基于AI的智能交換功能拉桿箱設計

葛霖霖，敬釗君

（青島黃海學院 山東 青島 266427）

0 引言

拉桿箱因其能夠放置大量旅行用品或者辦公、學習用品，且使用安全、方便，受到廣大旅行愛好者、大學生或上班族的青睞[1]。隨著人工智能的發展，人們將人工智能中的語音識別功能使用到拉桿箱上，為發展或者擴大拉桿箱的智能化使用奠定了一定的基礎。在概述AI智能交換功能拉桿箱的設計原理的基礎上，本文介紹了一種AI智能移動拉桿箱，本設計的目的在于供應一種AI智能移動拉桿箱，以解決現有技術中拉桿箱不能夠有效地解決智能語音把握及節目源網絡化的問題，且不能夠實現人機互動、購物、把握模塊，同時連接到操作處理模塊，接收和發送把握指令。通過AI智能化語音實現其網絡智能優化功能，實現人機互動無延遲的特點，為拓展AI技術在智能拉桿箱領域提供了一種理論和實踐意義[2-3]。

1 功能模塊步驟

傳統的移動拉桿箱只是簡單的一種機械裝置，其主要功能是簡單的裝載實際物品功能，通俗地講就是我們日常所見的“皮箱”。本次AI語音識別的拉桿箱主要以蓄電池升壓為基礎，將使用者的音頻信號通過藍牙進行放大擴聲，實現其裝卸物品的自動化功能。拉桿箱主要包括藍牙把握模塊、usb接口模塊、tf/sd接口模塊、數據傳輸模塊、把握處理模塊、aux輸入模塊、話筒拾取模塊、耳機模塊、擴聲模塊、喇叭模塊、遙控語音裝置。其主要操作過程分為以下幾個步驟[4]：

步驟1：用戶通過語音功能將指令傳達于拉桿箱的藍牙接收模塊；

步驟2：藍牙接收模塊將用戶的指令通過自帶的AI智能裝置進行自我語音識別；

步驟3：AI語音識別模塊將處理的數據信息通過tf/sd接口模塊進行分類機械設置和判定；

步驟4：拉桿箱的機械裝置將各個機械操作模塊進行自我任務的執行；

步驟5：AI智能拉桿箱將各階段的任務通過AI語音識別功能對用戶進行匯報；

步驟6：AI智能拉桿箱的使用階段中，若發現系統錯誤，則將錯誤代碼直接進行輸入轉換成為一個可顯示的文字代碼，將文字代碼通過顯示屏幕和語音模塊分別進行輸出。

2 拉桿箱模型構建

SVM智能網絡由Vapnik基于統計學理論中的結構風險最小化首次創建，其創建思想是建立一個分類超平面作為決策曲面，使得正例和反例之間的隔離邊緣被最大化，AI拉桿箱正是基于此種原理進行設計和操作。學習機器在測試數據上的誤差訓練誤差率和一個賴以于VC維數（Vapnik-Chervonenkis dimension）的項的和為界面，在可分模式情況下，支持向量機對于前一項的值為零，并且使第二項最小化。該方法能在模式分類的基礎上提供最好的泛化能力。SVM的網絡示意圖如圖1所示[5-6]。

圖1 SVM智能網絡示意圖

從圖1中SVM網絡模型可見，SVM網絡由數據輸入層、調整網絡運算結果和結構的隱含層、數據輸出的輸出層三部分組成。SVM網絡模型其運算原理如下：輸入層數組個數為M個數組，每個數據p在輸入層的有效表達為｛Xp輸入｝，每個數組P在輸出層的有效表達為｛Tp輸出｝，P數組通過ANN網絡隱含層中第i神經元時的總輸入計算表達式為公式(1)：

上述f1（X）是一個Sigmoid調節函數，該表達式見（3）。

假設wki和kθ分別為節點i的權值和k節的閾值，q隱含層為模型中的隱含層節點擇期表達式如公式（5）所示：

公式（5）的表達式如公式（6）所示：

數組p的誤差函數表達式Wi-e為：

系統中總共N個樣本函數表達式為公式（8）所示：

輸出層k數據反饋至p時的數據為公式（9）所示：

模型系統加權和修正系數后的表達式為公式（10）所示：

為了提高模型的運算精度，在公式（10）系統中引入學習速率和動量因子修正系統的精度，其表達式如公式（11）、（12）所示：

若系統達到模型設定的誤差或系統循環次數要求，則輸出結果，否則重新開始運算。

AI拉桿箱的具體機械理論通過下述操作約束條件完成：

接觸約束算法就是通過對接觸邊界約束條件的適當處理，將公式（13）中所示的約束問題轉化為無約束優化問題。拉格朗日乘子法是解決小變形、小滑移基礎問題最常采用的轉換方法。拉格朗日乘子法通過引入乘子λ，定義修正的系統總勢能滿足公式（14）：

一般的，可將g對位移U作為layler展開，并只取線性項滿足公式（15）的要求：

將式（15）代入公式（14）后，對U和λ求變分，可得系統代數控制方程為公式（16）：

拉格朗日乘子法中接觸條件可以精確滿足。拉格朗日乘子技術需要采用特殊的界面單元來描述接觸，采用非線性迭代方程進行求解。

3 實測結果

通過對AI拉桿箱進行實測10 000次的使用效果評估檢測，并對其使用過程中的具體操作要求進行結果操作，各功能數據如表1所示。從表1可見，AI智能拉桿箱操作測試中智能拉桿箱的語言操作合格率為99%，這主要是由于在接受測試的1 000名用戶中使用普通話、四川方言、廣東話、東北話、蒙古話的這幾類主體測試時，因為方言的發言和具體的語音識別有一定的差異，從而對具體的語音采集和模式運算出現誤差；在機械功能測試的時候，因為采用純物理AI控制的指令傳輸，所以任何指令均完全滿足操作要求，所以其合格率為100%。對其數據傳輸功能進行采集測試過程中，數據采集模塊為90%，這是由于實驗者在模擬實際旅客運行的繁雜環境中進行樣本的采集，于是會出現數據采集結果為90%的結果，同樣對于擴聲裝置、耳機模塊及遙控語音裝置的組建進行測試的時候，其具體實測結果為100%。

表1 AI智能拉桿箱操作測試

針對上述采集的數據和實測結果進行分析，并對其生產過程中的組件和運算模式進行全方位的改進，通過以下措施提高其準確率：

措施1：通過改進運算的模式參數，調整其具體法則和關鍵系數，進而改進其具體系統的反應靈敏度；

措施2：通過調整其具體的行為規則，改變其運算模塊的系統延遲時間，進一步提高其反饋時間和運算維度，提高其系統反應的靈敏度；

措施3：通過調節其模塊裝置的位置，達到其具體規則的識別準則，進而提高其運算維度和系統反應速度，進一步提高其使用測試的準確率。

按照上述改進措施，對其AI智能語音手提箱重新進行10 000次的測試，其結果如表2所示，通過上述測試結果可見，改進后的AI智能拉桿箱操作測試的語音功能檢測結果、數據傳輸檢測結果、aux輸入模塊結果、喇叭模塊檢測結果、機械功能檢測結果、話筒拾取模塊檢測結果、擴聲模塊檢測結果、遙控語音裝置檢測結果均為100%。

表2 改進后的AI智能拉桿箱操作測試

4 結論

本文基于SVM網絡設計出一種AI智能交換功能拉桿箱，其具體結論：

（1）拉桿箱主要包括藍牙把握模塊、usb接口模塊、tf/sd接口模塊、數據傳輸模塊、把握處理模塊、aux輸入模塊、話筒拾取模塊、耳機模塊、擴聲模塊、喇叭模塊、遙控語音裝置主要組件。

（2）通過SVM組件實現其具體拉桿箱的具體功能。

（3）通過改進運算的模式參數，調整其具體法則和關鍵系數，進而改進其具體系統的反應靈敏度。通過調整其具體的行為規則，改變其運算模塊的系統延遲時間，進一步提高其反饋時間和運算維度，提高其系統反應的靈敏度。通過調節其模塊裝置的位置，達到其具體規則的識別準則，進而提高其運算維度和系統反應速度，進一步提高其使用測試的準確率。通過三項改進措施，經過10 000次的測試，拉桿箱的全部功能可滿足100%的合格率要求。

（4）基于AI的智能化交換功能的拉桿箱設計是一種反應速度快，運算結果準確，能夠充分實現用戶功能的產品。