本发明专利技术公开了一种基于数据挖掘和数据融合的游戏关卡自动生成系统及方法，该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块，该方法包括：收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性；对游戏玩法数据中属性数据进行约减以及建立决策树；对收集到的多个游戏关卡属性数据进行融合处理，得出一条全面代表玩家行为的数据；利用数据融合的游戏关卡属性数据结果作为决策树的测试数据，利用测试数据进行关卡信息的最终设置完成游戏关卡自动生成。本发明专利技术依据游戏玩法数据的引入自动生成游戏关卡，不仅降低了游戏设计成本，而且利用数据挖掘技术和数据融合技术挖掘游戏玩法数据中的规则知识提高了游戏的自动化和智能化程度。
【技术实现步骤摘要】
本专利技术属于数据融合和数据挖掘领域，特别是涉及游戏关卡中的数据融合和数据挖掘的应用。
技术介绍
随着计算机和智能手机的发展和普及，游戏已经成为一种非常受欢迎的娱乐方式并呈现出爆炸式的增长态势。游戏开发也成为一个快速发展的行业，游戏开发的过程中，游戏关卡的设计是游戏开发的重点，但是如果所有关卡都由设计师逐一设计将花费大量的时间和资金。所以，关卡自动生成技术被应用于游戏关卡的开发中，大大降低了游戏的开发成本。目前，国内外的游戏关卡设计模型主要考虑的是艺术学、工程学和设计学。但是在这些以玩家为最终对象的关卡设计模型中却缺少对玩家在玩游戏时的适应程度的分析。出现该现象主要是由于在模型中没有充分考虑游戏用户玩游戏时得到的游戏玩法数据。随着游戏产业的快速发展，游戏数据的记录和存储已成为游戏开发的流行趋势，如今玩家们可跟踪游戏进度、分析以往的游戏行为，并和玩友分享这些数据。高分榜、可重复体验、历史匹配、团队排名、玩家操作、成就、动机以及奖杯蕴藏着供游戏玩家享用的宝贵数据。并且游戏数据持续有效地被构建和融合，形成了一种完整的数据状态。一个玩家的游戏玩法数据，这个定义是针对真正玩游戏这个过程而言的，可以通过一些软件来收集玩家的行为以及相关游戏活动。Galloway认为玩家的行为可分解为叙事性和非叙事性行为。叙事性行为是指那些与“游戏的整体故事叙述”相关联部分，如奔跑、与游戏中的人物对话、在游戏世界里征服一个迷宫等等都是叙事性行为的例子。非叙事性行为是“指孕育在游戏人物角色和游戏世界里的，伴随外界环境共同发展的元素”比如按下开始按钮或者在游戏里运用预警系统。叙事性行为和非叙事性行为都是发生在游戏玩法里，并且可被一些软件存储下来的。以游戏玩家的动机为例，当玩家有强烈的好奇心和探索欲时，这个动机会推动玩家去玩耍，此动机也会得到系统数据的多次论证。例如:当玩家被激励着去掌控一个游戏时，它的用户名会因为出现在排行榜而得到验证；而当玩家热衷探险时，他们的手机游戏征途上通常会出现游戏地图；社交型玩家倾向于社会交往，努力与他人构建人际关系并乐于团队合作。举例来说，如果一个玩家因为获得了一个奖杯后就停止了游戏，这说明他的外在动机已经被侵蚀或者逐渐下降。反之，如果他们继续玩这款游戏，会被认为这个玩家持续不断地期望得到奖励并且永远受外在动机所驱使。然而，由于过分突出玩家所取得的成就并将玩家所取得的目标与奖励联系在一起，因此很多游戏公司已经因为过多注重对动机型玩家的奖励而被人们诟病。由此可看出，玩家的游戏玩法数据对游戏用户有着重要的意义，但是，如果我们不能正确的处理这些数据，也会带来不良的效果。因此，如何正确有效的利用这些数据成为研究的热点。处理游戏玩法数据时遇到了不少困难，专家和学者进行了大量的研究也提出了不少的解决方法，例如，数据挖掘技术、数据融合技术等。数据挖掘与数据融合同为数据处理方法，在手段、功能上各有侧重。数据挖掘方法是运用归纳的思想从已有的数据中发现知识；而数据融合方法则是以演绎的思想实现对知识的应用，并获取新的数据。比如，在天气预报领域，数据挖掘可以根据已有的气象数据发现多种气象类型和规律；数据融合则根据发现的气象类型和规律以及已有的数据，得到新的数据为预报员提供有效的天气趋势分析的参考。两者之间可以互为前提，也可以互为补充，形成一种闭环系统。数据挖掘是从数据库中提取人们感兴趣的知识，这些知识是隐含的、事先未知的、潜在有用的信息，提取的知识可表示为概念、规则、规律、模式等形式。广义地讲，数据挖掘是在一些事实或观察的集合中寻找模式的决策支持过程。也就是说，数据挖掘的对象不仅是数据库，也可以是文件系统，或其他任何数据集合。数据挖掘技术是从数据中提取知识。这些知识按功能分为两大类:预测型和描述型。预测型可以根据数据项的值精确确定某种结果。描述型是对数据中存在的规则作一种描述，或者根据数据的相似性把数据分组。数据挖掘是一个完整的、反复的人机交互处理过程，该过程需要经历多个相互联系的步骤，而且因为应用领域的分析目标需求不同，以及数据来源和含义的不同，其中的步骤也不会完全一样。一般来说，数据挖掘的过程主要包含五个阶段:数据准备；数据选择；数据预处理；④数据挖掘；⑤转换模型及模式评价。由于数据挖掘面对的数据结构是复杂的、数据类型是多样化的、数据规模是巨大的，所解决的问题以及结果形式也是多种多样的。因此，为了满足数据、问题、结果形式的要求，针对不同的挖掘目的，必须运用不同的数据挖掘技术。常用的数据挖掘技术主要分为两个方面:寻找数据规律和针对实际问题的数据处理。寻找数据规律包括:统计分析方法是利用统计学、概率论的原理对关系中各属性进行统计分析，从而找出它们之间的关系和规律；粗糙集方法是一种从不精确的、模糊的、不确定的数据中发现知识的方法，广泛应用于不精确、不确定、不完全的信息的分类和知识获取；决策树方法就是利用训练集生成一个测试函数，根据不同取值建立树的分支，在每个分支子集中重复建立下层结点和分支，这样便生成一棵决策树，然后对决策树进行剪枝处理，最后把决策树转化为规则，利用这些规则可以对新事例进行分类神经网络方法是一种具有对非线性数据快速拟合的能力，可用于分类、聚类、特征挖掘等多种数据挖掘任务的方法。针对实际问题的数据处理包括:遗传算法是一种优化技术，它利用生物进化的一系列概念进行问题的搜索，最终达到优化的目的；模糊理论方法就是一种利用模糊集合理论，对实际问题进行模糊判断、模糊决策、模糊模式识别、模糊簇聚分析的方法。数据融合就是利用计算机对各种信息源进行处理、控制和决策的一体化过程。它是计算机、通信和微电子等技术迅速发展的结果。数据融合分为像素级融合、特征级融合、决策级融合三种。像素级融合:即以像素为单位将各传感器的原始数据或经最小程度处理的数据进行融合，一般使用于中央级融合结构中，如果要融合的数据分别来自不同的传感器，则在处理时需要面临数据配准的问题；特征级融合:即对每个传感器的观测数据进行特征抽取得到一个特征向量，然后把这些特征向量融合起来并根据融合得的特征向量进行身份判定，特征级融合既可以用于中央级数据融合结构，也可以用于传感器级数据融合结构；决策级融合:在决策级融合中每个传感器独立处理自己获得的数据，对目标进行检测和分类，然后将来自每个传感器的结果进行融合决策。如果各传感器接收的信号不独立，那么决策级融合的分类性能对于特征级融合的分类性能来说是次优的。另外，数据融合常用的融合算法包括基于权系数的融合方法、基于参数估计的信息融合方法、基于D-S证据理论的融合方法、基于Kalman滤波的融合方法、基于模糊神经网络的融合方法、基于粗糙集理论的融合方法等。
技术实现思路
基于上述现有技术及其缺陷，本专利技术提出一种基于数据挖掘和数据融合的游戏关卡自动生成系统，在游戏关卡设计中引入游戏玩法数据，对系统收集的游戏玩法数据利用数据挖掘技术从游戏玩法数据获得决策树，然后利用数据融合技术融合对玩家游戏玩法数据进行预处理，有效的利用两种技术，自动生成游戏关卡，降低游戏开发成本并提高游戏的可玩性。本专利技术提出了一种基于数据挖掘和数据融合的游戏关卡自动生成系统，该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块，其中:所述数据收集模块，用本文档来自技高网...
【技术保护点】
一种基于数据挖掘和数据融合的游戏关卡自动生成系统，该系统包括数据收集模块、数据挖掘模块、数据融合模块和关卡信息生成模块，其特征在于：所述数据收集模块，用于收集预先定义的游戏玩法数据包括游戏关卡属性以及目标属性；目标属性是由玩家在关卡结束时主观定义得到，其余属性则由程序自动生成，即利用游戏程序中已有的相关变量得到所需要的属性数据；对所述游戏玩法数据进行预处理，即分析并统计收集到的各个属性的数据得到数据规律后，再转换成在所述数据挖掘模块的决策树中使用的值；所述数据挖掘模块，用于对上述的游戏玩法数据中属性数据进行约减以及建立决策树；将所述游戏玩法数据作为训练数据；约减算法采用FCBF算法，去除与目标属性无关或冗余的属性；选择ID3算法构建出反映游戏难易度的决策树：检测收集到的所有属性数据，选择信息增益值最大的属性产生决策树节点，由该属性的不同取值建立分支，再对各分支的子集递归调用该方法建立决策树节点的分支，直到所有子集仅包含同一个类别的数据为止，最后得到决策树；所述数据融合模块，用于对收集到的多个游戏关卡属性数据进行融合处理，选择D‑S证据理论作为数据融合的算法：首先，定义关卡数据为D[n]，数据挖掘得到的各属性的信息增益为Gain[n]，各属性的最大值为Max[n]，处理后的关卡数据为Data[n]，处理规则为：Data[n]＝D[n]*Gain[n]/Max[n]其中，n为属性的个数；然后，利用D‑S证据理论算法对数据处理进行融合后得到的一条新的更能代表玩家行为的数据；最后，把该条数据转换成一条与游戏关卡属性数据格式相同的数据，用于关卡信息生成模块并且把该条数据再放入训练数据中以完善训练数据集，得出一条全面代表玩家行为的数据；所述关卡信息生成模块，用于利用数据融合的游戏关卡属性数据结果作为决策树的测试数据，以及利用测试数据进行关卡信息的最终设置，完成游戏关卡的自动生成，具体为：利用数据融合模块生成的新的游戏关卡属性数据作为决策树的测试数据，从而得到游戏难易度，然后根据难易度来设置关卡信息，设置规则为：如果难易度结果为容易，则提高关卡的难度；如果难易度结果为中等，则保持关卡的难度，但是要改变游戏关卡 中影响难易度的数据信息；最后，根据关卡信息自动生成新的、更适合玩家的游戏关卡。...
【技术特征摘要】
【专利技术属性】
技术研发人员：张冰怡，齐彦君，冯志勇，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12
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。