基于BP神经网络的游艇造型意象量化模型研究

程永胜，徐骁琪 Cheng Yongsheng &Xu Xiaoqi

(厦门大学嘉庚学院，福建漳州 363105）

游艇由于具有较强的休闲、娱乐属性，成为许多富人娱乐和身份象征的工具。随着技术的发展，游艇造价不断降低，呈现越来越大众化、多样化的发展趋势。Espen Oino在描述游艇产业时说：过去船舶是制造的，而如今是设计的[1]。游艇作为一种奢侈品，它代表的不仅仅是航海、运动、休闲、娱乐等功能集合，同时也具有高度的情感化特征。因此，游艇设计中除了动力学、材料学、风格美学、人机工程学等，也越来越关注游艇造型设计与用户情感的关联性。

将产品的造型特征与用户的感性认知相关联，来分析它们之间的数量关系，是认知产品造型中情感要素的主要方法。产品造型设计与用户感性认知常用的定量分析方法有层次分析法[2]、多元回归分析[3]、神经网络[4]、因子分析[5]、遗传算法[6]等。但由于用户情感认知的复杂性，以及对于尺寸较大和特征复杂的产品造型进行分析时，单一的分析方法往往较难全面客观地描述产品造型与感性认知的数量关系。围绕这一问题，有关学者们进行了积极的研究。罗仕鉴等学者[7]通过将用户心理意象特征与产品物理外形特征之间的映射系数转换成用户偏好驱动的进化函数，并运用遗传算法实现用户偏好驱动下的SUV产品族侧面轮廓线基因进化设计方法；徐秋莹等学者[8]将改良灰色理论与人工神经网络结合，并利用马尔科夫链对初始数据进行修正，提出一种基于历史数据的汽车形态特征进化方法；Yadav H c[9]则以QFD方法建立汽车质量功能模型，并结合KANO模型将用户感性意象转化为可用的造型设计参数。总体而言，以上研究方向主要以多种分析方法相结合获取用户对产品造型的评价数据，实现用户感性认知与产品造型特征间的映射关系及数据转换，从而指导设计实践；但更偏向于获取用户对于产品整体造型的感性评价，缺乏对于产品造型特征中设计要素的具体描述和研究。因此，本文拟采用层次分析法和BP神经网络相结合，通过层次分析法确定基于用户认知关系中各造型设计要素权重，以增加BP神经网络中输入层各数值对应的产品设计要素的准确度，最终获得更为客观科学的造型设计要素和感性认知评价的量化关系模型。

1 研究方法与流程

1.1 感性工学

1970年，日本广岛大学的工学研究部将感性分析引入工学研究领域，称为“情绪工学”。它是一种运用工程技术手段探讨“人”的感性意象与“物”的设计特性两者关系的理论及方法。在产品设计领域，它将“人”对“物”的感性意象定量、半定量地表达出来，并与产品设计特性相关联，以实现在产品设计中体现“人”的感性意象，设计出符合“人”期望的产品。游艇的形态意象融合了其有形与无形的语言，使用者透过游艇的外观造型感受到形态的象征意义，凭借形态主要的视觉特征元素可以构建游艇的意象空间[10]。根据游艇的不同造型形式和造型元素，人会产生不同的视觉认知，这些造型形式或元素与人们对其产生的视觉认知具有一定的关联性，通过定量分析挖掘它们之间的关联性，可以在概念设计前期为企业和设计师提供不同造型元素下的用户意象数据。

1.2 神经网络

神经网络则是一种类似于大脑神经突触连接的结构进行信息处理的数学模型[11]。由于神经网络特有的非线性信息处理技术，使其具有良好的学习能力、非线性映射能力、泛化能力及容错能力，有效地提高了对于直觉信息处理的能力，常用于建立输入变量与输出变量之间的复杂关系。而产品设计过程中产品的造型设计要素与消费者对产品的意象感知之间的关系属于黑箱模型，不能被精确地描述，神经网络算法非常适用于建立这两者之间的关系。

1.3 研究流程

基于BP神经网络的游艇造型设计研究流程：首先收集产品造型样本和用户感性词汇；其次对产品的造型特征进行解构，并通过层次分析法对设计要素权重进行计算，确定神经网络输入端的产品造型设计要素集；以及通过聚类分析对收集的感性词汇进行筛选，并进行感性词汇评价，作为神经网络输出端的数量值；最后构建两者之间的BP神经网络模型，通过网络训练得出最终训练结果并进行分析，具体研究流程框架（图1）。

图1 研究流程框架

2 游艇样本与造型设计要素分析

当前船舶类型大多以功能、尺寸、船体形态、动力推进系统等特征进行分类，其中游艇按尺寸大小可分为小型游艇，中型游艇、大型游艇。通过相关研究可知，小型游艇造型具有尺寸适中、船体较修长、上层建筑形式简单等特点，更容易建立游艇造型设计要素与用户对游艇意象感知两者之间关系。同时，用户在观察游艇造型时主要分为前面、后面、侧面和顶面四个特征面，前后两个面的可见面积较小，而顶部观察需要站在高点不易看到，而游艇侧面相较前后两面细节更丰富，较之顶面结构性更强，因此用户对游艇造型视觉观察范围更多以侧面为主。综合上述内容，研究对象将着重以单层甲板的小型游艇侧面特征为例进行游艇造型设计研究[12]。通过游艇商业公司的网站、杂志、图片网站等，搜集大量运动型游艇案例的图片，去除造型相同或者同质化严重的案例得到40个样本案例，为了剔除其他要素的干扰，对图片进行去除背景、去色处理，确定游艇样本（表1）。

表1 游艇样本（部分）

通过对大量游艇样本的造型抽象和总结，游艇侧面造型主要是由上层建筑和船体两个部分构成。如对游艇侧面造型进行简化可将游艇上层建筑侧面轮廓简化为一个三角形或梯形，游艇船体的侧面轮廓则可以简化为一个四边形[13]。虽然游艇的侧面轮廓造型相对固定，但是轮廓内的设计要素则变化丰富，构建了不同的游艇造型特征，从而成为影响游艇整体视觉意象的主要要素。通过对游艇设计相关书籍的专业名词查询和游艇样本进行造型拆解和总结，将影响游艇的设计要素分为以下几个部分，上层建筑的要素包括：上层建筑舷窗、上层建筑顶轮廓线、前窗（前挡风）；船体的要素包括：舷弧线、船体舷窗、吃水线、艏侧线、艉侧线；附属物则包括：雷达架、扶手栏[14]（图2）。

图2 游艇侧视轮廓包含的设计要素

由于普通大众对于游艇相关知识了解较浅，为保证研究结果的准确度，邀请具有游艇相关专业知识的研究人员3名、设计人员4名、销售人员3名、以及资深用户10名，组成共二十人的专家组，采用层次分析法统计各设计要素在游艇整体造型中对人的视觉感受所产生的影响力，提取在整体造型中对人的视觉具有影响力的因素。层次分析法是一种基于将复杂问题分解为若干层次和若干要素，进行定性和定量相结合的分析方法。并根据该设计要素所占整体侧面积的比重、所处整体造型中的具体位置、是否对游艇轮廓造型产生重要影响等方面进行定性分析；根据各要素对于整体影响的重要度进行两两比较，采用1、3、5、7、9及其倒数对其重要程度进行记录（以进行定量分析），并计算其平均值，确定各要素的权重定量值。根据层次分析法的要求，首先构建多层级层次结构模型，以理想的游艇造型设计方案为第一层级，游艇造型特征中上层建筑A、船体B、附属物C为第二层级，分布于游艇侧面的各个设计要素为第三层级（图3）。

图3 游艇多层级层次结构图

构建各层级要素的判断矩阵，并采用几何平均法求解权重项量[15]：

对结果进行归一化处理得到最终权重值:

根据判断矩阵，求得各层级权重，并将各个单独的子准则层权重值进行合成，各级权重及各要素综合权重见表2。

表2 各要素综合权重

根据层次分析法对各要素综合权重的统计（定量分析）结果，去除综合权重低于0.08的影响力微弱的设计要素，以提高设计要素和感性值量化模型的建立精度和效率。剩下权重较高的五个设计要素包括：舷弧线、上层建筑舷窗、船体舷窗、艏侧线、艉侧线。根据搜集的样本对这些设计要素的造型分类进行提取，并采用线框图的表现形式提取，基本型相同或相似的造型、构成方式相同或相似的造型或线型相同或相似的造型，并对提取内容进行归纳和分组。各设计要素及具体要素分类见表3。

表3 各设计要素分类

3 感性词汇与游艇造型感性评价

意象是指能即时被感觉器官所感知的，对事物（如物体、事件、场景）的心理表征。意象是人的一种意识活动，它通过人的多重感官所激发，形成人对产品的某种风格认知，因此它是主观的；但当人们具有相似的教育背景和专业知识时，其对美学的认知则具有一定的规律性。

基于前期搜集的游艇样本，通过邀请游艇用户进行访谈和问卷调研，搜集用户对于游艇整体造型的风格认知词汇，获取用户对于游艇的感性认知词汇群。首先运用聚类分析法，用户根据自我认知对词汇群进行分类，被分作同一类的次数作为评判两者之间相似程度的标准，分类结果见表4；然后构建相似程度矩阵和距离矩阵，对获得的结果运用SPSS(Tatistical Product and Service Solutions)软件的交替最小分差法，分析模型的拟合情况，再用离差平方和法（Ward）和欧式距离法进行层次聚类分析，得知聚类距离3以上的结果稳定，说明3为合适的分类数目，再使用K均值聚类分析；最终得出三组词汇分类，从中筛选出具有代表性的三个词汇：动感、奢华、流线，找出与这三个词汇意义相反的对应词汇，建立三组具有相对应意义的代表性词汇组，分别为：V2动感的—沉稳的，V11奢华的—简约的和V21流线的—方正的。

表4 问卷调研（部分）

根据前期筛选的游艇样本和三组代表性词汇组，结合语意差异法设计问卷调查表，来测量用户对于产品造型的感性评价值。采用七级量表：即数值1～7来代表感性评价值，例如某样本展示“动感的”感性意象评价越强，越接近量表数值1；“沉稳的”感性意象评价越强，则越接近量表数值7；若样本对于两个意象词汇评价相对均衡，则越接近量尺的中间数值4。发放150份问卷，收回有效问卷136份，汇总得出各个样本的感性词汇组评价均值（表5）。

表5 感性词汇评价均值

4 建立BP神经网络

4.1 神经网络构建

BP神经网络又称为误差反向传播神经网络，它是一种多层的前向型神经网络，具有很强的映射能力，能够对具有有限个不连续点的函数进行逼近。BP神经网络通常具有一个或多个隐藏层、输入层以及输出层组成，选取最简单的三层神经网络，输入层为各游艇样本的造型特征要素，共有游艇样本40个，因此输入层的节点数为40；输出层为基于典型感性词汇的感性评价值，共有三个感性词汇，节点数为3；隐含层的作用是通过学习训练样本挖掘样本中的内在规律并将其转化成权值的形式存储，各个节点包括若干权值，每一个权值都是增强网络映射能力的一个参数[16]，隐含层节点数的确定一般采用公式（4）：

其中，为隐含层节点数，为输入层节点数，为输出层节点数，为随机常数1～10。

根据公式（4）确定隐含层节点数，以此建立神经网络；经过反复训练，直到输出端数值与理想值（即基于调研结果的感性评价值）之差接近最小时停止训练，得到两者之间的关系映射模型。

4.2 样本编码

由于样本设计要素无法直接作为输入参数，根据各要素的造型分类表中的顺序，对输入端的各个样本进行编码。研究采用定量分析法中的开关式名义法对样本造型要素进行编码，以“0”和“1”两个数字构成，造型要素的类型数量为编码长度，本文中共有21个造型特征要素，因此有21位编码，与样本造型一致的要素编码位置标记为1，不一致标记为0，例如样本1：其对应的造型要素分别为造型分类表中编码X11、X21、X34、X44、X51，因此其编码为100010000001000001100，依照此方法对所有样本进行编码，然后作为输入端数据。

4.3 综合权值计算

根据上文，最终选取综合权值大于0.08的要素分别为：A1、B1、B3、B4、B5，对应要素的综合权重为：0.20、0.23、0.14、0.08、0.08。为了更接近结果的客观性，对这五个要素再进行一次归一化，带入到BP神经网络模型中，用来标记每个造型要素对于整体造型感性评价中的贡献度，归一化结果按照各设计要素及造型分类表的排列顺序依次为：0.32、0.27、0.19、0.11、0.11。

4.4 输出层归一化处理

一般要求输出数据进行归一化处理，使得数据结果落在[-1，1]区间，取消各变量数量级的差别，采用线性转换算法对其进行归一化处理，公式如下（5）：

4.5 网络训练

采用matlab软件进行网络构建。应用newff（）函数创建BP神经网络，f输入处理后的数据，训练样本的目标向量被定义成一个3×40的矩阵T，将21个布尔量元素的输入向量定义成一个1×40的输入矩阵X，并对21个布尔量进行权重配置，依据上文所得，前四个布尔量权重为0.32，第二要素的布尔量权重为0.27，依次类推分别为0.19、0.11、0.11；训练函数采用trainlm（梯度下降法），训练次数1000次，代码为net.trainParam.epochs=1000，误差0.0001，代码为net.trainParam.goal=0.0001。经过多次训练，当隐含层数为10时，训练次数为8，BP神经网络达到最小误差值，获得神经网络训练的误差变化曲线图（图4）。

图4 误差变化曲线图

误差变化曲线图相当于一个训练评价标准，主要反映出数据开始训练之后会自动分成三份，train代表训练数据、validation代表验证数据、test则代表了测试数据，当三条曲线接近时则反映模型训练性能到达（best）最佳效果，则（goal）目标停止训练，得到最终BP神经网络模型。

为验证收敛的BP神经网络的可靠性，需采用均方误差MSE函数对样本数据进行检测，以分析该神经网络算法是否存在误差；MSE值越小，越能说明该模型描述实验数据越精确。MSE函数表达为式（6）：

具体代码为：

y=sim(net，P);E=Ty;display(E);MSE=mse(p)；经过计算MSE的数值为0.0087小于0.01可证明该模型可靠。

4.6 量化模型测试

为验证该量化模型的可行性与准确性，邀请专业游艇设计师结合游艇设计要素分类，设计了三款小型游艇方案作为测试样本（见图5）。

图5 三款测试方案

具体测试方法如下：以方案一为例，根据设计要素分类表可知构成该方案的设计要素编码为：X14、X22、X33、X44、X53，将设计要素分类编码转换为输入码：000101000010000001001。利用训练好的神经网络对该游艇方案进行评价，具体代码为：P1=[0;0;0;1;0;1;0;0;0;0;1;0;0;0;0;0;0;1;0;0;1];y1=sim(net，P1);display(y1)，得到的感性意象量化值为：2.132、1.427、1.182。同理可得出方案二和方案三的感性意象量化值。此外邀请目标用户采用语义差异法7级量表对三款设计方案进行感性意象评价，得到感性意象评价值。将预测模型输出的感性意象量化数据与目标用户评价数据进行对比结果（表6）。预测模型输出的感性意象量化数据与实际用户评价所得的评价数据误差很小，说明该量化模型预测精度及可行性较高。

表6 模型量化数据与用户评价数据对比

5 结语

用户对于游艇造型的情绪感知和个性化需求是一个难以在产品开发前期通过观察、问卷等传统调研方法确定的内容。因此，本研究通过对游艇造型特征构成要素进行分析，采用层次分析法对各要素综合权重进行计算，得出影响游艇造型特征综合权重较高的五个游艇设计要素；并将各设计要素进行分类，按照不同要素分类之间相互组合，共有4×4×6×4×3=1152种游艇造型组合方式；并结合用户对游艇造型感性意象认知和感性意象评价均值，建立能够预测游艇造型意象的BP神经网络量化模型。该量化模型能为设计师和企业在游艇概念设计阶段，为不同设计要素组合形式的游艇造型预估感性意象量化值，也可以通过设计意象目标选取最优的设计要素组合方案；增加在产品开发过程的准确性，使得游艇造型特征更鲜明，更贴近用户的感性需求，提高游艇造型设计的成功率。