BP神經網絡模型的特性及應用范文

本站小編為你精心準備了BP神經網絡模型的特性及應用參考范文，愿這些范文能點燃您思維的火花，激發您的寫作靈感。歡迎深入閱讀并收藏。

《東華大學學報》2016年第4期

摘要：

為更全面準確地評價產品造型設計，在近幾年國內外產品評價系統研究的基礎上，綜合運用主成分分析法、聚類分析法、bp神經網絡技術，對產品設計造型要素的感性意象進行定量化研究，建立和完善了產品設計評價的神經網絡模型．并以園林工具割草機產品設計為例訓練模型，驗證了模型的可行性和有效性．

關鍵詞：

產品設計評價；主成分分析；聚類分析；BP神經網絡；感性工學

產品造型設計和評價是產品設計開發過程中的重要組成部分．近年來，國內外學者結合感性工學對產品造型設計和產品造型評價進行了大量的研究．產品造型設計是一項復雜的系統運行過程，除受客觀條件如經濟、技術、構造等要素的影響外，同時，社會審美、目標消費群的偏好、設計師經驗、背景等因素也相互影響［1］．人工神經網絡是伴隨著生物學、數學、計算機等學科的發展而產生的一門新興的綜合交叉性學科．其中，最常見的是BP神經網絡，它具備任意精度的函數逼近能力，具有自組織、自適應、自學習、高度非線性映射性、泛化性、容錯性的優點［2］．BP神經網絡因其很強的學習能力、抗故障性、并行性的優點，特別適合于解決上述非線性很高的復雜系統．割草機產品應用具有較強的地域性和個性化的消費者群細分，造型設計目前未形成系統的理論和方法．將BP神經網絡法和遺傳算法等應用于產品造型設計的評價系統中尚屬于摸索階段．文獻［3］提出了BP神經網絡技術與產品評價系統結合的可行性．文獻［4］通過將遺傳算法與神經網絡相結合，進一步優化了產品設計評價模型的精度．產品造型設計與評價是個復雜的過程，需要多層次的系統分析．為此，本文將綜合運用主成分分析法、聚類分析法與BP神經網絡技術，定量地研究感性意象與產品造型設計之間的關系．以園林工具割草機產品為例，把產品造型要素的集合分組為由類似對象組成的多個類，分析影響割草機產品感性意象的主要造型特征，基于MatlabR2014a平臺，建立BP神經網絡模型，檢測產品造型與目標消費者群體偏好之間的對應關系，以驗證和提高產品設計評價模型的可行性和準確度．

1研究流程

本文以割草機產品為例，綜合應用主成分分析、聚類分析方法和BP神經網絡技術，對感性意象進行定量化研究，建立和完善產品造型特征與感性意象關系評價的神經網絡模型．研究流程如圖1所示．具體流程如下：

（1）通過網絡調研并篩選得到描述割草機外形的形容詞．

（2）通過網絡搜集各國割草機圖片樣本，對圖片進行去色、去標志處理，排除顏色和品牌對試驗樣本的影響．

（3）把7點量表建立在已經選擇出來的感性意象形容詞上，讓每個測試者針對這些選定的形容詞對每個試驗樣本打分．將試驗所得數據運用主成分分析，并結合專家意見，確定最終描述詞匯．

（4）將樣本進行聚類分析，并通過專家對同類內樣本共同特征的提取，明確影響割草機外形意象的造型特征，并分析各造型特征組合與感性意象的關系．

（5）建立BP神經網絡模型，以試驗數據訓練神經網絡模型．

（6）神經網絡準確率檢測，總結分析．

2割草機外觀特征與感性意象認知關系量化試驗

2．1試驗準備

通過調研，共搜集整理近5年銷售生產的割草機產品圖片150張，分別來自不同國家和地區．對圖片進行去色、去標志處理，以排除顏色、品牌及其他因素對試驗樣本的影響．利用KJ法［5］篩選得到20個圖片樣本，部分樣本圖片如圖2所示．經過表1的分析可以得到形容詞的意象空間，專家設計師結合這一意象空間進行總結和分析，得到其3個維度上的感性意象描述形容詞，分別為“科技－落后”“樸素－華麗”“易用－復雜”．

2．3關鍵造型特征提取和聚類分析

將意象空間的樣本進行聚類分析，把產品造型要素的集合分組為由類似的對象組成的多個類，分析影響割草機產品感性意象的主要造型特征．通過專家設計師評價和問卷調查統計，抽取同類樣本內的共同特征，得到最主要的影響割草機感性意象的造型特征．聚類分析的結果如表2所示．

3BP神經網絡模型建立、訓練、預測

3．1BP神經網絡模型建立

選用MatlabR2014a為平臺進行BP神經網絡結構的建立與模擬，其模型如圖3所示．通過歷史數據的訓練，用以檢測產品造型與其感性意向的對應關系，建立產品造型設計評價體系．經過數次預先進行的試驗，確定神經網絡結構為3層，輸入層（包含2個節點）、隱含層（包含4個節點）、輸出層（包含1個節點）．輸入層是2個設計元素的編號組合，輸出層是關于“科技的－落后的”這個語匯對的感性意象評價值．

3．2BP神經網絡模型訓練設置

BP神經網絡的學習次數為5000次，采用梯度下降法，目標誤差值為0．001，訓練結果采用均方誤差衡量，將表4中樣本1＃～15＃的數據導入建立的網絡，訓練BP神經網絡，在1753次訓練時結果收斂，停止訓練，其訓練的結果如圖4所示．由圖4可得，其實際訓練的誤差值為0．00908．

3．3BP神經網絡模型測試選用

表4中樣本16＃～20＃測試神經網絡預測能力，即將5個樣本造型特征組合導入網絡的輸入層，將調查得到的數據與神經網絡預測的感性評價值進行對比，結果如表5所示．由表5可見，實際感性評價值與預測感性評價值相對誤差較小，說明網絡精度達到要求，驗證了割草機產品評價模型的可行性和有效性．

4結語

本文將主成分分析法、聚類分析法與BP神經網絡模型相結合，對割草機產品造型設計與感性意象之間的關系進行分析，為產品造型設計符合目標消費群體需求提供客觀評價幫助．但是本文只針對割草機的主要產品造型要素進行了試驗，隨著研究方法及科技的不斷進步，結合色彩、材質、紋理甚至人機工程學等綜合因素的研究將成為下一步的研究重點．基于神經網絡的意象認知模型，還存在一定局限性，隨著科技的發展，結合認知心理學、腦科學、人工智能等技術和方法將使相關研究得到更深入的發展．

參考文獻：

［1］王愛華，孫峻．BP神經網絡在工程項目管理中的應用［J］．建筑管理現代化，2009（4）：306－309．

［2］周美玉，李倩．神經網絡在產品感性設計中的應用［J］．東華大學學報（自然科學版），2011，37（4）：509－513．

［3］趙萬芹．基于BP神經網絡的產品造型設計評價［J］．計算機工程與設計，2009，30（24）：5715－5717．

［4］林琳，張志華，張睿欣．基于遺傳算法優化神經網絡的產品造型設計評價［J］．計算機工程與設計，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

［6］黃琦，孫守遷．基于意象認知模型的汽車草圖設計技術研究［J］．浙江大學學報（工學版），2006，40（4）：553－559．

作者:倪敏娜 孫志宏 王梓 李姝佳 黃菁 單位:東華大學機械工程學院