陳國(guó)強(qiáng)，申正義，孫 利，支夢(mèng)帆，李 彤

（1.燕山大學(xué)機(jī)械工程學(xué)院，秦皇島 066004；2.燕山大學(xué)藝術(shù)與設(shè)計(jì)學(xué)院，秦皇島 066004）

前言

傳統(tǒng)工業(yè)設(shè)計(jì)中，人的思維疲勞及認(rèn)知局限等問(wèn)題約束了設(shè)計(jì)開(kāi)發(fā)的進(jìn)程［1］。產(chǎn)品造型與感性意象是設(shè)計(jì)表達(dá)與評(píng)價(jià)的重要載體，對(duì)兩者的研究多以產(chǎn)品造型為落腳點(diǎn)，通過(guò)對(duì)產(chǎn)品設(shè)計(jì)知識(shí)［2］、交互行為關(guān)系［3］、多維用戶情感［4］等研究來(lái)提升造型與意象的匹配度，但開(kāi)發(fā)者的主觀意愿與刻板經(jīng)驗(yàn)所導(dǎo)致的需求脫節(jié)和效率低下問(wèn)題依然存在［5］。隨著人工智能技術(shù)廣泛應(yīng)用，現(xiàn)代工業(yè)設(shè)計(jì)在智能趨勢(shì)推動(dòng)下，逐漸深入對(duì)量化設(shè)計(jì)方法的研究，通過(guò)數(shù)學(xué)計(jì)算的方式對(duì)有效設(shè)計(jì)信息加以凝練和優(yōu)選，以此提升設(shè)計(jì)效率、降低設(shè)計(jì)主觀性。

設(shè)計(jì)開(kāi)發(fā)過(guò)程中存在眾多設(shè)計(jì)變量與多維意象需求，且都以抽象形式存在和表達(dá)，難以對(duì)其進(jìn)行量化評(píng)價(jià)與優(yōu)選。因此，參數(shù)化設(shè)計(jì)知識(shí)是產(chǎn)品造型意象量化研究的首要問(wèn)題。當(dāng)前，學(xué)者多采用語(yǔ)義差分法［6］、形態(tài)提取法［7］、空間位置坐標(biāo)定位［8］等方法完成設(shè)計(jì)知識(shí)的量化研究，并在此基礎(chǔ)上構(gòu)建產(chǎn)品造型與感性意象的函數(shù)關(guān)系模型，以展開(kāi)設(shè)計(jì)知識(shí)的評(píng)估和優(yōu)選。在實(shí)現(xiàn)產(chǎn)品造型與感性意象映射關(guān)系的算法選擇中，不僅要考慮算法效用與能力，更要考慮量化研究過(guò)程中設(shè)計(jì)知識(shí)是否損失、設(shè)計(jì)效果是否良好等產(chǎn)品設(shè)計(jì)領(lǐng)域問(wèn)題。BP 神經(jīng)網(wǎng)絡(luò)具有良好的非線性映射能力，遺傳算法具有快速的尋優(yōu)能力，兩者結(jié)合共同解決產(chǎn)品的造型意象設(shè)計(jì)問(wèn)題具有重要的現(xiàn)實(shí)意義。

本文針對(duì)設(shè)計(jì)開(kāi)發(fā)過(guò)程中存在的主觀性、經(jīng)驗(yàn)性過(guò)強(qiáng)的問(wèn)題，利用BP 神經(jīng)網(wǎng)絡(luò)構(gòu)建智能座艙中控造型與感性意象的函數(shù)關(guān)系，以此作為遺傳算法的適應(yīng)度函數(shù)展開(kāi)設(shè)計(jì)知識(shí)的迭代和優(yōu)選，完成評(píng)估方法與優(yōu)選方法的結(jié)合。最后通過(guò)智能座艙中控的造型設(shè)計(jì)來(lái)驗(yàn)證方法的可行性和有效性。

1 預(yù)測(cè)流程構(gòu)建

1.1 感性意象

感性意象是人們對(duì)產(chǎn)品外顯符號(hào)的主觀感知，反映了用戶自身的期盼與渴望［9］。其形成過(guò)程為：外部信息刺激—感官器官接收—神經(jīng)中樞傳輸—內(nèi)在感受形成—經(jīng)驗(yàn)情感儲(chǔ)存—類似信息刺激—言語(yǔ)行為表達(dá)，如圖1所示。

圖1 感性意象形成過(guò)程

在產(chǎn)品研發(fā)過(guò)程中，感性意象的作用在于通過(guò)產(chǎn)品造型來(lái)喚醒人們所積累的經(jīng)驗(yàn)情感，帶來(lái)正向的反饋與共鳴。這種反饋與共鳴由產(chǎn)品造型與感性意象的匹配程度所決定，在量化研究中，體現(xiàn)為兩者的擬合程度。因此，對(duì)感性意象的量化研究有助于減少設(shè)計(jì)師主觀因素的干擾。

1.2 預(yù)測(cè)方法與流程

BP 神經(jīng)網(wǎng)絡(luò)作為機(jī)器學(xué)習(xí)經(jīng)典算法，相比支持向量機(jī)、隨機(jī)森林算法等在產(chǎn)品設(shè)計(jì)領(lǐng)域具備更好的兼容性和匹配性，對(duì)產(chǎn)品造型的量化編碼輸入更為便捷和有效。遺傳算法作為并行隨機(jī)搜索的最優(yōu)化方法，其迭代思想與產(chǎn)品設(shè)計(jì)中迭代改良、品牌DNA、協(xié)調(diào)統(tǒng)一思想不謀而合，能有效解決對(duì)已有設(shè)計(jì)方案的優(yōu)化改良問(wèn)題。

利用BP 神經(jīng)網(wǎng)絡(luò)強(qiáng)大的非線性映射能力［10］構(gòu)建智能座艙中控造型與感性意象的關(guān)系函數(shù)，實(shí)現(xiàn)對(duì)造型意象的評(píng)估。利用遺傳算法良好、快速的尋優(yōu)能力［11］完成對(duì)智能座艙具體造型的優(yōu)選。將兩者優(yōu)勢(shì)結(jié)合，共同解決智能座艙中控造型設(shè)計(jì)問(wèn)題。整理設(shè)計(jì)流程，如圖2所示。

圖2 BP-GA設(shè)計(jì)系統(tǒng)流程構(gòu)建

2 造型特征與感性意象

2.1 造型樣本獲取與分類

智能座艙旨在為駕駛員提供舒適的駕駛體驗(yàn)，其形式表達(dá)脫離不開(kāi)功能的約束，未來(lái)智能座艙的造型設(shè)計(jì)也離不開(kāi)現(xiàn)有優(yōu)勢(shì)座艙的積淀。故本文以現(xiàn)有新能源汽車(chē)座艙中控為研究對(duì)象，展開(kāi)未來(lái)智能座艙中控造型感性意象設(shè)計(jì)的研究。

通過(guò)網(wǎng)絡(luò)檢索及實(shí)地調(diào)研等方式搜集新能源汽車(chē)座艙中控造型樣本，篩選掉相同、模糊、角度差的樣本，并進(jìn)行去色處理以控制單一變量。最終得到30個(gè)新能源汽車(chē)座艙中控造型樣本，如表1所示。

表1 新能源汽車(chē)座艙中控造型樣本庫(kù)

采用系統(tǒng)聚類法對(duì)樣本進(jìn)行分類。首先，對(duì)6名資深駕駛員、2名行業(yè)相關(guān)人員及2名汽車(chē)設(shè)計(jì)師共10 人進(jìn)行問(wèn)卷調(diào)研，以兩兩對(duì)比的形式對(duì)樣本造型相似性進(jìn)行打分，分值為1.0～10.0，得分越高表明樣本間造型相似度越強(qiáng)，反之則越弱。整理調(diào)研結(jié)果，得到30 個(gè)樣本的造型相似度評(píng)分矩陣A（30×30）。為驗(yàn)證數(shù)據(jù)可靠性，對(duì)評(píng)分矩陣A 進(jìn)行信度分析，結(jié)果顯示Alpha 值為0.769，如表2 所示，表明數(shù)據(jù)可靠性良好。

表2 可靠性統(tǒng)計(jì)

接著，采用系統(tǒng)聚類法并借助SPSS 軟件對(duì)評(píng)分矩陣數(shù)據(jù)進(jìn)行分析，得到聚類過(guò)程結(jié)果表和樹(shù)狀聚類圖，如表3和圖3所示。

表3 聚類系數(shù)匯總

圖3 樹(shù)狀聚類圖

根據(jù)表3 中的聚類系數(shù)，利用EXCEL 繪制聚類系數(shù)變化折線圖，如圖4所示。

圖4 聚類系數(shù)變化折線圖

從折線圖中能直觀看到，在第5到6次聚類系數(shù)變化最大，而后趨于平緩，因此將樣本分為5 或6 類較為合理［12］。結(jié)合樹(shù)狀聚類圖及德穆曼樹(shù)狀聚類分類準(zhǔn)則，將30個(gè)造型樣本分為6類。

接著，利用K-means聚類法對(duì)數(shù)據(jù)進(jìn)行分析，目的在于篩選出6 類相似造型樣本的典型樣本，因此，將超參數(shù)K設(shè)置為6。借助SPSS 軟件進(jìn)行分析，如表4所示。根據(jù)表4判斷樣本距中心距離，數(shù)值越小則距離中心越近，代表性越強(qiáng)，反之則越弱［13］?？芍狝8的距離為4.242、A9為3.740、A12為5.120、A13為4.934、A16為3.995、A26為5.506，相比于同類別中其他樣本數(shù)值最小，因此選取A8、A9、A12、A13、A16、A26為典型樣本，如表5所示。

表4 聚類成員表

表5 新能源汽車(chē)座艙中控造型典型樣本

2.2 感性意象測(cè)量

通過(guò)網(wǎng)絡(luò)檢索和問(wèn)卷調(diào)研等方式得到代表智能座艙中控感性認(rèn)知的意象形容詞130 個(gè)，結(jié)合專家訪談和問(wèn)卷調(diào)研等方法剔除無(wú)代表性和低頻詞匯，并進(jìn)行反義配對(duì)，得到30 對(duì)感性意象詞匯對(duì)。接著，選擇相關(guān)專家、資深駕駛員及轎車(chē)設(shè)計(jì)師共10人進(jìn)行問(wèn)卷調(diào)研，根據(jù)調(diào)研結(jié)果篩選出現(xiàn)頻次最高的10組詞匯對(duì)，隨機(jī)排序并編號(hào)，如表6所示。

表6 篩選后的感性意象詞匯對(duì)

結(jié)合6 個(gè)典型形態(tài)樣本與10 對(duì)感性意象詞匯，運(yùn)用語(yǔ)義差分法制作調(diào)研問(wèn)卷，將10 對(duì)感性意象詞匯進(jìn)一步篩選。打分規(guī)則如下：參照樣本對(duì)其所體現(xiàn)的感性意象強(qiáng)度進(jìn)行勾選，勾選選項(xiàng)為2、1、0、-1和-2，分別代表非?，F(xiàn)代、比較現(xiàn)代、區(qū)分不出、比較傳統(tǒng)和非常傳統(tǒng)。本次調(diào)研采用線上與線下相結(jié)合的方式，共發(fā)放問(wèn)卷60份，實(shí)際回收58份，經(jīng)計(jì)算得到感性意象評(píng)價(jià)均值表，如表7所示。

表7 感性意象詞匯對(duì)評(píng)分均值表

數(shù)量較多的意象詞匯不利于解釋用戶意象［14］，應(yīng)用因子分析法對(duì)數(shù)據(jù)進(jìn)行降維處理，經(jīng)分析得到總方差解釋表和旋轉(zhuǎn)后的成分矩陣，如表8 和表9所示。

表8 解釋的總方差

表9 旋轉(zhuǎn)后的成分矩陣

根據(jù)表9 可知有4 個(gè)特征值大于1 的因子，同時(shí)旋轉(zhuǎn)后方差累計(jì)貢獻(xiàn)率為95.476%，證明4 個(gè)特征因子歸納合理且有效。根據(jù)表9 對(duì)4 個(gè)特征因子中載荷系數(shù)較大的感性意象詞匯進(jìn)行篩選，得到4 個(gè)典型感性意象詞匯對(duì)，即P＝｛C1，C3，C13，C22｝。

3 BP神經(jīng)網(wǎng)絡(luò)優(yōu)化GA的預(yù)測(cè)流程

3.1 設(shè)計(jì)變量提取

構(gòu)建智能座艙中控造型BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，目的在于構(gòu)建中控造型與感性意象之間的函數(shù)關(guān)系，實(shí)現(xiàn)智能座艙中控造型的感性意象評(píng)估。

以6 款典型樣本為主，利用形態(tài)分析法對(duì)具體造型特征因子進(jìn)行提取，提取原則為：從正視圖視角出發(fā)，提取對(duì)主體形態(tài)影響較大的抽象線條和輪廓。同時(shí)依據(jù)中控部件的具體分類，對(duì)造型特征明顯的部件進(jìn)行提取，即轉(zhuǎn)向盤(pán)、中控臺(tái)、空調(diào)出風(fēng)口、儀表盤(pán)、中控屏，分別記為W1、W2、W3、W4、W5。對(duì)提取結(jié)果進(jìn)行整理，如表10所示。

表10 智能座艙中控造型特征因子提取

3.2 網(wǎng)絡(luò)模型搭建

BP 神經(jīng)網(wǎng)絡(luò)的搭建主要包含網(wǎng)絡(luò)層數(shù)的設(shè)定，輸入、輸出、隱含層的層數(shù)和神經(jīng)元個(gè)數(shù)的確定，以及激勵(lì)函數(shù)、訓(xùn)練函數(shù)等的設(shè)置和選擇。

（1）神經(jīng)網(wǎng)絡(luò)層數(shù)的確定

經(jīng)理論證明，單層隱含層網(wǎng)絡(luò)可以解決任意的非線性擬合問(wèn)題［15］，結(jié)合智能座艙中控造型的實(shí)際狀況、網(wǎng)絡(luò)訓(xùn)練時(shí)間、過(guò)擬合狀況及整體網(wǎng)絡(luò)復(fù)雜程度等因素的考慮，本文采用最基礎(chǔ)的3 層網(wǎng)絡(luò)結(jié)構(gòu)，即單層隱含層。

（2）輸入層數(shù)據(jù)的確定

網(wǎng)絡(luò)的訓(xùn)練樣本為造型樣本庫(kù)的30 個(gè)智能座艙中控樣本。綜合多種編碼方式，如數(shù)值編碼、索引編碼等，并考慮到每個(gè)智能座艙中控樣本的造型特征都對(duì)應(yīng)其特定的造型因子，本文采用One-Hot 編碼方法對(duì)智能座艙中控造型特征進(jìn)行編碼。

根據(jù)上文對(duì)智能座艙中控造型特征因子的分類構(gòu)建數(shù)據(jù)編碼的狀態(tài)位，且每個(gè)狀態(tài)都有其獨(dú)立的寄存器位。對(duì)于某一造型特征，在某一樣本下該樣本具有該特征屬性的記為“1”，不具有該特征屬性的記為“0”，據(jù)此規(guī)則對(duì)30 個(gè)智能座艙中控樣本進(jìn)行形態(tài)特征的編碼，如表11所示。由表11可知智能座艙中控造型特征因子共30 個(gè)，可知函數(shù)的自變量個(gè)數(shù)為30 個(gè)，即BP 神經(jīng)網(wǎng)絡(luò)輸入層神經(jīng)元節(jié)點(diǎn)數(shù)為30。

表11 造型特征編碼

（3）輸出層數(shù)據(jù)的確定

根據(jù)里克特量表形式，構(gòu)建調(diào)研問(wèn)卷進(jìn)行輸出層數(shù)據(jù)的獲取。本次調(diào)研同感性意象評(píng)價(jià)調(diào)研方式相同且前后同步進(jìn)行。令受試者分別對(duì)照4 個(gè)典型感性意象詞匯對(duì)依次對(duì)30 個(gè)樣本進(jìn)行打分，匯總結(jié)果并進(jìn)行均值計(jì)算，得到如表12 所示均值數(shù)據(jù)，即為BP 神經(jīng)網(wǎng)絡(luò)實(shí)際輸出數(shù)據(jù)。將每一對(duì)意象詞匯進(jìn)行訓(xùn)練和驗(yàn)證，共進(jìn)行4 次，可知因變量個(gè)數(shù)為1個(gè)，即BP 神經(jīng)網(wǎng)絡(luò)輸出層神經(jīng)元個(gè)數(shù)為1，進(jìn)行4 次構(gòu)建和訓(xùn)練。

表12 BP神經(jīng)網(wǎng)絡(luò)實(shí)際輸出數(shù)據(jù)

（4）隱含層神經(jīng)元節(jié)點(diǎn)數(shù)

隱含層節(jié)點(diǎn)數(shù)沒(méi)有嚴(yán)格的標(biāo)準(zhǔn)參照，通常依據(jù)經(jīng)驗(yàn)反復(fù)嘗試確定。隱含層數(shù)及節(jié)點(diǎn)數(shù)對(duì)模型性能產(chǎn)生直接影響，隱含層及節(jié)點(diǎn)數(shù)過(guò)多會(huì)導(dǎo)致訓(xùn)練時(shí)間增加及“過(guò)擬合”現(xiàn)象的產(chǎn)生，過(guò)少則會(huì)導(dǎo)致訓(xùn)練精度下降。綜合考慮數(shù)據(jù)結(jié)構(gòu)復(fù)雜程度，本文采用最基礎(chǔ)的3 層網(wǎng)絡(luò)結(jié)構(gòu)，即單層隱含層，隱含層節(jié)點(diǎn)數(shù)以式（1）為參考［16］，經(jīng)過(guò)反復(fù)的訓(xùn)練和測(cè)試，最終確定隱含層節(jié)點(diǎn)數(shù)設(shè)置為11。

式中：G表示隱含層神經(jīng)元數(shù)量；E表示輸入層神經(jīng)元數(shù)量；O表示輸出層神經(jīng)元數(shù)量；α表示1-10 的調(diào)節(jié)常量。

3.3 模型性能評(píng)估

基于MATLAB R2018b進(jìn)行預(yù)測(cè)模型的搭建，網(wǎng)絡(luò)輸入層節(jié)點(diǎn)數(shù)為30、輸出層節(jié)點(diǎn)數(shù)為1、隱含層節(jié)點(diǎn)數(shù)為11，隱含層傳遞函數(shù)采用Tan-Sigmoid，輸出層傳遞函數(shù)采用purelin，學(xué)習(xí)次數(shù)設(shè)置為5 000 次，誤差值為0.001。針對(duì)不同的感性意象詞匯，共構(gòu)建4個(gè)預(yù)測(cè)模型。

由于訓(xùn)練樣本數(shù)量少及數(shù)據(jù)集緯度低的局限，本文采用留一交叉法對(duì)預(yù)測(cè)模型進(jìn)行驗(yàn)證，以增強(qiáng)模型的泛化能力［17］。按照留一交叉法，對(duì)4 個(gè)預(yù)測(cè)模型分別進(jìn)行30 次交叉驗(yàn)證，將4 組預(yù)測(cè)數(shù)據(jù)進(jìn)行匯總，如表13所示。

表13 模型預(yù)測(cè)輸出數(shù)據(jù)

為驗(yàn)證模型性能，計(jì)算實(shí)際輸出與預(yù)測(cè)輸出數(shù)據(jù)之間的相對(duì)誤差，如表14 所示。同時(shí)計(jì)算測(cè)試數(shù)據(jù)均方誤差，得到MSEC1＝0.0214、MSEC3＝0.0125、MSEC13＝0.0075、MSEC22＝0.0138?？芍? 個(gè)預(yù)測(cè)模型的相對(duì)誤差和MSE值都較小，表明所構(gòu)建網(wǎng)絡(luò)能夠較好地體現(xiàn)中控造型與感性意象之間的映射關(guān)系。由此得到中控造型與感性意象函數(shù)關(guān)系。

表14 實(shí)際輸出與預(yù)測(cè)輸出相對(duì)誤差

3.4 融合GA的造型設(shè)計(jì)優(yōu)化

針對(duì)4 個(gè)典型感性意象詞匯，本文構(gòu)建了4 個(gè)BP 神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型，即得到4 個(gè)不同的適應(yīng)度函數(shù)。首先，針對(duì)C1“現(xiàn)代-傳統(tǒng)”感性意象，對(duì)造型因子的最優(yōu)組合進(jìn)行研究。

（1）因子編碼及種群設(shè)定

為利用遺傳算法解決設(shè)計(jì)方案尋優(yōu)問(wèn)題，對(duì)智能座艙中控造型因子進(jìn)行編碼形成初始種群［18］。根據(jù)表11可知，智能座艙中控造型因子共5類，每個(gè)類別下有6 個(gè)具體造型因子，且每個(gè)類別代表一個(gè)基因段。為便于后文輸出結(jié)果后對(duì)造型因子的定位，本文采用帶有自然數(shù)的字符串對(duì)智能座艙中控造型因子進(jìn)行位值編碼，編碼形式如圖5所示。

圖5 智能座艙中控染色體編碼

初始種群規(guī)模的大小應(yīng)根據(jù)具體問(wèn)題在適當(dāng)范圍內(nèi)選取，過(guò)大或過(guò)小的種群規(guī)模都不利于遺傳算法的尋優(yōu)運(yùn)算［19］。由于本文中控造型因子優(yōu)良性不明確，為避免遺漏有效信息，將采樣范圍覆蓋整個(gè)種群空間，即將所有中控造型因子作為父代，從中隨機(jī)抽取造型因子作為初始種群［20］，經(jīng)過(guò)多次測(cè)試后，發(fā)現(xiàn)當(dāng)初始種群數(shù)為30時(shí)收斂效果更好。

（2）適應(yīng)度函數(shù)構(gòu)建

本文最終目的在于得到特定感性意象下智能座艙造型因子的最優(yōu)組合，前文2.2 節(jié)部分利用語(yǔ)義差異法對(duì)成對(duì)的感性意象詞匯進(jìn)行了強(qiáng)度的劃分，且正數(shù)代表正向感性意象，因此對(duì)目標(biāo)函數(shù)f（x）的最優(yōu)解便是求解適應(yīng)度函數(shù)F（x）的最大值，即f（x）=maxF（x）。

中控造型因子適應(yīng)度值的含義是對(duì)于一組給定的造型因子組合所表達(dá)出的特定感性意象的強(qiáng)度，適應(yīng)度值越大，則表達(dá)強(qiáng)度越高。將前文基于BP神經(jīng)網(wǎng)絡(luò)所搭建起的關(guān)系函數(shù)作為遺傳算法的適應(yīng)度函數(shù)，以此對(duì)每個(gè)智能座艙中控造型因子種群進(jìn)行評(píng)估。

（3）遺傳算法求解

首先，對(duì)遺傳、交叉和變異算子進(jìn)行設(shè)定，分別選用輪盤(pán)賭法、一點(diǎn)交叉法和自然數(shù)實(shí)值變異策略。通過(guò)反復(fù)測(cè)試，確定染色體交叉概率為0.8，變異率取值范圍是0.001～0.1，同時(shí)將變異率設(shè)置為自適應(yīng)模式，以保證得到結(jié)果更加多樣性。

其次，借助MATLAB R2018b執(zhí)行遺傳操作并輸出結(jié)果，如圖6 所示。通過(guò)對(duì)圖像變化的觀察可知，個(gè)體適應(yīng)度值隨著進(jìn)化次數(shù)的增加而逐漸變大，當(dāng)?shù)螖?shù)達(dá)到40 時(shí)，上升趨勢(shì)明顯減緩。平均適應(yīng)度值在40 代之前一直處于上升趨勢(shì)，說(shuō)明種群在不斷尋找最優(yōu)解，90 代之后平均適應(yīng)度達(dá)到最大值6.9。由此可知，在C1“現(xiàn)代-傳統(tǒng)”感性意象下，智能座艙中控造型因子最優(yōu)組合的適應(yīng)度值為6.9，所對(duì)應(yīng)造型因子的組合即為設(shè)計(jì)方案最優(yōu)組合，其離散變量參數(shù)如下：

圖6 離散變量參數(shù)圖

maxF（x）=［4 2 6 3 4］

最后，根據(jù)離散變量參數(shù)反向解碼出C1“現(xiàn)代-傳統(tǒng)”感性意象下智能座艙中控造型的特征因子，并按照既定部件位置進(jìn)行布局設(shè)計(jì)和因子組合，如表15 所示。同理，針對(duì)C3“圓潤(rùn)－硬朗”、C13“整體－分散”、C22“簡(jiǎn)潔－繁瑣”3 個(gè)感性意象執(zhí)行遺傳算法的迭代與優(yōu)選，得到相應(yīng)的智能座艙中控造型特征因子組合，如表16所示。

表15 C1最優(yōu)解解碼

表16 C3、C13、C22最優(yōu)解解碼

3.5 設(shè)計(jì)案例應(yīng)用

根據(jù)表15 和表16 對(duì)智能座艙中控進(jìn)行創(chuàng)新設(shè)計(jì)。首先，根據(jù)4 組造型因子對(duì)智能座艙中控進(jìn)行布局的設(shè)計(jì)以及部件之間的銜接處理。接著，利用Rhino 三維建模軟件，結(jié)合4 個(gè)感性意象下的中控造型因子組合進(jìn)行中控產(chǎn)品三維模型的構(gòu)建。最后，結(jié)合Keyshot 和Photoshop 軟件對(duì)智能座艙中控進(jìn)行色彩和材質(zhì)的渲染。得到最能體現(xiàn)“現(xiàn)代－傳統(tǒng)”、“圓潤(rùn)－硬朗”、“整體－分散”、“簡(jiǎn)潔－繁瑣”意象特征的4個(gè)方案，如圖7～圖10所示。

圖7 “現(xiàn)代－傳統(tǒng)”方案a

圖8 “圓潤(rùn)－硬朗”方案b

圖9 “整體－分散”方案c

圖10 “簡(jiǎn)潔－繁瑣”方案d

為進(jìn)一步驗(yàn)證4 個(gè)方案的意象特征偏向性，應(yīng)用語(yǔ)義差分法對(duì)4 個(gè)方案進(jìn)行問(wèn)卷調(diào)研，受試對(duì)象同2.1節(jié)部分樣本相似度受試對(duì)象相一致，即6名資深駕駛員、2名行業(yè)相關(guān)人員及2名汽車(chē)設(shè)計(jì)師共10人。受試對(duì)象按照“3，2，1，0，-1，-2，-3”7 級(jí)量表進(jìn)行打分，根據(jù)調(diào)研數(shù)據(jù)整理得分結(jié)果，如表17所示。

表17 方案評(píng)價(jià)得分

結(jié)果顯示：方案a 更能體現(xiàn)“現(xiàn)代”的意象特征，同時(shí)偏向“簡(jiǎn)潔”的風(fēng)格；方案b 在“圓潤(rùn)”的意象特征上表現(xiàn)的最為明顯，同時(shí)存在低程度的“傳統(tǒng)”意象特征傾向；方案c 最能表現(xiàn)“整體”的意象特征，同時(shí)也比較“傳統(tǒng)”和“硬朗”；方案d 更能體現(xiàn)“簡(jiǎn)潔”的風(fēng)格，同時(shí)也能表現(xiàn)“現(xiàn)代”的風(fēng)格特征。

4 結(jié)論

本文針對(duì)設(shè)計(jì)開(kāi)發(fā)過(guò)程中所存在的主觀性、經(jīng)驗(yàn)性過(guò)強(qiáng)的問(wèn)題，提出一種基于BP神經(jīng)網(wǎng)絡(luò)優(yōu)化遺傳算法的智能座艙感性意象設(shè)計(jì)方法。主要研究成果如下：

（1）完成抽象化造型因子與意象評(píng)價(jià)的定量化描述。

（2）構(gòu)建智能座艙中控造型意象預(yù)測(cè)模型，建立中控造型與感性意象之間的函數(shù)關(guān)系，實(shí)現(xiàn)對(duì)智能座艙中控造型的評(píng)估。

（3）實(shí)現(xiàn)特定意象下中控造型因子組合的優(yōu)選，完善智能座艙造型量化研究中的評(píng)估方法與優(yōu)選方法的結(jié)合。

本文結(jié)合BP 神經(jīng)網(wǎng)絡(luò)和遺傳算法對(duì)智能座艙感性意象設(shè)計(jì)問(wèn)題展開(kāi)量化研究，通過(guò)設(shè)計(jì)實(shí)踐，驗(yàn)證方法效用?？蓾M足用戶的多樣化造型需求，實(shí)現(xiàn)目標(biāo)造型的優(yōu)化和多樣化表達(dá)。在未來(lái)的研究中，將考慮采用數(shù)據(jù)挖掘方法收集大量樣本進(jìn)行訓(xùn)練與測(cè)試，進(jìn)一步提高該預(yù)測(cè)模型的泛化能力以提高設(shè)計(jì)效率。