基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化遺傳算法的智能座艙感性意象預(yù)測*

陳國強，申正義，孫 利，支夢帆，李 彤

（1.燕山大學(xué)機械工程學(xué)院，秦皇島 066004；2.燕山大學(xué)藝術(shù)與設(shè)計學(xué)院，秦皇島 066004）

前言

傳統(tǒng)工業(yè)設(shè)計中，人的思維疲勞及認(rèn)知局限等問題約束了設(shè)計開發(fā)的進(jìn)程［1］。產(chǎn)品造型與感性意象是設(shè)計表達(dá)與評價的重要載體，對兩者的研究多以產(chǎn)品造型為落腳點，通過對產(chǎn)品設(shè)計知識［2］、交互行為關(guān)系［3］、多維用戶情感［4］等研究來提升造型與意象的匹配度，但開發(fā)者的主觀意愿與刻板經(jīng)驗所導(dǎo)致的需求脫節(jié)和效率低下問題依然存在［5］。隨著人工智能技術(shù)廣泛應(yīng)用，現(xiàn)代工業(yè)設(shè)計在智能趨勢推動下，逐漸深入對量化設(shè)計方法的研究，通過數(shù)學(xué)計算的方式對有效設(shè)計信息加以凝練和優(yōu)選，以此提升設(shè)計效率、降低設(shè)計主觀性。

設(shè)計開發(fā)過程中存在眾多設(shè)計變量與多維意象需求，且都以抽象形式存在和表達(dá)，難以對其進(jìn)行量化評價與優(yōu)選。因此，參數(shù)化設(shè)計知識是產(chǎn)品造型意象量化研究的首要問題。當(dāng)前，學(xué)者多采用語義差分法［6］、形態(tài)提取法［7］、空間位置坐標(biāo)定位［8］等方法完成設(shè)計知識的量化研究，并在此基礎(chǔ)上構(gòu)建產(chǎn)品造型與感性意象的函數(shù)關(guān)系模型，以展開設(shè)計知識的評估和優(yōu)選。在實現(xiàn)產(chǎn)品造型與感性意象映射關(guān)系的算法選擇中，不僅要考慮算法效用與能力，更要考慮量化研究過程中設(shè)計知識是否損失、設(shè)計效果是否良好等產(chǎn)品設(shè)計領(lǐng)域問題。BP 神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力，遺傳算法具有快速的尋優(yōu)能力，兩者結(jié)合共同解決產(chǎn)品的造型意象設(shè)計問題具有重要的現(xiàn)實意義。

本文針對設(shè)計開發(fā)過程中存在的主觀性、經(jīng)驗性過強的問題，利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建智能座艙中控造型與感性意象的函數(shù)關(guān)系，以此作為遺傳算法的適應(yīng)度函數(shù)展開設(shè)計知識的迭代和優(yōu)選，完成評估方法與優(yōu)選方法的結(jié)合。最后通過智能座艙中控的造型設(shè)計來驗證方法的可行性和有效性。

1 預(yù)測流程構(gòu)建

1.1 感性意象

感性意象是人們對產(chǎn)品外顯符號的主觀感知，反映了用戶自身的期盼與渴望［9］。其形成過程為：外部信息刺激—感官器官接收—神經(jīng)中樞傳輸—內(nèi)在感受形成—經(jīng)驗情感儲存—類似信息刺激—言語行為表達(dá)，如圖1所示。

圖1 感性意象形成過程

在產(chǎn)品研發(fā)過程中，感性意象的作用在于通過產(chǎn)品造型來喚醒人們所積累的經(jīng)驗情感，帶來正向的反饋與共鳴。這種反饋與共鳴由產(chǎn)品造型與感性意象的匹配程度所決定，在量化研究中，體現(xiàn)為兩者的擬合程度。因此，對感性意象的量化研究有助于減少設(shè)計師主觀因素的干擾。

1.2 預(yù)測方法與流程

BP 神經(jīng)網(wǎng)絡(luò)作為機器學(xué)習(xí)經(jīng)典算法，相比支持向量機、隨機森林算法等在產(chǎn)品設(shè)計領(lǐng)域具備更好的兼容性和匹配性，對產(chǎn)品造型的量化編碼輸入更為便捷和有效。遺傳算法作為并行隨機搜索的最優(yōu)化方法，其迭代思想與產(chǎn)品設(shè)計中迭代改良、品牌DNA、協(xié)調(diào)統(tǒng)一思想不謀而合，能有效解決對已有設(shè)計方案的優(yōu)化改良問題。

利用BP 神經(jīng)網(wǎng)絡(luò)強大的非線性映射能力［10］構(gòu)建智能座艙中控造型與感性意象的關(guān)系函數(shù)，實現(xiàn)對造型意象的評估。利用遺傳算法良好、快速的尋優(yōu)能力［11］完成對智能座艙具體造型的優(yōu)選。將兩者優(yōu)勢結(jié)合，共同解決智能座艙中控造型設(shè)計問題。整理設(shè)計流程，如圖2所示。

圖2 BP-GA設(shè)計系統(tǒng)流程構(gòu)建

2 造型特征與感性意象

2.1 造型樣本獲取與分類

智能座艙旨在為駕駛員提供舒適的駕駛體驗，其形式表達(dá)脫離不開功能的約束，未來智能座艙的造型設(shè)計也離不開現(xiàn)有優(yōu)勢座艙的積淀。故本文以現(xiàn)有新能源汽車座艙中控為研究對象，展開未來智能座艙中控造型感性意象設(shè)計的研究。

通過網(wǎng)絡(luò)檢索及實地調(diào)研等方式搜集新能源汽車座艙中控造型樣本，篩選掉相同、模糊、角度差的樣本，并進(jìn)行去色處理以控制單一變量。最終得到30個新能源汽車座艙中控造型樣本，如表1所示。

表1 新能源汽車座艙中控造型樣本庫

采用系統(tǒng)聚類法對樣本進(jìn)行分類。首先，對6名資深駕駛員、2名行業(yè)相關(guān)人員及2名汽車設(shè)計師共10 人進(jìn)行問卷調(diào)研，以兩兩對比的形式對樣本造型相似性進(jìn)行打分，分值為1.0～10.0，得分越高表明樣本間造型相似度越強，反之則越弱。整理調(diào)研結(jié)果，得到30 個樣本的造型相似度評分矩陣A（30×30）。為驗證數(shù)據(jù)可靠性，對評分矩陣A 進(jìn)行信度分析，結(jié)果顯示Alpha 值為0.769，如表2 所示，表明數(shù)據(jù)可靠性良好。

表2 可靠性統(tǒng)計

接著，采用系統(tǒng)聚類法并借助SPSS 軟件對評分矩陣數(shù)據(jù)進(jìn)行分析，得到聚類過程結(jié)果表和樹狀聚類圖，如表3和圖3所示。

表3 聚類系數(shù)匯總

圖3 樹狀聚類圖

根據(jù)表3 中的聚類系數(shù)，利用EXCEL 繪制聚類系數(shù)變化折線圖，如圖4所示。

圖4 聚類系數(shù)變化折線圖

從折線圖中能直觀看到，在第5到6次聚類系數(shù)變化最大，而后趨于平緩，因此將樣本分為5 或6 類較為合理［12］。結(jié)合樹狀聚類圖及德穆曼樹狀聚類分類準(zhǔn)則，將30個造型樣本分為6類。

接著，利用K-means聚類法對數(shù)據(jù)進(jìn)行分析，目的在于篩選出6 類相似造型樣本的典型樣本，因此，將超參數(shù)K設(shè)置為6。借助SPSS 軟件進(jìn)行分析，如表4所示。根據(jù)表4判斷樣本距中心距離，數(shù)值越小則距離中心越近，代表性越強，反之則越弱［13］。可知A8的距離為4.242、A9為3.740、A12為5.120、A13為4.934、A16為3.995、A26為5.506，相比于同類別中其他樣本數(shù)值最小，因此選取A8、A9、A12、A13、A16、A26為典型樣本，如表5所示。

表4 聚類成員表

表5 新能源汽車座艙中控造型典型樣本

2.2 感性意象測量

通過網(wǎng)絡(luò)檢索和問卷調(diào)研等方式得到代表智能座艙中控感性認(rèn)知的意象形容詞130 個，結(jié)合專家訪談和問卷調(diào)研等方法剔除無代表性和低頻詞匯，并進(jìn)行反義配對，得到30 對感性意象詞匯對。接著，選擇相關(guān)專家、資深駕駛員及轎車設(shè)計師共10人進(jìn)行問卷調(diào)研，根據(jù)調(diào)研結(jié)果篩選出現(xiàn)頻次最高的10組詞匯對，隨機排序并編號，如表6所示。

表6 篩選后的感性意象詞匯對

結(jié)合6 個典型形態(tài)樣本與10 對感性意象詞匯，運用語義差分法制作調(diào)研問卷，將10 對感性意象詞匯進(jìn)一步篩選。打分規(guī)則如下：參照樣本對其所體現(xiàn)的感性意象強度進(jìn)行勾選，勾選選項為2、1、0、-1和-2，分別代表非常現(xiàn)代、比較現(xiàn)代、區(qū)分不出、比較傳統(tǒng)和非常傳統(tǒng)。本次調(diào)研采用線上與線下相結(jié)合的方式，共發(fā)放問卷60份，實際回收58份，經(jīng)計算得到感性意象評價均值表，如表7所示。

表7 感性意象詞匯對評分均值表

數(shù)量較多的意象詞匯不利于解釋用戶意象［14］，應(yīng)用因子分析法對數(shù)據(jù)進(jìn)行降維處理，經(jīng)分析得到總方差解釋表和旋轉(zhuǎn)后的成分矩陣，如表8 和表9所示。

表8 解釋的總方差

表9 旋轉(zhuǎn)后的成分矩陣

根據(jù)表9 可知有4 個特征值大于1 的因子，同時旋轉(zhuǎn)后方差累計貢獻(xiàn)率為95.476%，證明4 個特征因子歸納合理且有效。根據(jù)表9 對4 個特征因子中載荷系數(shù)較大的感性意象詞匯進(jìn)行篩選，得到4 個典型感性意象詞匯對，即P＝｛C1，C3，C13，C22｝。

3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化GA的預(yù)測流程

3.1 設(shè)計變量提取

構(gòu)建智能座艙中控造型BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，目的在于構(gòu)建中控造型與感性意象之間的函數(shù)關(guān)系，實現(xiàn)智能座艙中控造型的感性意象評估。

以6 款典型樣本為主，利用形態(tài)分析法對具體造型特征因子進(jìn)行提取，提取原則為：從正視圖視角出發(fā)，提取對主體形態(tài)影響較大的抽象線條和輪廓。同時依據(jù)中控部件的具體分類，對造型特征明顯的部件進(jìn)行提取，即轉(zhuǎn)向盤、中控臺、空調(diào)出風(fēng)口、儀表盤、中控屏，分別記為W1、W2、W3、W4、W5。對提取結(jié)果進(jìn)行整理，如表10所示。

表10 智能座艙中控造型特征因子提取

3.2 網(wǎng)絡(luò)模型搭建

BP 神經(jīng)網(wǎng)絡(luò)的搭建主要包含網(wǎng)絡(luò)層數(shù)的設(shè)定，輸入、輸出、隱含層的層數(shù)和神經(jīng)元個數(shù)的確定，以及激勵函數(shù)、訓(xùn)練函數(shù)等的設(shè)置和選擇。

（1）神經(jīng)網(wǎng)絡(luò)層數(shù)的確定

經(jīng)理論證明，單層隱含層網(wǎng)絡(luò)可以解決任意的非線性擬合問題［15］，結(jié)合智能座艙中控造型的實際狀況、網(wǎng)絡(luò)訓(xùn)練時間、過擬合狀況及整體網(wǎng)絡(luò)復(fù)雜程度等因素的考慮，本文采用最基礎(chǔ)的3 層網(wǎng)絡(luò)結(jié)構(gòu)，即單層隱含層。

（2）輸入層數(shù)據(jù)的確定

網(wǎng)絡(luò)的訓(xùn)練樣本為造型樣本庫的30 個智能座艙中控樣本。綜合多種編碼方式，如數(shù)值編碼、索引編碼等，并考慮到每個智能座艙中控樣本的造型特征都對應(yīng)其特定的造型因子，本文采用One-Hot 編碼方法對智能座艙中控造型特征進(jìn)行編碼。

根據(jù)上文對智能座艙中控造型特征因子的分類構(gòu)建數(shù)據(jù)編碼的狀態(tài)位，且每個狀態(tài)都有其獨立的寄存器位。對于某一造型特征，在某一樣本下該樣本具有該特征屬性的記為“1”，不具有該特征屬性的記為“0”，據(jù)此規(guī)則對30 個智能座艙中控樣本進(jìn)行形態(tài)特征的編碼，如表11所示。由表11可知智能座艙中控造型特征因子共30 個，可知函數(shù)的自變量個數(shù)為30 個，即BP 神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點數(shù)為30。

表11 造型特征編碼

（3）輸出層數(shù)據(jù)的確定

根據(jù)里克特量表形式，構(gòu)建調(diào)研問卷進(jìn)行輸出層數(shù)據(jù)的獲取。本次調(diào)研同感性意象評價調(diào)研方式相同且前后同步進(jìn)行。令受試者分別對照4 個典型感性意象詞匯對依次對30 個樣本進(jìn)行打分，匯總結(jié)果并進(jìn)行均值計算，得到如表12 所示均值數(shù)據(jù)，即為BP 神經(jīng)網(wǎng)絡(luò)實際輸出數(shù)據(jù)。將每一對意象詞匯進(jìn)行訓(xùn)練和驗證，共進(jìn)行4 次，可知因變量個數(shù)為1個，即BP 神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個數(shù)為1，進(jìn)行4 次構(gòu)建和訓(xùn)練。

表12 BP神經(jīng)網(wǎng)絡(luò)實際輸出數(shù)據(jù)

（4）隱含層神經(jīng)元節(jié)點數(shù)

隱含層節(jié)點數(shù)沒有嚴(yán)格的標(biāo)準(zhǔn)參照，通常依據(jù)經(jīng)驗反復(fù)嘗試確定。隱含層數(shù)及節(jié)點數(shù)對模型性能產(chǎn)生直接影響，隱含層及節(jié)點數(shù)過多會導(dǎo)致訓(xùn)練時間增加及“過擬合”現(xiàn)象的產(chǎn)生，過少則會導(dǎo)致訓(xùn)練精度下降。綜合考慮數(shù)據(jù)結(jié)構(gòu)復(fù)雜程度，本文采用最基礎(chǔ)的3 層網(wǎng)絡(luò)結(jié)構(gòu)，即單層隱含層，隱含層節(jié)點數(shù)以式（1）為參考［16］，經(jīng)過反復(fù)的訓(xùn)練和測試，最終確定隱含層節(jié)點數(shù)設(shè)置為11。

式中：G表示隱含層神經(jīng)元數(shù)量；E表示輸入層神經(jīng)元數(shù)量；O表示輸出層神經(jīng)元數(shù)量；α表示1-10 的調(diào)節(jié)常量。

3.3 模型性能評估

基于MATLAB R2018b進(jìn)行預(yù)測模型的搭建，網(wǎng)絡(luò)輸入層節(jié)點數(shù)為30、輸出層節(jié)點數(shù)為1、隱含層節(jié)點數(shù)為11，隱含層傳遞函數(shù)采用Tan-Sigmoid，輸出層傳遞函數(shù)采用purelin，學(xué)習(xí)次數(shù)設(shè)置為5 000 次，誤差值為0.001。針對不同的感性意象詞匯，共構(gòu)建4個預(yù)測模型。

由于訓(xùn)練樣本數(shù)量少及數(shù)據(jù)集緯度低的局限，本文采用留一交叉法對預(yù)測模型進(jìn)行驗證，以增強模型的泛化能力［17］。按照留一交叉法，對4 個預(yù)測模型分別進(jìn)行30 次交叉驗證，將4 組預(yù)測數(shù)據(jù)進(jìn)行匯總，如表13所示。

表13 模型預(yù)測輸出數(shù)據(jù)

為驗證模型性能，計算實際輸出與預(yù)測輸出數(shù)據(jù)之間的相對誤差，如表14 所示。同時計算測試數(shù)據(jù)均方誤差，得到MSEC1＝0.0214、MSEC3＝0.0125、MSEC13＝0.0075、MSEC22＝0.0138。可知4 個預(yù)測模型的相對誤差和MSE值都較小，表明所構(gòu)建網(wǎng)絡(luò)能夠較好地體現(xiàn)中控造型與感性意象之間的映射關(guān)系。由此得到中控造型與感性意象函數(shù)關(guān)系。

表14 實際輸出與預(yù)測輸出相對誤差

3.4 融合GA的造型設(shè)計優(yōu)化

針對4 個典型感性意象詞匯，本文構(gòu)建了4 個BP 神經(jīng)網(wǎng)絡(luò)預(yù)測模型，即得到4 個不同的適應(yīng)度函數(shù)。首先，針對C1“現(xiàn)代-傳統(tǒng)”感性意象，對造型因子的最優(yōu)組合進(jìn)行研究。

（1）因子編碼及種群設(shè)定

為利用遺傳算法解決設(shè)計方案尋優(yōu)問題，對智能座艙中控造型因子進(jìn)行編碼形成初始種群［18］。根據(jù)表11可知，智能座艙中控造型因子共5類，每個類別下有6 個具體造型因子，且每個類別代表一個基因段。為便于后文輸出結(jié)果后對造型因子的定位，本文采用帶有自然數(shù)的字符串對智能座艙中控造型因子進(jìn)行位值編碼，編碼形式如圖5所示。

圖5 智能座艙中控染色體編碼

初始種群規(guī)模的大小應(yīng)根據(jù)具體問題在適當(dāng)范圍內(nèi)選取，過大或過小的種群規(guī)模都不利于遺傳算法的尋優(yōu)運算［19］。由于本文中控造型因子優(yōu)良性不明確，為避免遺漏有效信息，將采樣范圍覆蓋整個種群空間，即將所有中控造型因子作為父代，從中隨機抽取造型因子作為初始種群［20］，經(jīng)過多次測試后，發(fā)現(xiàn)當(dāng)初始種群數(shù)為30時收斂效果更好。

（2）適應(yīng)度函數(shù)構(gòu)建

本文最終目的在于得到特定感性意象下智能座艙造型因子的最優(yōu)組合，前文2.2 節(jié)部分利用語義差異法對成對的感性意象詞匯進(jìn)行了強度的劃分，且正數(shù)代表正向感性意象，因此對目標(biāo)函數(shù)f（x）的最優(yōu)解便是求解適應(yīng)度函數(shù)F（x）的最大值，即f（x）=maxF（x）。

中控造型因子適應(yīng)度值的含義是對于一組給定的造型因子組合所表達(dá)出的特定感性意象的強度，適應(yīng)度值越大，則表達(dá)強度越高。將前文基于BP神經(jīng)網(wǎng)絡(luò)所搭建起的關(guān)系函數(shù)作為遺傳算法的適應(yīng)度函數(shù)，以此對每個智能座艙中控造型因子種群進(jìn)行評估。

（3）遺傳算法求解

首先，對遺傳、交叉和變異算子進(jìn)行設(shè)定，分別選用輪盤賭法、一點交叉法和自然數(shù)實值變異策略。通過反復(fù)測試，確定染色體交叉概率為0.8，變異率取值范圍是0.001～0.1，同時將變異率設(shè)置為自適應(yīng)模式，以保證得到結(jié)果更加多樣性。

其次，借助MATLAB R2018b執(zhí)行遺傳操作并輸出結(jié)果，如圖6 所示。通過對圖像變化的觀察可知，個體適應(yīng)度值隨著進(jìn)化次數(shù)的增加而逐漸變大，當(dāng)?shù)螖?shù)達(dá)到40 時，上升趨勢明顯減緩。平均適應(yīng)度值在40 代之前一直處于上升趨勢，說明種群在不斷尋找最優(yōu)解，90 代之后平均適應(yīng)度達(dá)到最大值6.9。由此可知，在C1“現(xiàn)代-傳統(tǒng)”感性意象下，智能座艙中控造型因子最優(yōu)組合的適應(yīng)度值為6.9，所對應(yīng)造型因子的組合即為設(shè)計方案最優(yōu)組合，其離散變量參數(shù)如下：

圖6 離散變量參數(shù)圖

maxF（x）=［4 2 6 3 4］

最后，根據(jù)離散變量參數(shù)反向解碼出C1“現(xiàn)代-傳統(tǒng)”感性意象下智能座艙中控造型的特征因子，并按照既定部件位置進(jìn)行布局設(shè)計和因子組合，如表15 所示。同理，針對C3“圓潤－硬朗”、C13“整體－分散”、C22“簡潔－繁瑣”3 個感性意象執(zhí)行遺傳算法的迭代與優(yōu)選，得到相應(yīng)的智能座艙中控造型特征因子組合，如表16所示。

表15 C1最優(yōu)解解碼

表16 C3、C13、C22最優(yōu)解解碼

3.5 設(shè)計案例應(yīng)用

根據(jù)表15 和表16 對智能座艙中控進(jìn)行創(chuàng)新設(shè)計。首先，根據(jù)4 組造型因子對智能座艙中控進(jìn)行布局的設(shè)計以及部件之間的銜接處理。接著，利用Rhino 三維建模軟件，結(jié)合4 個感性意象下的中控造型因子組合進(jìn)行中控產(chǎn)品三維模型的構(gòu)建。最后，結(jié)合Keyshot 和Photoshop 軟件對智能座艙中控進(jìn)行色彩和材質(zhì)的渲染。得到最能體現(xiàn)“現(xiàn)代－傳統(tǒng)”、“圓潤－硬朗”、“整體－分散”、“簡潔－繁瑣”意象特征的4個方案，如圖7～圖10所示。

圖7 “現(xiàn)代－傳統(tǒng)”方案a

圖8 “圓潤－硬朗”方案b

圖9 “整體－分散”方案c

圖10 “簡潔－繁瑣”方案d

為進(jìn)一步驗證4 個方案的意象特征偏向性，應(yīng)用語義差分法對4 個方案進(jìn)行問卷調(diào)研，受試對象同2.1節(jié)部分樣本相似度受試對象相一致，即6名資深駕駛員、2名行業(yè)相關(guān)人員及2名汽車設(shè)計師共10人。受試對象按照“3，2，1，0，-1，-2，-3”7 級量表進(jìn)行打分，根據(jù)調(diào)研數(shù)據(jù)整理得分結(jié)果，如表17所示。

表17 方案評價得分

結(jié)果顯示：方案a 更能體現(xiàn)“現(xiàn)代”的意象特征，同時偏向“簡潔”的風(fēng)格；方案b 在“圓潤”的意象特征上表現(xiàn)的最為明顯，同時存在低程度的“傳統(tǒng)”意象特征傾向；方案c 最能表現(xiàn)“整體”的意象特征，同時也比較“傳統(tǒng)”和“硬朗”；方案d 更能體現(xiàn)“簡潔”的風(fēng)格，同時也能表現(xiàn)“現(xiàn)代”的風(fēng)格特征。

4 結(jié)論

本文針對設(shè)計開發(fā)過程中所存在的主觀性、經(jīng)驗性過強的問題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化遺傳算法的智能座艙感性意象設(shè)計方法。主要研究成果如下：

（1）完成抽象化造型因子與意象評價的定量化描述。

（2）構(gòu)建智能座艙中控造型意象預(yù)測模型，建立中控造型與感性意象之間的函數(shù)關(guān)系，實現(xiàn)對智能座艙中控造型的評估。

（3）實現(xiàn)特定意象下中控造型因子組合的優(yōu)選，完善智能座艙造型量化研究中的評估方法與優(yōu)選方法的結(jié)合。

本文結(jié)合BP 神經(jīng)網(wǎng)絡(luò)和遺傳算法對智能座艙感性意象設(shè)計問題展開量化研究，通過設(shè)計實踐，驗證方法效用。可滿足用戶的多樣化造型需求，實現(xiàn)目標(biāo)造型的優(yōu)化和多樣化表達(dá)。在未來的研究中，將考慮采用數(shù)據(jù)挖掘方法收集大量樣本進(jìn)行訓(xùn)練與測試，進(jìn)一步提高該預(yù)測模型的泛化能力以提高設(shè)計效率。