Research on Optimization Strategies for Functional Modules of Smart Home Products Based on Parameterization
Notice bibliographique
Résumé
The article firstly outlines the concept of parametric design and modeling techniques and processes, then expresses the relationship between customer needs and functional design parameters of smart home products with discrete sensitivity matrix, and introduces the fuzzy pairwise comparison method to calculate the importance of customer needs.The correlations in the dataset are mined on the Rough Set (RS) tool.AGO and IAGO are used to predict the customer demand importance and design parameter importance in the future cycle, and the parametric product family optimization model is solved by combining the non-occupancy sorting genetic algorithm with congestion distance.In this paper, the optimization ranking and core parts of the functional modules of the smart flowerpot are obtained through the parametric smart home design method, and the functional rankings of the modules are automatic irrigation function, intelligent light replenishment function, monitoring function, and human-computer interaction function; the core parts include temperature and humidity sensors, light sensors, water tanks, and single-chip microcomputer parts, and so on.In the intelligent flowerpot product family design, this paper finds that the efficiency of this paper's optimization method increases significantly (4.23%-9.12%)and the weight of the product decreases significantly (0.1141kg-0.617kg),both in the known platform mode and in the unknown platform mode.The results of this paper are extremely important for the development and design of parametric product families based on platforms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».