基于KAB模型的設(shè)計要素組合推導(dǎo)

蔡婉欣，林麗，郭主恩，鄧雅倩

基于KAB模型的設(shè)計要素組合推導(dǎo)

蔡婉欣，林麗，郭主恩，鄧雅倩

（貴州大學(xué)，貴陽 550025）

為了提高產(chǎn)品感性設(shè)計開發(fā)效率及意象匹配精度，采用定性和定量相結(jié)合的方法，提出一種基于層次分析法（AHP）與BP神經(jīng)網(wǎng)絡(luò)相結(jié)合的產(chǎn)品意象設(shè)計要素組合推導(dǎo)方法。首先通過網(wǎng)絡(luò)爬蟲和親和圖法建立產(chǎn)品意象及造型數(shù)據(jù)庫，以獲得意象和設(shè)計要素；其次運(yùn)用AHP構(gòu)建產(chǎn)品層次結(jié)構(gòu)模型及判斷矩陣，計算意象及設(shè)計要素的權(quán)重系數(shù)；接著，基于形態(tài)拆解法與權(quán)重結(jié)果獲得設(shè)計要素類型及優(yōu)化組合編碼，再運(yùn)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(xué)和AHP-BP神經(jīng)網(wǎng)絡(luò)構(gòu)建KAB關(guān)鍵設(shè)計要素組合預(yù)測模型?；诖四Ｐ皖A(yù)測四旋翼無人機(jī)設(shè)計方案，應(yīng)用逼近理想解排序法（TOPSIS）對其進(jìn)行驗證評價，結(jié)果表明通過模型計算能夠得到與目標(biāo)感性意象高度匹配的設(shè)計要素組合編碼?；诖四Ｐ湍軌蚩焖佾@得客觀準(zhǔn)確的產(chǎn)品意象造型設(shè)計要素組合，提高產(chǎn)品設(shè)計開發(fā)過程的效率。

AHP-BP神經(jīng)網(wǎng)絡(luò)；感性工學(xué)；造型意象；四旋翼無人機(jī)；設(shè)計要素組合

隨著行業(yè)集約化和社會進(jìn)步，現(xiàn)代產(chǎn)品同質(zhì)化現(xiàn)象嚴(yán)重，產(chǎn)品競爭不再僅限于產(chǎn)品質(zhì)量、價格和功能，通過產(chǎn)品創(chuàng)新設(shè)計滿足消費者個性化需求和情感需求，受到越來越多學(xué)者和企業(yè)的重視[1]。不同的產(chǎn)品風(fēng)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(xiàn)自己心理預(yù)期的產(chǎn)品[2]。因此，研究用戶偏好和需求并將其外顯化，使設(shè)計出的產(chǎn)品更好地滿足用戶需求，成為工業(yè)設(shè)計研究的一大趨勢。

產(chǎn)品感性意象（Kansei Image，KI）設(shè)計是將用戶情感轉(zhuǎn)化為產(chǎn)品設(shè)計要素的設(shè)計模式，在產(chǎn)品設(shè)計中，人們將對物的感覺通過感性意象值的定量方式表達(dá)出來[3]。通過研究產(chǎn)品意象與設(shè)計要素間的關(guān)系，輔助設(shè)計師以最有效的方式尋求到符合用戶需求的造型外觀，設(shè)計出用戶滿意的產(chǎn)品[4]。在產(chǎn)品意象與設(shè)計要素的相關(guān)研究中，傳統(tǒng)的研究多通過單一方法進(jìn)行分析[5]，近年來，專家學(xué)者嘗試分別結(jié)合多種方法進(jìn)行設(shè)計研究。學(xué)者倪敏娜等[6]綜合運(yùn)用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，對產(chǎn)品造型設(shè)計要素進(jìn)行定量化研究。張碩等[7]運(yùn)用BP神經(jīng)網(wǎng)絡(luò)研究了壁掛式充電樁產(chǎn)品形態(tài)。李陽等[8]運(yùn)用BP神經(jīng)進(jìn)行木制居民個性化定制。程永勝等[9]結(jié)合感性工學(xué)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(chǎn)品集約化設(shè)計方法。上述研究通過多種方法的結(jié)合，克服了傳統(tǒng)感性工學(xué)研究方法單一的局限性，提高了感性意象研究成果在設(shè)計實踐中的應(yīng)用成效。但是現(xiàn)有研究仍存在以下不足：產(chǎn)品意象與設(shè)計要素的匹配精度低下，導(dǎo)致設(shè)計開發(fā)過程耗時過長；缺少面向產(chǎn)品意象的形狀設(shè)計要素組合推導(dǎo)方法。

為解決這些問題，本文提出基于KAB（Kansei- AHP-BP神經(jīng)網(wǎng)絡(luò)）模型的產(chǎn)品意象設(shè)計要素組合推導(dǎo)方法，將定性與定量的方法相結(jié)合，從而實現(xiàn)以下幾個目標(biāo)：運(yùn)用AHP將主觀需求信息量化為客觀數(shù)據(jù)，為后續(xù)BP神經(jīng)網(wǎng)絡(luò)的運(yùn)算優(yōu)選訓(xùn)練數(shù)據(jù)，減少訓(xùn)練時間；依托神經(jīng)網(wǎng)絡(luò)算法自學(xué)習(xí)、收斂快、計算精確、常用于建立變量之間復(fù)雜的關(guān)系[11]等特點，快速得到與意象匹配的設(shè)計要素組合編碼；基于KAB模型能夠準(zhǔn)確得到優(yōu)化的設(shè)計要素組合，還可以協(xié)助設(shè)計師提高產(chǎn)品意象與設(shè)計要素的匹配精度和設(shè)計效率。

1 基于KAB模型的設(shè)計要素組合推導(dǎo)方法

AHP具有清晰的邏輯判斷準(zhǔn)則[12]，可以把無序的指標(biāo)設(shè)定成有序的層層遞階的評價指標(biāo)[13]，通過構(gòu)建判斷矩陣獲得各權(quán)重系數(shù)，進(jìn)行權(quán)重排序，得到最優(yōu)解。BP神經(jīng)網(wǎng)絡(luò)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(fù)雜系統(tǒng)[15]。因此，本文首先運(yùn)用AHP建立層次結(jié)構(gòu)模型，進(jìn)行意象與設(shè)計要素相關(guān)性分析，獲得目標(biāo)意象與設(shè)計要素類型；其次在感性工學(xué)技術(shù)支持下，將兩者通過BP神經(jīng)網(wǎng)絡(luò)進(jìn)行非線性擬合，構(gòu)建KAB模型；接著通過模型獲得優(yōu)化的關(guān)鍵設(shè)計要素組合編碼，最后使用TOPSIS[16]法對有限方案進(jìn)行多目標(biāo)決策分析，選取最佳設(shè)計方案，以指導(dǎo)設(shè)計。本文提出的方法由以下四大步驟組成：

1）選取目標(biāo)產(chǎn)品，篩選產(chǎn)品樣本圖片和意象，獲取設(shè)計要素，建立產(chǎn)品感性意象及造型數(shù)據(jù)庫。

2）基于AHP建立產(chǎn)品造型意象層次結(jié)構(gòu)模型，并進(jìn)行綜合排序，得到關(guān)鍵意象和設(shè)計要素。

3）獲取關(guān)鍵設(shè)計要素類型及編碼，驗證其與目標(biāo)意象的相關(guān)性，計算后續(xù)用于BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練的感性評價均值。

4）構(gòu)建意象與設(shè)計要素間的KAB關(guān)鍵設(shè)計要素組合預(yù)測模型，獲得最優(yōu)設(shè)計要素組合編碼，形成新設(shè)計方案，應(yīng)用TOPSIS法篩選得到新設(shè)計方案。具體研究流程，如圖1所示。

1.1 產(chǎn)品意象及造型數(shù)據(jù)庫建立

1.1.1 選取目標(biāo)產(chǎn)品

按照實際需求選擇擬創(chuàng)新的產(chǎn)品，一般為造型元素復(fù)雜、需要個性化定制生產(chǎn)的產(chǎn)品。

圖1 基于KAB模型的設(shè)計要素組合推導(dǎo)

1.1.2 獲取意象及樣本圖片

通過Python網(wǎng)絡(luò)爬蟲獲取目標(biāo)產(chǎn)品的圖片和評價信息，由專家對圖片數(shù)據(jù)進(jìn)行篩選，選擇部分樣本圖片作為分析對象；通過評價數(shù)據(jù)和產(chǎn)品語義調(diào)查問卷獲取大量意象，并對結(jié)果進(jìn)行分析獲得目標(biāo)意象。

1.1.3 確定設(shè)計要素

使用形態(tài)分析法對目標(biāo)產(chǎn)品整體造型進(jìn)行解構(gòu)，將目標(biāo)產(chǎn)品分解為多個單元部件，每個單元部件細(xì)分為多個設(shè)計要素，經(jīng)專家評審得到主要設(shè)計要素。

1.2 構(gòu)建產(chǎn)品造型意象層次結(jié)構(gòu)模型

1.2.1 構(gòu)建層次結(jié)構(gòu)模型

根據(jù)層次分析法中Saaty提出的層級構(gòu)造法[17]，構(gòu)建目標(biāo)產(chǎn)品的層次結(jié)構(gòu)模型，確定目標(biāo)層為產(chǎn)品整體造型，準(zhǔn)則層為意象，方案層為設(shè)計要素。

1.2.2 構(gòu)造評價判斷矩陣

通過結(jié)構(gòu)模型確定判斷矩陣指標(biāo)，其中判斷矩陣為正負(fù)反矩陣，應(yīng)滿足以下要求：a>0；a=1/a；a=1。其中a表示要比較的各準(zhǔn)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(jù)目標(biāo)產(chǎn)品評價體系，按照九級標(biāo)度法進(jìn)行評判打分構(gòu)造產(chǎn)品評價判斷矩陣。

1.2.3 各指標(biāo)權(quán)重獲取

通過產(chǎn)品評價判斷矩陣獲取意象與設(shè)計要素的權(quán)重值，建立兩者之間的線性關(guān)系，并驗證矩陣的準(zhǔn)確性。步驟如下：

步驟一：假設(shè)矩陣由個要素構(gòu)成，分別為1,2,3, …,C。得到判斷矩陣中每行指標(biāo)乘積M：

其中，=1, 2, …,；C為要素C相對于C的標(biāo)度值。

步驟二：求得各行指標(biāo)的平均值a：

步驟三：得到矩陣中每個要素的相對權(quán)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(jié)果進(jìn)行一致性檢驗，確保矩陣構(gòu)建的準(zhǔn)確性。驗證一致性指標(biāo)為：

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

1.2.4 歸一化處理

對矩陣、中個要素進(jìn)行歸一化處理，并求得矩陣中個要素對矩陣的綜合排名權(quán)重，分析權(quán)重系數(shù)得到關(guān)鍵意象與設(shè)計要素。

1.3 獲取設(shè)計要素類型及評價均值

1.3.1 確定關(guān)鍵設(shè)計要素類型及編碼

結(jié)合形態(tài)拆解法獲得目標(biāo)產(chǎn)品的部件架構(gòu)關(guān)系，并基于權(quán)重分析結(jié)果得到關(guān)鍵設(shè)計要素，用1，2, …,X表示，根據(jù)現(xiàn)有產(chǎn)品樣本逐一梳理提煉出各種基本設(shè)計要素類型的可能性，得到關(guān)鍵設(shè)計要素類型，用編碼X–1,X–2, …,X–表示。引用文獻(xiàn)[18]提出的相關(guān)性分析算法，驗證設(shè)計要素類型與目標(biāo)意象的相關(guān)性：首先獲取基本設(shè)計要素類型的各種形態(tài)組合，其次獲得各組合的目標(biāo)意象值形成意象值集合。當(dāng)分析設(shè)計要素類型1–1與意象關(guān)聯(lián)性時，通過形態(tài)組合得到個意象值I2（第種設(shè)計要素組合的第個意象評價值），求取平均值T與標(biāo)準(zhǔn)差T：

其中，T表示設(shè)計要素類型與目標(biāo)意象的關(guān)聯(lián)程度，T表示兩者關(guān)聯(lián)的穩(wěn)定程度。為T與T分配相同權(quán)值得到相關(guān)性指標(biāo)，當(dāng)目標(biāo)意象對應(yīng)的設(shè)計要素類型值越高，表明兩者越相關(guān)：

1.3.2 確定感性評價均值

隨機(jī)篩選出部分現(xiàn)有樣本方案，運(yùn)用SD法對樣本進(jìn)行感性意象評測打分，運(yùn)用SPSS運(yùn)算得到感性評價均值。

1.4 構(gòu)建KAB關(guān)鍵設(shè)計要素組合預(yù)測模型

1.4.1 面向產(chǎn)品意象設(shè)計的BP神經(jīng)網(wǎng)絡(luò)匹配訓(xùn)練

基于Matlab 2016平臺進(jìn)行BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的建立與模擬，如圖2所示。圖2中，X為設(shè)計要素編碼，同為網(wǎng)絡(luò)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(jù)式（10）獲得隱藏層節(jié)點個數(shù)：

圖2 面向產(chǎn)品意象設(shè)計的BP神經(jīng)網(wǎng)絡(luò)模型

其中，為輸入層節(jié)點數(shù)，為輸出層節(jié)點數(shù)，為1～10的調(diào)節(jié)常數(shù)。輸入層與輸出層之間選用多數(shù)型函數(shù)進(jìn)行映射：

首先將神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)最大訓(xùn)練次數(shù)設(shè)置為8 000，使用梯度下降法進(jìn)行操作，誤差目標(biāo)值為0.001，選取前70%現(xiàn)有樣本圖片導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型中進(jìn)行訓(xùn)練，用均方誤差衡量訓(xùn)練結(jié)果，最后選擇剩余樣本進(jìn)行驗證訓(xùn)練，測試網(wǎng)絡(luò)有效性。

1.4.2 面向創(chuàng)新的關(guān)鍵設(shè)計要素組合推導(dǎo)

由模型訓(xùn)練得到最大意象均值，獲取所對應(yīng)的最優(yōu)關(guān)鍵設(shè)計要素組合編碼，指導(dǎo)創(chuàng)新設(shè)計。

1.4.3 基于TOPSIS法的設(shè)計方案驗證

運(yùn)用TOPSIS法驗證設(shè)計方案的有效性，其步驟如下：

步驟一：邀請設(shè)計師針對設(shè)計方案中的設(shè)計要素類型進(jìn)行打分，采用5階里克特量表進(jìn)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(jié)果的均值作為各指標(biāo)的最終得分，形成正向化矩陣。得到初始評價矩陣后進(jìn)行標(biāo)準(zhǔn)化處理，獲得標(biāo)準(zhǔn)化矩陣：

其中，標(biāo)準(zhǔn)化矩陣記為，中的每一個元素為r，=1, 2, …,；=1, 2, …,。

步驟二：給各設(shè)計要素類型賦予相同的權(quán)重，由標(biāo)準(zhǔn)化矩陣得到正理想解X，負(fù)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(fù)理想解X的距離，即：

每個方案到理想解的相對貼進(jìn)度為S，即：

其中，由S值的大小判斷方案的優(yōu)劣，當(dāng)S值越大，說明方案越符合目標(biāo)意象。

2 案例驗證

2.1 無人機(jī)意象及造型數(shù)據(jù)庫建立

2.1.1 選取無人機(jī)樣本類型

文獻(xiàn)[19]指出，多旋翼無人機(jī)的研究成為當(dāng)下一大熱點，其外觀設(shè)計是無人機(jī)造型研發(fā)中較為重要的一環(huán)。因此本文選取四旋翼無人機(jī)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(wǎng)絡(luò)爬蟲獲得無人機(jī)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(jìn)行灰度處理，由于篇幅限制，部分樣本見圖3。根據(jù)評價信息初步篩選意象130個，通過親和圖法設(shè)計調(diào)查問卷做進(jìn)一步篩選，共發(fā)放有效問卷30份，收回有效問卷27份。被試者均為具有工業(yè)設(shè)計背景的設(shè)計師或?qū)W生，以聚類法分析問卷調(diào)查結(jié)果，并對相關(guān)數(shù)據(jù)進(jìn)行處理，最終獲得表達(dá)用戶感性需求的意象為：現(xiàn)代的、輕巧的、實用的。

2.1.3 確定無人機(jī)設(shè)計要素

無人機(jī)造型部件為：機(jī)身、螺旋槳、電機(jī)、支撐架、云臺、起落架、相機(jī)、飛控等。其外觀結(jié)構(gòu)大體相同，主要部件為機(jī)身、云臺、螺旋槳、起落架與支撐架，根據(jù)無人機(jī)造型評價體系，經(jīng)專家評審確定此五個部件用于后續(xù)研究。

2.2 構(gòu)建無人機(jī)造型意象層次結(jié)構(gòu)模型

2.2.1 建立無人機(jī)層次結(jié)構(gòu)模型

其中目標(biāo)層為無人機(jī)整體造型，準(zhǔn)則層為產(chǎn)品意象：現(xiàn)代的、輕巧的、實用的，方案層為機(jī)身、云臺、螺旋槳、起落架與支撐架，層次結(jié)構(gòu)模型如圖4所示。

2.2.2 構(gòu)造評價指標(biāo)判斷矩陣

邀請專業(yè)設(shè)計師3名，設(shè)計專業(yè)學(xué)生10名，用戶5名，無人機(jī)銷售人員4名，共22人組成焦點小組，根據(jù)九級標(biāo)度表進(jìn)行評測打分，建立1個目標(biāo)層判斷矩陣、3個準(zhǔn)則層判斷矩陣。

圖3 無人機(jī)部分樣本圖片

圖4 無人機(jī)層次結(jié)構(gòu)模型

目標(biāo)層為無人機(jī)造型，用表示；準(zhǔn)則層三個意象為現(xiàn)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(jī)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(gòu)建矩陣、1、2、3。

2.2.3 評價指標(biāo)權(quán)重計算

判斷矩陣中相對權(quán)重值如表1和表2所示，用矩陣、進(jìn)行一致性檢驗，均小于0.1，因此矩陣構(gòu)建正確，如表3所示。由表1可知，矩陣中1所占權(quán)重最大為0.625，因此用戶偏好的關(guān)鍵意象為：“現(xiàn)代的”。

2.2.4 歸一化處理

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

表1 準(zhǔn)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(jié)果

Tab.3 Consistency ratio results

表4 綜合權(quán)重排序

Tab.4 Comprehensive weight ranking

2.3 獲取無人機(jī)設(shè)計要素類型及評價均值

2.3.1 確定關(guān)鍵設(shè)計要素類型及編碼

通過形態(tài)拆解法得到無人機(jī)整體形態(tài)的架構(gòu)為一體式及拼接式，根據(jù)關(guān)鍵設(shè)計要素機(jī)身輪廓1、起落架輪廓2、支撐架輪廓3、形態(tài)架構(gòu)關(guān)系4，提煉現(xiàn)有產(chǎn)品樣本得到21種基本設(shè)計要素類型，利用相關(guān)性分析算法，驗證設(shè)計要素類型與目標(biāo)意象的相關(guān)性：如當(dāng)分析設(shè)計要素類型1–1與意象“現(xiàn)代的”關(guān)聯(lián)性時，通過形態(tài)組合得到1×6×6×2=72個意象值2，求得平均值1與標(biāo)準(zhǔn)差2，得到相關(guān)性指標(biāo)，如表5所示。對比表中設(shè)計要素類型值的分布情況，所有設(shè)計要素類型對應(yīng)意象“現(xiàn)代的”值均較高，可知兩者的相關(guān)性建立合理。由此得到關(guān)鍵設(shè)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(jī)樣本針對“現(xiàn)代的”意象進(jìn)行打分，因?qū)嶒灅颖据^多，為保證被試者結(jié)果的真實性，實驗分為5組進(jìn)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(shè)計要素類型與意象“現(xiàn)代的”相關(guān)性

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

表6 關(guān)鍵設(shè)計要素類型

Tab.6 Types of key design elements

表7 現(xiàn)有樣本感性均值

Tab.7 Perceptual mean of existing samples

2.4 構(gòu)建無人機(jī)KAB關(guān)鍵設(shè)計要素組合預(yù)測模型

2.4.1 面向無人機(jī)意象設(shè)計的BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練

由研究獲得4個設(shè)計元素，可確定輸入層節(jié)點數(shù)為4個，隱藏層節(jié)點數(shù)為6個，輸出層節(jié)點數(shù)為1個。

隨機(jī)選取表6前70%的樣本數(shù)據(jù)導(dǎo)入BP神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練，用均方誤差衡量訓(xùn)練結(jié)果。由圖5可知，此網(wǎng)絡(luò)在2 674次訓(xùn)練時達(dá)到訓(xùn)練目的，實際訓(xùn)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(shù)據(jù)進(jìn)行驗證訓(xùn)練，將訓(xùn)練得到的樣本數(shù)據(jù)與實際樣本數(shù)據(jù)進(jìn)行對比，若對比誤差低于3%，說明訓(xùn)練網(wǎng)絡(luò)構(gòu)建了產(chǎn)品意象與設(shè)計要素之間正確的映射模型。如表8所示，實際數(shù)據(jù)與預(yù)測數(shù)據(jù)誤差較小，網(wǎng)絡(luò)精度達(dá)到目標(biāo)要求，模型建立正確。

圖5 Matlab訓(xùn)練結(jié)果

表8 驗證訓(xùn)練結(jié)果

Tab.8 Validation training results

2.4.2 基于KAB模型的實例關(guān)鍵設(shè)計要素組合推導(dǎo)

由上述可知，無人機(jī)關(guān)鍵設(shè)計要素類型隨機(jī)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(gòu)好的網(wǎng)絡(luò)模型，經(jīng)網(wǎng)絡(luò)測試計算后，得到“現(xiàn)代的”最大感性均值為4.726。所對應(yīng)的設(shè)計要素組合編碼為：6、1、5、2。此模型預(yù)測能為設(shè)計師提供理性邏輯支撐，結(jié)合實際需求與產(chǎn)品設(shè)計流程，將理論與實踐并行。因此，設(shè)計無人機(jī)時需著重關(guān)注“現(xiàn)代的”目標(biāo)意象，緊密圍繞新產(chǎn)品研發(fā)時的目標(biāo)意象需重點關(guān)注的設(shè)計特征為：機(jī)身輪廓為橢圓形（1–6），其形變程度較大為宜，細(xì)節(jié)以曲線為主、直線為輔來塑造機(jī)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(tài)結(jié)構(gòu)均為拼接式（4–2）。由約束條件下的最優(yōu)設(shè)計要素組合編碼，得到初步創(chuàng)新設(shè)計方案如表9所示。

2.4.3 基于TOPSIS法的設(shè)計方案驗證

為驗證生成設(shè)計方案的有效性，邀請10名設(shè)計師針對方案的設(shè)計要素類型進(jìn)行評測打分，形成正向化矩陣，結(jié)果如表10所示。根據(jù)式（12）對矩陣進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)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(fù)理想解X=（0.535，0.567，0.572，0.568）。由此，得到各方案正負(fù)理想解的距離及各方案到理想解的相對貼進(jìn)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(biāo)意象的設(shè)計要素類型，可以為下一階段的產(chǎn)品研發(fā)起到導(dǎo)向作用。

表9 四旋翼無人機(jī)設(shè)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(biāo)準(zhǔn)化矩陣

Tab.11 Standardization matrix

表12 正負(fù)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(jié)語

本文以產(chǎn)品整體造型意象設(shè)計為出發(fā)點，定量化地分析了產(chǎn)品意象與設(shè)計要素及其組合的對應(yīng)關(guān)系，建立了基于KAB模型的設(shè)計要素組合推導(dǎo)方法?；诖四Ｐ湍軌蛲茖?dǎo)出與目標(biāo)意象匹配的設(shè)計要素組合編碼，提高了設(shè)計效率及意象匹配精度。以四旋翼無人機(jī)為例，證實了此方法可協(xié)助設(shè)計師快速設(shè)計出更加符合用戶感性需求的產(chǎn)品，從而縮短產(chǎn)品設(shè)計周期，加快產(chǎn)品開發(fā)速度。

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

[1] 傅業(yè)燾, 羅仕鑒. 面向風(fēng)格意象的產(chǎn)品族外形基因設(shè)計[J]. 計算機(jī)集成制造系統(tǒng), 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(xué)習(xí)的產(chǎn)品意象識別[J]. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)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(chǎn)品感性意象設(shè)計研究進(jìn)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(tài)美度的產(chǎn)品多意象預(yù)測模型[J]. 圖學(xué)學(xué)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(chǎn)品感性意象的造型優(yōu)化設(shè)計研究現(xiàn)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(chǎn)品造型感性意象評價的BP神經(jīng)網(wǎng)絡(luò)模型的應(yīng)用[J]. 東華大學(xué)學(xué)報(自然科學(xué)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(jīng)網(wǎng)絡(luò)的壁掛式充電樁產(chǎn)品形態(tài)研究[J]. 圖學(xué)學(xué)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(jīng)網(wǎng)絡(luò)的木制民居個性化定制[J]. 計算機(jī)工程與設(shè)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(xiàn)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(yùn)海, 等. 面向產(chǎn)品設(shè)計前期的集約化設(shè)計方法[J]. 計算機(jī)集成制造系統(tǒng), 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(xué)寧, 張磊. 結(jié)構(gòu)方程模型與人工神經(jīng)網(wǎng)絡(luò)結(jié)合的用戶感知建模方法[J]. 上海交通大學(xué)學(xué)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(qiáng), 等. 基于AHP-TOPSIS的果園作業(yè)平臺舒適性評價及優(yōu)化[J]. 圖學(xué)學(xué)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(shù)據(jù)驅(qū)動的產(chǎn)品感性評價方法[J]. 計算機(jī)集成制造系統(tǒng), 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(jīng)網(wǎng)絡(luò)的汽車外觀設(shè)計評價方法[J]. 同濟(jì)大學(xué)學(xué)報(自然科學(xué)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(jīng)網(wǎng)絡(luò)的電動汽車前大燈意象造型設(shè)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(wǎng)絡(luò)安全度量模型研究[J]. 北京理工大學(xué)學(xué)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(yè)設(shè)計角度談多旋翼無人機(jī)的設(shè)計[J]. 中國民航飛行學(xué)院學(xué)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(xué)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(chǔ)-ZK[2021]重點055號）；貴州大學(xué)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(xué)、產(chǎn)品設(shè)計理論及方法。

林麗（1973—），女，博士，博士生導(dǎo)師，主要研究方向為感性工學(xué)、產(chǎn)品設(shè)計、民間藝術(shù)創(chuàng)意設(shè)計。

責(zé)任編輯：馬夢遙