System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及深度学习,尤其涉及一种基于深度学习的移动用户界面评估系统。
技术介绍
1、以人为中心的人工智能在确保人类的能力和想法能够有效满足数据需求方面发挥着至关重要的作用。主要想法是让机器在许多领域从人类行为中学习,包括:电子学习、移动计算、电子医疗等。在这种背景下,移动设备的销量每天都在上升,智能手机和平板电脑的移动用户界面(mobile user interface,mui)正在吸引更多的关注。
2、这样,新的移动服务就有了广泛的开发工具。此外,还有一些有用的移动应用程序可以帮助用户的日常生活,如健康、娱乐、游戏、社交网络、天气、电子学习、物流和交通。移动用户界面已经成为满足用户需求的必需品。在这种情况下,移动用户界面的评估是移动应用呈贡的一个基本方面。
3、通常,有两种主要的用户界面评估方法:手动和自动。手动是由用户或者专家来评估muis(mobile user interfaces)的视觉设计质量,然而,这是一项费时的任务。自动是使用自动工具,需要在源代码中预先配置,然而这种配置对于非程序员评估这来说是一项困难的任务。
4、针对上述问题,提出了一种基于深度学习的移动用户界面评估系统。
技术实现思路
1、本专利技术的目的是解决现有技术中存在的缺点,而提出的基于深度学习的移动用户界面评估系统。
2、本专利技术解决其技术问题所采用的技术方案是:一种基于深度学习的移动用户界面评估系统,包括:数据处理模块、预处理模块、深度学习模型模
3、进一步地,所述预处理模块包括:采样处理模块,所述过处理模块通过边界-线-smote过采样算法进行样本重采样,解决类不平衡问题。
4、进一步地,所述深度学习模型包括:特征提取单元和特征分类单元,所述特征提取单元基于densenet201架构自动提取每个屏幕截图的图像特征,所述特征分类单元基于knn分类器将提取的图像特征分类。
5、进一步地,所述填充缺失值采用线性插值算法实现,所述线性插值算法的计算公式为:
6、对于属性a在时间点t0和t1之间的缺失值算法如下:
7、
8、其中:a(t)表示在时间点t处的估计值,a(t0)表示已知时间点t0处的数据值,a(t1)表示已知时间点t1处的数据值,(t-t0)表示待估计时间点t与已知时间点t0之间的距离,(t1-t0)表示已知时间点t1与已知时间点t0之间的距离。
9、进一步地,所述特征分类单元基于knn分类器将提取的图像特征分类步骤如下:
10、s1、数据准备:需要将图像数据划分为训练集和测试集;
11、s2、特征提取:对于每个图像,提取代表该图像的特征;
12、s3、特征向量表示:将每个图像的特征提取结果转换为特征向量表示;
13、s4、模型训练:用训练集的特征向量和其对应的分类标签训练knn分类器模型;
14、s5、分类预测:使用训练好的knn分类器模型对测试集中的图像特征进行分类预测,对于每个测试样本,计算它与训练样本的特征向量距离,找到最近的k个邻居,并根据邻居的类别进行投票,选择得票最多的类别作为预测结果;
15、s6、评估分类性能:通过比较预测结果与真实标签,计算分类的准确率、精确率、召回率、f1-score指标来评估分类性能;
16、其中:训练集用于构建knn分类器模型,测试集用于评估分类性能。
17、进一步地,还包括:可视化和呈现模块,所述可视化和呈现模块用于将评估和分析结果可视化呈现给用户。
18、进一步地,所述图像特征包括:边缘、线条、曲线、颜色、纹理以及形状。
19、与现有技术相比,本专利技术的有益效果是:
20、通过预处理模块对数据集进行预处理,并通过边界-线-smote技术获得一个平衡的数据集,基于densenet201架构提取每个gui屏幕截图的特征,然后通过knn分类器使用提取的特征向量,创建新的分类模型来评估mui的视觉设计,并通过评估和推荐模块根据模型的输出结果来评估用户界面的质量和可用性,并提供有关用户体验和界面设计改进的反馈和建议,通过mui评估减少对用户需求的误解,改善设计和可用性,以达到用户满意。
本文档来自技高网...【技术保护点】
1.一种基于深度学习的移动用户界面评估系统,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述预处理模块包括:
3.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述深度学习模型包括:
4.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述填充缺失值采用线性插值算法实现,所述线性插值算法的计算公式为:
5.根据权利要求3所述的基于深度学习的移动用户界面评估系统,其特征在于,所述特征分类单元基于KNN分类器将提取的图像特征分类步骤如下:
6.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,还包括:
7.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述图像特征包括:
【技术特征摘要】
1.一种基于深度学习的移动用户界面评估系统,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述预处理模块包括:
3.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述深度学习模型包括:
4.根据权利要求1所述的基于深度学习的移动用户界面评估系统,其特征在于,所述填充缺失值采用线性插值...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。