基于BP神經網絡的個性化多功能茶幾設計研究

陳淑鑫，李精宇，張宏斌，張輝

基于BP神經網絡的個性化多功能茶幾設計研究

陳淑鑫1，李精宇1，張宏斌1，張輝2

（1.齊齊哈爾大學 機電工程學院，黑龍江 齊齊哈爾 161006；2.齊齊哈爾大學 計算機與控制工程學院，黑龍江 齊齊哈爾 161006）

通過分析消費者感性需求和多功能茶幾產品形態設計要素，建立二者之間回歸的聯系模型，完成多功能茶幾產品的個性化設計，解決茶幾產品無法按照用戶消費需求設計制造的難題。首先運用語義差異法獲取消費者對茶幾產品的感性意象評價值，并利用因子分析法對評價值進行歸納整理，其次按照茶幾產品設計要素對其進行模塊解構，并對各部分模塊進行數值化編碼，再次根據整理的感性意象評價值和模塊數值訓練茶幾產品BP神經網絡，建立二者間映射關系，最后實施二次語義差異法問卷實驗，驗證BP神經網絡的準確性。根據訓練的茶幾產品BP神經網絡可預測出感性評價值最大的茶幾產品造型，實驗結果驗證了茶幾產品BP神經網絡模型的準確性，為茶幾產品的個性化設計提供了有利的支撐。此方法提高了茶幾產品的設計效率，提升了茶幾產品設計的合理性，解決了家具設計者無法精準按照用戶主觀需求完成客觀產品設計的難題，為以消費者需求市場為導向的產品設計制造提供了有益的參考和指導。

感性工學；BP神經網絡；產品設計；因子分析法；多功能茶幾

茶幾是一種盛放杯子、盤子、茶具等日常家用物件的耐用產品，能夠滿足人們盛放日常生活物品的使用需求[1]。隨著消費水平和文化素質的提高，用戶越來越注重自己的個人消費需求，消費者對茶幾產品功能的豐富性、實用性及外觀的新穎性、獨特性等要求越來越高，因此，茶幾產品的個性化設計也越來越關鍵。感性工學以工學的手法，將人類的各種感性定量化，并找出感性量與工學中各物理量之間的高元函數關系，將用戶對產品的感性需求轉化為產品的設計要素，按照消費者對產品意象的需求精準完成產品的個性化設計[2]。

林麗等[3]將網絡爬蟲技術、文本挖掘技術、參數化轉換技術等技術融合感性工學方法，完成了從用戶意象獲取到具體產品設計的數字化流程，極大程度地實現了用戶意象無偏差設計。程永勝等[4]重點分析了品牌意象與產品造型的聯系，應用德爾菲法、語義差異法建立了二者間的映射關系，探索企業用戶的需求。王飛等[5]借助均值分析法、聚類分析法等方法，構建了以用戶喜愛標準為核心的工程拖拉機產品設計系統，為其造型優化設計提供了有力支持。曹玫梅等[6]運用數量化理論Ⅰ類法及SD法，進行了符合殘疾、老年用戶感性需求的電動輪椅產品設計。崔宜若等[7]通過語義差異法實驗和模糊評價法，基于感性意象與設計要素的聯系，設計出2個微型電動車計劃方案，并篩選出最優方案。陳弈菲等[8]依照宋代國畫效果特點基于感性工學產品設計流程，進行了帶有宋代文化特征的旗袍款式設計研究。

人工神經是通過模仿生物神經網絡的機構及功能來處理信息的系統[9]。BP神經網絡作為人工神經網絡的一種，在運用感性工學設計產品過程中，通常被用來建立產品設計要素與用戶感性意象信息之間的映射關系，可以將用戶的感性需求精準地轉化為產品物理特征[10]。大量產品設計研發人員利用感性工學結合計算機建立的人工神經網絡模型，完成了以用戶意象為導向的產品設計。

蘇建寧等[11]對BP神經網絡進行訓練，建立了可以及時反映用戶情感意象評估的產品造型設計系統，并以高腳杯產品設計驗證了模型的合理性。張碩等[12]通過分析并建立壁掛式充電樁感性意象與形態設計要素對應的BP神經網絡設計模型，得到不同用戶感性需求對應的產品造型。李少波等[13]提出TFEPA方法結合BP神經網絡，成功提取出用戶對智能電子設備評價的感性詞匯，并準確模擬預測出消費者的感性意象。朱彥[14]應用主成分分析法、形態分析法結合BP神經網絡對家庭服務機器人整體造型設計要素與感性意象進行了量化分析，并完成了感性意象“親和的”產品造型預測。李陽等[15]基于語義差異法、產品解構法及BP神經網絡，建立了一種符合用戶感性需求木制民居個性化定制方法，并通過苗族傳統木制民居的個性化設計實例，驗證方法的可行性。

通過感性工學結合BP神經網絡的方法用以完成設計產品研發已取得了很大成功，但目前此方法在家具產品，尤其在茶幾產品設計研發領域的應用尚屬空白，因此通過訓練BP神經網絡，建立用戶感性意象和茶幾產品設計要素二者的聯系，預測出符合用戶需求的產品模型方法，并應用于多功能茶幾產品個性化設計領域十分迫切。

1 多功能茶幾個性化設計研究框架

收集多功能茶幾產品相關感性詞匯，根據聚類分析法及因子分析法篩選出代表感性詞匯，并作為多功能茶幾產品的評價量尺。篩選出多功能茶幾代表樣本庫，運用形態拆解法[16]對代表樣本產品的組成部件進行解構，提取茶幾產品的代表設計元素，建立設計元素形態模塊空間，并編碼各元素模塊。利用15個代表樣本進行BP神經網絡訓練，建立茶幾產品設計要素編碼與感性詞匯評價數值量之間的映射關系，選用5個新代表樣本驗證BP神經網絡訓練模型的性能。根據訓練成熟模型對茶幾產品形態設計要素模塊進行重組匹配，預測出符合用戶感性需求的茶幾模型，完成多功能茶幾產品的個性化設計，多功能茶幾產品個性化設計流程如圖1所示。

圖1 多功能茶幾產品個性化設計流程

2 多功能茶幾產品的意象感性分析

2.1 樣本與感性詞匯的選取

以現代化多功能茶幾為研究對象，通過網站查尋、文獻整理、市場實際考察，收集并梳理出20款具有不同功能代表性的茶幾樣本，根據設計要求及產品尺寸數據建立產品模型，高度還原產品造型，部分產品三維模型如圖2所示，為BP神經網絡的訓練及性能驗證研究提供輸入層元素。

通過多功能茶幾產品評價網站、文獻期刊、用戶訪談搜集到89組多功能茶幾產品造型意象評價感性形容詞，運用KJ法與德爾菲法篩選出8組表達性強的感性詞匯，分別為：老套的—新穎的、裝飾的—實用的、古樸的—時尚的、煩瑣的—簡潔的、庸俗的—高雅的、傳統的—現代的、普遍的—獨特的、突兀的—協調的。

圖2 多功能茶幾產品實體照片及三維模型

通過語義差異法，針對目標用戶建立問卷調查表，根據8組感性詞匯建立七階量尺，量度1—7表示產品意象感性程度的逐級增強，邀請30位多功能茶幾消費者代表對20個產品樣本進行評測，部分被測產品樣本問卷調查樣圖如圖3所示。用戶對“老套的—新穎的”這一量尺的評分為“1”代表其對被測產品感性表達趨向“老套的”，評分為“4”代表用戶的感性表達趨向中立，評分為“7”代表其對被測產品感性表達趨向“新穎的”。將被測者對產品樣本評價結果數據進行平均值處理，處理結果表示不同用戶對被測產品的整體感性意象程度。

圖3 茶幾產品樣本1感性詞對7階調查尺度圖

將被測者對產品的感性評價平均數值導入SPSS軟件進行因子分析，將8對不同感性詞對評價數值變量按照內在相關性的強弱進行分類，根據分析各組數據變量得出的特征值和方差貢獻度，提取出相關因子，篩選出每組類別的代表數值，實現以最少感性評價值解釋全部產品的感性評價值。

由圖4可以看出，圖中折線在第4個點之前，兩點間連線坡度陡峭，第4個拐點后折線線形坡度變緩，趨于平穩，前3個因子的特征值明顯高于后5個。因此，說明前3個因子的重要程度較高，為主要因子。

建立成分矩陣并得到旋轉后的成分矩陣，保留重要的載荷量，使數值變量與因素間的關系更清晰，結果如表1所示，表明了3個重要因子對8組數據變量影響程度的占比系數，同時也顯示出其他各因素與數據變量之間的數值關系。

圖4 感性成分因子提取碎石圖

根據旋轉后的因子點繪制感性詞對散點載荷圖（見圖5），其表明了3個因子與8組感性評價數值變量間的關系。通過散點圖可以看到因子的空間分布趨于3類，說明8組感性詞對可分為3類，“老套的—新穎的”“裝飾的—實用的”“突兀的—協調的”3組詞對可代表各自類別的全部感性詞對，并適合作為多功能茶幾產品的測評量尺。

表1 旋轉后成分矩陣

Tab.1 Composition matrix after rotation

圖5 感性詞對散點載荷圖

2.2 茶幾產品設計要素模塊編碼

“形式”和“功能”是產品設計要傳遞出的基本核心內容，根據茶幾產品形式與功能的要求特點，影響茶幾產品造型的設計要素主要有色彩、形態、材質要素，其中色彩、材質等設計元素的展現需要依托于形態設計要素，形態設計要素表現形式為產品的組成結構，同時，產品的組成結構可以直觀地顯示出產品的色彩、材質，因此本文以產品形態設計要素為研究對象。茶幾產品的主要組形態設計要素包括5個部分，即桌面結構、儲物格結構、底板支撐結構、副桌板結構、連桿結構。運用形態拆解法[16]將茶幾產品按5個主要形態設計要素結構進行解構，模塊化形態設計要素，并通過模塊之間的不同組合匹配，設計出個性化、多元化多功能的茶幾產品，滿足用戶對產品個性化的消費需求。

3 建立并驗證茶幾產品BP神經網絡

3.1 BP神經網絡

BP神經網絡是具有自我學習調節能力的多層反饋神經網絡，輸入信號值由輸入層向前傳播，經過隱藏層“激活”后，傳播到輸出層得到輸出值，根據預測輸出值與實際輸出值建立誤差函數，為找到誤差函數的最小值，將誤差反向傳播，由輸出層傳播到隱藏層，最終傳播回輸入層，依次反復調整隱藏層與輸入層的權重與偏置值，最后得到誤差值滿足要求時的參數，多功能茶幾BP神經網絡運行模型如圖6所示。

圖6 多功能茶幾BP神經網絡運行模型

3.2 茶幾產品BP神經模型的建立

BP神經網絡模型的建立是茶幾產品個性化設計的關鍵，其可以建立茶幾產品設計要素與感性詞匯評價數之間的映射關系。

3.2.1 輸入層指標確定

茶幾產品BP神經網絡輸入層指標為其產品形態設計要素模塊，BP神經網絡無法直接識別形態模塊，因此需要將模塊參數化。對茶幾產品各形態設計要素進行編碼處理以實現模塊的參數化，根據表2，將茶幾產品主要設計要素結構的各代表造型，按其排列順序進行數字編碼。

例如，茶幾產品樣本一中5個主要形態設計要素下對應的代表造型編號分別為5、6、1、4、1。根據此編碼方式對其他茶幾產品樣本進行參數化編碼，以此作為神經網絡的輸入指標。

表2 形態設計要素解構編碼

Tab.2 Morphological design elements are deconstructed and coded

3.2.2 BP神經網絡的節點數目確定

茶幾產品主要由桌面結構、儲物格結構、底板支撐結構、副桌板結構、連桿結構形態設計要素模塊組成，此5個模塊作為神經網絡模型輸入層指標，因此輸入層神經元節點設為5個。“老套的—新穎的”“裝飾的—實用的”“突兀的—協調的”3組感性意象詞匯量化數值為神經網絡模型輸出層的指標，因此，輸出層神經元個數為3個。隱藏層個數根據公式（1）計算獲得。

式中，代表隱藏層神經元個數，代表輸入層神經元個數，代表輸出層神經元個數。根據式（1）對隱藏層神經元個數的計算結果精確度進行近似取整，可知此茶幾產品神經網絡模型隱藏層神經元個數為4個，以此提供給神經網絡進行訓練。

3.2.3 指標歸一化處理

神經網絡預測前需完成數據歸一化處理，以便消除輸入、輸出層不同特征數據之間的量級差別，合理解決好由于量級差別較大而造成的網絡預測誤差較大的問題[17]。采用min-max標準化法對輸入、輸出層指標實行歸一化，其表達式如式（2），i為指標的第個數值指標，max為指標的最大值，min為指標的最小值。歸一化處理的結果如表3所示。

表3 設計要素編碼及感性值歸一化結果

Tab.3 Coding of design elements and normalization of perceptual values

續表3

3.2.4 訓練茶幾產品BP神經網絡模型

通過Matlab編程軟件建立BP神經網絡，將代表樣本主要設計要素編碼數據導入輸入層，隱藏層中采用正切S型作為激活函數，輸出層函數采用Purelin線性函數。

設定茶幾產品神經網絡的學習次數約束在10 000次以內，實際目標值與預測值誤差為0.001。將前15個樣本部件編碼數據及感性詞匯評價值作為訓練數據集，對茶幾產品進行訓練。將其余5個代表樣本的數據作為神經網絡性能的檢驗集。訓練茶幾產品BP神經網絡，訓練次數達42次時，完成訓練目標，停止訓練，訓練次數如圖7所示。

3.2.5 茶幾產品BP神經網絡的性能檢驗

已建立的BP神經網絡需要進行性能檢驗，以證明其功能合理性。將待驗證的5個樣本的主要設計要素編碼作為輸入指標，導入已建立的茶幾產品BP神經網絡，得到輸出層指標數值，并計算輸出數值與實際感性意象評價值的真實相對誤差。由圖7可知，真實相對誤差值近似為1%，為證明茶幾產品BP神經網絡預測的可靠性，需保證輸出層數據與實際數據的真實誤差值在1%以下。根據測試結果顯示，建立的茶幾產品BP神經網絡預測精度較好，可靠性強，見表4。

圖7 多功能茶幾神經網絡訓練結果

表4 預測對比結果

Tab.4 Forecast comparison results

3.3 基于BP神經網絡的茶幾產品個性化設計

圖8 個性化多功能茶幾設計結果

3.4 個性化產品感性設計檢驗

通過前期的問卷調查、茶幾產品BP神經網絡的訓練，得到滿足消費者感性意象的茶幾產品。為了證明建立的BP神經網絡個性化設計茶幾產品的準確性，采用二次問卷調查的方式進行驗證。邀請30位茶幾產品消費者進行問卷測試，針對3項個性化樣本，基于“老套的—新穎的”“裝飾的—實用的”“突兀的—協調的”3組感性意象詞匯進行感性量度評價，感性量尺同樣為7階李克特量表，對問卷數據進行均值處理。實驗數據結果顯示，問卷結果數據與BP神經網絡輸出層數值的比值相關系數均為0.9～1.0，表明根據茶幾BP神經網絡所設計的個性化產品可滿足用戶個人的感性需求。

4 結語

多功能茶幾產品是人們生活中常用的家居用品，根據用戶的個人需求不同、使用場景不同，茶幾產品的使用功能需要豐富、多樣化，茶幾產品的個性化設計尤為重要。感性工學是工學的分支，將感性轉譯到工學中，將感性分析結果轉化為物理設計要素，依據用戶的喜好來設計產品。BP神經網絡具有強大的自學習能力與自適應能力。本文將感性工學與BP神經網絡有效結合，完成了基于用戶個人市場需求的多功能茶幾產品個性化設計。首先，基于感性工學，收集并篩選感性詞匯，確定對茶幾產品影響最大的3組感性詞匯。其次，將多功能茶幾產品根據主要設計形態元素進行拆分解構，并對各組成部分進行數值化編碼。然后，將數值化編碼與感性評價值作為茶幾產品BP神經網絡的輸入層和輸出層指標，訓練此神經網絡并驗證模型的可靠性。最后，通過茶幾產品BP神經網絡模型精準的預測性，完成了目標方案設計。

感性工學與BP神經網絡相結合的茶幾產品設計方法，解決了家具設計師無法準確按照用戶需求完成產品設計的難題，減少了家具設計師面對成熟產品設計靈感匱乏的困擾，為消費者及茶幾產品設計師提供了服務，為多功能茶幾產品及相關產品的設計與研發，提供了指導與參考。

[1] 劉青青, 徐偉, 詹先旭. 基于榫卯結構的可拆裝茶幾設計[J]. 家具, 2020, 41(5): 63-66.

LIU Qing-qing, XU Wei, ZHAN Xian-xu. Research on the Design of Detachable Tea Table Based on Mortise and Tenon Joint[J]. Furniture, 2020, 41(5): 63-66.

[2] NAGAMACHI M. Kansei Engineering: A New Ergonomic Consumer-Oriented Technology for Product Development[J]. International Journal of Industrial Ergonomics, 1995, 15(1): 3-11.

[3] 林麗, 張云鹍, 牛亞峰, 等. 基于網絡評價數據的產品感性意象無偏差設計方法[J]. 東南大學學報(自然科學版), 2020, 50(1): 26-32.

LIN Li, ZHANG Yun-kun, NIU Ya-feng, et al. Unbiased Design Method for Product Kansei Image Design Based on Network Evaluation Data[J]. Journal of Southeast University (Natural Science Edition), 2020, 50(1): 26-32.

[4] 程永勝, 徐驍琪, 陳國強. 基于品牌意象的游艇造型設計方法[J]. 中國艦船研究, 2020, 15(5): 63-68, 89.

CHENG Yong-sheng, XU Xiao-qi, CHEN Guo-qiang. Yacht Modeling Design Method Based on Brand Image[J]. Chinese Journal of Ship Research, 2020, 15(5): 63-68, 89.

[5] 王飛, 戚彬, 印祥, 等. 基于感性工學的拖拉機造型設計研究[J]. 中國農機化學報, 2020, 41(11): 83-88.

WANG Fei, QI Bin, YIN Xiang, et al. Research on Tractor Modeling Design Based on Kansei Engineering[J]. Journal of Chinese Agricultural Mechanization, 2020, 41(11): 83-88.

[6] 曹玫梅, 馮乙, 宋林書, 等. 基于感性意向的電動輪椅造型設計[J]. 機械設計與研究, 2020, 36(3): 158- 160.

CAO Mei-mei, FENG Yi, SONG Lin-shu, et al. Research on Emotionalized Electric Wheelchair Model Design[J]. Machine Design ＆ Research, 2020, 36(3): 158-160.

[7] 崔宜若, 申晉憲, 尹歡. 基于感性工學的微型電動車前臉造型設計[J]. 太原理工大學學報, 2020, 51(3): 471-477.

CUI Yi-ruo, SHEN Jin-xian, YIN Huan. Front Face Modeling Design of Mini Electric Vehicle Based on Kansei Engineering[J]. Journal of Taiyuan University of Technology, 2020, 51(3): 471-477.

[8] 陳弈菲, 劉馳. 宋代國畫圖案在旗袍設計中的感性工學應用[J]. 毛紡科技, 2021, 49(3): 47-53.

CHEN Yi-fei, LIU Chi. Kansei Engineering Application of the Chinese Painting Pattern in Song Dynasty in the Design of Cheongsam[J]. Wool Textile Journal, 2021, 49(3): 47-53.

[9] 郭田德, 韓叢英. 人工智能機理解釋與數學方法探討[J]. 中國科學: 數學, 2020, 50(11): 1541-1578.

GUO Tian-de, HAN Cong-ying. Artificial Intelligence Mechanism and Mathematics Implementation Methods[J]. Scientia Sinica (Mathematica), 2020, 50(11): 1541-1578.

[10] 李永鋒, 朱麗萍. 基于序次Logistic回歸的產品意象造型設計研究[J]. 機械設計, 2011, 28(7): 8-12.

LI Yong-feng, ZHU Li-ping. Research on Product Image Form Design Based on Ordinal Logistic Regression[J]. Journal of Machine Design, 2011, 28(7): 8-12.

[11] 蘇建寧, 范躍飛, 張書濤, 等. 基于感性工學和神經網絡的產品造型設計[J]. 蘭州理工大學學報, 2011, 37(4): 47-50.

SU Jian-ning, FAN Yue-fei, ZHANG Shu-tao, et al. Product Form Design Based on Kansei Engineering and Neural Network[J]. Journal of Lanzhou University of Technology, 2011, 37(4): 47-50.

[12] 張碩, 吳儉濤. 基于BP神經網絡的壁掛式充電樁產品形態研究[J]. 圖學學報, 2017, 38(6): 865-868.

ZHANG Shuo, WU Jian-tao. Research on Form of Wall Set Charging Pile Base on BP Neural Network[J]. Journal of Graphics, 2017, 38(6): 865-868.

[13] 李少波, 全華鳳, 胡建軍, 等. 基于在線評論數據驅動的產品感性評價方法[J]. 計算機集成制造系統, 2018, 24(3): 752-762.

LI Shao-bo, QUAN Hua-feng, HU Jian-jun, et al. Perceptual Evaluation Method of Products Based on Online Reviews Data Driven[J]. Computer Integrated Manufacturing Systems, 2018, 24(3): 752-762.

[14] 朱彥. 家庭服務機器人整體造型感性設計的BP神經網絡應用[J]. 包裝工程, 2018, 39(4): 151-154.

ZHU Yan. BP Neural Network for the Overall Shape Perceptual Design of Home Service Robots[J]. Packaging Engineering, 2018, 39(4): 151-154.

[15] 李陽, 呂健, 劉翔, 等. 基于BP神經網絡的木制民居個性化定制[J]. 計算機工程與設計, 2020, 41(8): 2374-2380.

LI Yang, LYU Jian, LIU Xiang, et al. Personalization of Wooden Houses Based on BP Neural Network[J]. Com-puter Engineering and Design, 2020, 41(8): 2374-2380.

[16] 李永鋒, 朱麗萍. 基于神經網絡的產品意象造型設計研究[J]. 包裝工程, 2009, 30(7): 88-90.

LI Yong-feng, ZHU Li-ping. Research on Product Image Form Design Based on Neural Network[J]. Packaging Engineering, 2009, 30(7): 88-90.

[17] 查劉根, 謝春萍. 應用四層BP神經網絡的棉紗成紗質量預測[J]. 紡織學報, 2019, 40(1): 52-56.

ZHA Liu-gen, XIE Chun-ping. Prediction of Cotton Yarn Quality Based on Four-Layer BP Neural Network[J]. Journal of Textile Research, 2019, 40(1): 52-56.

Personalized Multifunctional Tea Table Design Based on BP Neural Network

CHEN Shu-xin1, LI Jing-yu1, ZHANG Hong-bin1, ZHANG Hui2

(1. College of Mechanical and Electrical Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China; 2. College of Computer and Control Engineering, Qiqihar University, Heilongjiang Qiqihar 161006, China)

By analyzing the consumer's perceptual demand and the design elements of the multifunctional tea table product form, the paper aims to establish the regression relationship model between the two to complete the personalized design of the multifunctional tea table product and solve the problem that the tea table product cannot be designed and manufactured according to the user's consumption demand. Firstly, semantic differential method is used for consumer products for tea table perceptual image value, and the factor analysis is used to summarize the value of sorting. Secondly, according to the product design elements on the tea table module deconstruction, and each part of the module is numerically coded. And BP neural network of tea table products is trained according to the perceptual image evaluation value and module value, and the mapping relationship between them is established. Finally, the accuracy of the BP neural network is verified by the questionnaire experiment with the second semantic difference method. According to the BP neural network of tea table products trained, the model of tea table products with the highest perceptual evaluation value can be predicted. The accuracy of BP neural network model of tea table products is verified by the experimental results of the second semantic difference method, which provides favorable support for the personalized design of tea table products. This method improves the design efficiency and rationality of coffee table products, solves the problem that furniture designers cannot accurately complete objective product design according to users' subjective needs, and provides beneficial reference and guidance for product design and manufacturing based on consumer demand and market.

product personalized design; Kansei Engineering; BP neural network; factor analysis; multifunctional coffee table

TB472

A

1001-3563(2022)18-0247-08

10.19554/j.cnki.1001-3563.2022.18.029

2022–04–08

國家自然科學基金聯合項目（U2031142）；黑龍江省農業多維傳感器信息感知工程技術研究中心開放課題項目（DWCGQKF202107）

陳淑鑫（1978—），女，博士生，主要研究方向為數據科學與圖像分析設計。

責任編輯：馬夢遙