基于BP神經(jīng)網(wǎng)絡的辦公椅感性意象預測模型構(gòu)建研究

■趙亞男 Zhao Yanan

(嘉興南洋職業(yè)技術(shù)學院，浙江嘉興 314000）

隨著社會工業(yè)化程度的不斷深入，各行各業(yè)紛紛加快了工作節(jié)奏，普通員工日均工作時長不少于8小時，且加班現(xiàn)象愈發(fā)普遍[1]。作為直接提供坐靠支持的辦公椅，其與人的密切關(guān)系可見一斑。因此，對于辦公椅的設(shè)計不僅要滿足功能需求，也要具有一定的心理和情感附加值[2]。BP神經(jīng)網(wǎng)絡作為一種智能信息處理算法，具有極強的非線性映射能力[3]。在產(chǎn)品感性設(shè)計研究中，人工神經(jīng)網(wǎng)絡常用于建立產(chǎn)品造型設(shè)計要素與用戶情感意象之間的關(guān)系。定律[4]等通過建立感性評價矩陣，構(gòu)建了用戶需求與程控切紙機造型設(shè)計要素之間的數(shù)理關(guān)系；李陽[5]等基于模塊化思想，構(gòu)建了用戶感性意象與木制民居造型模塊之間的映射關(guān)系；楊浩[6]等運用三層結(jié)構(gòu)神經(jīng)網(wǎng)絡模型，研究共享汽車仿生設(shè)計方法；朱彥[7]等運用主成分分析法量化感性意象，運用神經(jīng)網(wǎng)絡構(gòu)建其與家庭服務機器人整體造型要素之間的邏輯關(guān)系。然而，目前的研究沒有針對辦公椅等家具產(chǎn)品的探討，尤其是針對該類產(chǎn)品感性評價與設(shè)計要素之間的數(shù)理模型。因此，本文運用語義差異法提取用戶感性意象，運用形態(tài)分析法對辦公椅造型設(shè)計要素進行解構(gòu)，建立感性評價矩陣，運用BP神經(jīng)網(wǎng)絡算法構(gòu)建兩者映射關(guān)系，并進行模擬預測，為辦公椅的感性設(shè)計提供科學可靠的理論依據(jù)。

■圖1 研究流程

■圖2 BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

1 基于BP神經(jīng)網(wǎng)絡的辦公椅感性設(shè)計流程

本文研究流程如圖1所示。首先收集合適的辦公椅樣本，并對樣本進行預處理；接著根據(jù)形態(tài)分析法對樣本進行設(shè)計要素解構(gòu)；然后確定感性評價量尺，運用語義差異法將感性意象量化；再通過訓練BP神經(jīng)網(wǎng)絡建立造型設(shè)計要素與感性意象之間的映射關(guān)系；最后通過模擬預測，檢驗模型可靠性。

2 辦公椅造型設(shè)計要素與感性意象量化分析

2.1 辦公椅造型樣本分析

通過在某辦公家具企業(yè)調(diào)研，對該企業(yè)上市的辦公椅進行樣本收集，并篩選出銷量較好的36種不同款式的辦公椅(“五星滑輪”座椅）作為代表樣本進行分析研究，部分樣本如表1所示。為避免色彩因素對感性測評的影響，代表樣品均做除色處理，選取45°透視角度的樣品圖片。

表1 部分辦公椅樣本

2.2 辦公椅造型設(shè)計要素解構(gòu)

根據(jù)調(diào)研得到的辦公椅樣本，通過形態(tài)分析法對其進行造型設(shè)計要素的提取和分析，將辦公椅造型設(shè)計分為8個設(shè)計要素，編號X1～X8。再根據(jù)調(diào)研樣本對每種要素分出不同的要素類型，得到辦公椅的造型設(shè)計要素空間，如表2所示。

表2 辦公椅造型設(shè)計要素空間

2.3 辦公椅感性意象詞匯確定及其評價結(jié)果

通過用戶訪談、文獻查閱等方式匯總了描述辦公椅的感性意象詞匯，共計86組。綜合專家意見，經(jīng)進一步的評估和篩選，最終保留了4組最適宜的詞匯作為感性評價量尺，分別為：輕盈的-穩(wěn)重的、現(xiàn)代的-傳統(tǒng)的、人性的-機械的、藝術(shù)的-功能的。

本文用7階SD量表對以上4組感性意象詞匯設(shè)計問卷，要求受測者根據(jù)這4組詞匯對36個典型樣本進行評分。例如，針對“輕盈的-穩(wěn)重的”這一評價量尺，4分代表中立，1分代表相當穩(wěn)重的，7分則代表相當輕盈的。總計發(fā)放問卷80份，整理有效問卷60份，感性評價調(diào)查結(jié)果整理如表3所示。

表3 辦公椅感性評價結(jié)果

3 辦公椅BP網(wǎng)絡模型的建構(gòu)與測試

3.1 辦公椅BP神經(jīng)網(wǎng)絡結(jié)構(gòu)

BP神經(jīng)網(wǎng)絡結(jié)構(gòu)簡單、可操作性強、能模擬任意非線性輸入與輸出向量的映射關(guān)系[8]。其結(jié)構(gòu)包含輸入層、隱含層和輸出層，每層結(jié)構(gòu)通過連接權(quán)重、閾值和激活函數(shù)相連接（圖2）。本文將辦公椅造型設(shè)計要素的組合編號作為輸入層參數(shù)，感性意象的評價值作為輸出值參數(shù)，通過對網(wǎng)絡模型的訓練，不斷調(diào)整權(quán)值和閾值，最終使輸出的結(jié)果達到與期望值誤差最小。

3.2 辦公椅BP神經(jīng)網(wǎng)絡模型的建立與測試

3.2.1各層節(jié)點數(shù)目的確定

將辦公椅造型設(shè)計要素的組合編號作為輸入層參數(shù)，即輸入層節(jié)點數(shù)為8個。辦公椅感性意象的評價值作為輸出層參數(shù)，即輸出層節(jié)點數(shù)為感性意象詞組數(shù)4個。隱含層節(jié)點個數(shù)通過式（1）確定，其中m為隱含層節(jié)點數(shù)；n為輸入層節(jié)點數(shù)；l為輸出層節(jié)點數(shù)。故本文隱含層節(jié)點數(shù)為6個。

3.2.2編碼

由于辦公椅的造型設(shè)計要素無法直接作為輸入?yún)?shù)，需要將其轉(zhuǎn)化成可以在計算機中讀取的參數(shù)，因此要對其進行編碼處理。各樣本編碼位數(shù)與設(shè)計要素的總數(shù)相同，為48位，各設(shè)計要素編碼為1，其余均為0。例如1號樣本在X1到X8的設(shè)計要素類型為4、1、2、1、2、2、2、3的組合，其編碼為0001001000000100 00100000010000010000010000001000。

3.2.3激活函數(shù)

由于辦公椅的設(shè)計要素與感性意象評價是非線性關(guān)系，本文隱含層的激活函數(shù)采用S型函數(shù)，即式（2）。

3.2.4歸一化

由于神經(jīng)網(wǎng)絡的輸出層采用S型激活函數(shù)，其值域限制在（0,1）的區(qū)間，網(wǎng)絡的輸出值也只能限制在其值域范圍內(nèi)，而感性意象評價結(jié)果數(shù)值并不完全處于此區(qū)間，因此需要將其進行歸一化處理。歸一化處理公式如式（3）所示。其中Xmax最大值，Xmin為最小值。

3.3 辦公椅BP神經(jīng)網(wǎng)絡模型訓練

用MATLAB編寫上述網(wǎng)絡模型的程序，并輸入樣本數(shù)據(jù)對網(wǎng)絡進行訓練與測試，并對辦公椅造型設(shè)計做出預測，其仿真流程如圖3所示。從36個樣本中隨機選取30個作為訓練樣本，設(shè)定其訓練次數(shù)為1000次，結(jié)果運行如圖4所示。

3.4 BP神經(jīng)網(wǎng)絡性能評價

用余下的6個樣本驗證經(jīng)過訓練后的網(wǎng)絡，網(wǎng)絡得出的仿真值與調(diào)研得到的真實值進行比較，如表4、表5所示。

表4 實際感性評價均值結(jié)果

表5 感性意象預測值

將實際感性評價均值與由網(wǎng)絡模型預測的感性評價值分別輸入SPSS軟件，并進行配對樣本t驗證，得到各組感性意象詞匯配對樣本t檢驗的顯著性。

依照統(tǒng)計學配對樣本t檢驗法則，若上述成對樣本t檢驗的顯著性＜0.05，則拒絕原假設(shè)，表示預測感性分值與實際評價分值存在顯著差異；反之，t檢驗的顯著性＞0.05，則無法拒絕原假設(shè)[9-10]，表示預測感性分值與實際評價分值接近或相同。

如表6所示，四對感性意象詞匯的Sig值均大于0.05，所以建立的BP神經(jīng)網(wǎng)絡預測模型具有較高可信度。

表6 各組意象詞匯配對樣本t檢驗的顯著性

4 結(jié)語

本文主要研究了現(xiàn)代辦公椅的感性意象與造型要素之間的對應關(guān)系，運用BP神經(jīng)網(wǎng)絡建立了感性意象得分預測模型，通過對模型進行訓練與測試，最終證實了模型的可靠性[11-12]。因此，本論文的研究對辦公椅的感性設(shè)計，以及辦公椅產(chǎn)品未來可能的發(fā)展趨勢提供了較為科學的理論依據(jù)：（1）該模型可以幫助設(shè)計師設(shè)計出更符合市場需求的辦公椅產(chǎn)品，提升產(chǎn)品的市場競爭力；（2）隨著人工智能的飛速發(fā)展，BP神經(jīng)網(wǎng)絡的應用范圍也會越來越廣泛，其在輔助產(chǎn)品設(shè)計方面的潛能需要不斷探索[13-14]。

■圖3 仿真流程圖