唐珊　秦家怡

摘 要： 工業(yè)產品設計方案的好壞直接決定了產品帶來的經濟效益高低，而工業(yè)產品設計方案受到多種指標影響，是一個復雜的系統(tǒng)，為了獲得理想的工業(yè)產品設計方案，提出了集成神經網絡的工業(yè)產品設計方案評價模型。選擇工業(yè)產品設計方案的評價指標，并通過層次分析法篩選重要的指標，采用兩種神經網絡對工業(yè)產品設計方案進行評價，并通過確定適合權值得到工業(yè)產品設計方案的評價等級，最后通過實例測試評價模型的性能。結果表明，集成神經網絡可以準確對工業(yè)產品設計方案進行評價，評價結果優(yōu)于其他模型，驗證了該模型的合理性和優(yōu)越性。

關鍵詞： 工業(yè)產品； 設計方案； 神經網絡； 貢獻權值； 評價模型

中圖分類號： TN711?34； TH166 文獻標識碼： A 文章編號： 1004?373X（2017）07?0112?04

Evaluation of industrial product design scheme based on integrated neural network

TANG Shan， QIN Jiayi

（School of Mechanical & Electrical Engineering， Xuzhou Institute of Technology， Xuzhou 221000， China）

Abstract： The design scheme of the industrial product determines the economic benefit of the product directly， and is affected by a variety of indicators. In order to obtain an ideal design scheme of the industrial product， an evaluation model of the industrial product design scheme based on integrated neural network is put forward. The evaluation indicators of the industrial product design scheme are selected， and the important indicators are screened with the analytic hierarchy process. Two neural networks are used to evaluate the design scheme of the industrial product， and determine the suitable weight to obtain the eva?luation grade of the industrial product design scheme. The performance of the evaluation model was tested with an instance. The results show that the integrated neural network can evaluate the industrial product design scheme accurately， its evaluation result is superior to that of other models， and the rationality and superiority of the model were verified.

Keywords： industrial product； design scheme； neural network； contribution weight； evaluation model

0 引 言

隨著市場經濟的不斷發(fā)展，企業(yè)之間的競爭日益激烈，而工業(yè)產品是企業(yè)的核心競爭力[1]。針對不同類型用戶，設計相應的工業(yè)產品是適應現(xiàn)代市場競爭的需要，因此建立科學、合理的工業(yè)產品設計方案評價模型成為企業(yè)產品創(chuàng)新中的關鍵問題，具有十分重要的應用價值[2?3]。

工業(yè)產品設計方案受到多種指標影響，是一個復雜的系統(tǒng)，為此近年來國內外學者進行深入研究。有學者提出模糊聚類分析、灰色聚類分析的工業(yè)產品設計方案評價模型[4?5]，這些模型雖然考慮了工業(yè)產品設計過程的多個指標，但無法描述工業(yè)產品設計方案評價過程中的非線性、隨機性問題，局限性十分明顯[6]。

隨著人工神經網絡的不斷成熟，有學者提出基于神經網絡的工業(yè)產品設計方案評價模型[7?9]，可以對復雜系統(tǒng)進行無限逼近，獲得良好的工業(yè)產品設計方案評價結果。

然于工業(yè)產品設計系統(tǒng)的復雜，單一神經網絡無法建立科學、合理的工業(yè)產品設計方案評價模型。為此有學者提出了組合神經網絡的工業(yè)產品設計方案評價模型[10]，比單一神經網絡的評價結果更加客觀、可信，但如何確定每一個神經網絡對最終工業(yè)產品設計評價結果的貢獻十分關鍵，目前還沒有較好的解決方法。

為了獲得理想的工業(yè)產品設計方案，提出了集成神經網絡的工業(yè)產品設計方案評價模型。

首先選擇工業(yè)產品設計方案的評價指標，并通過層次分析法篩選重要的指標，然后采用神經網絡對工業(yè)產品設計方案進行評價，通過權值得到工業(yè)產品設計方案的評價等級，實例測試結果表明，集成神經網絡可以準確對工業(yè)產品設計方案進行評價，評價結果優(yōu)于其他模型。

1 工業(yè)產品設計方案的評價指標體系

工業(yè)產品設計方案評價受多種指標影響，多指標可以定義為[x1，x2，…，xm，]這些指標之間互相聯(lián)系，同時也存在干擾，導致工業(yè)產品設計方案評價指標十分復雜，指標和工業(yè)產品設計方案評價結果之間出現(xiàn)一種非線性變化關系，它們可以采用如下函數(shù)進行描述：

[y=fx1，x2，…，xn] （1）

式中[f（ ）]表示工業(yè)產品設計方案的評價模型。

工業(yè)產品設計方案評價首先要建立指標體系，若指標體系建立不好，那么后繼的工業(yè)產品設計方案評價結果將不合理。

工業(yè)產品設計方案評價指標很多，它們對工業(yè)產品設計方案評價結果的影響程度不一樣，而且若全部作為評價模型輸入，會導致評價模型的結構十分復雜，為此采用層次分析方法剔除一些不重要的指標，篩選出一些重要指標。層次分析法根據(jù)標度值對兩個指標的關系進行衡量，標度值為：

[Aij=1，Aij<1EViEVj， 1≤Aij≤99， Aij>9] （2）

式中：[EVi]和[EVj]表示指標[i]和指標[j]對評價結果的影響程度。

如果兩個指標的影響程度出現(xiàn)評價不一致時，那么就進行一致性校驗，即：

[CR=λmax-nn-1] （3）

式中：[λmax]為最大特征值；[n]為階數(shù)。

2 RBF神經網絡和BP神經網絡

2.1 RBF神經網絡

RBF神經網絡是一種經典的神經網絡，自適應能力強、學習效率低，且需要調整參數(shù)相對較少，在工業(yè)產品設計方案評價中得到了成功應用，基本的RBF神經網絡如圖1所示。

設[X]表示輸出，RBF神經網絡的回歸函數(shù)定義如下：

[f（X）=i=1lWisRi（X）] （4）

式中：[Ri（X）]為RBF函數(shù)，[i]為神經元節(jié)點的數(shù)量；[Wis]為權值。

RBF函數(shù)對輸入數(shù)據(jù)進行變換，本文采用高斯核函數(shù)，其定義為：

[Ri（X）=exp-12X-ciσi] （5）

式中：[ci]為RBF函數(shù)的中心；[σi]為中心的寬度；[X-ci]為[X]與[ci]之間的距離。

在RBF神經網絡的學習過程中，計算[σi（j）=][X（j）-ci（j-1）2]的值，并找到距離最小的中心[cmin，]同時對RBF函數(shù)的中心進行調整，具體為：[cmin（j）=cmin（j-1）+αX（j）-cmin（j-1）] （6）

式中[α]為學習速率。

調整后的歐幾里德范數(shù)計算公式為：

[σmin（j）=X（j）-cmin（j）] （7）

2.2 BP神經網絡

BP神經網絡也是一種經典的神經網絡，具有誤差反饋功能，設映射過程為：[f：Rm→R1，]那么BP神經網絡隱含層節(jié)點輸入為：

[Sj=i=1mwijxi-θj] （8）

式中：[wij]為初始連接權值；[θj]為初始閾值。

通過Sigmoid函數(shù)對輸出數(shù)據(jù)進行變換，該函數(shù)定義為：

[f（x）=11+e-x] （9）

相應的輸出計算公式為：

[bj=11+expi=1mwijxi-θj， j=1，2，…，p] （10）

最后，BP神經網絡的輸入向量和實際輸出為：

[L=j=1pwjkbj-θkxi+1=11+expj=1pvjbj-γ] （11）

式中：[vj]為隱含層至輸出層的神經元節(jié)點之間的權值；[γ]為輸出層的閾值。

3 集成神經網絡的工業(yè)產品設計方案評價模型

（1） 對一個工業(yè)產品設計方案進行分析，并通過一些專家建立工業(yè)產品設計方案評價指標體系。

（2） 對工業(yè)產品設計方案評價指標的值進行如下處理，歸一化區(qū)間為[0，1]。

[x′i=xi-ximinximax-ximin] （12）

式中：[ximin]和[ximax]分別為最小值和最大值。

（3） 采用層次分析法計算每一個指標對工業(yè)產品設計方案評價結果的貢獻，并剔除一些不重要的評價指標。

（4） 根據(jù)篩選出來的指標對工業(yè)產品設計方案評價樣本進行處理，減少樣本的規(guī)模，加快神經網絡的學習過程。

（5） 根據(jù)指標數(shù)據(jù)分別確定BP神經網絡和RBF神經網絡的結構。

（6） 采用BP神經網絡和RBF神經網絡分別建立工業(yè)產品設計方案評價模型，并根據(jù)支持向量機確定它們的權重值。

（7） 根據(jù)權重值得到工業(yè)產品設計方案的評價結果。

集成神經網絡的工業(yè)產品設計方案評價流程如圖2所示。

4 性能的測試

為了分析集成神經網絡的工業(yè)產品設計方案評價模型的可行性和優(yōu)越性，采用VC++ 6.0編程進行仿真測試，首先根據(jù)評價指標采集數(shù)據(jù)，并通過采用層次分析法保留最重要的一些指標，集成神經網絡的工業(yè)產品設計方案評價等級與專家評價的等級相關系數(shù)變化曲線如圖3所示，從圖3可以發(fā)現(xiàn)，集成神經網絡的工業(yè)產品設計方案評價結果更可靠。

采用BP神經網絡和RBF神經網絡進行工業(yè)產品設計方案評價對比實驗，結果如圖4和圖5所示，它們的相關系數(shù)如表1所示。

對表1以及圖4，圖5的結果進行對比和分析，集成神經網絡的工業(yè)產品設計方案評價結果要優(yōu)于RBF神經網絡和BP神經網絡，主要是綜合了RBF神經網絡和BP神經網絡的優(yōu)點，可以從多個方面描述工業(yè)產品設計方案的優(yōu)劣，有效提高了工業(yè)產品設計方案的評價準確性，評價結果更加科學合理。

5 結 語

為了解決單一神經網絡的工業(yè)產品設計評價結果不合理的難題，本文提出集成神經網絡的工業(yè)產品設計方案評價模型，與其他評價模型的測試結果相比，集成神經網絡是一種組合模型，不僅包含了BP神經網絡的優(yōu)點，而且具有RBF神經網絡的優(yōu)點，克服了單一神經網絡的局限性，并通過層次分析法剔除一些不重要的評價指標，加快了神經網絡的學習速度，并通過支持向量機確定每一個神經網絡評價結果的權值，充分體現(xiàn)了單一神經網絡的貢獻，使得工業(yè)產品設計方案評價結果更加可信，評價結果更具科學性和合理性，在工業(yè)產品設計過程中具有廣泛的應用前景。

參考文獻

[1] 劉英平，楊素君，陳曉霞.不確定信息的機械產品設計方案評價方法[J].機械科學與技術，2008，27（7）：945?949.

[2] 劉英平，高新陵，沈祖詒.基于模糊數(shù)據(jù)包絡分析的產品設計方案評價研究[J].計算機集成制造系統(tǒng)，2007，13（11）：2099?2104.

[3] 李柏妹，雛興剛，唐加福.基于可調節(jié)參數(shù)的產品族設計多階段方法[J].計算機集成制造系統(tǒng)，2010，16（6）：1138?1143.

[4] 楊潔，楊育，王偉立，等.基于粗糙集的產品協(xié)同設計知識推送方法研究[J].中國機械工程，2009，20（20）：2452?2456.

[5] 張雷，彭宏偉，劉志峰，等.綠色產品概念設計中的知識重用[J].機械工程學報，2013，49（7）：72?79.

[6] 曹鵬彬，肖人彬，庫瓊.公理設計過程中耦合設計問題的結構化分析方法[J].機械工程學報，2006，42（3）：46?55.

[7] 孫良峰，裘樂森，張樹有，等.基于泛邏輯推理的復雜產品融合綠色性分析的設計方案評價技術[J].計算機集成制造系統(tǒng)，2013，19（8）：1990?1999.

[8] 吳晨睿，張樹有，劉曉健.基于群聚參數(shù)網絡分析的產品方案設計評價[J].浙江大學學報（工學版），2014，49（8）：1495?1502.

[9] 楊濤，楊育，張雪峰，等.基于客戶聚類分析的產品概念設計方案評價決策方法[J].計算機集成制造系統(tǒng)，2015，21（7）：1669?1678.

[10] 閆會強，侯東超，檀潤華.基于T?FAHP產品設計方案評價模型[J].機床與液壓，2009，37（2）：4?8.