基于產(chǎn)品特征解構(gòu)的多維感知信息模型構(gòu)建

范靈秀， 潘偉杰， 劉征宏， 呂 健

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

基于產(chǎn)品特征解構(gòu)的多維感知信息模型構(gòu)建

范靈秀， 潘偉杰， 劉征宏， 呂 健

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，貴州 貴陽(yáng) 550025)

基于現(xiàn)有一維感性工學(xué)模型難以充分表達(dá)用戶對(duì)產(chǎn)品的感知信息，提出基于產(chǎn)品特征解構(gòu)的多維感知信息模型構(gòu)建方法。首先運(yùn)用產(chǎn)品特征解構(gòu)方法構(gòu)建產(chǎn)品多維造型特征空間和情感意象認(rèn)知空間；其次結(jié)合相似度理論、多維尺度法和K-mean聚類(lèi)分析量化意象詞匯，提取代表性情感維度；之后運(yùn)用主成分分析判定多維造型特征中的主要影響因子；最后運(yùn)用多元線性回歸構(gòu)建出多維變量表達(dá)的KE模型。以微波爐為例，驗(yàn)證了該方法的可行性，結(jié)果表明該方法能有效指導(dǎo)產(chǎn)品的精準(zhǔn)化設(shè)計(jì)。

特征解構(gòu)；感性意象；設(shè)計(jì)要素；多維感知信息模型

當(dāng)今社會(huì)，隨著產(chǎn)品生命周期的縮短，個(gè)人的個(gè)性化需求更容易實(shí)現(xiàn)，以用戶為中心的產(chǎn)品開(kāi)發(fā)成為企業(yè)一項(xiàng)重要策略[1]。個(gè)人的情感需求成為設(shè)計(jì)師的設(shè)計(jì)依據(jù)，而設(shè)計(jì)師所需要達(dá)到的就是滿足顧客的這種需求，設(shè)計(jì)出更加符合消費(fèi)者感性需求的產(chǎn)品。感性工學(xué)(kansei engineering)技術(shù)的出現(xiàn)，為人的情感需求融入商品設(shè)計(jì)提供了有力的支持，成為工業(yè)設(shè)計(jì)中指導(dǎo)以用戶為中心的產(chǎn)品設(shè)計(jì)的一種有效方法[2]。

關(guān)于如何量化產(chǎn)品的情感，國(guó)內(nèi)外眾多研究者從案例分析入手建立了產(chǎn)品的形狀、色彩、材質(zhì)等某一類(lèi)造型特征的感性工學(xué)模型。Doré等[3]通過(guò)回歸分析建立設(shè)計(jì)變量與感官變量的映射關(guān)系來(lái)探討用戶感官變量的識(shí)別方法。Su和Yang[4]通過(guò)人體工程學(xué)實(shí)驗(yàn)獲取學(xué)生對(duì)于宿舍公寓床的體驗(yàn)數(shù)據(jù)。王瑩和陳雁[5]運(yùn)用形態(tài)分析法的基本原理，對(duì)冬季女外套的款式設(shè)計(jì)要素進(jìn)行分析，建立設(shè)計(jì)要素空間及意象語(yǔ)意空間，并完成了數(shù)學(xué)回歸模型。李永鋒和朱麗萍[6]應(yīng)用對(duì)應(yīng)分析法探討感性意象和產(chǎn)品屬性的關(guān)系，應(yīng)用結(jié)合分析法建立兩者之間的數(shù)學(xué)模型。Qi和Yu[7]利用眼動(dòng)實(shí)驗(yàn)來(lái)衡量用戶對(duì)于燃料運(yùn)送卡車(chē)的感官體驗(yàn)重點(diǎn)，其將用戶對(duì)產(chǎn)品細(xì)節(jié)和產(chǎn)品整體的不同感性體會(huì)進(jìn)行量化?；萦⒊琜8]將汽車(chē)主體造型分成相對(duì)獨(dú)立的因素，然后提取因素重新組合，提升設(shè)計(jì)方案。對(duì)多維感知模型的研究中，劉玲玲和薛澄岐[9]融入認(rèn)知科學(xué)和形態(tài)學(xué)觀點(diǎn)提出一種多感官通道的多維度的產(chǎn)品特征解構(gòu)方法。劉征宏等[10]通過(guò)判定并量化多維造型空間的主特征，構(gòu)建了產(chǎn)品的形、色、音、質(zhì)和相關(guān)關(guān)系元件的多維KE模型。林麗等[11]論證了多感官通道下的多維模型性能優(yōu)于一維模型，并用實(shí)例論證了解構(gòu)方法適用于感性研究領(lǐng)域。這些傳統(tǒng)的感性意象認(rèn)知獲取方法在信息處理過(guò)程中會(huì)丟失過(guò)多的信息，而使客戶感性意象認(rèn)知的獲取不可靠。

以上研究運(yùn)用形態(tài)分析學(xué)對(duì)產(chǎn)品進(jìn)行解構(gòu)，將產(chǎn)品形態(tài)解構(gòu)為“項(xiàng)目”和“類(lèi)別”[12]，解構(gòu)前提為已存在的造型。形態(tài)學(xué)圖表法使用前提是各個(gè)屬性要素獨(dú)立而無(wú)關(guān)聯(lián)[13]，多數(shù)研究者都沿襲產(chǎn)品構(gòu)件分解的實(shí)驗(yàn)方法，獲取單一獨(dú)立的設(shè)計(jì)特征，而對(duì)產(chǎn)品特征間的整體性相關(guān)關(guān)系欠缺考慮，因此所構(gòu)建的一維變量表達(dá)感知模型并不能全面表達(dá)用戶情感，應(yīng)用價(jià)值微弱[14]，造成感知信息的丟失。綜上所述，在感性研究領(lǐng)域，迫切需要提出一種更合理精準(zhǔn)的產(chǎn)品特征解構(gòu)方式以確保KE模型高性能。因此，本文從用戶對(duì)產(chǎn)品的實(shí)際認(rèn)知模式出發(fā)，首先通過(guò)解構(gòu)產(chǎn)品形態(tài)特征構(gòu)建多維造型特征空間，除了形狀，還考慮了產(chǎn)品色彩、尺寸、紋理、交互和文化象征等因素，然后在其基礎(chǔ)上構(gòu)建基于多元線性回歸的多維感知信息模型，實(shí)現(xiàn)了多維變量表達(dá)用戶滿意度與設(shè)計(jì)特征間的關(guān)系。

1 產(chǎn)品形態(tài)特征解構(gòu)

1.1 產(chǎn)品形態(tài)特征解構(gòu)框架

產(chǎn)品激發(fā)情感是產(chǎn)品的形、色、質(zhì)等多維造型要素共同作用的結(jié)果，即其意象由產(chǎn)品的所有設(shè)計(jì)要素構(gòu)成[15]。根據(jù)設(shè)計(jì)心理學(xué)家Norman提出的本能(visceral)、行為(behavioral)和反思(reflective)三層次理論，相對(duì)應(yīng)地從產(chǎn)品外觀層面、使用層面和精神層面提出產(chǎn)品特征解析“形色質(zhì)肌”、“使用交互”、“文化象征” 3個(gè)層面。產(chǎn)品形態(tài)特征解構(gòu)框架如下圖1所示。

圖1 產(chǎn)品形態(tài)特征解構(gòu)框架

1.2 產(chǎn)品特征解構(gòu)的HIEs

Han等[16-17]將產(chǎn)品形態(tài)分解為各個(gè)獨(dú)立的人機(jī)界面元件(human interface elements, HIEs)，除了形狀，還考慮了產(chǎn)品色彩、尺寸及紋理等因素，實(shí)現(xiàn)了多維變量表達(dá)用戶滿意度與設(shè)計(jì)特征間的關(guān)系。HIEs為用戶所見(jiàn)、所觸摸或使用的設(shè)計(jì)特征集合，是產(chǎn)品與人的多種感官發(fā)生信息交互的最小單位。

2 多維感知信息模型構(gòu)建

在產(chǎn)品特征解構(gòu)的基礎(chǔ)上，構(gòu)建多維變量表達(dá)的感知意象模型，其構(gòu)建流程如圖2所示。

圖2 基于產(chǎn)品特征解構(gòu)的感性模型構(gòu)建流程

2.1 選取感性意象詞匯

選取描述目標(biāo)產(chǎn)品風(fēng)格的意象形容詞作為實(shí)驗(yàn)變量，以求盡量準(zhǔn)確地構(gòu)建關(guān)于研究對(duì)象特征的多維認(rèn)知空間?？紤]到不同用戶在評(píng)價(jià)感性意象時(shí)會(huì)主觀選擇不同詞匯，所以在最初的詞匯選取上以包括生活中絕大部分適合于描述此類(lèi)感性意象的詞匯為目的。首先通過(guò)專(zhuān)業(yè)雜志收集產(chǎn)品外形的評(píng)價(jià)形容詞及向相關(guān)設(shè)計(jì)專(zhuān)家咨詢獲得大量感性詞匯，然后對(duì)初收集的感性詞匯進(jìn)行專(zhuān)家組討論、篩選、分類(lèi)，然后得到大量原始感性詞匯。對(duì)原始詞匯進(jìn)行問(wèn)卷調(diào)查，依據(jù)詞匯被勾選的頻率，篩選出被多數(shù)人采用的詞匯。

2.2 提取情感意象維度

結(jié)合上述意象詞匯實(shí)驗(yàn)數(shù)據(jù)對(duì)其進(jìn)行量化處理。首先通過(guò)詞匯相似度計(jì)算對(duì)象間的空間距離，再運(yùn)用多維尺度法將“距離”轉(zhuǎn)化為空間詞匯相似度數(shù)值即為具體坐標(biāo)，最后通過(guò)聚類(lèi)分析選出每組代表性詞匯。

2.2.1 基于詞匯相似度的空間距離計(jì)算

研究中的意象詞匯屬于主觀的心理學(xué)概念，即不能直接地對(duì)各個(gè)詞匯之間進(jìn)行量化計(jì)算[18]，本文使用Dekang Lin提出的詞匯相似度求解。矩陣Δ用來(lái)描述感性意向詞匯，表示為其中，s為空間的點(diǎn)；m為描述詞匯的特征數(shù)；n為詞匯代號(hào)。

相似度計(jì)算方法采用pearson相關(guān)系數(shù)，設(shè)X和Y為矩陣A中的兩個(gè)對(duì)象ix、iy對(duì)應(yīng)的特征值向量，相似度表達(dá)式為

其中， sim( ix, iy)為詞匯對(duì)象ix、iy之間的相似度。根據(jù)對(duì)象ix、iy在幾何模型中的兩個(gè)空間向量夾角的余弦數(shù)據(jù)來(lái)定義對(duì)象之間相似度的大小。

2.2.2 基于MDS具體坐標(biāo)分析

多維尺度法(multidimensional scaling, MDS)通過(guò)相似性矩陣 Cij= (ix)來(lái)構(gòu)建對(duì)象間的距離矩陣Dij= (dij)，數(shù)據(jù)轉(zhuǎn)化式為

為了進(jìn)行k維擬合，將通過(guò)構(gòu)建n*k的點(diǎn)陣X，并盡量使X所對(duì)應(yīng)的距離矩陣具備如實(shí)反映 Dij= (dij)中的信息。首先選取 Dij= (dij)非對(duì)角線元素，按照從小到大的順序進(jìn)行排列，再令

在操作過(guò)程中，將對(duì)di*j進(jìn)行調(diào)整使得達(dá)到極小值，現(xiàn)假設(shè)，在k固定的情況下存在一個(gè)使得

2.2.3 基于CA的意象詞匯分群

經(jīng)過(guò)如上過(guò)程，每個(gè)對(duì)象都以坐標(biāo)定位的方式體現(xiàn)在其產(chǎn)生的坐標(biāo)系中，各個(gè)坐標(biāo)定位之間的“距離”即反映了原始對(duì)象的相似程度。用聚類(lèi)分析(cluster analysis, CA)對(duì)上述相似度結(jié)果進(jìn)行分析，使用 k-均值聚類(lèi)法構(gòu)建同質(zhì)群組。分別計(jì)算每組意象詞匯對(duì)到其所在聚類(lèi)組幾何中心的距離并排序，選擇每個(gè)聚類(lèi)中最接近中心位置的意象詞匯對(duì)作為具有代表性的情感意象維度，具有代表性的意象詞匯對(duì)數(shù)量等于聚類(lèi)數(shù)量。

2.3 構(gòu)建多維造型特征空間

運(yùn)用全局HIEs解構(gòu)方法[17]對(duì)案例產(chǎn)品進(jìn)行形態(tài)解構(gòu)：①區(qū)分該產(chǎn)品的硬界面與軟界面，由于某些產(chǎn)品不具有軟界面，在進(jìn)行解構(gòu)時(shí)只考慮硬界面部分；②區(qū)分出硬界面的非功能性和功能性部件，如實(shí)體和裝飾物為非功能性部件；③列出輸入功能部件(如各類(lèi)按鍵)和輸出功能部件(如顯示屏、聽(tīng)覺(jué)傳示、標(biāo)識(shí)和按鍵)，并對(duì)非功能性及功能性部件逐一從視覺(jué)、聽(tīng)覺(jué)、觸覺(jué)和嗅覺(jué)角度進(jìn)行HIEs的細(xì)分；④以產(chǎn)品所具備的功能為依據(jù)，選擇對(duì)實(shí)用功能和其他相對(duì)重要的功能具有影響力的相關(guān)元件。

2.4 基于PCA的主要HIEs定量化處理

由全局 HIEs解構(gòu)方法獲取的高維造型特征中，有些造型特征對(duì)情感意象沒(méi)有影響或影響不大可忽略不計(jì)，因此，需先對(duì)造型特征進(jìn)行分群，然后通過(guò)主成分分析(principal component analysis, PCA)評(píng)判出對(duì)每組情感影響作用較大的主要HIEs。

假設(shè)有n個(gè)感性維度，每個(gè)維度觀測(cè)p個(gè)指標(biāo)：X1,X2,··,Xp，得到原始數(shù)據(jù)資料矩陣，表示為

數(shù)據(jù)矩陣X的p個(gè)縱向量X1,X2,··,Xp作為線性組合，得綜合指標(biāo)向量，表示為滿足需求的綜合指標(biāo)向量F1,F2,··,Fp則為主成分。

2.5 構(gòu)建情感意象認(rèn)知空間

情感意象認(rèn)知空間的構(gòu)建是基于用戶調(diào)查實(shí)驗(yàn)完成的，首先基于統(tǒng)計(jì)學(xué)方法有目的地選擇代表樣本，然后針對(duì)前面獲取的感性詞匯構(gòu)成感性設(shè)計(jì)空間，運(yùn)用語(yǔ)意差異法在 7點(diǎn)等級(jí)量表上，記錄每一個(gè)HIEs針對(duì)給定情感的心理感受，形成意象認(rèn)知實(shí)驗(yàn)問(wèn)卷，完成所有樣本的評(píng)價(jià)后，獲得情感意象的認(rèn)知空間。

每一個(gè)測(cè)試者針對(duì)每一個(gè)情感意向詞匯對(duì)每一個(gè)HIEs的評(píng)價(jià)值，構(gòu)成了一個(gè)復(fù)雜高維的情感意象認(rèn)知空間。第m個(gè)測(cè)試者在第n個(gè)感性詞匯下對(duì)所有樣本的情感認(rèn)知評(píng)價(jià)矩陣，表示為

第r個(gè)HIEs的情感意向評(píng)價(jià)平均值為

2.6 基于多維造型特征解構(gòu)的多維感知信息模型構(gòu)建

多維感知信息模型的構(gòu)建是多維造型特征到感性設(shè)計(jì)空間的映射，即以情感意象認(rèn)知空間的意象認(rèn)知數(shù)值為基礎(chǔ)，經(jīng)模型構(gòu)建推論機(jī)制形成多維造型空間與感性設(shè)計(jì)要素空間的映射函數(shù)關(guān)系。多元線性回歸技術(shù)被用于情感意象與多維造型特征的關(guān)聯(lián)模型上[19]，形成一個(gè)自變量(多維造型特征)和因變量(情感意象)間的函數(shù)關(guān)系的表達(dá)式為

其中，yi為樣本的感性評(píng)價(jià)值；xi為主要 HIEs量化值；s為樣本總數(shù)；εi為隨機(jī)誤差。

通過(guò)將每一類(lèi)感性詞匯的主要HIEs的量化數(shù)值 Fi和每類(lèi)感性詞匯每個(gè)樣本的情感意象評(píng)價(jià)均值輸入SPSS軟件，應(yīng)用多元線性回歸計(jì)算，得到每類(lèi)感性詞匯與造型特征之間映射關(guān)系，分別構(gòu)建多維感性模型。

3 應(yīng)用實(shí)例

3.1 選擇代表性樣品

本文以某類(lèi)微波爐造型設(shè)計(jì)為例，對(duì)上述方法進(jìn)行闡述。首先收集100多個(gè)微波爐樣品，通過(guò)初步評(píng)估刪除造型上相似的和不適合的樣品，選出40個(gè)設(shè)計(jì)樣品將其分成6組。分別計(jì)算其對(duì)應(yīng)的應(yīng)力系數(shù)，結(jié)果表明當(dāng)維數(shù)=6時(shí)，應(yīng)力系數(shù)=0.03675為最小，因此將維數(shù)設(shè)定為6。對(duì)結(jié)果進(jìn)行K-means聚類(lèi)分析，計(jì)算每個(gè)樣品到其所在聚類(lèi)中心距離并排序，最終選取以下6個(gè)樣本，如表1所示。

表1 代表性產(chǎn)品樣本

3.2 搜集和篩選意象詞匯

對(duì)普通用戶、設(shè)計(jì)專(zhuān)業(yè)的學(xué)生和老師、以及相關(guān)專(zhuān)家進(jìn)行訪談，同時(shí)對(duì)相關(guān)文獻(xiàn)、產(chǎn)品目錄和媒體文章進(jìn)行閱讀，經(jīng)過(guò)后續(xù)整理和初步篩選得到150個(gè)感性詞匯。選用隨機(jī)產(chǎn)品樣本，對(duì)這150個(gè)詞匯進(jìn)行問(wèn)卷調(diào)查，135位被訪談?wù)咴趩?wèn)卷中對(duì)給出的 150個(gè)詞匯表中勾選認(rèn)為適合于描述產(chǎn)品樣本語(yǔ)意的詞匯。意象詞匯篩選界面如圖3所示。

圖3 意象詞匯篩選界面

對(duì) 150個(gè)詞匯在問(wèn)卷調(diào)查中被勾選的頻數(shù)進(jìn)行降序排列(圖4)，分析數(shù)據(jù)之后將65個(gè)被勾選頻率小于等于 5%的詞匯從整體 150個(gè)詞匯中篩選掉，保留85個(gè)詞匯。

圖4 150個(gè)意象詞匯的勾選頻率

3.3 提取情感維度

研究中選擇32位具有微波爐設(shè)計(jì)經(jīng)驗(yàn)的專(zhuān)業(yè)人士作為被試，要求其把85個(gè)詞匯中描述效果相近的詞匯歸類(lèi)為一組。每一組所能分得的詞匯個(gè)數(shù)和其總共的分類(lèi)組數(shù)不設(shè)限制。

調(diào)查中，85個(gè)詞匯大致被試分為 14～17組不等，通過(guò)Matlab編程運(yùn)算，計(jì)算每2個(gè)詞匯被分到同一組的次數(shù)，可得到85×85的數(shù)據(jù)矩陣。通過(guò)SPSS的相似性分析模塊，對(duì)85個(gè)詞匯的相似性進(jìn)行初步分析，得到pearson距離相似性矩陣，挑選出相互間相似度大于 95%的詞匯進(jìn)行明顯相似詞匯合并，21個(gè)明顯相似詞匯和5個(gè)代表性詞匯被合并(表2)。

表2 詞匯合并過(guò)程

進(jìn)行意向詞匯相似度實(shí)驗(yàn)，定義詞匯的相似程度等級(jí)為0到10，邀請(qǐng)25位具有工業(yè)設(shè)計(jì)背景的同學(xué)、15為漢語(yǔ)語(yǔ)言文學(xué)專(zhuān)業(yè)同學(xué)，基于相似程度等級(jí)對(duì)64個(gè)詞匯相互評(píng)分，每個(gè)人的評(píng)分?jǐn)?shù)據(jù)形成一個(gè)下三角矩陣，即

對(duì)64個(gè)矩陣進(jìn)行二到六維的相似度計(jì)算，如表3所示，64個(gè)詞匯在六維空間中有效地表達(dá)了意象詞匯之間的相似度關(guān)系。

表3 詞匯相似度多維尺度分析結(jié)果

運(yùn)用SPSS軟件對(duì)64個(gè)微波爐感性意象詞匯進(jìn)行K-means聚類(lèi)分析，可得出6個(gè)意象詞匯分群(圖5)。

圖5 意象詞匯聚類(lèi)樹(shù)狀圖

依據(jù)的聚類(lèi)結(jié)果，距離中心最近的視為該組的代表性詞匯，各組的代表性詞匯為：穩(wěn)重的、簡(jiǎn)潔的、獨(dú)特的、精致的、安全的、科技的。

3.4 多維造型特征解構(gòu)

運(yùn)用全局HIEs解構(gòu)方法對(duì)該微波爐形態(tài)進(jìn)行解構(gòu)，得到82個(gè)HIEs，構(gòu)建形成多維造型特征空間，解構(gòu)結(jié)果如表4～6所示。

表4 非功能性部件HIEs解構(gòu)編碼

3.5 獲取主要HIEs量值

對(duì)82個(gè)HIEs聚類(lèi)分析，將造型特征劃分為11組。以第1組造型特征為例，利用SPSS軟件計(jì)算變量功能計(jì)算該組的特征向量矩陣，設(shè)變量HIEs 2、5、7、16、24、41和68依次為X2、X5、X7、X16、X24、X41和X68，得到主成分表達(dá)式為

表5 功能性部件HIEs解構(gòu)編碼

表6 軟界面和相關(guān)關(guān)系部件HIEs解構(gòu)編碼

可得元件41載荷較高，為主要影響HIEs。

由此得到每一組的主要影響HIEs，如表7所示，下一步對(duì)主要影響HIEs進(jìn)行建模，并得到每個(gè)主要元件的影響權(quán)重。

表7 11組造型特征的主要影響HIEs

3.6 構(gòu)建意象認(rèn)知空間

在多維造型特征空間構(gòu)建基礎(chǔ)上，針對(duì)上述6個(gè)微波爐樣本，15名具有設(shè)計(jì)背景的研究生及20名本科生共 35名測(cè)試者運(yùn)用語(yǔ)義差異法(semantic differential, SD)在7點(diǎn)等級(jí)量表上記錄每一個(gè)HIEs針對(duì)給定的6類(lèi)情感的心理感受，完成所有樣本的評(píng)價(jià)后，成6類(lèi)意象的認(rèn)知空間。

3.7 多維造型特征到感性意象的映射

將每類(lèi)意向認(rèn)知空間下的主要HIEs量值和每個(gè)代表樣本的情感意向平均值輸入SPSS軟件，可得感性意象與多維造型特征之間的映射關(guān)系。以“簡(jiǎn)潔的”為例，KE模型為

分析表明元件7、30、36、41、55、60、82對(duì)“簡(jiǎn)潔”有正面影響，元件11、23、39、69對(duì)“簡(jiǎn)潔”有負(fù)面影響。

另外通過(guò)分析KE模型可知，模型中同時(shí)具備形狀、色彩、材質(zhì)、肌理、軟界面及相關(guān)關(guān)系變量，是典型的多維變量表達(dá)模式，說(shuō)明在感性意象研究中，產(chǎn)品形態(tài)解構(gòu)方式直接對(duì)變量維度造成影響。

4 結(jié) 論

針對(duì)傳統(tǒng)的單一維度感知模型不能完全反映用戶對(duì)目標(biāo)產(chǎn)品情感意象認(rèn)知且應(yīng)用價(jià)值不大等問(wèn)題，本文提出了多維感知信息模型并對(duì)其構(gòu)建方法進(jìn)行了詳細(xì)描述。然后以微波爐為例，對(duì)其應(yīng)用流程進(jìn)行驗(yàn)證，首先運(yùn)用全局HIEs解構(gòu)方法對(duì)其形態(tài)進(jìn)行解構(gòu)，解構(gòu)出形、色、質(zhì)、肌、聲音等多種感官通道 HIEs，更加準(zhǔn)確地反映了用戶的心理情感；之后在此基礎(chǔ)上分別運(yùn)用相似度理論和統(tǒng)計(jì)學(xué)方法構(gòu)建了微波爐每組意象詞匯下的多維感知信息模型，確保產(chǎn)品特征與意象詞匯之間的關(guān)系能夠被更可靠地模型化。該模型在感性創(chuàng)新設(shè)計(jì)階段具有應(yīng)用價(jià)值，能夠有效指導(dǎo)于創(chuàng)新設(shè)計(jì)實(shí)踐。后續(xù)主要研究?jī)?nèi)容是對(duì)比一維KE模型和多維KE模型的效用，以及拓寬該模型的應(yīng)用領(lǐng)域。

[1] Demirtas E A, Anagun A S, Koksal G. Determination of optimal product styles by orinal logistic regression versus conjoint analysis for kitchen faucets [J]. International Journal of Industrial Ergonomics, 2009, 39(5): 866-875.

[2] Lee J, Gu N, Williams A. Parametric design strategies for the generation of creative designs [J]. International Journal of Architectural Computing, 2014, 12(3): 263-282.

[3] Doré R, Paihes J, Fischer X, et al. Identification of sensory variables towards the integration of user requirements into preliminary design [J]. Internation Journal of Industrial Ergonomics, 2007, 37(1): 1-11.

[4] Su M Y, Yang G H. A new design of student apartment bed based on kansei engineering and ergonomics [J]. Computer Aided Drafting Design and Manufacturing(CADDM), 2014, 24(3): 70-74.

[5] 王 瑩, 陳 雁. 冬季女外套款式感性研究和應(yīng)用[J].紡織學(xué)報(bào), 2007, 28(11): 97-100.

[6] 李永鋒, 朱麗萍. 基于結(jié)合分析的產(chǎn)品意象造型設(shè)計(jì)研究[J]. 圖學(xué)學(xué)報(bào), 2012, 33(4): 121-128.

[7] Qi B, Yu S H. Product cognitive style based on kansei engineering and visual track experiments [J]. Journal of Applied Sciences, 2013, 13(12): 2341-2345.

[8] 惠英超. 基于案例的產(chǎn)品造型創(chuàng)新設(shè)計(jì)方法與 CAD實(shí)現(xiàn)技術(shù)[D]. 西安: 長(zhǎng)安大學(xué), 2010.

[9] 劉玲玲, 薛澄岐. 面向多維 KE模型構(gòu)建的產(chǎn)品特征解構(gòu)方法[J]. 工程設(shè)計(jì)學(xué)報(bào), 2014, 21(4): 323-328.

[10] 劉征宏, 謝慶生, 黃海松, 等. 多維變量感性工學(xué)模型構(gòu)建及其評(píng)估[J]. 四川大學(xué)學(xué)報(bào): 工程科學(xué)版, 2016, 48(2): 198-206.

[11] 林 麗, 薛澄岐, 王海燕, 等. 優(yōu)化KE模型的產(chǎn)品形態(tài)解構(gòu)方法[J]. 東南大學(xué)學(xué)報(bào): 自然科學(xué)版, 2010, 40(6): 1353-1357.

[12] Lin Y C, Lai H H, Yeh C H. Consumer-oriented product form design based on fuzzy logic: a case study of mobile phones [J]. International Journal of Industrial Ergonomics, 2007, 37(6): 531-543.

[13] 孫守遷. 設(shè)計(jì)信息學(xué)[M]. 北京: 機(jī)械工業(yè)出版社, 2008: 14.

[14] Chen H Y, Chang Y M. Extraction of product forms features critical to determining consumers’ perceptions of product image using a numerical definition-based systematic approach [J]. International Journal of Industrial Ergonomics, 2009, 39(1): 133-145.

[15] Chang C C, Wu J C. The underlying factors dominating categorical perception of product from of mobile phones [J]. International Journal of Industrial Ergonomics, 2009, 39(5): 667-680.

[16] Han S H, Hong S W. A systematic approach for coupling user satisfaction with product design [J]. Ergonomics, 2003, 46(13-14): 1441-1461.

[17] Han S H, Kim K J, Yun M H, et al. Identifying mobile phone design features critical to user satisfaction [J]. Human Factors and Ergonomics In Manufacturing, 2004, 14(1): 15-29.

[18] 陳璐偉, 塑料材質(zhì)質(zhì)感要素語(yǔ)意量化及優(yōu)化方法研究[D]. 哈爾濱: 哈爾濱工業(yè)大學(xué), 2014.

[19] Zhai L Y, Khoo L P, Zhong Z W. A rough set based decision support approach to improving consumer affective satisfaction in product design [J]. International Journal of Industrial Ergonomics, 2009, 39(2): 295-302.

Model Construction of Multi-Dimensional Perception Information Based on Product Feature Deconstruction

Fan Lingxiu, Pan Weijie, Liu Zhenghong, Lü Jian
(Key Laboratory of Advanced Manufacturing Technology, Ministry of Education, Guizhou University, Guiyang Guizhou 550025, China)

Because plenty of the existing one-dimensional KE models cannot express the users’perception information of products comprehensively. The method of structuring multi-dimensional perception information based on product feature deconstruction was proposed. Structured Multi-dimensional feature space and emotional perceiving space by using the method of product shape deconstruction; combined the theory of similarity, MDS and the K-mean CA to quantify the image vocabularies and extract the typical emotional dimension; determined the main influence factors with PCA. Finally structured the KE model of multi-dimensional variables by multiple linear regression analysis method. Based on an example of the microwaves, proved the feasibility of this method, and the result indicated that this method was more effective to lead product design.

morphological characteristics deconstruction; kansei image; design elements; multi-dimensional perception information model

TB 472

10.11996/JG.j.2095-302X.2016060771

A

2095-302X(2016)06-0771-07

2016-05-17；定稿日期：2016-06-21

國(guó)家科技支撐計(jì)劃項(xiàng)目(2014BAH05F01，2014BAH05F02，2014BAH05F03)；貴州省科技計(jì)劃項(xiàng)目(黔科合J字[2013]2108，Z字[2013]4005)；黔發(fā)改投資項(xiàng)目([2012]2747，[2012]2484)

范靈秀(1992-)，女，陜西西安人，碩士研究生。主要研究方向?yàn)橛?jì)算機(jī)輔助設(shè)計(jì)與產(chǎn)品設(shè)計(jì)研究、產(chǎn)品創(chuàng)意設(shè)計(jì)。E-mail：523521986@qq.com

潘偉杰(1983-)，男，河南漯河人，副教授，博士。主要研究方向?yàn)榉俏镔|(zhì)文化遺產(chǎn)數(shù)字化保護(hù)與制造業(yè)信息化。E-mail：290008933@qq.com