范靈秀， 潘偉杰， 劉征宏， 呂 健

(貴州大學(xué)現(xiàn)代制造技術(shù)教育部重點實驗室，貴州 貴陽 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)教育部重點實驗室，貴州 貴陽 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聚類分析量化意象詞匯，提取代表性情感維度；之后運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。

特征解構(gòu)；感性意象；設(shè)計要素；多維感知信息模型

當(dāng)今社會，隨著產(chǎn)品生命周期的縮短，個人的個性化需求更容易實現(xiàn)，以用戶為中心的產(chǎn)品開發(fā)成為企業(yè)一項重要策略[1]。個人的情感需求成為設(shè)計師的設(shè)計依據(jù)，而設(shè)計師所需要達(dá)到的就是滿足顧客的這種需求，設(shè)計出更加符合消費者感性需求的產(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)計提供了有力的支持，成為工業(yè)設(shè)計中指導(dǎo)以用戶為中心的產(chǎn)品設(shè)計的一種有效方法[2]。

關(guān)于如何量化產(chǎn)品的情感，國內(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)等某一類造型特征的感性工學(xué)模型。Doré等[3]通過回歸分析建立設(shè)計變量與感官變量的映射關(guān)系來探討用戶感官變量的識別方法。Su和Yang[4]通過人體工程學(xué)實驗獲取學(xué)生對于宿舍公寓床的體驗數(shù)據(jù)。王瑩和陳雁[5]運用形態(tài)分析法的基本原理，對冬季女外套的款式設(shè)計要素進(jìn)行分析，建立設(shè)計要素空間及意象語意空間，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]利用眼動實驗來衡量用戶對于燃料運送卡車的感官體驗重點，其將用戶對產(chǎn)品細(xì)節(jié)和產(chǎn)品整體的不同感性體會進(jìn)行量化?；萦⒊琜8]將汽車主體造型分成相對獨立的因素，然后提取因素重新組合，提升設(shè)計方案。對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程中會丟失過多的信息，而使客戶感性意象認(rèn)知的獲取不可靠。

以上研究運用形態(tài)分析學(xué)對產(chǎn)品進(jìn)行解構(gòu)，將產(chǎn)品形態(tài)解構(gòu)為“項目”和“類別”[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屬性要素獨立而無關(guān)聯(lián)[13]，多數(shù)研究者都沿襲產(chǎn)品構(gòu)件分解的實驗方法，獲取單一獨立的設(shè)計特征，而對產(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，本文從用戶對產(chǎn)品的實際認(rèn)知模式出發(fā)，首先通過解構(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，實現(xiàn)了多維變量表達(dá)用戶滿意度與設(shè)計特征間的關(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)計要素構(gòu)成[15]。根據(jù)設(shè)計心理學(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)分解為各個獨立的人機(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，實現(xiàn)了多維變量表達(dá)用戶滿意度與設(shè)計特征間的關(guān)系。HIEs為用戶所見、所觸摸或使用的設(shè)計特征集合，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驗變量，以求盡量準(zhǔn)確地構(gòu)建關(guān)于研究對象特征的多維認(rèn)知空間?？紤]到不同用戶在評價感性意象時會主觀選擇不同詞匯，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感性意象的詞匯為目的。首先通過專業(yè)雜志收集產(chǎn)品外形的評價形容詞及向相關(guān)設(shè)計專家咨詢獲得大量感性詞匯，然后對初收集的感性詞匯進(jìn)行專家組討論、篩選、分類，然后得到大量原始感性詞匯。對原始詞匯進(jìn)行問卷調(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)合上述意象詞匯實驗數(shù)據(jù)對其進(jìn)行量化處理。首先通過詞匯相似度計算對象間的空間距離，再運用多維尺度法將“距離”轉(zhuǎn)化為空間詞匯相似度數(shù)值即為具體坐標(biāo)，最后通過聚類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，即不能直接地對各個詞匯之間進(jìn)行量化計算[18]，本文使用Dekang Lin提出的詞匯相似度求解。矩陣Δ用來描述感性意向詞匯，表示為其中，s為空間的點；m為描述詞匯的特征數(shù)；n為詞匯代號。

相似度計算方法采用pearson相關(guān)系數(shù)，設(shè)X和Y為矩陣A中的兩個對象ix、iy對應(yīng)的特征值向量，相似度表達(dá)式為

其中， sim( ix, iy)為詞匯對象ix、iy之間的相似度。根據(jù)對象ix、iy在幾何模型中的兩個空間向量夾角的余弦數(shù)據(jù)來定義對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)通過相似性矩陣 Cij= (ix)來構(gòu)建對象間的距離矩陣Dij= (dij)，數(shù)據(jù)轉(zhuǎn)化式為

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

在操作過程中，將對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使得

2.2.3 基于CA的意象詞匯分群

經(jīng)過如上過程，每個對象都以坐標(biāo)定位的方式體現(xiàn)在其產(chǎn)生的坐標(biāo)系中，各個坐標(biāo)定位之間的“距離”即反映了原始對象的相似程度。用聚類分析(cluster analysis, CA)對上述相似度結(jié)果進(jìn)行分析，使用 k-均值聚類法構(gòu)建同質(zhì)群組。分別計算每組意象詞匯對到其所在聚類組幾何中心的距離并排序，選擇每個聚類中最接近中心位置的意象詞匯對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數(shù)量等于聚類數(shù)量。

2.3 構(gòu)建多維造型特征空間

運用全局HIEs解構(gòu)方法[17]對案例產(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，如實體和裝飾物為非功能性部件；③列出輸入功能部件(如各類按鍵)和輸出功能部件(如顯示屏、聽覺傳示、標(biāo)識和按鍵)，并對非功能性及功能性部件逐一從視覺、聽覺、觸覺和嗅覺角度進(jìn)行HIEs的細(xì)分；④以產(chǎn)品所具備的功能為依據(jù)，選擇對實用功能和其他相對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，有些造型特征對情感意象沒有影響或影響不大可忽略不計，因此，需先對造型特征進(jìn)行分群，然后通過主成分分析(principal component analysis, PCA)評判出對每組情感影響作用較大的主要HIEs。

假設(shè)有n個感性維度，每個維度觀測p個指標(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)查實驗完成的，首先基于統(tǒng)計學(xué)方法有目的地選擇代表樣本，然后針對前面獲取的感性詞匯構(gòu)成感性設(shè)計空間，運用語意差異法在 7點等級量表上，記錄每一個HIEs針對給定情感的心理感受，形成意象認(rèn)知實驗問卷，完成所有樣本的評價后，獲得情感意象的認(rèn)知空間。

每一個測試者針對每一個情感意向詞匯對每一個HIEs的評價值，構(gòu)成了一個復(fù)雜高維的情感意象認(rèn)知空間。第m個測試者在第n個感性詞匯下對所有樣本的情感認(rèn)知評價矩陣，表示為

第r個HIEs的情感意向評價平均值為

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為樣本的感性評價值；xi為主要 HIEs量化值；s為樣本總數(shù)；εi為隨機(jī)誤差。

通過將每一類感性詞匯的主要HIEs的量化數(shù)值 Fi和每類感性詞匯每個樣本的情感意象評價均值輸入SPSS軟件，應(yīng)用多元線性回歸計算，得到每類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)用實例

3.1 選擇代表性樣品

本文以某類微波爐造型設(shè)計為例，對上述方法進(jìn)行闡述。首先收集100多個微波爐樣品，通過初步評估刪除造型上相似的和不適合的樣品，選出40個設(shè)計樣品將其分成6組。分別計算其對應(yīng)的應(yīng)力系數(shù)，結(jié)果表明當(dāng)維數(shù)=6時，應(yīng)力系數(shù)=0.03675為最小，因此將維數(shù)設(shè)定為6。對結(jié)果進(jìn)行K-means聚類分析，計算每個樣品到其所在聚類中心距離并排序，最終選取以下6個樣本，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

對普通用戶、設(shè)計專業(yè)的學(xué)生和老師、以及相關(guān)專家進(jìn)行訪談，同時對相關(guān)文獻(xiàn)、產(chǎn)品目錄和媒體文章進(jìn)行閱讀，經(jīng)過后續(xù)整理和初步篩選得到150個感性詞匯。選用隨機(jī)產(chǎn)品樣本，對這150個詞匯進(jìn)行問卷調(diào)查，135位被訪談?wù)咴趩柧碇袑o出的 150個詞匯表中勾選認(rèn)為適合于描述產(chǎn)品樣本語意的詞匯。意象詞匯篩選界面如圖3所示。

圖3 意象詞匯篩選界面

對 150個詞匯在問卷調(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個被勾選頻率小于等于 5%的詞匯從整體 150個詞匯中篩選掉，保留85個詞匯。

圖4 150個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)計經(jīng)驗的專業(yè)人士作為被試，要求其把85個詞匯中描述效果相近的詞匯歸類為一組。每一組所能分得的詞匯個數(shù)和其總共的分類組數(shù)不設(shè)限制。

調(diào)查中，85個詞匯大致被試分為 14～17組不等，通過Matlab編程運算，計算每2個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SPSS的相似性分析模塊，對85個詞匯的相似性進(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個明顯相似詞匯和5個代表性詞匯被合并(表2)。

表2 詞匯合并過程

進(jìn)行意向詞匯相似度實驗，定義詞匯的相似程度等級為0到10，邀請25位具有工業(yè)設(shè)計背景的同學(xué)、15為漢語語言文學(xué)專業(yè)同學(xué)，基于相似程度等級對64個詞匯相互評分，每個人的評分?jǐn)?shù)據(jù)形成一個下三角矩陣，即

對64個矩陣進(jìn)行二到六維的相似度計算，如表3所示，64個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

運用SPSS軟件對64個微波爐感性意象詞匯進(jìn)行K-means聚類分析，可得出6個意象詞匯分群(圖5)。

圖5 意象詞匯聚類樹狀圖

依據(jù)的聚類結(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、簡潔的、獨特的、精致的、安全的、科技的。

3.4 多維造型特征解構(gòu)

運用全局HIEs解構(gòu)方法對該微波爐形態(tài)進(jìn)行解構(gòu)，得到82個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82個HIEs聚類分析，將造型特征劃分為11組。以第1組造型特征為例，利用SPSS軟件計算變量功能計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，下一步對主要影響HIEs進(jìn)行建模，并得到每個主要元件的影響權(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，針對上述6個微波爐樣本，15名具有設(shè)計背景的研究生及20名本科生共 35名測試者運用語義差異法(semantic differential, SD)在7點等級量表上記錄每一個HIEs針對給定的6類情感的心理感受，完成所有樣本的評價后，成6類意象的認(rèn)知空間。

3.7 多維造型特征到感性意象的映射

將每類意向認(rèn)知空間下的主要HIEs量值和每個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“簡潔的”為例，KE模型為

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

另外通過分析KE模型可知，模型中同時具備形狀、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，說明在感性意象研究中，產(chǎn)品形態(tài)解構(gòu)方式直接對變量維度造成影響。

4 結(jié) 論

針對傳統(tǒng)的單一維度感知模型不能完全反映用戶對目標(biāo)產(chǎn)品情感意象認(rèn)知且應(yīng)用價值不大等問題，本文提出了多維感知信息模型并對其構(gòu)建方法進(jìn)行了詳細(xì)描述。然后以微波爐為例，對其應(yīng)用流程進(jìn)行驗證，首先運用全局HIEs解構(gòu)方法對其形態(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)上分別運用相似度理論和統(tǒng)計學(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)計階段具有應(yīng)用價值，能夠有效指導(dǎo)于創(chuàng)新設(shè)計實踐。后續(xù)主要研究內(nèi)容是對比一維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, 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)計研究[J]. 圖學(xué)學(xué)報, 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)計方法與 CAD實現(xiàn)技術(shù)[D]. 西安: 長安大學(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)計學(xué)報, 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)建及其評估[J]. 四川大學(xué)學(xué)報: 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: 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

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

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

潘偉杰(1983-)，男，河南漯河人，副教授，博士。主要研究方向為非物質(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