文摘

互动艺术设计(IAD)是一种艺术和技术的有机结合。从人工智能机器的发展的角度从古代到现在,它已经通过阶段的命令接口,图形化界面,和多媒体界面。互动艺术的发展已经存在了许多年。作为一种艺术形式,它不仅给人们带来了优化和享受的生活质量也符合人机交互的需求,提高了艺术设计的效率,实现人与人之间的互动。目的是为了给作品带来不同的感受和经历,人们的心理。特别是,人工智能的应用在IAD不仅给设计师带来了巨大的变化。它还派生的交互行为的四肢,这带来了更大的观众体验和互动,从而创造一个更好的互动效果。因此,本文完成了以下工作:(1)人工智能的研究进展介绍了国内外网络成瘾。(2)人工智能和网络成瘾的组合,提出了RBF神经网络的基本原理,介绍了智能优化算法,并构造IAD的评价指标。(3)利用构造数据集测试两种智能优化算法,结果表明,PSO-RBF模型更优秀在评估IAD的质量。 The trained model is used for experiments, and the output of the model is compared with the expert evaluation results, and the error is very small. Comparing the quality indicators of IAD before and after the integration of AI, the results show that AI has an excellent improvement effect on IAD.

1。介绍

生产设备和生产过程的进化中扮演了重要角色在几千年人类文明的发展。未来技术进步的第四次工业革命将人类文明的另一个重要一步的进展更智能的社会。现在的时刻是新一代信息技术、新能源和新交通技术采取中心舞台在人类文明进化和改变(1- - - - - -3]。智能技术将导致生产率的提高和突破在广泛的领域,包括IAD,随着它的发展在一个稳定的和一致的方式。人工智能(AI)的流行已升至历史高位,和许多跨国公司,国内外,准备花大量的钱来获得高级人员调查不同的人工智能应用程序。大数据而言,中国是一个大国在互联网上每天产生大量的数据,这使得它比其他国家一个更好的地方来训练人工智能算法(4,5]。AI现在正在研究在几个领域,不同程度和艺术设计领域是一个重要的基础的使用人工智能技术,尤其是在IAD (6,7]。谷歌发布了智能语音助理谷歌家和宣布未来发展将由人工智能。阿里巴巴的AI设计平台”Luban”的设计,4亿年完成“双11”海报,达到每秒8000的设计。2017年,在中国“两会”期间,政府部门写AI第一次在他们的工作报告,和人工智能的研究已成为一种战略政策的国家。2018年中国“两会”期间,艾未未再次被提及,这充分表明,人工智能一直重视和支持的国家今天8,9]。在当今提倡以人为本,注重人文关怀,智能技术在网络成瘾的干预无疑是一个关键因素,人类走向人文关怀。互动的中心是创建有意义的经验,和它的本质是人们之间的互动和沟通和工作。与IAD有效整合的人工智能,我们必须更加关注人性化的互动体验。结合人工智能与IAD正是当今热门的研究主题。使用人工智能IAD可能影响不仅IAD的外观,还是否会被机器人所取代。未知是一种心理风险(10- - - - - -12]。例如,许多人担心AI会取代他们的职业。实际上,AI的干预是postintelligent时期的艺术和设计人和计算机共同进化。艾城的快速增长已经成为一个不可避免的障碍在人类科学技术的进步在数字时代。从智能城市、智能家居智能设计、人工智能的发展在我们生活的方方面面13,14]。个人情感的不断追求和个性化,艺术家和设计师的努力是不够的。它也需要使用技术支持个性化需求的不断发展。人工智能是智能革命的边缘。随着技术的快速发展,有越来越多的人工智能应用程序在网络成瘾。随着计算机技术的快速发展和互联网(15),互动的特点和独特的创意设计变得更加明显。以前所未有的方式,计算机作为控制装置控制的交互过程。的基础上目前的智能技术用于IAD,人工智能也开始出现在我们的日常生活。智能IAD适应接受者的行为,姿势、声音、表情,温度,远程控制,通过机器人和气候变化,计算机、传感器、智能规划,智能材料,和其他智能技术16,17]。网络成瘾与人工智能相结合扩展了传统的创作形式。智能技术的参与带来了新的问题,但这也为我们提供了一个全新的视角来重新审视艺术。本文运用人工智能的研究热点切成IAD,进行研究开发智能网络成瘾。然后利用神经网络评估质量的人工智能整合后的界面设计,提供一个强大的学术理论基础为人工智能领域的网络成瘾。

论文的独特的贡献包括以下:(我)人工智能在交互艺术设计的实现(2)开发一个框架使用RBF算法和PSO优化(3)PSO-RBF模型的评价相比,最先进的方法

2。相关工作

国内人工智能研究艺术设计近年来才开始,和一个系统的研究方法尚未形成。主要倾向于研究一个特定的艺术形式的人工智能领域。文献[18)始于奇点的详细讨论技术和奇点艺术和技术和艺术之间的关系在奇点技术的发展的背景下。它系统地介绍了智能技术和智能材料带来的改变传统的艺术设计。详细论述了当前艺术家如何运用人工智能技术,如智能机器人、智能交互和虚拟现实实现艺术设计创作和智能材料的发展对艺术设计的影响。它大胆推测,合理推导出未来艺术的转换在奇异点的影响。人工智能技术的快速发展,文献[19)详细描述了如何在艺术上虚拟现实技术与艺术设计合并。它检查之间的联系的科学、艺术和美学,以及相关的思想和实践混合虚拟现实技术与艺术设计。基于虚拟现实技术的虚拟艺术设计的指导下,作者构建虚拟现实艺术设计研究的主要内容协作。通过虚拟现实艺术设计作为切入点,我们可以掌握数字艺术设计宏观的研究范式。根据文献[20.),现代艺术设计和虚拟现实技术现在可能集成以一种新的方式。研究进行了研究对象、研究任务,实现虚拟现实艺术设计的手段和艺术特点,分别等等。。结果表明,虚拟现实技术将有很大的影响在艺术设计的未来因为人工智能的发展。文献[21]讨论了人工智能技术的发展对艺术设计的影响和重新定义新的艺术与技术之间的关系从人工智能的角度发展,讨论了人工智能的潜在艺术的艺术家和艺术作品的价值。文献[22]认为,艺术是一种创造性活动由人类通过自由意志,和AI只扮演一个角色在共享人类劳动在这个过程的一部分。有一个基本的区别这种劳动和人类的创造性活动在艺术创作中,也就是说,不管是否有自由意志,和所有造物之前执行AI有自由意志不能称为艺术设计。文献[23系统地讨论了艺术和科学之间的关系,以及虚拟现实艺术设计的研究内容。文献[24)简要介绍了人工智能的影响,虚拟现实,和其他高科技技术在传统的艺术设计和交互模式阐述了主观和客观因素的影响在IAD从感官的发展,媒体,和审美特征。文献[25)详细介绍了人工智能的渗透,虚拟现实,全息投影,机器人和其他高科技技术应用到艺术设计的展览情况。文献[26系统地讨论了虚拟现实艺术设计。作者描述了身临其境的艺术审美体验和虚拟和真实空间的虚拟现实艺术设计作品的升值。AI研究西方艺术设计是比中国早,和人工智能研究艺术设计取得了一定的成就。西方学者的研究人工智能艺术主要从两个方面进行:理论和艺术设计实践。IAD的增长,智能艺术设计和创意哲学从1964年到2011年(详细参考27]。预测艺术设计将如何演变,以及智能元素将影响也很重要。文献[28]比较当代新媒体艺术的设计与历史的虚拟艺术从艺术美学和创造性表达的观点。有一个比较传统和虚拟现实艺术文献[29日]。虚拟艺术设计发展从幻想到身临其境的体验,如这篇文章所述。参考文献(30.,31日)详细讨论艺术设计和人工智能之间的关系通过氮化镓,三位艺术家的艺术群明显由巴黎。文献[32模仿许多艺术大师的作品通过重建ann和使用人工智能识别技术。一个令人印象深刻的工作已经由文献[33)在人工智能领域的艺术设计,特别是在区域相结合的机器人和人类,然后控制人类行为的创造性的生产。文献[34)使用人工智能模式识别技术研究视觉信息识别和图像生成智能机器人的艺术。

3所示。方法

3.1。人工智能在IAD的应用

(1)智能平台:IAD的第一阶段开发与智能IAD平台为主要部分。台中进行人机互动的艺术创作。在这个阶段,人工智能已经有特定的自然语言,机器视觉,等等。通过模拟人类智能设计的工作,技术是用来收集、分析、模型,解决大量数据。当设计师需要创建一个特定的工作,相关的数据或信息可以从数据库中提取第一阶段。然后,这项工作可以由设计师,解构和所需的相关工作生成的帮助下可以创建一个单一的点击。例如,8000年阿里巴巴Luban可以设计海报一秒钟。设计智能设计平台变得更容易,因为科学和技术的进步。除了Luban之外,还有智能平台相关的设计,这可以通过各种匹配方法实现自动配色,着色,修正,等功能,为越来越多的设计师提供方便的服务。其中,文本匹配文本IAD,聪明的配色首先是收集,分析,提炼到数据库中。捕获图像上的像素,选择一个合理的算法在系统内,和不同的像素是反馈的形式的文本,最后配色模型形成不同的颜色分布区域来完成这项工作。 Another example is the IAD of text matching images, the main principle of which is to automatically generate design proposals through design suggestions. According to different needs, AI can judge the excellent design works by collating massive data and comparing the data of the works of excellent designers(2)IAD的智能机器:人工智能发展的第二阶段迎来了面向机器的智能模式和智能机器可以完成工作所需的用户通过模拟和克隆。与第一阶段相比,这一阶段更艺术和表达。2015年8月,德国研究专家宣布人工智能研究的结果,即人工智能系统的主要内容是进行深度学习世界著名画家的绘画风格。通过多级网络结构,不同层次的图像中提取信息。例如,当学习绘画,AI将首先选择大颜色块颜色差异大,然后逐渐加深颜色,注意更多的绘画细节,并使用多线实现的应用目的视觉识别功能。同时,在实际的过程中提取各种信息,人工智能机器也会过滤不必要的因素通过自己的软件。特别是在IAD,绘画设计的人工智能机器最佳性能。其绘画设计的原则是通过神经网络实现图像的经验,以及相关的主要功能(3)IAD的人机协作智能技术:人工智能发展的第三阶段迎来了人机协作创建模型。IAD的帮助下人机协作模式允许用户得到一个全心全意身临其境的体验或创建和设计师一起工作。这种形式也是一个未来的主流方式。身临其境的联觉体验的本质是人们之间的相互作用产生的艺术,设备,和空间。这是一个空间互动的人,机器,和接口。联觉这个词来源于各种各样的实验艺术家探索与合作的影响感官,即视听。联觉是在所有形式的艺术,即视觉音乐,音乐可视化、视听艺术,抽象电影,和媒介物。因此,一个新的艺术形成逻辑,可以调动参与者的各种感官,帮助他们更好地理解作品的信息,并及时反馈。然而,在这一领域的常见结构空间,参与者和作品可以创建一个非常强烈的沉浸在交互。虚拟现实技术是这样一个产品,它与现实世界之间的差异正在逐渐缩小与科技的进步,和两者之间的界限正逐渐重叠,并在某些情况下甚至难以区分和定义。 The emergence of virtual reality technology not only has a great impact on people’s way of life but also gradually subverts the original way of human cognition. The continuous development of strong intelligent IAD has higher and higher requirements for designers. Intelligent interactive art is the art of responding to changes in the recipient’s behavior, posture, and voice through intelligent tools such as intelligent robots. Through such advanced technical equipment, designers can use language, expressions, etc. to create a variety of interactive artworks

3.2。RBF神经网络的结构和特点

rbf只有一个自变量:他们距离原点。单调函数的欧几里得距离空间中任意一点的中途有时被称为中点的距离。RBF神经网络的隐层神经元兴奋的径向基函数,输入向量转换一次,之前的低维模式转换到高维模式隐藏层神经元的输出加权和总结。覆盖定理保证了RBF神经网络的数学逻辑。例如,一个非线性模式分类问题是高维空间中线性可分的比在低维空间中,根据定理。只存在一个隐藏层的RBF神经网络,神经网络与其他前锋,有几个隐藏层。例如,没有处理由输入层神经元隐层神经元在传输数据之前。这是一个直接的联系。径向基函数,可以描述为非线性,非负,径向对称的衰减函数,用于隐藏层的激活函数。隐层与输出层通过线性加权链接。 As a result, there is no connectivity between neurons inside a single layer of an RBF neural network. There are no local minima in an RBF neural network since it has an extremely basic topology. The output function of the RBF neural network can generally be expressed as 在哪里表示基函数的中心,代表的重量,是一组径向基函数,所以呢表示为一组径向基函数的线性拟合。

常用的径向基函数如下:(1)高斯函数: (2)异常乙状结肠功能: (3)符合二次函数: 在代表径向基函数的宽度。越小 ,较小的径向基函数的宽度和更大的径向基函数的选择

高斯函数是最常用的,它提供了以下好处:简单描述。当它是相同的,选择性最大和最小宽度。因为一般的函数可以表示为一系列的基函数的线性组合,它有高平滑度和可以任意阶导数。RBF由两层处理在第一个输入映射到每个RBF隐层。通常使用的函数是高斯函数,和它的价值取决于输入空间的中心的距离,类似于欧式距离的概念。间的加权连接神经元隐层和输出层的神经元产生根据近似线性组合RBF神经网络的原理。RBF神经网络只有一个隐藏层也称为特征向量。RBF神经网络特点如下:RBF神经网络,只有一个隐藏层和基本结构。只输出数据发送到隐层神经元的RBF神经网络的输入层。没有进一步的处理。 The radial basis function, a local function, activates the buried layer neurons in the RBF neural network. Only if the input data is in a small region will the function produce a meaningful response; i.e., the output will be nonzero. Transform the global optimal problem into a linear summation of local optima. The main advantage of using RBF is that it uses only one hidden layer and radial basis function is used as activation function which help in approximation. The model is easily designable and has good generalization and strong tolerance towards input noise and online learning ability.

3.3。对比RBF神经网络和BP神经网络

时滞和摘要大小都是非线性多层前馈神经网络,他们都是通用的估计值。从一定的角度,这两个是相同的,因为任何一个摘要,可以发现一种RBF神经网络来取代它,反之亦然。但两者之间有许多不同,如下:(1)时滞只使用大小加权隐藏层和输出层之间的连接,直接连接在输入层和隐层之间,和加权摘要的所有层之间的连接,从网络结构的角度。非线性激励函数的隐层神经元摘要相比,高斯激励函数的RBF神经网络的隐层神经元。隐藏层和隐层神经元的摘要是未知的。隐藏层和隐层神经元的数目不能修改后已经建立的网络模型。当某个问题需要更多或更少的隐层神经元,一个RBF神经网络只有一个隐藏层(2)从培训的角度算法,摘要采用梯度下降法,也就是说,从一个特定的起点开始,训练样本的方向错误减少,这样误差达到最小值。然而,对于实际问题在现实中,网络更加复杂,误差函数是一个多维空间曲面。这个错误很容易陷入局部最小值的曲面。因此,在各个方向的运动将导致错误的增加,这样的错误将陷入局部最小值而不是全局最小值。因为它是隐藏在无限的空间,这个函数总是在使用的输入空间非零摘要隐藏层。作为全球逼近神经网络,整个网络的权重必须在每次调整训练。培训的速度相当缓慢。一小部分的输入空间使用RBF神经网络的隐层,采用径向基函数与非零值。它是一种局部逼近神经网络,因此它不陷入局部最小值,和RBF神经网络收敛速度(3)从近似的角度的能力,理论上,RBF神经网络和摘要都可以任意精度逼近任意非线性系统。由于所使用的不同的激励函数,近似的性能也不同。RBF神经网络的收敛速度快于摘要,和RBF神经网络的拓扑结构是明确的。对于非线性系统,具有良好的逼近能力和RBF神经网络在许多领域已经成为主要的模型,因为它强大的生命力

3.4。智能优化算法

3.4.1。遗传算法

遗传算法主要可以分为以下过程:(1)编码:问题的参数空间遗传算法不能直接处理。为了使用它,必须转换为遗传密码字符串根据特定的编码技术,它是一个独立的个体。这个转换过程称为编码。要解决的问题的编码表达人口的候选解决方案用一个简单和实用的基因编码的字符串。编码方法也会影响遗传算法的性能。有两种常用的编码方法。二进制编码方法将参数转换为解决原问题转化为二进制形式;即编码符号只是由0和1的二进制符号表示。二进制编码方法符合结构的染色体,交叉和变异的操作简单,有很多算法模式。然而,由于基因的长度需要首先决定在解决过程中,参数的精度也是有限的,精度的解决方案过程中不能改变。 And the individual length of the binary coding method is long, so the solution efficiency is low. It is possible to encode an individual’s genetic information using a floating-point encoding approach, which implies that each gene is represented by the original value of the parameter, which is an integer number in a certain range. Solution accuracy and efficiency are both enhanced by using floating-point encoding(2)生成一个人口:人口产生的第一步是定义个体的数量,也就是说,人口规模。当人口规模很大,很容易找到最优解,但算法的计算时间将延长。减少人口规模可以缩短计算时间,但它是容易过早成熟。第二步是随机生成字符串为每个染色体基因(3)适应度函数,用遗传算法来表示的质量个人的位置:当一个人有一个更高的健康水平,他们更接近找到最好的答案,增加的可能性,他们的特征并将其传递给后代。结果,那些身体不健康会减少他们的特征传递给下一代的机会,按照适者生存的想法。适应度函数的建设有两个要求:适应度函数的值不能是零,和适应度函数的崛起必须兼容的优化目标函数,这意味着它必须增加的方向一致,函数的优化(4)选择操作是选择合适的个体繁殖后代的基础上健康评估个人的人口。更身体健康的人更有可能被选中,而那些身体健康不太可能被选择。最常用的选择方法是轮的选择方法,将所有人的健康的和轮盘赌。每个个体对应的健身区域的一部分在轮盘赌,和健身就越大,面积越大的个体。当车轮旋转,指针的位置选择的个体(5)交叉操作,即主要部分的两个父个体以某种方式交换,从而形成两个新的个体:交叉操作的主要特征是区分从其他算法,遗传算法的交叉操作会影响整个遗传算法的全局搜索能力。有不同的交叉算法不同的编码方法(6)变异操作,改变一些基因的人群中一些人的位置:根据不同的编码方法,它分为实值变异和二进制变异。变异操作通常有两个过程。第一个过程是判断个人需要根据预设突变突变概率。第二个进程是选择随机位置需要突变的突变的个体。可以提高算法的全局搜索能力,通过融合突变早期迭代以保证人口multidirectionality成员和避免过早现象。其次,我们要提高算法快速找到理想的解决方案的能力每个人后期的迭代。显然,在早期的迭代中,一个小突变概率不能保证multidirectionality的人口。后期的迭代,个人都集中在附近的最优解决方案,和一个大概率将会摧毁最优解基因突变。结果,变异概率应该更高的早期阶段迭代后期和更低的,像前面解释的那样

3.4.2。粒子群优化算法的原则

从鸟的造型的社会制度,PSO(粒子群优化)的发展诞生了。考虑这样一个场景,在该场景中,一群飞鸟是觅食的地方只有一个食物来源在群,没有人知道它在哪里。知道食物的距离,最简单的方法来定位食物接近鸟儿最接近餐和扫描区域周围的那只鸟。一群飞鸟PSO的社会模拟的起点,和每个鸟类被称为一个粒子。使用目标函数,每个粒子都有一个健康的价值是基于当前的位置和之前寻找最好的地方。一个迭代的过程中,粒子苍蝇在预定的速度,这是由一个适应度函数值和粒子的飞行方向和距离。粒子速度是由“两个极端值”:“个体极值”或铅,这是粒子的最佳位置的迭代过程。迭代寻找最好的位置,被称为gb,是另一个极端值,称为组极值或gb。设置搜索空间采用和粒子的数量传统PSO算法的数学公式。的位置粒子表示为 ;搜索的最优解决方案粒子在迭代过程来标示 ,也就是说,个体极值pb。个人极端值的最优解所有粒子搜索的记录 ,这是极值gb。的飞行速度粒子是向量 。然后,采用表示为每个粒子的飞行速度 在哪里 , ,加速度的因素和是正常的数字,是[0,1]的随机数,被称为惯性因子,的当前位置吗th粒子,当前的速度吗th粒子,是历史最优解的解决方案th粒子,是整个粒子群的最优解决方案。

在迭代过程中,离子的移动距离和移动速度需要是有限的。的位置变化和速度变化范围th维度是 和 ,分别。如果粒子的移动距离或移动速度超过最大变化范围在迭代期间,最大变化范围的边界。使用算法的主要优点是它的简单的使用,在控制参数的鲁棒性,能够实现最优效率相比其他数学算法。PSO是一种metaheuristic技术不做任何假设的问题被优化,它可以很容易地并行并发处理的目的。

进行的各种研究已经使用PSO在艺术及相关领域。为例,研究[35]分析了艺术疗法的基本概念和儿童绘画使用算法技术。这项研究是在学前儿童美术教学进行的。研究集中在寻找全局最优适应度函数,降低了计算复杂度,也提供了最大覆盖现有的网络。这项研究在36)进行应用分析,融合粒子群优化的绩效评估教师在学术领域。算法和模糊综合评判进行评价教师的性能和索引参数之间使用2.5和3.0的规模表明,性能非常好。

3.5。IAD评价指标体系

根据本文提出的基于ai IAD框架IAD构造评价指标体系,如表所示1。

4所示。实验和分析

4.1。样本数据和预处理

根据IAD评价指标体系设置在第三章,本文构造一个数据集实验测试,其中包括1600组数据。选择实验数据之后,规范化数据,所有样本数据和规范化区间[0,1],使用下面的公式:

4.2。网络优化参数选择

4.2.1。准备基于遗传算法优化RBF神经网络实验

本文选择了遗传算法的交叉概率为0.8,变异概率是0.2,和遗传算法的健身价值的数量在神经网络的隐层神经元5 - 15所示图1。

可以看出,当隐层神经元的数量是10,收敛是最好的。在这个时候,遗传算法的最优个体适应度曲线如图2。

4.2.2。基于算法的RBF神经网络实验

摘要粒子群优化算法,加速度的因素 和 和惯性因子采用线性减少体重的策略和选择 和 。粒子群算法的健身价值当隐层神经元的数目在工作日神经网络是显示在图5 - 153。

当隐层神经元的数量是14,其收敛性能是最好的。在这个时候,最优个体的健身价值的粒子群优化算法的迭代过程如图4。

从上述实验可以看出,PSO算法迭代的最小的数和最大的健身价值。与遗传算法相比,迭代的数量减少了26%,和健身价值增加了16%。因此,从整体性能的角度来看,PSO算法具有更快的收敛速度和更精确的搜索最优解。

4.3。模型实验结果

首先,PSO-RBF训练神经网络模型,并得到了模型的收敛性,如图5。可以看出,该模型快速达到收敛值很低。

训练神经网络用于评估nontraining数据样本数据,和PSO-RBF模型的预测结果如表所示2。可以看出,模型的输出值非常接近专家的评价结果,表明该模型在评估IAD的质量性能优越。

4.4。基于人工智能的网络成瘾的影响

为了验证本文提出的基于AI的影响网络成瘾,网络成瘾的质量指标之前和之后的集成人工智能比较,如图6。

5。结论

人工智能的应用在IAD将不仅生成新的应用程序范例,也使两个相互促进。当讨论人工智能和网络成瘾,就变得明显,人工智能领域有很大的地方。设计师的视觉思维是重建和观众的视角和经验因此发生了深刻的变化。使用网络成瘾作为一种新的艺术形式,艺术家试图更好地服务他们的观众的情感和体验需求,同时也提高自己的精神上的自我。因此,本文完成了以下工作:(1)深入分析主要集中在人工智能的研究在国内外IAD,阐述了人工智能的帮助和意义在IAD当前数字时代。以下论文奠定了理论基础。(2)AI和交互设计提出的结合,然后,RBF神经网络的基本原理,介绍了智能优化算法,构造和交互设计艺术的评价指标。(3)利用构造数据集测试两种智能优化算法,结果表明,PSO-RBF模型更优秀在评估交互设计的艺术性。训练模型用于实验,模型的输出与专家评价结果相比,误差很小。IAD的质量指标比较之前和之后的整合AI,结果表明:人工智能对网络成瘾有良好的改善效果。 The results generated by the PSO-RBF model are promising, but the metrics used for evaluation are confined to convergence value, fitness value, and no. of iterations at convergence. The superiority of the model could be further justified by including accuracy, specificity, sensitivity, precision, and recall. This could be considered as future scope of research and observe how the model functions when such metrics are used for evaluation.

数据可用性

在当前的研究中使用的数据集是可从相应的作者以合理的要求。

的利益冲突

作者宣称没有利益冲突。