。針對用戶需求中的數(shù)據(jù)采集、數(shù)據(jù)動態(tài)分類處理等問題，學(xué)者們提出了一些切實有效的模型（如概念認(rèn)知計算模型[15-16]、改進(jìn)概念認(rèn)知計算模型[17]及基于下落空間概念的新型概念認(rèn)知計算模型[18]）。

文獻(xiàn)[16]將認(rèn)知心理學(xué)與工程設(shè)計結(jié)合起來，建立概念認(rèn)知計算模型，利用Hopfield 神經(jīng)網(wǎng)絡(luò)獲得概念設(shè)計方案空間中的類似概念解，引入遺傳算法生成可行候選解，通過認(rèn)知計算模型對解析解評估，從而獲得設(shè)計方案最優(yōu)解。該方案提高了概念設(shè)計的設(shè)計效率，實現(xiàn)了設(shè)計的自動化與智能化，減輕了設(shè)計人員的產(chǎn)品設(shè)計壓力。然而，該模型框架復(fù)雜，系統(tǒng)運(yùn)行效率低，泛化性能不足。為提高認(rèn)知計算模型在動態(tài)環(huán)境下的概念泛化能力，擴(kuò)大認(rèn)知計算模型的應(yīng)用范圍，文獻(xiàn)[17]針對具有部分標(biāo)記的動態(tài)數(shù)據(jù)，基于常規(guī)的正式?jīng)Q策上下文及多線程技術(shù)，提出一種改進(jìn)概念認(rèn)知計算模型。該模型在經(jīng)典概念認(rèn)知計算模型的基礎(chǔ)上，設(shè)計了一種新的并發(fā)式學(xué)習(xí)框架，提高了系統(tǒng)運(yùn)行效率與分類能力，改善了模型的泛化性能。上述研究將認(rèn)知計算技術(shù)引入概念設(shè)計中，提高了概念設(shè)計的效率，為設(shè)計的自動化與智能化提供了新的路徑，但其模型的泛化能力與計算成本表現(xiàn)不佳。

為提高模型的泛化能力和計算性能，文獻(xiàn)[18]從人類認(rèn)知過程的角度出發(fā)，提出包含知識儲存機(jī)制和動態(tài)學(xué)習(xí)策略的新型概念認(rèn)知計算模型，該模型基于概念聚類技術(shù)從概率描述與模糊集合角度來闡述知識存儲原理的形成機(jī)制，提出概念下降空間的知識存儲機(jī)制。隨后將知識存儲機(jī)制與子概念空間融合，自動更新概念空間，縮小子概念空間，確保在保障模型泛化能力的同時，改善認(rèn)知計算模型的計算性能。

針對家用電器的用戶需求分析，陳敏琦等[19]通過User Generated Content 網(wǎng)站獲取家用電器領(lǐng)域的用戶評論、意見及用戶偏好等數(shù)據(jù)信息，采用詞頻統(tǒng)計、特征關(guān)系提取與特征權(quán)重再分配方法對數(shù)據(jù)進(jìn)行分類處理，建立知識圖譜完成用戶需求可視化分析，獲得較為精準(zhǔn)的用戶需求分析信息，為后續(xù)產(chǎn)品設(shè)計研發(fā)奠定基礎(chǔ)。針對電子商務(wù)中用戶需求分析問題，文獻(xiàn)[20]采集電子商務(wù)網(wǎng)站用戶行為數(shù)據(jù)，通過數(shù)據(jù)分析工具分析用戶數(shù)據(jù)行為信息，建立基于用戶行為數(shù)據(jù)的需求供應(yīng)鏈（Demand Chain Management，DCM）管理模式，促進(jìn)產(chǎn)品的銷售。

為使產(chǎn)品外形滿足多用戶差異化感性需求，羅仕鑒等[21]收集并分析用戶需求偏好數(shù)據(jù)，提出基于用戶需求偏好驅(qū)動的產(chǎn)品造型設(shè)計方法。為確定目標(biāo)客戶群并設(shè)計出滿足群體感性需求的產(chǎn)品，蘇建寧等[22]提出面向用戶集群的產(chǎn)品設(shè)計方法。Chiu 等[23]基于數(shù)據(jù)挖掘技術(shù)和感性工學(xué)理論提取產(chǎn)品外形概念設(shè)計所需的感性意象詞匯，實現(xiàn)產(chǎn)品外形的認(rèn)知設(shè)計。為滿足用戶多方面感性需求，柳祿等[24]提出基于多目標(biāo)驅(qū)動的產(chǎn)品造型設(shè)計方法。劉華等[25]利用聚類分析方法構(gòu)建產(chǎn)品族典型造型樣本庫，提出面向產(chǎn)品族造型設(shè)計的感性需求分析模型，輔助設(shè)計師完成產(chǎn)品的設(shè)計決策，提高用戶對產(chǎn)品外形的滿意度。上述研究多從塑造產(chǎn)品意象特征和用戶感性需求角度對產(chǎn)品外形進(jìn)行分析，實現(xiàn)產(chǎn)品造型的設(shè)計，缺乏對產(chǎn)品性能和可靠性等方面的分析設(shè)計。

2 基于認(rèn)知計算的機(jī)械創(chuàng)新設(shè)計

機(jī)械設(shè)計是機(jī)械工程領(lǐng)域的重要組成部分，是機(jī)械生產(chǎn)的首要前提，傳統(tǒng)的機(jī)械設(shè)計主要依靠設(shè)計決策者的知識、經(jīng)驗和遠(yuǎn)見，設(shè)計出的機(jī)械產(chǎn)品存在較大主觀性?；谟嬎銠C(jī)技術(shù)的智能化設(shè)計能解決傳統(tǒng)機(jī)械設(shè)計活動中的計算性和推理決策性問題，提高設(shè)計的質(zhì)量和效率，避免設(shè)計者的主觀判斷。

2.1 機(jī)械夾具設(shè)計

為消除設(shè)計決策者的主觀性對產(chǎn)品設(shè)計的影響，提升設(shè)計決策效率，王亞輝等[26]通過深度殘差學(xué)習(xí)網(wǎng)絡(luò)算法（ResNet）對基于產(chǎn)品造型語義的設(shè)計方案數(shù)據(jù)集進(jìn)行不斷訓(xùn)練，以提高設(shè)計決策的準(zhǔn)確度，最大限度消除決策者主觀偏好對產(chǎn)品設(shè)計的影響。針對機(jī)械加工所用到的機(jī)械夾具的設(shè)計問題，徐雷[27]為實現(xiàn)夾具設(shè)計知識的重用，建立夾具設(shè)計知識模板，提出基于知識元的夾具數(shù)據(jù)模型方法。侯鑫[28]以夾具設(shè)計本體為基礎(chǔ)，結(jié)合設(shè)計重用理論和方法，實現(xiàn)夾具設(shè)計知識和夾具模型的檢索，完成夾具三維模型的自動獲取。為實現(xiàn)夾具元件自選擇、自驅(qū)動和自裝配，文獻(xiàn)[29]基于知識工程建立夾具元件模型，實現(xiàn)了傳統(tǒng)柔性夾具元件到繼承與重用設(shè)計知識的智能元件的轉(zhuǎn)變。為實現(xiàn)夾具結(jié)構(gòu)的智能設(shè)計，張?zhí)飼萚30]提出基于本體和知識組件的夾具結(jié)構(gòu)智能設(shè)計方法，該方法引入知識組件并建立本體間語義映射關(guān)系，形成夾具結(jié)構(gòu)智能設(shè)計模式，實現(xiàn)夾具的智能設(shè)計。以上研究各有特色，但所述方法局限于夾具設(shè)計過程中的某個對象或具體任務(wù)，無法有效地組織和表達(dá)設(shè)計主體、設(shè)計需求和設(shè)計過程。

2.2 數(shù)控機(jī)床結(jié)構(gòu)設(shè)計

為實現(xiàn)數(shù)控機(jī)床拓?fù)浣Y(jié)構(gòu)的優(yōu)化設(shè)計，文獻(xiàn)[31]利用有限元分析建立機(jī)床進(jìn)給機(jī)構(gòu)動態(tài)模型，實現(xiàn)機(jī)床進(jìn)給機(jī)構(gòu)接合面連接件的位置和結(jié)構(gòu)的優(yōu)化設(shè)計。為提高進(jìn)給機(jī)構(gòu)動態(tài)特性，保證進(jìn)給機(jī)構(gòu)高精度設(shè)計要求，文獻(xiàn)[32]采用序列二次規(guī)劃法對數(shù)控機(jī)床進(jìn)給機(jī)構(gòu)進(jìn)行結(jié)構(gòu)化設(shè)計。文獻(xiàn)[33]利用計算機(jī)仿真技術(shù)對機(jī)床進(jìn)給機(jī)構(gòu)進(jìn)行分析，識別機(jī)床結(jié)構(gòu)的關(guān)鍵參數(shù)，進(jìn)而提出提高機(jī)床進(jìn)給機(jī)構(gòu)動態(tài)性能的結(jié)構(gòu)優(yōu)化設(shè)計方法。數(shù)控機(jī)床進(jìn)給機(jī)構(gòu)在承受工作過程中導(dǎo)軌與滑塊、絲杠與螺母等裝配元件之間相對運(yùn)動產(chǎn)生的熱作用的同時，也承受重力與進(jìn)給力等力的作用，即受熱與力的耦合作用。上述所提到的機(jī)床進(jìn)給機(jī)構(gòu)動態(tài)性能優(yōu)化設(shè)計方法僅考慮受力影響，忽略了溫度場和力學(xué)性能之間的相互作用，難以獲得性能最優(yōu)的進(jìn)給機(jī)構(gòu)設(shè)計方法。為充分考慮數(shù)控機(jī)床進(jìn)給機(jī)構(gòu)間的熱-力耦合效應(yīng)，提高數(shù)控機(jī)床進(jìn)給機(jī)構(gòu)的智能設(shè)計水平，劉世豪等[34]將靈敏度分析、BP 神經(jīng)網(wǎng)絡(luò)和遺傳算法引入數(shù)控機(jī)床進(jìn)給機(jī)構(gòu)的常規(guī)設(shè)計中，對進(jìn)給機(jī)構(gòu)進(jìn)行多目標(biāo)優(yōu)化，提高系統(tǒng)的設(shè)計水平。

2.3 醫(yī)療器械設(shè)計

針對個性化醫(yī)療器械的設(shè)計，佟礦[35]對患者髖關(guān)節(jié)進(jìn)行三維重構(gòu)，確定截骨位置并還原髖關(guān)節(jié)，設(shè)計髖關(guān)節(jié)脫位Steel 三相截骨模板，為患者提供匹配性良好的髖關(guān)節(jié)模型。石琦霞[36]利用數(shù)字化設(shè)計方法，根據(jù)用戶需求分析建立人體假肢接受腔模型，設(shè)計出個性化和高質(zhì)量的接受腔模型。Santos 等[37]利用三維掃描、三維建模和3D 打印等智能設(shè)計方法完成膝關(guān)節(jié)定位矯正器的個性化定制，解決康復(fù)醫(yī)學(xué)中膝關(guān)節(jié)定位矯正器的個性化舒適問題。文獻(xiàn)[38]運(yùn)用逆向工程技術(shù)，提出基于Geomagic Design X 的個性化醫(yī)療護(hù)具設(shè)計方法，采用人體掃描儀獲取三維點(diǎn)云數(shù)據(jù)，利用Geomagic Design X 軟件對獲取的數(shù)據(jù)進(jìn)行處理、三維建模，并在此基礎(chǔ)上對模型進(jìn)行設(shè)計，添加個性化元素，根據(jù)患者需求完成個性化醫(yī)療數(shù)據(jù)的設(shè)計。上述所設(shè)計的個性化醫(yī)療器械能匹配患者個性特點(diǎn)，提高預(yù)期診療效果，但泛化性能不足，導(dǎo)致個性化醫(yī)療器械的設(shè)計成本高、設(shè)計周期長。認(rèn)知計算技術(shù)能提取醫(yī)療器械設(shè)計中可利用的數(shù)據(jù)，縮短產(chǎn)品的設(shè)計周期，實現(xiàn)個性化醫(yī)療器械的智能設(shè)計。

3 基于認(rèn)知計算的圖像生成

智能生成內(nèi)容（Intelligence-Generated Content，IGC）模式已經(jīng)成為一種新的內(nèi)容產(chǎn)生模式。變分自編碼器（Variational Autoencoders，VAEs）[39]是通過考慮概率分布，基于最大化數(shù)據(jù)最小可能性實現(xiàn)圖像生成的早期圖像主要生成方法。兩者通過機(jī)器學(xué)習(xí)或深度學(xué)習(xí)方法能夠根據(jù)文本描述生成相對應(yīng)的虛擬圖像，實現(xiàn)文本到圖像生成。

3.1 文本圖像合成

針對智能設(shè)計領(lǐng)域中根據(jù)文本描述生成真實圖像問題，文獻(xiàn)[40]設(shè)計了一種基于生成對抗網(wǎng)絡(luò)（Generative Adversarial Network, GAN）的對抗近似自動編碼器完成具有對抗近似的潛在代碼的推薦，該編碼器能靈活地學(xué)習(xí)自動編碼器的特征，并用一個更為簡單的生成器逼近潛在空間，加強(qiáng)分布的相似性，避免模棱兩可的重構(gòu)，完成圖像的自動生成。由于原始GAN 運(yùn)行過程中存在的隨機(jī)噪聲，因而會導(dǎo)致生成的圖像效果不理想。在原始GAN 架構(gòu)的啟發(fā)下，研究人員將條件輸入c添加到噪聲z中，通過函數(shù)G(c, z)定義生成圖像，建立能控制圖像內(nèi)容生成的條件GAN[41-42]。文獻(xiàn)[43]通過在原始GAN 架構(gòu)上增加生成器約束條件，建立用于生成指定類別圖像的條件GAN（Conditional GAN，CGAN）模型，以解決早期圖像生成困難問題。CGAN 僅在原始GAN 架構(gòu)上增加約束條件，沒有對模型的穩(wěn)定性做出改進(jìn)，無法達(dá)到生成圖像的細(xì)粒度屬性識別。針對CGAN 模型在生成圖像無法實現(xiàn)生成細(xì)粒度屬性識別的問題，Zhang 等[44]通過改進(jìn)CGAN 的網(wǎng)絡(luò)結(jié)構(gòu)，提出了由多個生成器和鑒別器組合模型：Stack-GAN[44]及Stack-GAN++[45]，所設(shè)計的組合模型提高了文本描述下生成圖片內(nèi)容的質(zhì)量。

融入注意力機(jī)制的GAN 可以根據(jù)描述生成圖像的單詞完成細(xì)粒度細(xì)節(jié)和全局句子向量的合成，生成符合文本描述的圖像[46]?；谧⒁饬ι蓪咕W(wǎng)絡(luò)（Attentional Generative Adversarial Network，AttnGAN）模型的應(yīng)用，可以通過評估句子和單詞級信息計算生成的圖像與文本的相似度，消除了CGAN 生成圖像不符合文本描述的問題。Xu 等[47]提出了圖像到文本特征的注意力機(jī)制，擴(kuò)展了Stack-GAN++，將注意力機(jī)制納入多級精煉管道，建立了AttnGAND 模型，在該模型中每個句子都被嵌入一個全局向量中，句子的每個詞匯都被嵌入詞向量中，見圖1。上述方法能生成效果較好的圖像，但圖像生成速度緩慢，難以應(yīng)用到對圖像生成速度較高的環(huán)境中，如虛擬現(xiàn)實（Virtual Reality，VR）環(huán)境。因此，利用認(rèn)知計算技術(shù)，提取圖片內(nèi)容生成中可重復(fù)利用的數(shù)據(jù)，建立圖像數(shù)據(jù)庫，可以顯著提高圖像的生成速度，改善模型的泛化性能。

圖1 AttnGAN 的文本到圖像生成示例[47]Fig.1 AttnGAN text to image generation[47]

3.2 圖像到圖像的變換

認(rèn)知計算技術(shù)可以通過圖像間的風(fēng)格遷移，實現(xiàn)各種有創(chuàng)意的想法，輔助設(shè)計人員完成產(chǎn)品設(shè)計。針對圖像到圖像變換，文獻(xiàn)[48]在網(wǎng)絡(luò)生成器上添加了L1 正則化約束，提出圖像變換模型（pix2pix），該模型能在給定訓(xùn)練數(shù)據(jù)情況下，將一個圖像場景下的表示方法轉(zhuǎn)變到另一個圖片場景上。隨著圖像到圖像變換模型的不斷完善，科研人員開始側(cè)重于高清圖像[49]及視頻流的生成方面[50]。早期pix2pix 模型依賴成對的訓(xùn)練數(shù)據(jù)集。例如對駿馬到斑馬的圖像變換應(yīng)用，訓(xùn)練時需要提供成對的數(shù)據(jù)，見圖2。在實際任務(wù)中成對的數(shù)據(jù)是很難獲取的，針對成對數(shù)據(jù)集難以獲取的問題，科研人員通過改進(jìn)pix2pix 模型，提出雙生成器和雙鑒別器的網(wǎng)絡(luò)架構(gòu)，其中，生成器G負(fù)責(zé)轉(zhuǎn)換源域的圖像到目標(biāo)域，生成器F負(fù)責(zé)將目標(biāo)域的圖像轉(zhuǎn)換到源域，2 個鑒別器分別鑒別源域和目標(biāo)域圖像的真假，不需要成對圖片作為訓(xùn)練數(shù)據(jù)，解決了早期pix2pix 模型適應(yīng)性不足的問題。雙生成器和雙鑒別器的網(wǎng)絡(luò)架構(gòu)占用大量的計算資源，降低了模型的運(yùn)算速度，導(dǎo)致圖像生成速度愈加緩慢。

圖2 CycleGAN 的圖像到圖像變換示例[51]Fig.2 CycleGAN image to image change[51]

4 基于認(rèn)知計算的疾病診斷

個性化醫(yī)學(xué)以個人基因組信息為基礎(chǔ)，結(jié)合蛋白質(zhì)組，代謝組等相關(guān)內(nèi)環(huán)境信息，利用認(rèn)知計算模型對所提取的信息進(jìn)行分析，進(jìn)而輔助醫(yī)護(hù)人員完成疾病的診療工作[52-53]。

針對醫(yī)療數(shù)據(jù)的多模態(tài)性問題，Acharya 等[54]利用認(rèn)知計算技術(shù)構(gòu)建深度卷積神經(jīng)網(wǎng)絡(luò)模型，該模型能通過認(rèn)知計算技術(shù)收集腦電圖信號并進(jìn)行分類，對腦電圖分析，幫助醫(yī)生完成癲癇病的診斷。由于目前缺乏腦電圖數(shù)據(jù)，因此無法進(jìn)一步優(yōu)化算法。文獻(xiàn)[55]結(jié)合大量電子健康記錄及醫(yī)學(xué)研究數(shù)據(jù)，提取疾病癥狀和疾病治療方案，進(jìn)而為患者制訂最佳治療方案。Thongkam 等[56]利用關(guān)聯(lián)模型數(shù)據(jù)對直腸癌患者數(shù)據(jù)進(jìn)行分析，基于樸素貝葉斯優(yōu)化的決策樹算法刪除無關(guān)的樣本數(shù)據(jù)，通過數(shù)據(jù)過濾技術(shù)提高預(yù)測模型的有效性，幫助醫(yī)生更好地判斷患者是否存在患某項疾病的風(fēng)險。Kuo 等[57]利用頻繁模式挖掘算法，構(gòu)建用于診斷乳腺癌的檢測，推斷腫瘤的屬性，并進(jìn)一步判斷患者隨著年齡增長其腫瘤變化的情況。Nahar 等[58]使用關(guān)聯(lián)規(guī)則挖掘算法對個體健康數(shù)據(jù)進(jìn)行診斷分析，來識別影響健康的重要特征。Ahmed 等[59]利用K-Means 聚類算法識別并分析患肺癌疾病的相關(guān)數(shù)據(jù)，提出基于AprioriTid 算法和決策樹算法的肺癌預(yù)測系統(tǒng)，預(yù)測個體患癌風(fēng)險。上述所提算法能根據(jù)相關(guān)數(shù)據(jù)，對個體患病風(fēng)險進(jìn)行準(zhǔn)確預(yù)測，但面臨著數(shù)據(jù)孤島及結(jié)構(gòu)化數(shù)據(jù)不足等問題。此外，基于自然語言處理的方法生成放射學(xué)報告中的標(biāo)簽，會對代表性不足的數(shù)據(jù)產(chǎn)生偏見，導(dǎo)致算法放大醫(yī)療實踐中的現(xiàn)有偏見。

5 認(rèn)知計算在物聯(lián)網(wǎng)上的應(yīng)用

為實現(xiàn)設(shè)備的智能化與自動化[60-61]，科研人員將物聯(lián)網(wǎng)技術(shù)與認(rèn)知計算結(jié)合起來，建立了認(rèn)知物聯(lián)網(wǎng)[62]，認(rèn)知物聯(lián)網(wǎng)的出現(xiàn)，極大地方便了用戶之間的溝通交流和信息交換。認(rèn)知物聯(lián)網(wǎng)是一種以人為本的設(shè)備到設(shè)備間的交互網(wǎng)絡(luò)，它將用戶數(shù)據(jù)和信息物理系統(tǒng)（Cyber Physical Systems，CPS）存儲并集成到云端上，并使用智能設(shè)計算法實現(xiàn)特定區(qū)域的數(shù)據(jù)請求響應(yīng)[63-64]。

5.1 數(shù)據(jù)處理

針對傳感器所采集的數(shù)據(jù)質(zhì)量參差不齊，文獻(xiàn)[65]通過對網(wǎng)絡(luò)和云空間中大量實時數(shù)據(jù)的處理和分析，基于高斯混合模型建立了一種能夠提供普遍性和可伸縮性的系統(tǒng)，并通過對比實驗證明所構(gòu)建系統(tǒng)在傳感器數(shù)據(jù)處理方面優(yōu)于其他系統(tǒng)。針對傳感器所采集數(shù)據(jù)的實用價值不足，Puschmann 等[66]闡述了物聯(lián)網(wǎng)技術(shù)中傳感器所收集的數(shù)據(jù)實用價值不高的原因，并建立了基于認(rèn)知物聯(lián)網(wǎng)技術(shù)的數(shù)據(jù)分布流框架，同時采用集群機(jī)制對傳感器采集的數(shù)據(jù)進(jìn)行集群處理，通過自我調(diào)整來確保收集的數(shù)據(jù)具有實用價值，從而解決了物聯(lián)網(wǎng)中大量具有實用價值數(shù)據(jù)丟失的問題。上述所提出的數(shù)據(jù)處理方法能有效篩選出有效數(shù)據(jù)，避免實用價值數(shù)據(jù)丟失，但忽略了數(shù)據(jù)安全問題，使用基于大數(shù)據(jù)的認(rèn)知計算技術(shù)能完成非結(jié)構(gòu)化信息內(nèi)容的詳細(xì)分析與精細(xì)化理解，自動總結(jié)最新不良信息的規(guī)律，幫助人們制訂安全管控策略，保證信息傳輸中的安全問題。

5.2 隱私保護(hù)

由于認(rèn)知物聯(lián)網(wǎng)信道的廣播特性，導(dǎo)致認(rèn)知物聯(lián)網(wǎng)中的數(shù)據(jù)容易遭到非法用戶的竊聽[67]。為實現(xiàn)信號的保護(hù)，研究人員利用信道之間的差異性，在信號傳輸中不間斷發(fā)送干擾信號，防止竊聽者解調(diào)合法信號，保護(hù)合法信息。針對物聯(lián)網(wǎng)隱私安全問題及低效推薦問題，楊菊英等[68]提出基于區(qū)塊鏈的認(rèn)知物聯(lián)網(wǎng)框架，利用區(qū)塊鏈技術(shù)對物聯(lián)網(wǎng)中的信息進(jìn)行加密，保證物聯(lián)網(wǎng)隱私安全，將認(rèn)知系統(tǒng)融入物聯(lián)網(wǎng)中，形成能從物聯(lián)網(wǎng)環(huán)境中交互學(xué)習(xí)的認(rèn)知物聯(lián)網(wǎng)，提高物聯(lián)網(wǎng)信息推薦的效率和準(zhǔn)確性。

為解決認(rèn)知物聯(lián)網(wǎng)安全隱患問題，文獻(xiàn)[69]將GAN 引入物聯(lián)網(wǎng)中，提出基于GAN 的認(rèn)知物聯(lián)網(wǎng)加密算法，該算法能對圖像數(shù)據(jù)進(jìn)行處理，利用生成對抗網(wǎng)絡(luò)，生成帶有加密信息的新圖像，避免圖像信息被泄露。文獻(xiàn)[70]根據(jù)所收集的歷史傳輸數(shù)據(jù)，采用數(shù)據(jù)驅(qū)動的深度學(xué)習(xí)算法訓(xùn)練具有認(rèn)知功能的神經(jīng)網(wǎng)絡(luò)，監(jiān)控物聯(lián)網(wǎng)設(shè)備的運(yùn)行情況，主動識別網(wǎng)絡(luò)攻擊和用戶惡意行為，確保物聯(lián)網(wǎng)運(yùn)行的安全性。文獻(xiàn)[71]通過優(yōu)化Cycle-GAN，提出基于改進(jìn)Cycle-GAN 視覺圖片隱私保護(hù)方法，從源頭上避免物聯(lián)網(wǎng)傳輸中圖像信息的泄露。

為避免認(rèn)知物聯(lián)網(wǎng)的信息泄露，提高通訊的安全性，文獻(xiàn)[72]提出基于GAN 的認(rèn)知物聯(lián)網(wǎng)隱蔽通訊智能功率控制算法，該算法利用生成器模擬認(rèn)知物聯(lián)網(wǎng)用戶，鑒別器模擬竊聽者，通過不斷進(jìn)行博弈，達(dá)到納什均衡，獲得最優(yōu)的隱蔽功率控制方案。

總體而言，融合認(rèn)知計算技術(shù)形成的認(rèn)知物聯(lián)網(wǎng)的相關(guān)研究還處于初級階段，發(fā)展框架和標(biāo)準(zhǔn)體系不夠完善，關(guān)鍵性技術(shù)不夠成熟，研究內(nèi)容主要以模型和構(gòu)想為主，部分解決方案也處于模擬和仿真階段，缺乏面向一般應(yīng)用的統(tǒng)一解決方案。

6 基于認(rèn)知計算的產(chǎn)品評價

產(chǎn)品設(shè)計評價需提前確定所設(shè)計對象的價值，將設(shè)計對象實際價值與預(yù)先確定的價值進(jìn)行比較，以表明其價值。傳統(tǒng)設(shè)計評價方法是依靠人工操作完成的，評價結(jié)果在一定程度上受個體經(jīng)驗、直覺及知識等因素的影響，具有較強(qiáng)的主觀性[73]。此外，由于智能設(shè)計[74]的產(chǎn)品呈現(xiàn)出爆炸式增長的態(tài)勢，因此人工評價大規(guī)模設(shè)計結(jié)果顯然是不切實際的。而利用認(rèn)知計算技術(shù)對產(chǎn)品進(jìn)行評價可以將設(shè)計知識與用戶感知等多維內(nèi)容進(jìn)行量化，制訂統(tǒng)一的評價標(biāo)準(zhǔn)，提高評價結(jié)果的準(zhǔn)確性與客觀性。智能設(shè)計研究和應(yīng)用的重點(diǎn)是將主觀模糊的開放式評價問題抽象為數(shù)據(jù)驅(qū)動的封閉式問題，建立統(tǒng)一評價指標(biāo)，實現(xiàn)更細(xì)致的設(shè)計分析和評價，提高評價結(jié)果的準(zhǔn)確性和客觀性。

6.1 產(chǎn)品質(zhì)量評價

早期主要是通過均方根誤差（Root Mean Error,RMSE）等類似的評估指標(biāo)對合成圖像質(zhì)量進(jìn)行評估。因此由于合成圖像與真實圖像之間的對應(yīng)關(guān)系不明確，基于均方根誤差的圖片質(zhì)量評估方法也不精確[75]。針對生成圖像質(zhì)量的評估（Amazon Mechanical Turk，AMT）可以通過觀察判定圖像逼真程度，對合成圖像和真實圖像進(jìn)行評分[76]。然而，不同觀察者之間的主觀評價存在差異，僅依靠主觀評價難以客觀地評價出圖像質(zhì)量。

Inception Score（IS）評估方法通過計算概率分布信息熵來客觀完成圖像質(zhì)量的評估。針對圖像x的評估，p(y|x)的信息熵越低，分類器對圖像內(nèi)容的評價越高，p(y) = ∫p[y∣x=G(z)]dz具有較高的信息熵，模型可以生成更多類型的圖像[77]。Lucic 等[78]利用Inception 對圖像進(jìn)行評估時發(fā)現(xiàn)，它對標(biāo)簽先驗分布不敏感，難以完成過擬合現(xiàn)象的檢測。此外，由于Inception 評分會受類內(nèi)模式的影響，從而導(dǎo)致初始得分崩潰，不能完成類內(nèi)變化情況的測量，因此，它不適合用于評估包含多種圖像的數(shù)據(jù)集合。

Fully Convolutional Network Score（FCN-score）[79]采用與Inception 評分類似的思想，基于FCN-score的圖像分類方法通過利用真實圖像訓(xùn)練出的分類器對合成圖像進(jìn)行分類。然而，基于FCN-score 的圖像分類方法未對輸入圖像清晰度進(jìn)行篩選，換句話說，該分類方法無法準(zhǔn)確完成存在微小細(xì)節(jié)差異圖像的區(qū)分。此外，文獻(xiàn)[80]研究結(jié)果表明，基于FCN-score的圖像分類器會受隨機(jī)噪聲的影響，從而降低分類器的準(zhǔn)確度。

針對生成圖像的質(zhì)量評估問題，除了IS 和FCN之外，還有Fréchet Inception Distance（FID）[81]、Gaussian Parzen Window（GPW）[82]、Generative Adversarial Metric（GAM）[83]及Mode Score（MS）等[84]評估方法，但圖像生成領(lǐng)域應(yīng)用最為廣泛的是Inception 評估方法。Wang 等[85]通過研究發(fā)現(xiàn)FID 與生成圖像質(zhì)量間存在負(fù)相關(guān)，且該方法對噪聲的敏感度遠(yuǎn)小于IS，基于FID 的生成圖像質(zhì)量評估方法能較好限制外界隨機(jī)噪聲對評價分的影響，避免出現(xiàn)檢測類模式崩潰問題?？傮w而言，圖像質(zhì)量評估方法能較好限制隨機(jī)噪聲對圖像質(zhì)量評估的影響，但評價指標(biāo)單一，不能反映圖像的綜合質(zhì)量情況。此外，算法對數(shù)據(jù)集依賴嚴(yán)重，難以應(yīng)用到包含多重失真的圖片。

6.2 產(chǎn)品價值評價

針對產(chǎn)品價值評價問題，文獻(xiàn)[86]設(shè)計了一種基于模糊專家系統(tǒng)（Fuzzy Expert System，F(xiàn)ES）的產(chǎn)品不確定性管理問題的評價模型，該模型通過準(zhǔn)確度和置信度2 個因素完成產(chǎn)品價值的評價。針對在動態(tài)變化加工狀態(tài)下產(chǎn)品評價問題，文獻(xiàn)[87]提出一種基于數(shù)字孿生模型的評價方法，該方法利用數(shù)字孿生模型結(jié)構(gòu)及關(guān)聯(lián)規(guī)則構(gòu)建流程大數(shù)據(jù)，實現(xiàn)知識流程積累，通過場景模擬相似性計算法過濾不匹配過程知識，提高評價的準(zhǔn)確性。針對傳統(tǒng)教學(xué)評估系統(tǒng)智能化落后及實時性差等問題，文獻(xiàn)[88]設(shè)計了一種基于互聯(lián)網(wǎng)和人工智能的專家評估系統(tǒng)，該系統(tǒng)應(yīng)用人工智能混沌控制方法，利用單項鏈?zhǔn)骄W(wǎng)絡(luò)完成在線教學(xué)評估和信息監(jiān)控識別，提高信息傳輸和融合能力。產(chǎn)品價值是由需求來決定的，在經(jīng)濟(jì)發(fā)展的不同時期，構(gòu)成產(chǎn)品價值的要素相對重要程度有所不同。目前，產(chǎn)品評價處于起步階段，評價指標(biāo)單一，缺乏面向一般產(chǎn)品的統(tǒng)一評價方案，難以準(zhǔn)確完成產(chǎn)品的價值評價。

7 基于認(rèn)知計算的智能設(shè)計展望

盡管智能設(shè)計技術(shù)已經(jīng)取得飛躍發(fā)展，但仍存在一些阻礙智能設(shè)計進(jìn)一步發(fā)展的問題與挑戰(zhàn)。智能設(shè)計方法目前面臨的公開挑戰(zhàn)主要集中在以下3 個方面。

1）智能設(shè)計背后存在大量隱藏抽象語義信息，難以在樣品數(shù)量不足的情況下訓(xùn)練出合適的模型，完成小樣本學(xué)習(xí)。智能設(shè)計的未來發(fā)展方向是理解設(shè)計問題背后的隱藏語義信息，完成小樣本學(xué)習(xí)。

2）大多數(shù)的智能設(shè)計系統(tǒng)并未闡述模型是如何訓(xùn)練的、訓(xùn)練的模型是怎樣工作及輸入和結(jié)果輸出之間存在什么樣的關(guān)系，這就導(dǎo)致設(shè)計師與智能設(shè)計系統(tǒng)間存在溝通障礙。因此，提供模型訓(xùn)練、工作及系統(tǒng)參數(shù)輸入和結(jié)果輸出過程，消除設(shè)計人員與智能設(shè)計系統(tǒng)間的溝通障礙是智能設(shè)計未來發(fā)展方向。

3）在智能設(shè)計的內(nèi)容生成過程中，設(shè)計知識大多由經(jīng)驗規(guī)則和指南組成，難以將其進(jìn)行形式化表達(dá)，并引入設(shè)計模型。雖然跨媒體的角色生成可以根據(jù)預(yù)先設(shè)定的規(guī)則創(chuàng)造出精確人物角色，但是該方法需要依賴先進(jìn)的跨媒體計算和數(shù)據(jù)融合方法，目前，這些方法的探索仍然具有挑戰(zhàn)性。如何將先驗/領(lǐng)域知識形式化，并引入模型訓(xùn)練過程中，實現(xiàn)設(shè)計內(nèi)容的智能生成是值得探討與研究的課題。

8 結(jié)語

設(shè)計作為一種創(chuàng)造性的決策活動，是一個典型的解決定義不良問題的認(rèn)知過程，認(rèn)知在創(chuàng)造性設(shè)計活動中有著舉足輕重的作用。認(rèn)知計算和智能設(shè)計作為人工智能的分支，是跨學(xué)科融合而成的產(chǎn)物，可以完成設(shè)計過程中的用戶需求分析、智能內(nèi)容生成及產(chǎn)品評估等諸多方面的挑戰(zhàn)。通過認(rèn)知計算與智能設(shè)計的結(jié)合，將具有多元化、非完整和非結(jié)構(gòu)性的認(rèn)知信息轉(zhuǎn)換成設(shè)計中所需的結(jié)構(gòu)性要素，助力于設(shè)計的創(chuàng)新已成為學(xué)者們關(guān)注的重要內(nèi)容。文中圍繞認(rèn)知計算和智能設(shè)計的最新進(jìn)展，從6 個方面總結(jié)了認(rèn)知計算與智能設(shè)計的最新進(jìn)展，并討論了認(rèn)知計算與智能設(shè)計未來應(yīng)用中需要解決的問題，助力認(rèn)知計算與智能設(shè)計的創(chuàng)新與應(yīng)用。