BP神经网络模型的特性及应用范文

本站小编为你精心准备了BP神经网络模型的特性及应用参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

《东华大学学报》2016年第4期

摘要：

为更全面准确地评价产品造型设计，在近几年国内外产品评价系统研究的基础上，综合运用主成分分析法、聚类分析法、bp神经网络技术，对产品设计造型要素的感性意象进行定量化研究，建立和完善了产品设计评价的神经网络模型．并以园林工具割草机产品设计为例训练模型，验证了模型的可行性和有效性．

关键词：

产品设计评价；主成分分析；聚类分析；BP神经网络；感性工学

产品造型设计和评价是产品设计开发过程中的重要组成部分．近年来，国内外学者结合感性工学对产品造型设计和产品造型评价进行了大量的研究．产品造型设计是一项复杂的系统运行过程，除受客观条件如经济、技术、构造等要素的影响外，同时，社会审美、目标消费群的偏好、设计师经验、背景等因素也相互影响［1］．人工神经网络是伴随着生物学、数学、计算机等学科的发展而产生的一门新兴的综合交叉性学科．其中，最常见的是BP神经网络，它具备任意精度的函数逼近能力，具有自组织、自适应、自学习、高度非线性映射性、泛化性、容错性的优点［2］．BP神经网络因其很强的学习能力、抗故障性、并行性的优点，特别适合于解决上述非线性很高的复杂系统．割草机产品应用具有较强的地域性和个性化的消费者群细分，造型设计目前未形成系统的理论和方法．将BP神经网络法和遗传算法等应用于产品造型设计的评价系统中尚属于摸索阶段．文献［3］提出了BP神经网络技术与产品评价系统结合的可行性．文献［4］通过将遗传算法与神经网络相结合，进一步优化了产品设计评价模型的精度．产品造型设计与评价是个复杂的过程，需要多层次的系统分析．为此，本文将综合运用主成分分析法、聚类分析法与BP神经网络技术，定量地研究感性意象与产品造型设计之间的关系．以园林工具割草机产品为例，把产品造型要素的集合分组为由类似对象组成的多个类，分析影响割草机产品感性意象的主要造型特征，基于MatlabR2014a平台，建立BP神经网络模型，检测产品造型与目标消费者群体偏好之间的对应关系，以验证和提高产品设计评价模型的可行性和准确度．

1研究流程

本文以割草机产品为例，综合应用主成分分析、聚类分析方法和BP神经网络技术，对感性意象进行定量化研究，建立和完善产品造型特征与感性意象关系评价的神经网络模型．研究流程如图1所示．具体流程如下：

（1）通过网络调研并筛选得到描述割草机外形的形容词．

（2）通过网络搜集各国割草机图片样本，对图片进行去色、去标志处理，排除颜色和品牌对试验样本的影响．

（3）把7点量表建立在已经选择出来的感性意象形容词上，让每个测试者针对这些选定的形容词对每个试验样本打分．将试验所得数据运用主成分分析，并结合专家意见，确定最终描述词汇．

（4）将样本进行聚类分析，并通过专家对同类内样本共同特征的提取，明确影响割草机外形意象的造型特征，并分析各造型特征组合与感性意象的关系．

（5）建立BP神经网络模型，以试验数据训练神经网络模型．

（6）神经网络准确率检测，总结分析．

2割草机外观特征与感性意象认知关系量化试验

2．1试验准备

通过调研，共搜集整理近5年销售生产的割草机产品图片150张，分别来自不同国家和地区．对图片进行去色、去标志处理，以排除颜色、品牌及其他因素对试验样本的影响．利用KJ法［5］筛选得到20个图片样本，部分样本图片如图2所示．经过表1的分析可以得到形容词的意象空间，专家设计师结合这一意象空间进行总结和分析，得到其3个维度上的感性意象描述形容词，分别为“科技－落后”“朴素－华丽”“易用－复杂”．

2．3关键造型特征提取和聚类分析

将意象空间的样本进行聚类分析，把产品造型要素的集合分组为由类似的对象组成的多个类，分析影响割草机产品感性意象的主要造型特征．通过专家设计师评价和问卷调查统计，抽取同类样本内的共同特征，得到最主要的影响割草机感性意象的造型特征．聚类分析的结果如表2所示．

3BP神经网络模型建立、训练、预测

3．1BP神经网络模型建立

选用MatlabR2014a为平台进行BP神经网络结构的建立与模拟，其模型如图3所示．通过历史数据的训练，用以检测产品造型与其感性意向的对应关系，建立产品造型设计评价体系．经过数次预先进行的试验，确定神经网络结构为3层，输入层（包含2个节点）、隐含层（包含4个节点）、输出层（包含1个节点）．输入层是2个设计元素的编号组合，输出层是关于“科技的－落后的”这个语汇对的感性意象评价值．

3．2BP神经网络模型训练设置

BP神经网络的学习次数为5000次，采用梯度下降法，目标误差值为0．001，训练结果采用均方误差衡量，将表4中样本1＃～15＃的数据导入建立的网络，训练BP神经网络，在1753次训练时结果收敛，停止训练，其训练的结果如图4所示．由图4可得，其实际训练的误差值为0．00908．

3．3BP神经网络模型测试选用

表4中样本16＃～20＃测试神经网络预测能力，即将5个样本造型特征组合导入网络的输入层，将调查得到的数据与神经网络预测的感性评价值进行对比，结果如表5所示．由表5可见，实际感性评价值与预测感性评价值相对误差较小，说明网络精度达到要求，验证了割草机产品评价模型的可行性和有效性．

4结语

本文将主成分分析法、聚类分析法与BP神经网络模型相结合，对割草机产品造型设计与感性意象之间的关系进行分析，为产品造型设计符合目标消费群体需求提供客观评价帮助．但是本文只针对割草机的主要产品造型要素进行了试验，随着研究方法及科技的不断进步，结合色彩、材质、纹理甚至人机工程学等综合因素的研究将成为下一步的研究重点．基于神经网络的意象认知模型，还存在一定局限性，随着科技的发展，结合认知心理学、脑科学、人工智能等技术和方法将使相关研究得到更深入的发展．

参考文献：

［1］王爱华，孙峻．BP神经网络在工程项目管理中的应用［J］．建筑管理现代化，2009（4）：306－309．

［2］周美玉，李倩．神经网络在产品感性设计中的应用［J］．东华大学学报（自然科学版），2011，37（4）：509－513．

［3］赵万芹．基于BP神经网络的产品造型设计评价［J］．计算机工程与设计，2009，30（24）：5715－5717．

［4］林琳，张志华，张睿欣．基于遗传算法优化神经网络的产品造型设计评价［J］．计算机工程与设计，2015，36（3）：789－813．

［5］川喜田二郎．KJ法［M］．京都：中央公論新社，1986．

［6］黄琦，孙守迁．基于意象认知模型的汽车草图设计技术研究［J］．浙江大学学报（工学版），2006，40（4）：553－559．

作者:倪敏娜 孙志宏 王梓 李姝佳 黄菁 单位:东华大学机械工程学院