基于漢字字體結構認知計算的多意象預測模型

歐陽晉焱，盛浩涵，周愛民，蘇建寧，張書濤

基于漢字字體結構認知計算的多意象預測模型

歐陽晉焱，盛浩涵，周愛民，蘇建寧，張書濤

(蘭州理工大學設計藝術學院，甘肅 蘭州 730050)

為了揭示漢字字體與受眾的情感意象之間的內在關系，從認知計算的角度出發，探索構建一種“設計特征-結構指標-意象”的灰箱關聯模型，以其預測漢字字體的多個意象。首先依據認知計算的原理將字體結構規則抽象為知識，運用產生式規則將字體結構知識進行定量描述，提出字重、重心、字面、字懷4個字體結構指標的認知計算公式，將無序的形態信息轉化為結構化的有序信息。然后基于漢字字體意象認知系統的非線性耦合的特點，發展出一種運用多輸出最小二乘支持向量回歸機(MLS-SVR)進行漢字字體多意象預測的方法。將該方法對漢字字體的3個意象進行預測，實驗結果表明其具有良好的預測效果和精度。該模型可作為字體智能設計系統的適應度函數，為發展字體智能設計提供有益的參考。

漢字字體；字體結構指標；多意象；認知計算；MLS-SVR

漢字是中華文明的視覺符號與信息傳播載體，自古以來就融入中國人的日常生活中，是人與人溝通的重要橋梁。不同的漢字字體表現出不同的意象風格特征。意象是指受眾通過自身的感官對字體形態所產生的直覺與聯想，充分傳達了受眾的情感認知[1]。理想的字體設計方案很大程度上依靠設計師對字體意象的深入理解及設計師與受眾之間潛在的心理溝通與交流。傳統的字體設計依靠設計師個人的審美經驗與情感體驗。由于設計師個人的審美經驗的差異化，情感體驗帶有強烈的主觀色彩，且字體形態的設計變量過多，相關的學術研究成果較少，設計師缺乏關鍵參照的工具和測定方法，因此很難快速開發出能夠滿足受眾意象需求的字體，這種局限性易帶來不必要的風險。因此，設計師必須理解字體意象認知規律，才能夠在設計時進行準確的意象風格定位和信息傳達，設計出的字體才能更好地被受眾認可。

目前，漢字字體研究主要有2種路徑：①通過案例分析、歸納，從定性層面探討字體中情感屬性、心理特征、表現形式和設計方法等，如，邱楠[2]探討了漢字字體意象表現的內在文化內涵、價值取向、創意思維和審美取向，總結出漢字意象化設計的相關理念；李廣武[3]結合中國傳統的意象審美觀，論述了意象漢字圖式化設計方法。②從定量層面對漢字字體設計知識表達、設計認知機制、智能設計方法等進行探討，如，徐朝暉等[4]將漢字筆劃和間架結構的知識進行量化表示，并提出了一種通過控制筆劃映射設計漢字輪廓的方法；劉文予等[5]構建了不同漢字字體的子凸集映射，并提出了一種基于形態變換的字體合成及衍生方法；周揚等[6]運用心理學實驗對參與漢字處理的大腦皮層功能區域進行定位及量化分析，探討了字體認知的神經機制。由上述分析可知，漢字字體研究取得了一定成果，但對于漢字情感量化研究還很不足，因此有待進一步深入研究，而工業設計的感性工學領域關于用戶情感意象已經有較多的研究成果，可為字體意象研究提供參考。在產品意象研究中，其預測模型通常以“設計特征”為輸入、以“意象”為輸出而構建的黑箱模型。設計特征主要從產品的形態單元或功能單元[7]、重要曲線的關聯節點[8]等方面展開，意象挖掘一般采用語義差異法(semantic differential, SD)經問卷調查獲得。構建產品意象預測模型的常用技術有回歸分析[9]、神經網絡[10]、支持向量機[11]、數量化一類[12]、模糊集理論[13]、粗糙集理論[14]和灰度理論[15]等。黑箱建模雖然不需要了解形態意象認知系統的內部機理，但是模型內部的特性、結構和組織也無從知曉，模型的整體具有不確定性[16]。因此，運用回歸分析、神經網絡等技術得到的函數關系式也具有一定的不確定性。

字體形態認知與產品形態認知的過程與機制相似，從“設計特征”的視覺感知到“意象”的形成是一種多階段、多元的、復雜的信息處理過程，包含情感認知等諸多隱性知識?；谏鲜龇治?，本文引入“結構特征指標”(簡稱“結構指標”)，構建“設計特征-結構指標-意象”的字體形態多意象預測灰箱模型=(()) (為字體的設計特征集；為意象；為結構指標與設計特征間的函數關系；為感性意象與結構指標間的函數關系)，模擬認知活動的信息處理過程。建立此灰箱模型需要視覺認知的先驗知識與系統識別的后驗知識[17]。在此先驗知識依據認知計算思想，運用產生式規則對字體形態的非結構化數據從字體結構特征的角度進行知識描述[18]，后驗知識采用多輸出最小二乘支持向量回歸機(multi-output least squares support vector regression machine, MLS-SVR)[19]表達未知的意象認知系統內部結構關系。以此構建出的復合灰箱模型有利于揭示字體形態視覺認知機理，使得字體情感認知的隱性知識外顯化。

1 字體結構指標認知計算

從視覺認知心理學的角度來看，字體形態認知的過程分為感覺信息登記、信息加工處理、信息儲存、信息運作等幾個階段[20]。字體形態信息本身是一種復雜的無序信息，其被視覺器官收錄后，經過視覺模式識別中的特征識別規則對其“結構和組織”特征進行信息加工處理，轉變為符合大腦認知編碼的有序信息，其是后續信息存儲、信息運作等一系列認知操作的基礎。字體意象認知[21]是用戶將有序信息與過往經驗與知識等記憶中的諸多相關事物進行聯想和對比，經過推理和判斷，最終形成確定的意象決策。

字體結構是人們在創造漢字、認知漢字、欣賞漢字的過程中對漢字部件(包括筆畫和單體字)的關系、性質與組織規律的經驗總結和抽象概括，是人們審美思維在漢字進化歷史中形成的概括性內部關聯原則。字體結構特征表述與視覺模式識別中的特征識別規則相通，是一種結構化的有序信息。漢字字體研究者將字體結構特征歸納為字重、重心、字懷、字面4個維度[22]?；诖耍煮w結構指標的視覺認知計算從此4個維度展開。首先構建字體結構指標計算的坐標系，如圖1所示，以每個漢字的字身框的左下角頂點為坐標原點，水平方向為坐標軸，豎直方向為坐標軸，設每個字身框的寬為，高為。

圖1 字體結構指標計算坐標系

依據認知計算思想將字體結構規則抽象為知識，運用產生式規則將字體結構知識進行定量描述，提出字重、重心、字懷、字面4個字體結構指標計算公式。此結構指標以定量的方式關聯字體設計特征與結構特征，將無序的字體形態信息轉變為符合視覺認知的結構化有序信息。

1.1 字重

格式塔心理學的心物同型理論表明：自然界中物理現象、人的生理與心理現象在很大程度上具有相似性與對應的關系，都是同型的[23]。事物在物理場中會受到重力作用，在心理上同樣存在視覺重力的作用。因此，字重的心理學解釋就是某漢字字體的視覺重量感，物理學解釋就是字體形態的重力，可以用漢字筆畫本身所占據的面積表示。字重隨字體筆畫的粗細相應改變。筆畫粗，則字重大，給人以力量、渾厚、壓迫感強、壯實等意象，適合男性、機械、戰斗、動作等主題；反之，筆畫細，則字重小，給人以輕盈、簡潔、單薄、柔弱、纖細、秀氣、輕松、舒適等意象，適合女性、科技、文藝、清新等主題。由于字體的筆畫和結構不同，字體筆畫的粗細也不同。為了平衡結構復雜的漢字和結構簡單的漢字的視覺差異，字體設計時，筆畫少的字，筆畫應該粗一些，反之則細一些。筆畫粗細的程度并沒有明確的數值規定，筆畫粗細的調整按照視覺習慣與審美原則進行，使字體的氣質與畫面主體達成協調統一為準[22]。

定義.令某漢字的筆畫(也可以是筆畫群，編程時，根據需要可以將幾個連接在一起的筆畫編寫成一個整體)數為，按照漢字筆順，第個筆畫或者筆畫群的輪廓線可以表述為由上、下2條曲線圍成的閉合曲線(中空部分用布爾運算求取)，令上、下曲線的函數分別為1=1(x)和2=2(x)，左、右2邊端點分別為a和b。字重的視覺認知計算式為

其中，為字重，即字體面積；A為第個筆畫或者筆畫群的面積。

1.2 重心

重心即某漢字形態的形心。漢字結構的改變會導致重心的改變，作為一款合格的漢字字體，其中各個漢字的重心不會偏差太大，否則多個字組合在一起就會產生忽高忽低的感覺，通常需要將各個字的重心進行調整，使其基本處于字面框中心位置的附近區域。根據格式塔心理學的心物同型理論，視覺認知中的平衡現象同型于物理學中杠桿平衡原理。漢字中每個部件(包括筆畫和單體字)都有獨立的視覺重心，設計字體時要根據杠桿平衡原理分析每個部件的重心，平衡每個字體部件的內部關系。在此基礎上根據杠桿平衡原理對部件進行拉長、壓扁、變形，調整各個部件的重心位置，使漢字整體和局部均達到平衡[22]。通常情況下，對于上下結構或者上中下結構的漢字，各個部件的重心坐標值應該一致或者接近一致，對于左右或者左中右結構的漢字，各部件的重心坐標值應該一致或者接近一致。重心位置左右偏移距離小，則給人以穩定、平衡、安靜等意象；重心位置左右偏移距離大，則給人以動感、靈巧、活潑等意象；重心位置偏下，則給人以穩定、安靜、嚴肅等意象；重心位置偏上，則給人以高挑、腿長、輕巧、動感、女性等意象，符合現代時尚品味與審美潮流。字體設計中可以通過對筆畫做陰陽線收縮、調整局部筆畫的位置或形狀等方法調整字體的重心位置[22]。重心坐標的視覺認知計算式為

1.3 字面

格式塔心理學的簡化原理表明：人的視覺傾向于把各種復雜的刺激形式簡化為容易理解的簡單形式[23]。字面的心理學解釋就是將漢字字體簡化成一個凸多邊形圖塊，即漢字形態的最小外接多邊形，如圖2所示，凸多邊形的面積即字面[22]。

圖2 字面及其求解方法

在字面框確定的情況下，字面的大小反映漢字所占空間的大小。字面大，辨識度高，給人以舒展、大方、氣勢、豪爽等意象；反之，字面小，辨識度低，給人以緊湊、內斂、含蓄、拘謹等意象。由于漢字筆畫與結構差異，漢字字面抽象后可以歸納為正方形、圓形、三角形3種類型，在字面框確定的情況下，正方形字面最大，圓形字面次之，三角形字面最小。字體筆畫數量與字面形狀的不同，導致字面差異較大，視覺反差較大。為了讓字體看起來更協調、舒適，字體設計時需要調整筆畫形狀和平衡字面關系，如，對三角形、圓形字面進行頂格(頂到字身框)、出格(超出字面框)處理，對正方形邊緣進行縮格(縮小字面框)處理，以達到3種形狀的視覺均衡。凸多邊形圖塊構成的字面在圖形學中稱之為凸包，就是用一個凸多邊形圍住圖形上所有的點。就像桌面上釘了一些釘子，用一根皮筋從外圍將其全部圍合起來，繃緊的皮筋形態就是要求解的凸包。其步驟如下：

步驟2.從上述點中找到所有點中縱坐標最小的點，記為0。如果同時存在幾個最小點，則從中選取坐標最小的點。

步驟4.將0，1，2壓入棧。

步驟5.沿逆時針方向用while循環方式遍歷其他的點，根據向量叉積的結果來判定各個點處的轉動方向。如果在某點處向右轉，則移除此點，最終得到多邊形凸包輪廓線即為字面的邊界線，記為，如圖2所示，字面面積A的視覺認知計算可用式(2)方法求得。

1.4 字懷

字懷又稱布白、內白、字谷，是衡量字體筆畫間空白區域大小的程度。筆畫越粗，筆畫間的留白區域就越小，反之越大。字體的布白類似于國畫中的留白，是安排字的點畫間架以及字、行之間空白關系的方法。根據格式塔的圖底理論：漢字中的筆畫為圖，布白處為底，圖與底是一種既互為依存，又相反相成的辯證關系。書法中的“計白當黑”、“知白守黑”等理論觀點體現了中國古人對布白的關注，對圖底關系的辯證理解，也體現了中國美學虛實相生的審美觀念[24]。漢字中的布白不僅是烘托實體筆畫的背景，更是周流于筆畫周圍的深遠空間，與筆畫共創一個完整的視覺形象。字的點畫間架與布白均有簡繁、長短，結體也有欹正、疏密、大小，因此字體設計應該合理布白、靈活多變、因字生勢、相映成趣，筆畫粗細搭配應該符合視覺習慣。布白的方法有很多，包括主粗副細、豎粗橫細、左緊右松、上緊下松等。布白區域大，字體筆畫相對較細，字體整體結構顯得空闊疏松，給人以輕快、自由、空靈、秀氣等意象；布白區域小，筆畫較粗，整體結構顯飽滿緊湊，給人以粗壯、平穩、渾厚、有氣勢等意象。字懷的視覺認知計算式為

其中，A為字懷；為字身框的寬度；為字身框的高度，計算時取相應字號字身框的默認值。

2 字體多意象預測模型

由于受眾感性意象認知的復雜性與多樣性，其對漢字字體通常存在多維度感性需求，基于字體結構指標的多意象認知是一個復雜的多輸入、多輸出系統，多意象之間存在潛在的聯系，因此需要運用多輸入、多輸出方法構建模型。MLS-SVR在解決多變量、非線性耦合、函數擬合、小樣本問題等方面具有明顯的優勢[19]。MLS-SVR將誤差平方和引入到標準支持向量回歸機(support vector regression machine, SVR)的目標函數，以求解線性方程組的方法代替求解二次規劃問題，從而提高了計算效率與收斂性能，并且在優化的過程中兼顧全體輸出變量的回歸能力，最小化全體輸出的帶正則項的結構風險總和，使得MLS-SVR在非線性回歸建模中得到廣泛應用。

本文針對基于字體結構指標的多意象認知多輸入多輸出系統，以字體結構指標作為輸入，多目標意象為輸出，構建MLS-SVR[19,25]模型，獲得字體結構指標與多意象目標之間的映射。

求解目標函數，最終得到MLS-SVR的函數逼近為[19]

MLS-SVR求解時，將各輸出的單一擬合誤差與整體擬合誤差同時最小化，因此，只要選取適當的核函數，即能得到高維空間的內積，而不必像SVR那樣需要求解一個約束凸二次規劃，且所需計算資源少。

3 實例研究

3.1 字體結構指標計算

前期從中易、華康、方正漢儀等各大字庫中收集漢字字體327款。為了減少工作量，對字體進行篩選：①運用親和圖法(jiro kawakita, KJ)從字體筆畫粗細、曲直、襯線與字形的高矮、寬窄等形態設計要素的角度對字體進行分類整理，根據覆蓋所有形態設計要素的原則，從各類型字體中篩選出代表性的字體；②根據使用頻率較高的原則，參考字體之家、字體量販、ZOL字體下載等網站下載量排行對其進一步篩選，最終確定56個代表性字體，如圖3所示。

圖3 784個漢字字體樣本

在此基礎上，依據字體結構分類方法，從每種字體中篩選代表性漢字樣本。字體結構分類見表1，14種漢字結構各選擇1個漢字作為代表性樣本，最終得到56′14=784個漢字字體樣本，如圖3所示。

表1 14種代表性漢字樣本

在此實驗中，字體樣本大小均設置為1號字，字身框的寬、高均為10 mm，依據式(1)~(7)計算圖3中的784個樣本的各個字體結構指標值見表2。

表2 784個字體樣本的各個結構指標值

3.2 感性意象挖掘

通過視覺傳達設計相關網站、文獻、宣傳冊、雜志、問卷調查等途徑共收集到78個有關字體結構認知的感性意象形容詞，經過綜合對比分析，刪除同質性的形容詞，挑出53個詞匯，并對其進行重要度調查，讓被試者選出字體意象認知中最注重的8個意象詞語。邀請40人參與調查，其中具有經驗的字體設計師6人，視覺傳達專業在校大學生15人，非專業人士19人，統計調查結果，選取重要度排名前8個詞匯。應用語義差分法將此8個詞匯與上述56種字體(784個漢字)樣本制作5級語意差分法調查問卷。語義尺度說明：以意象“簡約的”為例，5分代表字體感性意象非常簡約，4分代表比較簡約，3分代表無明顯傾向，2分代表不太簡約，1分代表不簡約。以此問卷對44名被試者進行調查，統計調查結果。為了盡量保證感性意象值接近真實值，以提高模型預測的精度，采用格拉布斯準則剔除意象調查值的粗大誤差。

在字體設計實踐中，目標意象個數根據實際需要進行確定，通常為3~5個，在此擬定多目標意象為3個。為了防止意象詞匯過于相似，先用K-Means聚類分析方法對上述8個意象進行聚類，聚類數為3，顯著性水平小于0.05，滿足誤差要求。選擇距離聚類中心的最近的3個感性詞匯，即“簡約的、有力的、優雅的”，作為字體設計目標輸出，驗證模型的預測性能，56個字體樣本的3個感性意象調查值見表3。

表3 56個字體樣本的3個意象調查值

3.3 數據模擬

將上述5個字體結構指標值(重心包括和坐標值)與3個感性意象進行歸一化處理，即

其中，min與max分別為字體結構指標及感性意象數據集的極小值與極大值。

圖4 “簡約的”意象調查值與預測結果

圖5 “有力的”意象調查值與預測結果

圖6 “優雅的”意象調查值與預測結果

圖7 3個意象調查值與預測結果分布

(*代表“簡約的”；+代表“有力的”；o代表“優雅的”)

從圖4~6可以看出，預測值與調查值的變化趨勢均具有良好的一致性，且反應了該模型具有良好預測性能。預測值與調查值在數值上存在一些差異，符合認知的模糊性表現。其使用的是5級SD調查，感性意象分布區間為[1,5]，每級意象所占范圍為1，因此如果調查值與預測值之間的絕對差異小于0.5，則預測結果是可以接受的[27]。由圖7可知，共420個意象預測結果，其中374個是可接受的，其中，簡約的為126個，有力的為125個，優雅的為123個，滿意度為89.0%。由此表明，MLS-SVR模型能夠應用于基于字體結構指標的多意象預測，較好地模擬了字體感性意象的認知過程。

4 結束語

(1) 基于認知計算的思想將漢字字體結構規則抽象為知識，運用產生式規則對字體結構知識進行描述，得到字重、重心、字面、字懷4個字體結構指標的認知計算公式，在定量層面關聯字體的形態特征與結構特征，將無序的形態信息轉化為結構化的有序信息。

(2) 引入字體結構指標，構建一種“設計特征-結構指標-意象”復合灰箱模型，模擬漢字字體認知活動的信息處理過程，有利于進一步揭示字體形態視覺認知機理，使得感性意象認知的隱性知識外顯化，從而幫助設計師理解意象形成的影響因素及系統內部關系。

(3) 以MLS-SVR構建的漢字字體多意象預測模型，兼顧了各意象輸出之間的潛在聯系，并且計算簡單，效率更高，具有較高的精度。該模型可作為字體智能設計系統的多意象適應度評價函數，為發展漢字字體智能設計提供有益的參考。

[1] 徐江, 孫守遷, 張克俊. 基于遺傳算法的產品意象造型優化設計[J]. 機械工程學報, 2007, 43(4): 53-58, 64.

[2] 邱楠. 論漢字字體設計的意象表現[J]. 西安工程大學學報, 2014, 28(5): 636-639, 645.

[3] 李廣武. “六書”造字法啟示下的意象漢字視覺圖式設計研究[J]. 包裝工程, 2015, 36(18): 110-114.

[4] 徐朝暉, 蔡士杰, 高曉, 等. 一種基于筆劃映射的曲線輪廓漢字字形設計方法[J]. 計算機輔助設計與圖形學學報, 1996, 8(1): 54-60.

[5] 劉文予, 萬菲, 朱光喜. 基于形態學的新的漢字字形自動生成方法[J]. 計算機學報, 1999, 22(3): 235-240.

[6] 周揚, 王健, 張久權, 等. 漢字字形認知研究的刺激源設計及在fMRI研究中的應用[J]. 現代生物醫學進展, 2007, 7(2): 185-188.

[7] 林麗, 陽明慶, 張超, 等. 產品情感研究及情感測量的關鍵技術[J]. 圖學學報, 2013, 34(1):122-127.

[8] 周愛民, 蘇建寧, 閻樹田, 等. 產品形態審美綜合評價的非線性信息動力學模型[J]. 機械工程學報, 2018, 54(15): 150-159.

[9] 周蕾, 薛澄岐, 湯文成, 等. 產品信息界面的用戶感性預測模型[J]. 計算機集成制造系統, 2014, 20(3): 544-554.

[10] LI Z R, SHI K, DEY N, et al. Rule-based back propagation neural networks for various precision rough set presented KANSEI knowledge prediction: A case study on shoe product form features extraction [J]. Neural Computing and Applications, 2017, 28(3): 613-630.

[11] FAN K K, CHIU C H, YANG C C. Green technology automotive shape design based on neural networks and support vector regression [J]. Engineering Computations, 2014, 31(8): 1732-1745.

[12] 王進, 陸國棟, 張云龍. 基于數量化一類分析的IGA算法及應用[J]. 浙江大學學報: 工學版, 2013, 47(10): 1697-1704.

[13] 石夫乾, 孫守遷, 徐江. 產品感性評價系統的模糊D-S推理建模方法與應用[J]. 計算機輔助設計與圖形學學報, 2008, 20(3): 361-365.

[14] SHIEH M D, YEH Y E, HUANG C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.

[15] WANG K C. A hybrid Kansei engineering design expert system based on grey system theory and support vector regression [J]. Expert Systems with Applications, 2011, 38(7): 8738-8750.

[16] 倪祥龍, 康建設, 王廣彥, 等. 黑箱模型輸出不確定性的敏感性分析[J]. 計算機仿真, 2014, 31(4): 22-26.

[17] 曹柳林, 孫婭蘋, 吳海燕. 基于反應基元的非線性系統灰箱建模方法[J]. 中南大學學報: 自然科學版, 2011, 42(2): 414-418.

[18] DEMIRKAN H, EARLEY S, HARMON R R. Cognitive computing [J]. IT Professional, 2017, 19(4): 16-20.

[19] XU S, AN X, QIAO X D, et al. Multi-output least-squares support vector regression machines [J]. Pattern Recognition Letters, 2013, 34(9): 1078-1084.

[20] WU J J, LIN W S, SHI G M, et al. Visual orientation selectivity based structure description [J]. IEEE Transactions on Image Processing, 2015, 24(11): 4602-4613.

[21] 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.

[22] 郭亮. 字體故事: 六大字體設計原理及實戰應用[M]. 北京: 人民郵電出版社, 2017: 12-37.

[23] 王鵬, 潘光花, 高峰強. 經驗的完形: 格式塔心理學[M]. 濟南: 山東教育出版社, 2009: 81-102.

[24] 王靜艷, 高騰. 布白勻稱: 漢字設計布白調整方法研究[J]. 南京藝術學院學報: 美術與設計版, 2018(1): 178-182.

[25] 周愛民, 蘇建寧, 閻樹田, 等. 基于形態美度的產品多意象預測模型[J]. 圖學學報, 2018, 39(4): 654-660.

[26] 王振武, 何關瑤. 核函數選擇方法研究[J]. 湖南大學學報: 自然科學版, 2018, 45(10): 155-160.

[27] SU J, ZHANG S, WANG P, et al. Research to compare emotional image evaluation models of product form based on neural network [C]//Consilence and Innovation in Design - Proceedings and Program 5th IASDR, Tokyo: Shibaura Institute of Technology, 2013: 2314-2322.

Multi-Image Prediction Model Based on Cognitive Computing of Chinese Font Structure

OUYANG Jin-yan, SHENG Hao-han, ZHOU Ai-min, SU Jian-ning, ZHANG Shu-tao

(School of Design Art, Lanzhou University of Technology, Lanzhou Gansu 730050, China)

In order to uncover the intrinsic relationship between Chinese fonts and the emotional image of audience, this paper attempts to establish a grey box correlation model of design features-structure indexes-images to calculate multiple images of Chinese fonts from the perspective of cognitive psychology. Firstly, based on the theory of cognitive computing, the font structure rules were abstracted into knowledge. The production rules were applied to quantitatively describe the font structure knowledge, and the cognitive calculation formulas of four font structure indexes were proposed, namely, font weight, center of gravity, font circumscribed polygon, and font blank, which transform disordered morphological information into structured ordered information. Then based on the nonlinear coupling system characteristics of Chinese fonts image cognition, a multi-image prediction method of Chinese fonts was developed using multi-output least squares support vector regression machine (MLS-SVR). A method for multi-image prediction of Chinese fonts using MLS-SVR was developed to predict three images of Chinese fonts. The experimental results show that it is characteristic of good prediction bility and accuracy. The model can serve as the fitness function of the font intelligent design system, and provide a useful reference for the development of font intelligent design.

Chinese fonts; font structure indexes; multi-image; cognitive computing; MLS-SVR

TH 166；TB 472

10.11996/JG.j.2095-302X.2019050945

A

2095-302X(2019)05-0945-08

2019-03-21；

2019-05-16

國家自然科學基金項目(51465037，51705226)；甘肅省自然科學基金項目(2017gs10786)

歐陽晉焱(1977-)，女，江西萍鄉人，副教授，碩士，碩士生導師。主要研究方向為感性工學、視覺傳達設計等。E-mail：250770194@qq.com

周愛民(1978-)，男，湖南新邵人，副教授，博士，碩士生導師。主要研究方向為感性工學、智能設計等。E-mail：51289547@qq.com