基于KAB模型的設計要素組合推導

蔡婉欣，林麗，郭主恩，鄧雅倩

基于KAB模型的設計要素組合推導

蔡婉欣，林麗，郭主恩，鄧雅倩

（貴州大學，貴陽 550025）

為了提高產品感性設計開發效率及意象匹配精度，采用定性和定量相結合的方法，提出一種基于層次分析法（AHP）與BP神經網絡相結合的產品意象設計要素組合推導方法。首先通過網絡爬蟲和親和圖法建立產品意象及造型數據庫，以獲得意象和設計要素；其次運用AHP構建產品層次結構模型及判斷矩陣，計算意象及設計要素的權重系數；接著，基于形態拆解法與權重結果獲得設計要素類型及優化組合編碼，再運用語義差異法（SD）獲取組合編碼的用戶感性意象均值；最后通過感性工學和AHP-BP神經網絡構建KAB關鍵設計要素組合預測模型。基于此模型預測四旋翼無人機設計方案，應用逼近理想解排序法（TOPSIS）對其進行驗證評價，結果表明通過模型計算能夠得到與目標感性意象高度匹配的設計要素組合編碼。基于此模型能夠快速獲得客觀準確的產品意象造型設計要素組合，提高產品設計開發過程的效率。

AHP-BP神經網絡；感性工學；造型意象；四旋翼無人機；設計要素組合

隨著行業集約化和社會進步，現代產品同質化現象嚴重，產品競爭不再僅限于產品質量、價格和功能，通過產品創新設計滿足消費者個性化需求和情感需求，受到越來越多學者和企業的重視[1]。不同的產品風格和造型會帶給消費者不同的感覺體驗，消費者往往選擇能體現自己心理預期的產品[2]。因此，研究用戶偏好和需求并將其外顯化，使設計出的產品更好地滿足用戶需求，成為工業設計研究的一大趨勢。

產品感性意象（Kansei Image，KI）設計是將用戶情感轉化為產品設計要素的設計模式，在產品設計中，人們將對物的感覺通過感性意象值的定量方式表達出來[3]。通過研究產品意象與設計要素間的關系，輔助設計師以最有效的方式尋求到符合用戶需求的造型外觀，設計出用戶滿意的產品[4]。在產品意象與設計要素的相關研究中，傳統的研究多通過單一方法進行分析[5]，近年來，專家學者嘗試分別結合多種方法進行設計研究。學者倪敏娜等[6]綜合運用BP神經網絡技術，對產品造型設計要素進行定量化研究。張碩等[7]運用BP神經網絡研究了壁掛式充電樁產品形態。李陽等[8]運用BP神經進行木制居民個性化定制。程永勝等[9]結合感性工學和層次分析法（Analytic Hierarchy Process，AHP）提出汽車造型意象評價方法。蘇珂等[10]使用模糊層次分析法提出一種產品集約化設計方法。上述研究通過多種方法的結合，克服了傳統感性工學研究方法單一的局限性，提高了感性意象研究成果在設計實踐中的應用成效。但是現有研究仍存在以下不足：產品意象與設計要素的匹配精度低下，導致設計開發過程耗時過長；缺少面向產品意象的形狀設計要素組合推導方法。

為解決這些問題，本文提出基于KAB（Kansei- AHP-BP神經網絡）模型的產品意象設計要素組合推導方法，將定性與定量的方法相結合，從而實現以下幾個目標：運用AHP將主觀需求信息量化為客觀數據，為后續BP神經網絡的運算優選訓練數據，減少訓練時間；依托神經網絡算法自學習、收斂快、計算精確、常用于建立變量之間復雜的關系[11]等特點，快速得到與意象匹配的設計要素組合編碼；基于KAB模型能夠準確得到優化的設計要素組合，還可以協助設計師提高產品意象與設計要素的匹配精度和設計效率。

1 基于KAB模型的設計要素組合推導方法

AHP具有清晰的邏輯判斷準則[12]，可以把無序的指標設定成有序的層層遞階的評價指標[13]，通過構建判斷矩陣獲得各權重系數，進行權重排序，得到最優解。BP神經網絡具有高度非線性映射能力和較好的容錯性[14]，特別適合解決非線性的復雜系統[15]。因此，本文首先運用AHP建立層次結構模型，進行意象與設計要素相關性分析，獲得目標意象與設計要素類型；其次在感性工學技術支持下，將兩者通過BP神經網絡進行非線性擬合，構建KAB模型；接著通過模型獲得優化的關鍵設計要素組合編碼，最后使用TOPSIS[16]法對有限方案進行多目標決策分析，選取最佳設計方案，以指導設計。本文提出的方法由以下四大步驟組成：

1）選取目標產品，篩選產品樣本圖片和意象，獲取設計要素，建立產品感性意象及造型數據庫。

2）基于AHP建立產品造型意象層次結構模型，并進行綜合排序，得到關鍵意象和設計要素。

3）獲取關鍵設計要素類型及編碼，驗證其與目標意象的相關性，計算后續用于BP神經網絡訓練的感性評價均值。

4）構建意象與設計要素間的KAB關鍵設計要素組合預測模型，獲得最優設計要素組合編碼，形成新設計方案，應用TOPSIS法篩選得到新設計方案。具體研究流程，如圖1所示。

1.1 產品意象及造型數據庫建立

1.1.1 選取目標產品

按照實際需求選擇擬創新的產品，一般為造型元素復雜、需要個性化定制生產的產品。

圖1 基于KAB模型的設計要素組合推導

1.1.2 獲取意象及樣本圖片

通過Python網絡爬蟲獲取目標產品的圖片和評價信息，由專家對圖片數據進行篩選，選擇部分樣本圖片作為分析對象；通過評價數據和產品語義調查問卷獲取大量意象，并對結果進行分析獲得目標意象。

1.1.3 確定設計要素

使用形態分析法對目標產品整體造型進行解構，將目標產品分解為多個單元部件，每個單元部件細分為多個設計要素，經專家評審得到主要設計要素。

1.2 構建產品造型意象層次結構模型

1.2.1 構建層次結構模型

根據層次分析法中Saaty提出的層級構造法[17]，構建目標產品的層次結構模型，確定目標層為產品整體造型，準則層為意象，方案層為設計要素。

1.2.2 構造評價判斷矩陣

通過結構模型確定判斷矩陣指標，其中判斷矩陣為正負反矩陣，應滿足以下要求：a>0；a=1/a；a=1。其中a表示要比較的各準則層1,2,3, …,a對上一層級的重要性評估，a是a相對于a的重要性評估。焦點小組根據目標產品評價體系，按照九級標度法進行評判打分構造產品評價判斷矩陣。

1.2.3 各指標權重獲取

通過產品評價判斷矩陣獲取意象與設計要素的權重值，建立兩者之間的線性關系，并驗證矩陣的準確性。步驟如下：

步驟一：假設矩陣由個要素構成，分別為1,2,3, …,C。得到判斷矩陣中每行指標乘積M：

其中，=1, 2, …,；C為要素C相對于C的標度值。

步驟二：求得各行指標的平均值a：

步驟三：得到矩陣中每個要素的相對權重值w：

步驟四：為保證評測者在評價過程中思維的一致性和判斷矩陣的相容性，對評價結果進行一致性檢驗，確保矩陣構建的準確性。驗證一致性指標為：

其中，λ為矩陣的最大特征值，[]為矩陣與相對權重矩陣相乘所獲得的矩陣，為矩陣要素個數，為一致性指標，為隨機一致性指標，當≤0.1時，認為判斷矩陣的不一致程度在允許范圍內，有滿意的一致性，并通過一致性檢驗，反之要重新調整比較矩陣。

1.2.4 歸一化處理

對矩陣、中個要素進行歸一化處理，并求得矩陣中個要素對矩陣的綜合排名權重，分析權重系數得到關鍵意象與設計要素。

1.3 獲取設計要素類型及評價均值

1.3.1 確定關鍵設計要素類型及編碼

結合形態拆解法獲得目標產品的部件架構關系，并基于權重分析結果得到關鍵設計要素，用1，2, …,X表示，根據現有產品樣本逐一梳理提煉出各種基本設計要素類型的可能性，得到關鍵設計要素類型，用編碼X–1,X–2, …,X–表示。引用文獻[18]提出的相關性分析算法，驗證設計要素類型與目標意象的相關性：首先獲取基本設計要素類型的各種形態組合，其次獲得各組合的目標意象值形成意象值集合。當分析設計要素類型1–1與意象關聯性時，通過形態組合得到個意象值I2（第種設計要素組合的第個意象評價值），求取平均值T與標準差T：

其中，T表示設計要素類型與目標意象的關聯程度，T表示兩者關聯的穩定程度。為T與T分配相同權值得到相關性指標，當目標意象對應的設計要素類型值越高，表明兩者越相關：

1.3.2 確定感性評價均值

隨機篩選出部分現有樣本方案，運用SD法對樣本進行感性意象評測打分，運用SPSS運算得到感性評價均值。

1.4 構建KAB關鍵設計要素組合預測模型

1.4.1 面向產品意象設計的BP神經網絡匹配訓練

基于Matlab 2016平臺進行BP神經網絡結構的建立與模擬，如圖2所示。圖2中，X為設計要素編碼，同為網絡的輸入；W為輸入層的輸出值，隱藏層的輸入值；W為隱藏層輸出值，輸出層的輸入值；為輸出層的輸出值，即感性意象均值。

根據式（10）獲得隱藏層節點個數：

圖2 面向產品意象設計的BP神經網絡模型

其中，為輸入層節點數，為輸出層節點數，為1～10的調節常數。輸入層與輸出層之間選用多數型函數進行映射：

首先將神經網絡學習最大訓練次數設置為8 000，使用梯度下降法進行操作，誤差目標值為0.001，選取前70%現有樣本圖片導入BP神經網絡模型中進行訓練，用均方誤差衡量訓練結果，最后選擇剩余樣本進行驗證訓練，測試網絡有效性。

1.4.2 面向創新的關鍵設計要素組合推導

由模型訓練得到最大意象均值，獲取所對應的最優關鍵設計要素組合編碼，指導創新設計。

1.4.3 基于TOPSIS法的設計方案驗證

運用TOPSIS法驗證設計方案的有效性，其步驟如下：

步驟一：邀請設計師針對設計方案中的設計要素類型進行打分，采用5階里克特量表進行打分（1～5分為很不滿意、較不滿意、滿意、比較滿意、非常滿意），選取打分結果的均值作為各指標的最終得分，形成正向化矩陣。得到初始評價矩陣后進行標準化處理，獲得標準化矩陣：

其中，標準化矩陣記為，中的每一個元素為r，=1, 2, …,；=1, 2, …,。

步驟二：給各設計要素類型賦予相同的權重，由標準化矩陣得到正理想解X，負理想解，為每列元素的最大值，為每列元素的最小值：

步驟三：計算各方案到正理想解X的距離和負理想解X的距離，即：

每個方案到理想解的相對貼進度為S，即：

其中，由S值的大小判斷方案的優劣，當S值越大，說明方案越符合目標意象。

2 案例驗證

2.1 無人機意象及造型數據庫建立

2.1.1 選取無人機樣本類型

文獻[19]指出，多旋翼無人機的研究成為當下一大熱點，其外觀設計是無人機造型研發中較為重要的一環。因此本文選取四旋翼無人機作為案例，驗證方法的有效性。

2.1.2 獲取意象及樣本圖片

使用Python網絡爬蟲獲得無人機圖片和評價信息，由專家小組使用相似性分析的方法篩選出300個樣本圖片，為了避免樣本顏色影響判斷，對所有圖片進行灰度處理，由于篇幅限制，部分樣本見圖3。根據評價信息初步篩選意象130個，通過親和圖法設計調查問卷做進一步篩選，共發放有效問卷30份，收回有效問卷27份。被試者均為具有工業設計背景的設計師或學生，以聚類法分析問卷調查結果，并對相關數據進行處理，最終獲得表達用戶感性需求的意象為：現代的、輕巧的、實用的。

2.1.3 確定無人機設計要素

無人機造型部件為：機身、螺旋槳、電機、支撐架、云臺、起落架、相機、飛控等。其外觀結構大體相同，主要部件為機身、云臺、螺旋槳、起落架與支撐架，根據無人機造型評價體系，經專家評審確定此五個部件用于后續研究。

2.2 構建無人機造型意象層次結構模型

2.2.1 建立無人機層次結構模型

其中目標層為無人機整體造型，準則層為產品意象：現代的、輕巧的、實用的，方案層為機身、云臺、螺旋槳、起落架與支撐架，層次結構模型如圖4所示。

2.2.2 構造評價指標判斷矩陣

邀請專業設計師3名，設計專業學生10名，用戶5名，無人機銷售人員4名，共22人組成焦點小組，根據九級標度表進行評測打分，建立1個目標層判斷矩陣、3個準則層判斷矩陣。

圖3 無人機部分樣本圖片

圖4 無人機層次結構模型

目標層為無人機造型，用表示；準則層三個意象為現代的、輕巧的、實用的，分別用1、2、3表示；方案層五個要素為機身、支撐架、螺旋槳、起落架和云臺，分別用1、2、3、4、5表示，分別構建矩陣、1、2、3。

2.2.3 評價指標權重計算

判斷矩陣中相對權重值如表1和表2所示，用矩陣、進行一致性檢驗，均小于0.1，因此矩陣構建正確，如表3所示。由表1可知，矩陣中1所占權重最大為0.625，因此用戶偏好的關鍵意象為：“現代的”。

2.2.4 歸一化處理

進行一致性驗證后，綜合計算矩陣B、B、B對矩陣的權重并進行歸一化處理與綜合排序，如表4所示。排名前四的設計要素為：1、4、1、2。由表2可知，矩陣1、2、3中前兩名的權重分別為：1、2、4。因此，對此意象造型最具影響力的關鍵設計要素為：機身、起落架、支撐架。

表1 準則層判斷矩陣

Tab.1 Criterion level judgment matrix

表2 方案層判斷矩陣

Tab.2 Judgment matrix of scheme layer

表3 一致性比率結果

Tab.3 Consistency ratio results

表4 綜合權重排序

Tab.4 Comprehensive weight ranking

2.3 獲取無人機設計要素類型及評價均值

2.3.1 確定關鍵設計要素類型及編碼

通過形態拆解法得到無人機整體形態的架構為一體式及拼接式，根據關鍵設計要素機身輪廓1、起落架輪廓2、支撐架輪廓3、形態架構關系4，提煉現有產品樣本得到21種基本設計要素類型，利用相關性分析算法，驗證設計要素類型與目標意象的相關性：如當分析設計要素類型1–1與意象“現代的”關聯性時，通過形態組合得到1×6×6×2=72個意象值2，求得平均值1與標準差2，得到相關性指標，如表5所示。對比表中設計要素類型值的分布情況，所有設計要素類型對應意象“現代的”值均較高，可知兩者的相關性建立合理。由此得到關鍵設計要素類型及編碼，其編碼用1—7表示，如表6所示。

2.3.2 確定感性意象評價均值

基于5點里克特量表焦點小組對300個無人機樣本針對“現代的”意象進行打分，因實驗樣本較多，為保證被試者結果的真實性，實驗分為5組進行，每組60個評價樣本，約5 min完成，整體實驗時間為33 min，得到均值如表7所示。

表5 設計要素類型與意象“現代的”相關性

Tab.5 Correlation between design element type and image "modern"

表6 關鍵設計要素類型

Tab.6 Types of key design elements

表7 現有樣本感性均值

Tab.7 Perceptual mean of existing samples

2.4 構建無人機KAB關鍵設計要素組合預測模型

2.4.1 面向無人機意象設計的BP神經網絡訓練

由研究獲得4個設計元素，可確定輸入層節點數為4個，隱藏層節點數為6個，輸出層節點數為1個。

隨機選取表6前70%的樣本數據導入BP神經網絡模型進行訓練，用均方誤差衡量訓練結果。由圖5可知，此網絡在2 674次訓練時達到訓練目的，實際訓練的誤差值為0.009 48。為了驗證模型的有效性，選擇了表7后30%的樣本數據進行驗證訓練，將訓練得到的樣本數據與實際樣本數據進行對比，若對比誤差低于3%，說明訓練網絡構建了產品意象與設計要素之間正確的映射模型。如表8所示，實際數據與預測數據誤差較小，網絡精度達到目標要求，模型建立正確。

圖5 Matlab訓練結果

表8 驗證訓練結果

Tab.8 Validation training results

2.4.2 基于KAB模型的實例關鍵設計要素組合推導

由上述可知，無人機關鍵設計要素類型隨機組合后可生成組合編碼為：7×6×6×2=504種。將所有組合編碼輸入建構好的網絡模型，經網絡測試計算后，得到“現代的”最大感性均值為4.726。所對應的設計要素組合編碼為：6、1、5、2。此模型預測能為設計師提供理性邏輯支撐，結合實際需求與產品設計流程，將理論與實踐并行。因此，設計無人機時需著重關注“現代的”目標意象，緊密圍繞新產品研發時的目標意象需重點關注的設計特征為：機身輪廓為橢圓形（1–6），其形變程度較大為宜，細節以曲線為主、直線為輔來塑造機身的造型線、分模線等；起落架的輪廓為T形（2–1），支柱要長于落腳架，以圓柱狀為主要造型；支撐架輪廓為柱形（3–5），以有一定形變程度為宜，其放射狀圓柱造型較為符合實際需求；形態結構均為拼接式（4–2）。由約束條件下的最優設計要素組合編碼，得到初步創新設計方案如表9所示。

2.4.3 基于TOPSIS法的設計方案驗證

為驗證生成設計方案的有效性，邀請10名設計師針對方案的設計要素類型進行評測打分，形成正向化矩陣，結果如表10所示。根據式（12）對矩陣進行標準化處理，得到標準化矩陣如表11所示。

由式（13）和（14）得到評價方案的正理想解X=（0.627，0.582，0.588，0.582），負理想解X=（0.535，0.567，0.572，0.568）。由此，得到各方案正負理想解的距離及各方案到理想解的相對貼進度，如表12所示。由表12可知，方案一的S值最大，最為符合目標意象的設計要素類型，可以為下一階段的產品研發起到導向作用。

表9 四旋翼無人機設計模型

Tab.9 Four rotor UAV design strategy model

表10 初始正向化矩陣

Tab.10 Initial normalization matrix

表11 標準化矩陣

Tab.11 Standardization matrix

表12 正負理想解距離及相對貼近度

Tab.12 Distance between positive and negative ideal solutions and relative progress

3 結語

本文以產品整體造型意象設計為出發點，定量化地分析了產品意象與設計要素及其組合的對應關系，建立了基于KAB模型的設計要素組合推導方法。基于此模型能夠推導出與目標意象匹配的設計要素組合編碼，提高了設計效率及意象匹配精度。以四旋翼無人機為例，證實了此方法可協助設計師快速設計出更加符合用戶感性需求的產品，從而縮短產品設計周期，加快產品開發速度。

本文預測模型僅針對產品意象造型的形狀設計要素，而產品意象是產品形色質等多維設計要素共同作用的結果，因此，針對同時預測多維設計要素的情況以及更多帶有特殊情況的數據，現有的訓練集難以勝任，致使現有模型存在一定的局限性。在后續研究中綜合產品多維意象設計要素并拓展訓練集，提高產品用戶滿意度和預測模型的可信度是需要開展并擬解決的問題。

[1] 傅業燾, 羅仕鑒. 面向風格意象的產品族外形基因設計[J]. 計算機集成制造系統, 2012, 18(3): 449-457.

FU Ye-tao, LUO Shi-jian. Style Perception-Oriented Product Family Shape Gene Design[J]. Computer Integrated Manufacturing Systems, 2012, 18(3): 449-457.

[2] 朱斌, 楊程, 俞春陽, 等. 基于深度學習的產品意象識別[J]. 計算機輔助設計與圖形學學報, 2018, 30(9): 1778-1784.

ZHU Bin, YANG Cheng, YU Chun-yang, et al. Product Image Recognition Based on Deep Learning[J]. Journal of Computer-Aided Design & Computer Graphics, 2018, 30(9): 1778-1784.

[3] 陳金亮, 趙鋒. 產品感性意象設計研究進展[J]. 包裝工程, 2021, 42(20): 178-187.

CHEN Jin-liang, ZHAO Feng. Review of Product Kansei Image Design[J]. Packaging Engineering, 2021, 42(20): 178-187.

[4] 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.

ZHOU Ai-min, SU Jian-ning, YAN Shu-tian, et al. Product Multi-Image Prediction Model Based on Aesthetic Mea-sure of Form[J]. Journal of Graphics, 2018, 39(4): 654-660.

[5] 林麗, 郭主恩, 陽明慶. 面向產品感性意象的造型優化設計研究現狀及趨勢[J]. 包裝工程, 2020, 41(2): 65-79.

LIN Li, GUO Zhu-en, YANG Ming-qing. Current Research Situation and Trend of Product Image-Based Modeling Optimization[J]. Packaging Engineering, 2020, 41(2): 65-79.

[6] 倪敏娜, 孫志宏, 王梓, 等. 面向產品造型感性意象評價的BP神經網絡模型的應用[J]. 東華大學學報(自然科學版), 2016, 42(4): 604-607.

NI Min-na, SUN Zhi-hong, WANG Zi, et al. Applied Research on BP Neural Network Modeling for the Evaluation of Kansei Images and Elements of Product Design[J]. Journal of Donghua University (Natural Science), 2016, 42(4): 604-607.

[7] 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.

[8] 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.

[9] 程永勝, 徐驍琪, 卜俊, 等. 基于KE和AHP理論的汽車造型意象評價方法研究[J]. 現代制造工程, 2020(7): 102-109.

CHENG Yong-sheng, XU Xiao-qi, BU Jun, et al. Eval-uation Method of Automobile Modeling Image Based on KE and AHP[J]. Modern Manufacturing Engineering, 2020(7): 102-109.

[10] 蘇珂, 鄭藝, 朱運海, 等. 面向產品設計前期的集約化設計方法[J]. 計算機集成制造系統, 2020, 26(10): 2670-2677.

SU Ke, ZHENG Yi, ZHU Yun-hai, et al. Intensive Design Method in Early Stage of Product Design[J]. Computer Integrated Manufacturing Systems, 2020, 26(10): 2670-2677.

[11] 顏波, 褚學寧, 張磊. 結構方程模型與人工神經網絡結合的用戶感知建模方法[J]. 上海交通大學學報, 2019, 53(7): 830-837.

YAN Bo, CHU Xue-ning, ZHANG Lei. User Perception Modeling by Combining Structural Equation Model and Artificial Neural Network[J]. Journal of Shanghai Jiao Tong University, 2019, 53(7): 830-837.

[12] 高喜銀, 王賀, 宋強, 等. 基于AHP-TOPSIS的果園作業平臺舒適性評價及優化[J]. 圖學學報, 2020, 41(5): 788-795.

GAO Xi-yin, WANG He, SONG Qiang, et al. Evalua-tion and Optimization of the Orchard Work Platform's Comfortability Based on AHP-TOPSIS[J]. Journal of Graphics, 2020, 41(5): 788-795.

[13] SAATY T L. Analytic Hierarchy Process[M]. Newyork: John Wiley & Sons, Ltd, 2013.

[14] 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.

[15] 李彥龍, 蔡謙, 孫久康, 等. 基于BP神經網絡的汽車外觀設計評價方法[J]. 同濟大學學報(自然科學版), 2021, 49(1): 116-123.

LI Yan-long, CAI Qian, SUN Jiu-kang, et al. An Evaluation Method of Vehicle Exterior Design Based on BP Neural Network[J]. Journal of Tongji University (Natural Science), 2021, 49(1): 116-123.

[16] 尹磊, 黃黎清, 李明珠. 基于人工神經網絡的電動汽車前大燈意象造型設計研究[J]. 包裝工程, 2021, 42(20): 159-166.

YIN Lei, HUANG Li-qing, LI Ming-zhu. Image Modeling Design of Electric Vehicle Headlight Based on Artificial Neural Network[J]. Packaging Engineering, 2021, 42(20): 159-166.

[17] SAATY T L, VARGAS L G. Models, Methods, Concepts & Applications of the Analytic Hierarchy Process[M]. Boston, MA: Springer US, 2012.

[18] 趙小林, 曾沖寒, 薛靜鋒, 等. 基于TOPSIS的多維網絡安全度量模型研究[J]. 北京理工大學學報, 2021, 41(3): 311-321.

ZHAO Xiao-lin, ZENG Chong-han, XUE Jing-feng, et al. A Multi-Dimensional Network Security Metrics Model Based on TOPSIS[J]. Transactions of Beijing Institute of Technology, 2021, 41(3): 311-321.

[19] 劉帥. 從工業設計角度談多旋翼無人機的設計[J]. 中國民航飛行學院學報, 2020, 31(3): 18-22.

LIU Shuai. Discussion on the Design of Multi-Rotor UAV from the Angle of Industrial Design[J]. Journal of Civil Aviation Flight University of China, 2020, 31(3): 18-22.

Deduction of Design Elements Combination Based on KAB model

CAI Wan-xin, LIN Li, GUO Zhu-en, DENG Ya-qian

(Guizhou University, Guiyang 550025, China)

The paper aims to improve the efficiency of product perceptual design development and the accuracy of image matching, and propose a method of product image design elements combination derivation based on analytic hierarchy process (AHP) and BP neural network by combining qualitative and quantitative methods. Firstly, the database of product image and modeling is established by web crawler and affinity graph method to obtain the image and design elements; Secondly, AHP is used to construct the product hierarchy model and judgment matrix, and the weight coefficients of image and design elements are calculated and analyzed; Then, based on the morphological decomposition method and weight results, the type of design elements and the optimal combination code are obtained. The semantic difference method (SD) is used to obtain the average value of the user perceptual image of the combination code; Finally, Kansei Engineering and AHP-BP neural network are used to build KAB key design elements combination prediction model. Based on this model, the design scheme of quadrotor UAV is predicted, and the technique for order preference by similarity to an ideal solution(TOPSIS) is used to verify and evaluate it. The results show that the combination coding of design elements highly matched with the perceptual image of the target can be obtained through model calculation. Based on this model, the objective and accurate product image modeling design elements combination can be quickly obtained, and the efficiency of product design and development process can be improved.

AHP-BP neural network; Kansei Engineering; modeling image; quadrotor UAV; design elements combination

TB472

A

1001-3563(2022)18-0048-09

10.19554/j.cnki.1001-3563.2022.18.007

2022–04–17

國家自然科學基金資助項目（51465007）；貴州省科技計劃資助項目（黔科合平臺人才[2018]5781）；貴州省科技計劃項目（黔科合基礎-ZK[2021]重點055號）；貴州大學培育項目（貴大培育[2019]06號）

蔡婉欣（1996—），女，碩士生，主攻感性工學、產品設計理論及方法。

林麗（1973—），女，博士，博士生導師，主要研究方向為感性工學、產品設計、民間藝術創意設計。

責任編輯：馬夢遙