BP神經(jīng)網(wǎng)絡(luò)的宇航服多維意象造型評價方法

李江泳，高浩原，李焱林，譚琪茜，楊子京

BP神經(jīng)網(wǎng)絡(luò)的宇航服多維意象造型評價方法

李江泳，高浩原*，李焱林，譚琪茜，楊子京

（湘潭大學(xué)，湖南 湘潭 411100）

為適應(yīng)宇航服造型設(shè)計對“大國形象”多維意象識別的需要，提出了以“大國形象”為導(dǎo)向的宇航服造型設(shè)計評價模型構(gòu)建方法。在大量用戶調(diào)研的基礎(chǔ)上，對“大國形象”意象集進(jìn)行篩選，并采用認(rèn)知實驗與聚類分析相結(jié)合的方法獲得宇航服產(chǎn)品的代表樣品。采用語義差異法，對“大國形象”感性意象集中初步篩選詞和宇航服產(chǎn)品代表樣本之間的映射數(shù)據(jù)進(jìn)行檢驗和分析，對得到的數(shù)據(jù)結(jié)果進(jìn)行主成分分析，以獲得宇航服產(chǎn)品對“大國形象”感性意象的認(rèn)知空間。同時，根據(jù)全局HIEs解構(gòu)原則和宇航服產(chǎn)品的功能約束清單建構(gòu)宇航服產(chǎn)品造型特征空間。采用語義差異法和認(rèn)知測試，得到宇航服造型多維意象認(rèn)知空間。利用BP神經(jīng)網(wǎng)絡(luò)，以樣本關(guān)鍵HIEs評價經(jīng)數(shù)字編碼后作為輸入層，以各意象詞下樣本的感性意象均值作為輸出層，構(gòu)建宇航服造型意象評價模型。隨后，采用留一交叉訓(xùn)練法對評價模型的準(zhǔn)確性進(jìn)行驗證。該評價模型能夠有效解決造型特征與多維意象之間的映射及匹配，論證了造型意象和認(rèn)知空間之間存在的關(guān)聯(lián)性，探索出設(shè)計目標(biāo)和設(shè)計意象關(guān)聯(lián)判斷的實踐方法。

宇航服設(shè)計；多維意象；全局HIEs解構(gòu)；BP神經(jīng)網(wǎng)絡(luò)

針對我國航天事業(yè)，在2013年十八屆中共中央政治局會議第十二個團(tuán)體進(jìn)行學(xué)習(xí)時，習(xí)近平總書記第一次對“大國形象”進(jìn)行了戰(zhàn)略性闡述。在中國文化、路線、基礎(chǔ)理論、社會制度四大層次上構(gòu)建了新時期中國“大國形象”的四個維度[1]，為新時代中國國家形象的傳播提出了一系列議程主題。航天事業(yè)是我國整體發(fā)展戰(zhàn)略的重要組成部分，航天產(chǎn)品在工業(yè)設(shè)計上符合“大國形象”表達(dá)是航空工業(yè)的基本要求。其中，宇航服工業(yè)設(shè)計尤其重視形象符號的塑造。武利利等[2]介紹了在軌飛行艙內(nèi)服在服裝色彩、構(gòu)造和功能方面的劃分，并探討分析了宇航服在使用過程中的作用特征。Luo等[3-4]通過有效地運(yùn)用“以人為中心”的設(shè)計原則及其工具包來為宇航服的設(shè)計與研發(fā)提供支撐。他們以“飛天”EVA宇航服為例進(jìn)行深入研究，綜合歸納EVA宇航服產(chǎn)品設(shè)計所涉及到的用戶需求、人體工程學(xué)等要素。Chang[5]不僅整理分析了1960年以來60年間所公開宇航服造型的演變過程，還探討了宇航服的設(shè)計美學(xué)及其今后的發(fā)展。劉玲玲等[6]闡述了多感官通道視角下多維度解構(gòu)產(chǎn)品造型特征的原則。劉征宏等[7]將產(chǎn)品形狀、色彩、材質(zhì)、聲音等信息與多感官通道信息進(jìn)行映射，構(gòu)建了產(chǎn)品造型的多維感知模型。劉玲玲[8]結(jié)合可拓學(xué)構(gòu)建多維產(chǎn)品造型風(fēng)格的評價體系模型。結(jié)合以上研究發(fā)現(xiàn)，作為航天任務(wù)中頗受公眾矚目的航天器材之一，宇航服在宇航任務(wù)中的地位和意義重大，且是得到公眾廣泛認(rèn)可的國家形象象征。因此，宇航服在造型美學(xué)、人因等方面的課題值得深入研究。

1 造型評價方法構(gòu)建流程

本研究同時選取宇航服造型的“形色質(zhì)肌”[9]“使用交互”“文化象征”來解構(gòu)造型特征[6]，使研究的結(jié)果更具有造型要素上多維的效度。在感性工學(xué)的基礎(chǔ)上結(jié)合數(shù)學(xué)模型的相關(guān)理論和方法，探究多維意象[10]和造型要素之間的映射關(guān)系，以此為基礎(chǔ)構(gòu)建宇航服造型的多維意象評價模型。具體包含五個步驟：建立宇航服造型的多維意象認(rèn)知空間；宇航服造型的關(guān)鍵HIEs元素提取；多維意象評價均值化；BP神經(jīng)網(wǎng)絡(luò)構(gòu)建與訓(xùn)練；BP神經(jīng)網(wǎng)絡(luò)評價模型測試與驗證。具體流程如下。

1）確定研究對象，并構(gòu)建符合“大國形象”的意象集、宇航服造型樣本庫。

2）通過大量用戶調(diào)研初步篩選“大國形象”意象集，同時經(jīng)過認(rèn)知實驗和聚類分析篩出宇航服代表樣本。運(yùn)用語義差異法測試分析意象集，初步篩選意向詞與宇航服產(chǎn)品代表樣本的映射數(shù)據(jù)，將數(shù)據(jù)進(jìn)行主成分分析，以得到宇航服產(chǎn)品關(guān)于“大國形象”的代表性意象詞匯。

3）根據(jù)全局HIEs元素解構(gòu)原則[7]和宇航服造型設(shè)計約束清單對造型特征進(jìn)行解構(gòu)，以獲得宇航服的造型特征空間。運(yùn)用語義差異法與認(rèn)知測試獲得多維意象造型認(rèn)知空間。

4）選取各組代表性意象詞匯相關(guān)的關(guān)鍵HIEs元素，將樣本庫內(nèi)的訓(xùn)練樣本按照對應(yīng)關(guān)鍵HIEs元素表現(xiàn)情況進(jìn)行關(guān)鍵HIEs元素編碼，以作為BP神經(jīng)網(wǎng)絡(luò)輸入層。同時，利用多維意象造型認(rèn)知空間中的意象認(rèn)知量值計算出每個樣本關(guān)于對應(yīng)意象詞的意象均值，作為BP神經(jīng)網(wǎng)絡(luò)輸出層。

5）根據(jù)BP神經(jīng)網(wǎng)絡(luò)構(gòu)建意象詞匯與宇航服樣本庫的映射關(guān)系，建成評價模型。通過留一交叉訓(xùn)練方法測試驗證評價模型精度。

6）結(jié)合實際的設(shè)計方案，按照文中的解構(gòu)編碼方法進(jìn)行轉(zhuǎn)化、輸入，檢驗評價模型在設(shè)計實踐的運(yùn)用，并對輸出結(jié)果進(jìn)行分析。

綜上所述，宇航服造型意象評價模型構(gòu)建體系見圖1。

2 宇航服多維意象認(rèn)知空間的構(gòu)建

2.1 多維意象獲取

2.1.1 “大國形象”意象集的構(gòu)建及篩選

“意象”代表人們可以通過感官通道對其進(jìn)行描述及聯(lián)想，是人們大腦意識活動的產(chǎn)物。綜合性多維意象認(rèn)知是在用戶心理層面上形成的一種情感體驗[11]。首先在文獻(xiàn)、雜志、網(wǎng)絡(luò)搜索等資源庫中收集“大國形象”在“文化”“社會”“外交”“制度”四個層面的原始意象詞匯，為保證收集詞匯的精度和質(zhì)量，邀請專家組根據(jù)自己的經(jīng)驗和認(rèn)知對收集的意象詞匯進(jìn)行人工初步篩選，將意思相同或接近的詞匯聚類為一個語義準(zhǔn)確的詞匯，并刪除明顯不符合產(chǎn)品表達(dá)的意象詞匯。整理后獲得符合“大國形象”四個層面內(nèi)涵的意象詞匯共84個，并將其作為實驗變量，構(gòu)建關(guān)于“大國形象”的意象集。

對受測者的意象詞匯選擇頻次進(jìn)行整理并加以統(tǒng)計。最終篩選出描述符合“大國形象”的高頻意象詞匯共計18個，初選結(jié)果如表1所示。

2.1.2 代表性樣本的提取

對各個國家在公共平臺發(fā)布的宇航服圖片進(jìn)行收集整理，篩選出24個實驗樣本圖片，如圖2所示。

邀請30名產(chǎn)品設(shè)計、服裝設(shè)計、結(jié)構(gòu)設(shè)計等相關(guān)背景的設(shè)計從業(yè)人員，根據(jù)各自的認(rèn)知對樣本進(jìn)行相似性分類，記錄受測者分群情況及各組的卡片編號。利用多維尺度法中的相似性刻度Proxscal統(tǒng)計，經(jīng)過13次迭代后得到如圖3所示的應(yīng)力維度圖，在五維后應(yīng)力變化放緩，因此以五維空間坐標(biāo)開展樣本處理，部分樣本的表現(xiàn)如表2所示。

利用軟件SPSS 22.0中均值快速聚類法進(jìn)行六個類群聚類分析，得到六個群組的分群情況及群內(nèi)各樣本與中心的距離數(shù)值，選用數(shù)值最小的樣本。

根據(jù)表2，篩選出T10、T16、T11、T21、T05、T18作為代表性宇航服樣本，如圖4所示。

2.1.3 代表性意象詞匯的確定

將18個符合“大國形象”的意象詞匯進(jìn)行正反意義的兩極配對，構(gòu)成意象詞匯庫，見表3。

將意象詞匯對作為7級李克特量表中的測試變量，代表性樣本作為測試對象，記錄30名產(chǎn)品設(shè)計、服裝設(shè)計和機(jī)械設(shè)計背景的受測者對代表樣本在意象詞匯庫的語義評價數(shù)據(jù)。對上述結(jié)果進(jìn)行主成分分析，篩選出面向宇航服的代表性意象詞匯對，從而獲得一種更加準(zhǔn)確的意象表達(dá)空間。

圖1 宇航服造型意象評價模型構(gòu)建體系

表1 高頻感性意象詞

Tab.1 High-frequency perceptual image words

圖2 宇航服式樣樣本圖

圖3 應(yīng)力-維度圖

表2 樣本分類與聚類中心距離

Tab.2 Sample classification and clustering center distance

圖4 宇航服代表性樣本

表3 意象詞匯庫

Tab.3 Image vocabulary

通過主成分計算方法得到如表4所示的詞匯評價結(jié)果，分別篩選成分1和2中絕對值最大的兩個結(jié)果，所得四個結(jié)果為最有代表性的意象詞匯對，分別是：強(qiáng)大的-微弱的（V04）、傳統(tǒng)的-現(xiàn)代的（V15）、和平的-沖突的（V06）、國際的-本土的（V02）。

2.2 宇航服造型特征的解構(gòu)

2.2.1 全局HIEs元素解構(gòu)框架

由于宇航服的主體由服裝主體、頭盔、手套、航天靴和艙外便攜式生命保障系統(tǒng)等組成[5]，其具備多層次和多功能的特點，因此采用全局HIEs元素解構(gòu)方法對產(chǎn)品造型以整化零地進(jìn)行層次式解析。本文根據(jù)人機(jī)界面組件的設(shè)計理念，分別用“形色質(zhì)肌[9]”“使用交互”“文化象征”三方面[6]對應(yīng)宇航服產(chǎn)品設(shè)計的外觀功能、使用操作、精神內(nèi)涵三個層次，見圖5。

表4 意象詞匯成分矩陣

Tab.4 Imagery words component matrix

2.2.2 宇航服造型的設(shè)計約束清單

對宇航服的結(jié)構(gòu)、使用操作等內(nèi)容進(jìn)行資料收集，經(jīng)整理后構(gòu)建設(shè)計約束清單，對宇航服造型設(shè)計要素的幾何、位置、操作等屬性值的范圍，以及設(shè)計要素間的相關(guān)關(guān)系進(jìn)行限制，獲取設(shè)計參考。設(shè)計約束清單主要包括：幾何約束、功能約束、結(jié)構(gòu)約束、環(huán)境約束，其細(xì)則如圖6所示。

圖6 設(shè)計約束清單

2.2.3 宇航服造型的全局HIEs元素解構(gòu)

以全局的HIEs解構(gòu)方法理論為指導(dǎo)，根據(jù)上文的產(chǎn)品造型特征解構(gòu)知識框架、宇航服造型設(shè)計約束清單、宇航服相關(guān)資料，對宇航服產(chǎn)品進(jìn)行從系統(tǒng)到組件的解構(gòu)，得出主體及單一附件關(guān)于“形色質(zhì)肌”“使用交互”“文化象征”三類特征屬性。通過專業(yè)小組討論和篩選，共從現(xiàn)有宇航服造型樣本解析出三個屬性層面共218個HIEs元素如表5～7所示。

本文對產(chǎn)品形態(tài)特征進(jìn)行HIEs元素解構(gòu)，從“形色質(zhì)肌”“使用交互”“文化象征”三方面進(jìn)行多角度造型特征解構(gòu)，構(gòu)建了宇航服產(chǎn)品的全局HIEs元素造型解構(gòu)內(nèi)容。在解構(gòu)過程中考慮了產(chǎn)品形態(tài)、功能元素和CMF處理之間關(guān)系、人機(jī)交互方法、文化象征意義等意象要素，提供了多維意象與產(chǎn)品形態(tài)造型特征間映射的可靠性。

2.3 構(gòu)建宇航服造型的多維意象認(rèn)知空間

2.3.1 多維意象認(rèn)知空間

2.3.2 獲取多維意象認(rèn)知空間的評價值

實驗邀請了宇航服設(shè)計課題參與者、產(chǎn)品設(shè)計、服裝設(shè)計、機(jī)械設(shè)計等具有相關(guān)專業(yè)學(xué)科背景的博士、碩士研究生及本科生共15名，作為受測者參與意象造型認(rèn)知測試實驗。受測者通過觀察宇航服樣本圖片，按照組意象詞匯對，對樣本的每個HIEs元素的意象表現(xiàn)情況在7級語義量表上逐一打分。

表5 “形色質(zhì)肌”解構(gòu)

Tab.5 Deconstruction of "shape, color and texture"

表6 “使用交互”解構(gòu)

Tab.6 Deconstruction of "use and interaction"

表7 “文化象征”解構(gòu)

Tab.7 Deconstruction of "cultural symbols"

針對四組意象詞匯對，獲得15位受測者對24個宇航服樣本的218個HIEs元素的認(rèn)知數(shù)據(jù)，然后將獲得的認(rèn)知數(shù)據(jù)輸入SPSS 22.0進(jìn)行均值計算，從而得到四組意象詞匯對的意象認(rèn)知空間與每個HIEs元素的評價均值。以“國際的-本土的”（V02）為例，其意象認(rèn)知空間及HIEs元素評價均值見表8。例如，在“國際的-本土的”（V02）這一維度意象中，樣本T1的HIEs元素A1表現(xiàn)為正數(shù)，其對應(yīng)為“本土的”意象傾向。

表8 關(guān)于“國際的-本土的”（V02）的意象認(rèn)知空間及HIEs元素評價均值

Tab.8 Image cognitive space of "international-local" (V02) and mean value of HIEs element evaluation

3 宇航服造型意象評價模型的構(gòu)建

BP神經(jīng)網(wǎng)絡(luò)適用于構(gòu)建多維度變量輸入值與輸出值之間復(fù)雜關(guān)系的映射[12]，并廣泛運(yùn)用于產(chǎn)品造型設(shè)計的定量研究中，具有很強(qiáng)的非線性映射能力及很好的容錯性。因此，本文運(yùn)用該技術(shù)構(gòu)建宇航服產(chǎn)品造型特征與多維“大國形象”認(rèn)知之間的映射模型。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型

根據(jù)宇航服造型意象研究特點，在多維數(shù)據(jù)之間構(gòu)建映射關(guān)系，選用如圖7所示的BP神經(jīng)網(wǎng)絡(luò)模型。

圖7 BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程包括正、反向兩種方向。神經(jīng)網(wǎng)絡(luò)需要在反向傳播過程中不斷調(diào)整權(quán)重和參數(shù)來使評價結(jié)果的誤差降到最低，常用的方法是設(shè)置一個誤差閾值或者迭代次數(shù)閾值。神經(jīng)網(wǎng)絡(luò)迭代過程中使用梯度下降法更新參數(shù)，當(dāng)誤差或迭代次數(shù)任意達(dá)到對應(yīng)閾值時，確定模型的相關(guān)參數(shù)。樣本解構(gòu)情況和意象詞匯得分確定了BP神經(jīng)網(wǎng)絡(luò)的輸入、輸出層的單元數(shù)量，因此測試前需要對隱含層的神經(jīng)元節(jié)點數(shù)量進(jìn)行設(shè)定。

本文中隱含層的神經(jīng)元節(jié)點數(shù)量設(shè)定參考正常隱含層的單元數(shù)量且滿足經(jīng)驗公式，見式（2）。

在BP神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程中，為減少誤差開展反向傳播，這里筆者選用L-M優(yōu)化算法（trainlm），見式（3）。

3.2 宇航服造型意象評價模型的輸入層數(shù)據(jù)

3.2.1 關(guān)鍵HIEs元素的選取

產(chǎn)品的多維意象表現(xiàn)是產(chǎn)品所有造型特征共同影響的結(jié)果。然而，產(chǎn)品根據(jù)全局HIEs解構(gòu)所得到的造型設(shè)計特征過多，對于某一意象表現(xiàn)，不是所有的HIEs元素都能顯著地觸發(fā)設(shè)計師在造型上的意象表達(dá)，其往往是同一類別下的某幾個HIEs元素共同影響的結(jié)果。因此，需要對全局HIEs元素進(jìn)行關(guān)鍵設(shè)計特征的提取。根據(jù)15位受測者的認(rèn)知空間，獲取每個HIEs元素的均值，具體計算見式（4）。

為獲取對意象詞匯表達(dá)具有較高貢獻(xiàn)的關(guān)鍵HIEs元素，計算每組意象詞匯的每個HIEs元素的均值絕對值，以HIEs元素總數(shù)的20%的比例進(jìn)行選取，得到每組44個關(guān)鍵HIEs元素。

對數(shù)據(jù)進(jìn)行處理后，得到四組意象詞匯對在各類別下的關(guān)鍵HIEs元素信息，以表9關(guān)于“國際的-本土的”（V02）的關(guān)鍵HIEs元素信息為例。

表9 關(guān)于“國際的-本土的”（V02）的關(guān)鍵HIEs元素信息

Tab.9 Key HIEs element information about " International-Local" (V02)

3.2.2 關(guān)鍵HIEs元素的參數(shù)化處理

本文中應(yīng)用的HIEs元素實質(zhì)上只是對設(shè)計要素的一種定性描述，無法直觀用來建立從意象到造型特征之間的映射模型以反映對設(shè)計要素的影響狀況[14]。因此，必須對此類定性變量作出參數(shù)化處理。在關(guān)鍵HIEs元素量化過程中引入類型為“0”和“1”的人工變量作為輸入BP神經(jīng)網(wǎng)絡(luò)的“虛擬變量”。

以樣本T1關(guān)于“國際的-本土的”（V02）的意象表達(dá)情況為例，轉(zhuǎn)化編碼數(shù)據(jù)為“010 011 010 111 111 111 111 100 111 001 110 100 001 101 01”?！皣H的-本土的”（V02）關(guān)于24個樣本的關(guān)鍵HIEs元素部分編碼情況如表10所示。

根據(jù)編碼流程，給每個樣本的造型特征數(shù)據(jù)進(jìn)行特征變量編號，作為BP神經(jīng)網(wǎng)絡(luò)的輸入層數(shù)據(jù)。

3.3 宇航服造型意象評價模型的輸出層數(shù)據(jù)

在意象造型認(rèn)知實驗所構(gòu)造的多維意象認(rèn)知空間中，將獲取的量值進(jìn)行均值化是構(gòu)建宇航服HIEs元素與“大國形象”意象映射模型的關(guān)鍵步驟。向15位受測者收集關(guān)于選定的四組代表性意象詞匯針對24個訓(xùn)練樣本的認(rèn)知空間，獲取意象認(rèn)知量值并進(jìn)行均值化處理[15]。將均值化數(shù)據(jù)作為BP神經(jīng)網(wǎng)絡(luò)輸出層數(shù)據(jù)，則每組意象詞下每個樣本的意象均值見式（5）。

表10 關(guān)于“國際的-本土的”（V02）關(guān)鍵HIEs元素的編碼

Tab.10 Coding of key HIEs elements about "International-Local" (V02)

對24個樣本的四組意象詞匯進(jìn)行均值化處理， 其中“國際的-本土的”（V02）意象均值的數(shù)據(jù)如 表11所示。

3.4 宇航服造型意象評價模型的參數(shù)設(shè)定

選用MATLAB程序作為造型意象評價模型的構(gòu)建工具[16]，在輸入層輸入關(guān)鍵HIEs元素編碼數(shù)據(jù)，在輸出層輸入樣本意象詞匯評價均值數(shù)據(jù)。關(guān)鍵HIEs元素共有176個造型特征，則將輸入層的單元數(shù)設(shè)定為176。代表性意象詞匯對數(shù)是4，則將輸出層單元數(shù)量設(shè)定為4。根據(jù)式(2)計算出隱含層的單元數(shù)閾值設(shè)定為36左右較合適，這里取隱含層單元為[12，36]，其中步長取3（12，15，18，21，24，27，30，33，36），之后根據(jù)每個取值的表現(xiàn)來確定隱含層單元數(shù)，通過調(diào)節(jié)隱含層單元數(shù)以提升訓(xùn)練精度。

借助前饋反向傳播網(wǎng)絡(luò)（newff）創(chuàng)建BP神經(jīng)網(wǎng)絡(luò)模型，使用雙曲正切函數(shù)（tan-gent sigmoid）作為隱含層的傳遞函數(shù)[17]。因為本文預(yù)期得到的是意象均值，所以輸出層不采用閾值函數(shù)，而采用線性傳輸函數(shù)（purelin）來進(jìn)行直接映射，并采用前饋反向傳播網(wǎng)絡(luò)優(yōu)化算法進(jìn)行訓(xùn)練。由于該模型中的神經(jīng)單元數(shù)較多，同時樣本較少，故設(shè)置學(xué)習(xí)次數(shù)為500次，學(xué)習(xí)速率為0.001，將誤差閾值設(shè)為[6，10]，當(dāng)模型測試誤差達(dá)到該閾值，則迭代結(jié)束。根據(jù)上述參數(shù)設(shè)置，編寫B(tài)P神經(jīng)網(wǎng)絡(luò)，訓(xùn)練過程與結(jié)果如圖8所示。

表11 “國際的-本土的”（V02）意象均值

Tab.11 Imagery mean of "International-Local" (V02)

圖8 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程與結(jié)果

3.5 宇航服造型意象評價模型的測試

為了驗證評價模型的可行性，需要對評價模型進(jìn)行精度測試。由于評價模型數(shù)據(jù)集數(shù)量少，本文測試環(huán)節(jié)使用留一交叉驗證法[18]，在最大化利用訓(xùn)練樣本的同時，有效避免陷入局部最優(yōu)及過擬合的現(xiàn)象。本文將原本的24組數(shù)據(jù)分為23組訓(xùn)練樣本，1組測試樣本，進(jìn)行24次試驗，從而使樣本變?yōu)?52維，以進(jìn)行最大化利用。

根據(jù)MATLAB R 2018b 設(shè)置導(dǎo)出的BP神經(jīng)網(wǎng)絡(luò)性能表現(xiàn)圖，見圖9。

圖9 BP神經(jīng)網(wǎng)絡(luò)性能表現(xiàn)圖

Fig.9 BP neural network performance chart

實驗所得MSE值表明，在兩次迭代時測試訓(xùn)練模型輸出意象數(shù)據(jù)與預(yù)設(shè)輸出的意象數(shù)據(jù)均方誤差最小且誤差較小，說明經(jīng)過訓(xùn)練后得到的最優(yōu)模型，對宇航服造型設(shè)計評價問題具有適應(yīng)性，運(yùn)用此模型可以對宇航服造型設(shè)計進(jìn)行綜合評價。至此，完成了宇航服造型評價模型的構(gòu)建與驗證。

3.6 宇航服造型意象評價模型的實踐應(yīng)用

本文以中國盔甲的形象為主意象表達(dá)，經(jīng)過多輪的草圖演化得到了三款概念設(shè)計方案草圖，見圖10。

圖10 宇航服概念設(shè)計方案

選擇5名專家測試者將三款設(shè)計方案造型進(jìn)行分析，并針對每個方案，根據(jù)其關(guān)鍵HIEs元素表達(dá)情況進(jìn)行編碼，將得到的176位編碼數(shù)據(jù)輸入宇航服造型意象評價模型，得出設(shè)計方案中在各組代表性詞匯下的意象均值得分見表12。

根據(jù)表12的結(jié)果可知，方案A最能表現(xiàn)“本土的”和“強(qiáng)大的”意象；方案B最能表現(xiàn)“國際的”意象，且只有方案B能體現(xiàn)“和平的”意象表達(dá)；而方案C更能表現(xiàn)“現(xiàn)代的”意象。方案A和方案C都比較缺少對“和平的”意象的表達(dá)，相關(guān)設(shè)計要素綜合沖突感較強(qiáng)，作為宇航服形象不夠柔和，可以考慮對“和平的”意象表達(dá)判定值更高的關(guān)鍵HIEs元素設(shè)計進(jìn)行設(shè)計調(diào)整。通過方案驗證宇航服造型意象評價模型能夠為造型意象的開發(fā)提供理性數(shù)據(jù)參考，輔助設(shè)計師在設(shè)計前期做出正確的方案決策，從而在準(zhǔn)確把握大眾“大國形象”感知規(guī)律的同時，提高宇航服產(chǎn)品設(shè)計的效率。通過對大眾模糊的前端創(chuàng)意認(rèn)知進(jìn)行定量調(diào)研，宇航服造型意象評價模型可以較科學(xué)地得到符合大眾對多維“大國形象”意象的認(rèn)知規(guī)律。在宇航服產(chǎn)品設(shè)計前期可以輔助設(shè)計人員把握相關(guān)多維造型意象，從而起到提高項目設(shè)計效果和決策準(zhǔn)確度的作用。

表12 概念設(shè)計方案評價得分

Tab.12 Conceptual design program evaluation score

4 結(jié)語

本文以宇航服造型為對象，構(gòu)建了符合“大國形象”的意象集和宇航服造型樣本庫，并構(gòu)建了造型特征空間、多維意象認(rèn)知空間。在此基礎(chǔ)上運(yùn)用BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練宇航服造型意象評價模型，最后開展實例應(yīng)用并驗證其可用性。研究結(jié)果如下。

1）大量的感性數(shù)據(jù)可以通過統(tǒng)計學(xué)的方式進(jìn)行降維處理，以得到一個可量化描述特征造型和意象之間的聯(lián)系。

2）通過全局HIEs解構(gòu)和關(guān)鍵HIEs選取可對宇航服特征進(jìn)行精確分解，較全面地描述結(jié)構(gòu)或體系較復(fù)雜的設(shè)計對象，從而提升設(shè)計人員對造型特征識別的準(zhǔn)確性和多樣性。

3）利用BP神經(jīng)網(wǎng)絡(luò)適用于造型意象這種主觀性強(qiáng)的研究對象，通過神經(jīng)網(wǎng)絡(luò)訓(xùn)練得到的評價模型既能夠輔助設(shè)計人員確定設(shè)計目標(biāo)，也能為設(shè)計實踐提供理性參考。

今后，可嘗試引入非宇航服樣本作為該評價模型的訓(xùn)練素材，進(jìn)一步優(yōu)化該造型意象評價模型，形成一個可適應(yīng)創(chuàng)新變化的宇航服造型設(shè)計評價決策方法，以更好地指導(dǎo)設(shè)計實操。

[1] 韓文乾. 習(xí)近平關(guān)于新時代國家形象重要論述探析[J]. 科學(xué)社會主義, 2021(6): 40-46. HAN W Q. Exploration of Xi Jinping's Important Discourse on State Image in the New Era [J]. Scientific Socialism, 2021(6): 40-46.

[2] 武利利. 航天員艙內(nèi)服裝設(shè)計分析[J]. 針織工業(yè), 2017(11): 14-17. WU L L. Analysis of Astronaut Cabin Clothing Design[J]. Knitting Industry, 2017(11): 14-17.

[3] LUO J P, LIU, W, YE S. Human-Centered Design for the Spacesuit Development: A Case Study of the “Feitian” EVA Spacesuit[C]// Advances in Intelligent Systems and Computing. Berlin: Springer, 2020.

[4] LUO J P, CAI J, LI T, et al. Design Principles and Strategies of Interface in Extra Vehicular Activity Spacesuit [C]// Advances in Intelligent Systems and Computing. Berlin: Springer, 2020.

[5] CHANG Y W. Fashion Styling and Design Aesthetics in Spacesuit: An Evolution Review in 60 Years from 1960 to 2020[J]. Acta Astronautica, 2021, 178: 117-128.

[6] 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)計學(xué)報, 2014, 21(4): 323-328. LIU L L, XUE C Q. Product Feature Deconstruction Method for Multidimensional KE Model Construction [J]. Chinese Journal of Engineering Design, 2014, 21(4): 323-328.

[7] 劉征宏, 謝慶生, 黃海松, 等. 多維變量感性工學(xué)模型構(gòu)建及其性能評估[J]. 四川大學(xué)學(xué)報(工程科學(xué)版), 2016, 48(2): 198-206. LIU Z H, XIE Q S, HUANG H S, et al. Multi-variable Kansei Engineering Model Construction and Performance Evaluation[J]. Journal of Sichuan University (Engineering Science Edition), 2016, 48(2): 198-206.

[8] 劉玲玲. 基于多維特征和整體性認(rèn)知的產(chǎn)品設(shè)計方法研究[D]. 南京: 東南大學(xué), 2017. LIU L L. Research on Product Design Method Based on Multi-dimensional Features and Holistic Cognition [D]. Nanjing: Southeast University, 2017.

[9] 武玉嬌, 鄭楓, 葛玉鵬. 基于感性意象的白酒酒瓶造型多維度特征分析[J]. 包裝工程, 2021, 42(18): 253- 261. WU Y J, ZHENG F, GE Y P. Multi-dimensional Feature Analysis of Liquor Bottle Shape Based on Perceptual Imagery[J]. Packaging Engineering, 2021, 42(18): 253- 261.

[10] 李明, 劉肖健. 用戶感性意象數(shù)據(jù)的可視化分析技術(shù)[J]. 機(jī)械設(shè)計, 2021, 38(4): 123-128. LI M, LIU X J. Visualization and Analysis Techniques for User Perceptual Imagery Data[J]. Machine Design, 2021, 38(4): 123-128.

[11] 陸冀寧, 徐伯初, 支錦亦, 等. 高速列車頭型的意象仿生設(shè)計[J]. 機(jī)械設(shè)計, 2017, 34(9): 106-110. LU J N, XU B C, ZHI J Y, et al. Image-like Bionic Design of High-speed Train Head Shape[J]. Mechanical Design, 2017, 34(9): 106-110.

[12] 李敏, 于淼. 美國艙內(nèi)宇航服的發(fā)展與現(xiàn)狀[J]. 中國個體防護(hù)裝備, 2021(4): 40-44.LI M, YU M. Development and Status of In-cabin Spacesuits in the United States[J]. China Personal Protective Equipment, 2021(4): 40-44.

[13] 喬現(xiàn)玲, 余曉慶, 李陽, 等. 基于感性工學(xué)的產(chǎn)品質(zhì)感調(diào)和設(shè)計模型研究[J]. 包裝工程, 2016, 37(14): 68- 72. QIAO X L, YU X Q, LI Y, et al. Research on Product Texture Reconciliation Design Model Based on Perceptual Engineering[J]. Packaging Engineering, 2016, 37(14): 68-72.

[14] 丁滿, 李紫君, 裴卉寧, 等. 可適應(yīng)布局形式變化的產(chǎn)品色彩設(shè)計研究[J]. 包裝工程, 2021, 42(16): 103-112. DING M, LI Z J, PEI H N,et al. Research on Product Colour Design That Can Adapt to Layout Form Changes [J]. Packaging Engineering, 2021, 42(16): 103-112.

[15] 陳永康, 江雨豪, 何人可, 等. 基于文獻(xiàn)計量學(xué)的情感化設(shè)計研究進(jìn)展、熱點與趨勢分析[J]. 包裝工程, 2022, 43(6): 32-40. CHEN Y K, JIANG Y H, HE R K, et al. Research Progress, Hot Spots and Trends Analysis of Emotional Design Based on Bibliometrics[J]. Packaging Engineering, 2022, 43(6): 32-40.

[16] 曹越, 蘇暢, 魏君, 等. 汽車內(nèi)飾色彩感性意象綜合評價研究[J]. 機(jī)械設(shè)計, 2019, 36(3): 129-133. CAO Y, SU C, WEI J, et al. A Comprehensive Evaluation Study on the Perceptual Imagery of Automotive Interior Colour[J]. Mechanical Design, 2019, 36(3): 129- 133.

[17] 程永勝, 徐驍琪, 陳國強(qiáng), 等. 基于神經(jīng)網(wǎng)絡(luò)的電動汽車造型意象預(yù)測模型[J]. 計算機(jī)集成制造系統(tǒng), 2021, 27(4): 1135-1145. CHENg Y S, XU Z Q, CHEN G Q, et al. A Neural Network-based Prediction Model for Electric Vehicle Styling Imagery[J]. Computer Integrated Manufacturing Systems, 2021, 27(4): 1135-1145.

[18] 王劍, 陳豐, 喬印虎. 目標(biāo)意象約束的人機(jī)輔助產(chǎn)品造型進(jìn)化設(shè)計研究[J]. 機(jī)械設(shè)計, 2022, 39(2): 120-128. WANG J, CHEN F, QIAO Y H. Research on the Evolutionary Design of Human-machine Assisted Product Modeling with Target Imagery Constraints[J]. Machine Design, 2022, 39(2): 120-128.

Multi-dimensional Image Styling Evaluation Method of Space Suit Based on BP Neural Network

LI Jiangyong, GAO Haoyuan*, LI Yanlin, TAN Qixi, YANG Zijing

(Xiangtan University, Hunan Xiangtan 411100, China)

The work aims to propose an evaluation model construction method for space suit styling design oriented to "Great Power Image", in order to meet the need for multi-dimensional image recognition of "Great Power Image" in space suit styling design. On the basis of a large number of user research, the image set of the "Great Power Image" was screened, and the representative samples of the space suit products were obtained by combining cognitive experiments with cluster analysis. The mapping data between initially screened words in the perceptual image set of "Great Power Image" and representative samples of space suit were tested and analyzed by semantic difference method. Principal component analysis was carried out on the obtained data results in order to obtain the cognitive space of space suit products for the perceptual image of "Great Power Image". At the same time, according to the global HIEs deconstruction principles and the functional constraints of the space service products, the feature space of space suit product styling was constructed. The semantic difference method and cognitive test were adopted to obtain a multi-dimensional image cognitive space of space suits. By BP neural network, the key HIEs evaluation of the samples was digitally encoded as the input layer, and the average perceptual image of the samples under each image word was used as the output layer, to construct the evaluation model of space suit styling image. Finally, the accuracy of the evaluation model was verified by the leave-one-out cross validation. This evaluation model can effectively solve the mapping and matching between styling characteristics and multi-dimensional images, demonstrate the correlation between styling intention and cognitive space, and explore the practical methods of judging the correlation between design goals and design images.

space suit design; multi-dimensional image; global HIEs deconstruction; BP neural network

TB472

A

1001-3563(2024)02-0066-12

10.19554/j.cnki.1001-3563.2024.02.007

2023-08-21

湖南省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（202210530042）；湘潭大學(xué)長沙行深智能科技有限公司校企合作創(chuàng)新創(chuàng)業(yè)教育基地項目（湘教通2021年356號）