程永勝,徐驍琪,陳國強，孫 利，吳儉濤

(1.廈門大學嘉庚學院 設計與創(chuàng)意學院,福建 漳州 363105；2.燕山大學 藝術與設計學院,河北 秦皇島 066004)

0 引言

在世界能源轉型的背景下，汽車行業(yè)正面臨著巨大變革，消費者對汽車的選擇正逐漸從燃油汽車向電動汽車轉移。然而，燃油汽車至今已經發(fā)展了一百多年，多數(shù)消費者對汽車審美認知固定在燃油汽車造型基礎上，而電動汽車因其供能系統(tǒng)和結構布局等變化使得其造型設計產生明顯轉變。因此，如何讓消費者擺脫固有燃油汽車造型的刻板印象，接受電動汽車造型[1]，又能在汽車造型設計當中凸顯出燃油汽車與電動汽車的差異化，設計出符合消費者偏好的電動汽車造型成為了行業(yè)持續(xù)發(fā)展的關鍵性問題。

圍繞這一問題，有關學者進行了積極的研究。文獻[2-3]基于遺傳算法，將進化計算與產品族外形基因理論相結合，提出以消費者偏好驅動的SUV外形基因設計方法;文獻[4]通過獲取汽車側面輪廓多意象目標需求和產品樣本造型參數(shù)，建立了意象造型神經網絡評價系統(tǒng)，并利用非支配排序遺傳算法建立了多意象造型進化設計系統(tǒng)；文獻[5-7]中運用模糊集和神經網絡方法，對汽車造型風格、色彩和意象表達進行了研究；文獻[8]通過探討用戶的感性意象偏好與汽車的造型設計要素間的關系，為設計出符合用戶預期感受的汽車造型提供了參考;文獻[9-10]以汽車特征線為研究對象，運用遺傳算法結合感性工學，提出了用戶期望意象驅動的汽車造型基因進化思想及方法;文獻[11]提出了以顧客偏好為導向的產品感性設計支持技術，并以數(shù)量化I類理論建立了轎車感覺與設計變量的關系模型。

圍繞上述研究發(fā)現(xiàn)，目前電動汽車品牌大致可分為兩類：傳統(tǒng)品牌電動汽車和全新品牌電動汽車。傳統(tǒng)品牌電動汽車在進行造型設計時，不僅要延續(xù)品牌固有造型特征，還要考慮匹配電動汽車造型意象，來滿足消費者潛在的偏好需求。而全新品牌電動汽車進行造型設計時，無需考慮品牌固有造型特征的延續(xù)性，可以自由設計全新的造型特征，但全新的造型特征能否得到廣大消費者的認可存在較大的風險性，而當前研究對此類問題還尚未涉及。因此，本文提出一種基于神經網絡的電動汽車造型意象預測模型，通過對其造型特征和感性意象進行多維度、多成分分析，降低用戶對造型特征認知維度，以獲得更加準確的用戶感性意象評價。結合神經網絡挖掘汽車造型特征和用戶感性意象之間的隱性關系，并予以數(shù)據(jù)量化表達，幫助設計人員快速識別出關鍵造型特征與感性意象目標，進行設計決策。

1 預測模型構建流程

本文主要針對電動汽車造型意象研究，從建立造型樣本庫和意象詞匯庫、獲取造型特征權重和感性意象量化、BP神經網絡搭建及訓練、預測模型測試與驗證四個層次開展。

具體構建流程：

(1)首先確定研究對象，并建立造型樣本庫和意象詞匯庫。

(2)通過多維尺度分析和聚類分析對樣本庫進行篩選，確定代表性樣本，并對其進行造型特征解構，提取其造型因子，以層次分析法計算各造型特征權重系數(shù)；接著對詞匯庫進行初選，以代表性造型樣本為基礎結合語義差異法對意象詞匯庫進行主成分分析，確定代表性意象詞匯。

(3)將樣本庫內30個訓練樣本進行造型特征因子編碼，作為神經網絡輸入層；運用語義差異法建立訓練樣本與代表性詞匯映射關系，通過目標用戶評價得到評價均值，作為神經網絡輸出層。

(4)運用BP神經網絡建立樣本造型特征與用戶感性意象之間的預測模型，采用留一交叉訓練方法對預測模型進行檢測，驗證了該預測模型的精確度。

(5)最后結合實際設計案例示范該預測模型在設計實踐中的應用。

綜上，如圖1所示為電動汽車造型意象預測模型構建研究流程圖。

2 造型特征和感性意象分析

汽車造型較為復雜，同時對前臉、側面、后圍等視角展開研究難度較大，文獻[12-13]研究表明汽車前臉是造型特征最為復雜的視角，所包含的汽車造型意象信息最為豐富，對研究造型特征與感性意象匹配問題具有重要意義[14]。此外，不同車型所呈現(xiàn)的視覺感官也有差異，因此本文選取電動SUV前臉造型作為研究對象，展開案例研究。

2.1 造型樣本庫和意象詞匯庫建立

通過網絡搜索及實地參觀等方式，從汽車市場在售電動SUV車型中，收集大量前臉造型圖片，篩選掉造型特征模糊、款式老舊、角度較差等圖片，最終確定30款前臉造型圖片作為本文研究樣本庫，如表1所示。

表1 電動SUV前臉造型樣本庫

根據(jù)電動SUV汽車前臉造型特征，以用戶訪談，文獻查閱和網絡查閱等方式結合前人研究結果，收集描述電動SUV造型有關感性意象詞匯共40對，組成感性意象詞匯庫，如表2所示。

表2 電動SUV感性意象詞匯庫

2.2 電動SUV前臉造型樣本篩選

2.2.1 樣本多維尺度分析

通過問卷調研，對造型樣本庫內的電動SUV前臉造型進行相似性分類，邀請40名汽車行業(yè)相關從業(yè)人員根據(jù)自身的判斷對樣本進行歸類，分類組數(shù)和每組具體數(shù)量不做要求。然后，將分組數(shù)據(jù)進行整理，統(tǒng)計兩個樣本分在同一組的次數(shù)并建立三角相似程度矩陣A=(aij)(i=1,2,…,30;j=1,2,…,30)，其中aij表示第i個樣本和第j個樣本被分到同一組的次數(shù)，次數(shù)則表示兩個樣本之間的相似程度。最后，將三角相似程度矩陣A轉換為多維尺度分析計算所需的“距離矩陣B”。矩陣C(30×30)表示所有樣本完全相似矩陣，任意cij=40。距離矩陣B中對應的值為：B=C-A。

將距離矩陣B(30×30)數(shù)據(jù)輸入到SPSS軟件中，進行多維尺度分析(ALSCAL)。運算過程中，當壓力指數(shù)(Stress)的改進量小于指定值0.001，模型迭代停止，輸出不同維度下的壓力指數(shù)(Stress)與擬合度(RSQ)，如表3所示。

表3 不同維度壓力指(Stress)與擬合度(RSQ)

多維尺度模型共進行了5次迭代，由表4所示壓力指數(shù)(Stress)與擬合度(RSQ)關系可知，二維模型的擬合度不好，三維模型和四維模型的擬合度中等，五維模型和六維模型的擬合度較好。其中五維模型Stress最小，且RSQ>0.8，說明在五維模型下進行多維尺寸分析是最合適的。表5所示為30個樣本在五維模型下多維尺度分析結果。

表4 壓力指數(shù)(Stress)與擬合度(RSQ)關系

表5 樣本在五維空間中的坐標值(部分)

2.2.2 造型樣本聚類分析

將實驗樣本在五維空間中的坐標值結果作為分類變量，對30個樣本進行聚類分析，對維度數(shù)據(jù)進行簡化，確定代表性樣本。先采用Q型層次聚類分析中的Ward’s method方法結合歐式距離平方進行區(qū)間測量，輸出樹形圖，如圖2所示。樹狀圖種類間距離由4増加至12的過程中，聚類結果很穩(wěn)定，說明這5類的特點比較突出，因此考慮將30個樣本分成5類。為了從每一類中選取一個樣本作為該類的代表，使用K均值聚類分析，將聚類數(shù)量設置為5，得到各樣本與其所屬類別中心點的距離，具體結果如表6所示。

表6 樣本K均值聚類結果

續(xù)表6

根據(jù)表6各樣本K均值聚類結果，選取每個類別中距離中心點最近的樣本作為代表性樣本，最終確定T10、T14、T16、T17、T19為電動SUV前臉造型代表性樣本，如表7所示。為進一步提升代表性樣本的顯著性，運用阿恩海姆提出的視知覺簡化原理[15]，對代表性樣本進行線框圖繪制，歸納電動SUV前臉當中的主要造型特征。

表7 代表性樣本和線框圖

2.2.3 代表性樣本造型因子解構

汽車前臉造型特征是由主要造型特征和次要造型特征組合構成，其中主要造型特征對造型意象的影響較大，次要特造型征則影響較弱。因此，本文通過汽車造型相關文獻研究及和汽車企業(yè)專業(yè)設計人員探討，并采用層次分析法對前臉涵蓋的主次造型特征進行篩選，去除對造型意象影響較弱及容易干擾目標用戶進行判斷的次要特征，確定最能體現(xiàn)前臉造型特征的主要特征，包括：前擋風W1,引擎蓋W2,上進氣口W3,大燈組W4,下進氣口W5,霧燈W6，如圖3所示，并根據(jù)形態(tài)拆解法對代表性樣本造型特征所包含的不同造型因子進行解構，用輪廓線歸納出不同的造型因子類型，如表8所示。

表8 造型特征描述及造型因子提取

2.2.4 造型特征權重計算

運用層次分析法計算電動SUV前臉中各造型特征的重要程度。以兩兩比較的方式，建立造型特征判斷矩陣，如電動SUV前臉A與造型特征W中的各特征元素W1,W2,…,Wn之間兩兩比較，得到判斷矩陣A：

為了使兩兩造型特征重要性判斷定量化，采用九級標度法，即標度值采用數(shù)字1～9及其倒數(shù)表示，判斷矩陣標度說明如表9所示。為了保證各造型特征權重計算結果的準確性，邀請汽車設計師5人、汽車油泥師3人、汽車駕駛員6人、設計專業(yè)教師6人組成20人評價小組，經過評價小組討論，決定各造型特征的相對重要性。

表9 判斷矩陣標度說明

本文采用幾何平均法求解權重向量，幾何平均數(shù)是指n個觀察值連乘積的n次方根。計算求得評價小組對前擋風W1,引擎蓋W2,上進氣口W3,大燈組W4,下進氣口W5,霧燈W6六個造型特征的權重得分，并將所得結果進行歸一化處理，使結果值映射到[0,-1]之間，最終結果如表10所示，具體計算過程如下：

(1)求判斷矩陣A中每行指標的乘積Ai：

(1)

表10 各造型特征評價矩陣和權重得分

式中Wij為判斷矩陣中第i行第j列指標，m為指標數(shù)量。

(2)得出各行乘積Ai后，求判斷矩陣各行指標的幾何平均值ai：

(2)

(3)結果進行歸一化處理，得到相對權重W：

(3)

2.3 電動車造型意象詞匯篩選

2.3.1 代表性意象詞匯初篩

由于詞匯庫范圍過于寬泛，不利于針對性研究，需對表2電動SUV造型意象詞匯庫進一步篩選。篩選方式通過網絡問卷調查的形式進行，問卷中將各個意象詞匯隨機排序，要求測試者從詞匯庫中選擇10個能最能描述電動SUV前臉造型的詞匯；測試者囊括了汽車企業(yè)設計人員、汽車相關行業(yè)從業(yè)人員以及電動汽車實際用戶等。本次問卷調查共發(fā)放100份問卷，收回96份有效問卷，將調研結果輸入到SPSS軟件中，最終意象詞匯選擇頻數(shù)條形圖如圖4所示。

由圖4意象詞匯與頻數(shù)條形圖，可以發(fā)現(xiàn)詞匯庫中：V1創(chuàng)新—模仿、V2遺傳—變異、V7經典—新近、V12大眾—個性、V17硬朗—柔弱、V21整體—分散、V24簡潔—復雜、V30美觀—丑陋、V33立體—平面、V38實用—裝飾，這10個意象詞匯組選擇頻數(shù)明顯高于其他詞匯，因此選擇這10個意象詞匯作為意象詞匯初選結果。

2.3.2 代表性意象詞匯確定

將上述10個意象詞匯通過語義差異法與五款代表性樣本建立映射關系，邀請28名電動汽車目標用戶按照“3，2，1，0，-1，-2，-3”7級量表評分標準進行打分，得到各代表性樣本在10個意象詞匯得分數(shù)據(jù)，如表11所示。

表11 樣本評價均值

將所得數(shù)據(jù)進行主成分分析，得到解釋的總方差和意象詞匯成分矩陣，如表12和表13所示。選取成分1和成分2中選擇正負值最極端的兩個意象詞匯，得出最能代表樣本的造型意象詞匯分別為成分1當中：V2遺傳—變異、V24簡潔—復雜；成分2當中V21整體與分散、V33立體與平面。

表12 解釋的總方差

表13 意象詞匯成分矩陣

續(xù)表13

3 電動SUV造型意象預測模型構建

3.1 神經網絡模型的選擇

根據(jù)電動SUV前臉造型意象研究特點，選用含有隱藏層的BP神經網絡較為合適[18-19]。BP神經網絡是建立以權重描述變量與目標之間關聯(lián)關系的一類神經網絡，適合解決非線性預測問題，其結構如圖5所示。

BP神經網絡結構由輸入層、輸出層和隱含層組成[20]。隱含層的第j個節(jié)點與輸入層第i個節(jié)點的連接權值

Wji(i=1,2,…,n1;j=1,2,…,n2)。

輸出層第k個節(jié)點與隱含層第j個節(jié)點之間的連接權值

Wkj(j=1,2,…,n2;k=1,2,…,n3)。

3.2 神經網絡模型的選擇

神經網絡輸入層和輸出層單元數(shù)量是由實驗樣本數(shù)量和意象詞匯得分確定的，隱含層單元數(shù)量是由使用者設定，正常隱含層的單元數(shù)量應滿足經驗公式[21]：

(4)

式中：i為隱藏單元數(shù)量;m為輸入單元數(shù)量;l為輸出單元數(shù)量。

BP神經網絡的學習過程為正向傳播和誤差反向傳播組成，選用的標準學習算法為最速下降靜態(tài)尋優(yōu)算法，公式為：

(5)

式中：W為權重；n為樣本數(shù)；η為學習效率；α為慣性因子；E為誤差。

但該算法運用在造型意象神經網絡預測模型訓練過程中時，收斂速度很慢，因此通過比較研究最終選用L-M優(yōu)化算法(trainlm)，其公式為：

W(k+1)=W(k)+(JTJ+uI)-1JTe(k)。

(6)

式中:W(k)為k時刻的權值向量;e(k)為k時刻的偏差向量;J為誤差對權值微分的Jacobian矩陣;I為單位矩陣;u為一個標量,當u很大時,JTJ可以忽略,式(6)接近最速下降靜態(tài)尋優(yōu)算法,當u很小時,式(1)接近高斯—牛頓法。

3.3 BP神經網絡模型參數(shù)設定

3.3.1 輸入層數(shù)據(jù)確定

δx(i,j)=

(7)

根據(jù)式(7)樣本造型因子編碼原則，“0”表示該造型特征不包括該造型因子，“1”表示該造型特征包含該造型因子，由此得出訓練樣本造型特征編碼如表14。

表14 造型特征編碼

電動SUV前臉中造型特征的重要性存在差異，因此需要將造型因子原始數(shù)據(jù)乘以造型特征權重值，得到最終BP神經網絡的輸入數(shù)據(jù)，具體數(shù)據(jù)如表15所示。

表15 轉換后的造型特征權重編碼

3.3.2 輸出層數(shù)據(jù)確定

以“3到-3”7級量表評分標準對訓練樣本進行打分，獲得訓練樣本各代表性意象詞匯得分均值，作為BP神經網絡輸出數(shù)據(jù)，如表16所示。

表16 訓練樣本評價均值

3.4 BP神經網絡模型參數(shù)設定

選用MATLAB R2018b作為BP(back propagation)神經網絡模型建立平臺，以造型特征權重編碼為BP神經網絡訓練輸入數(shù)據(jù)，以訓練樣本意象詞匯評價均值為輸出數(shù)據(jù)。電動SUV前臉造型特征包含造型因子26個，則輸入層單元數(shù)量為26；電動SUV前臉造型代表性意象詞匯4個，則輸出層單元數(shù)量為4。由式(4)可計算得出隱藏層單元數(shù)量為13個左右較為合適。通過隱含層單元個數(shù)的調節(jié)，降低訓練誤差。

應用newff創(chuàng)建BP神經網絡，隱含層采用tangent sigmoid作為傳遞函數(shù)，輸出層采用purelin線性函數(shù)，設置學習次數(shù)為5 000次，誤差值為0.001，采用trainlm優(yōu)化算法進行訓練，計算得到BP神經網絡預測模型層間之間的權重值。為了驗證該預測模型的可行性，下面通過測試樣本檢驗該預測模型的預測精度。

3.5 BP神經網絡預測模型測試

由于預測模型數(shù)據(jù)集存在數(shù)量少且維度低的特點，若像正常一樣將數(shù)據(jù)集劃分成訓練樣本和測試樣本進行訓練，可能會因為訓練數(shù)據(jù)過少而導致模型泛化能力降低。為此，本文采用留一交叉驗證方法對預測模型進行測試，該方法實質上是將數(shù)據(jù)集劃分為N組,其中N-1組數(shù)據(jù)作為訓練樣本，剩下的1組數(shù)據(jù)作為測試樣本，進行N次循環(huán)測試，并將N次的平均交叉驗證識別均方誤差作為評價標準[22]。留一交叉驗證方法不僅可以充分利用數(shù)據(jù)提升模型可靠性，還可以有效地避免陷入局部最優(yōu)，得出的結果與訓練整個測試集的預測值最為接近。

按照留一交叉驗證方法要求，將數(shù)據(jù)集中樣本分別作為預測樣本輸入到預測模型中，通過對預測模型進行30次交叉驗證，訓練得到各預測樣本感性意象輸出數(shù)據(jù)，并將預測模型輸出數(shù)據(jù)匯總，如表17所示。然后，計算每組預測模型輸出數(shù)據(jù)與目標用戶評價數(shù)據(jù)的相對誤差，結果如表18所示。此外預測模型測試樣本集的均方誤差MSE=0.011 4，MSE表示輸出數(shù)據(jù)與評價數(shù)據(jù)之差平方，數(shù)值越小則說明預測模型輸出數(shù)據(jù)準確度越高，實用性越強。表18所示，預測模型輸出的感性意象數(shù)據(jù)與實際用戶評價所得的數(shù)據(jù)誤差較小。因此，綜合上述結果表明，該神經網絡模型符合預測精度要求，可行性較高。

表17 預測模型輸出數(shù)據(jù)匯總

表18 評價數(shù)據(jù)與輸出數(shù)據(jù)相對誤差值

3.6 案例應用

由于汽車造型設計周期較長且項目投入較大等特點，促使前端設計成為汽車開發(fā)極其重要的階段之一。同時，對設計師模糊的前端創(chuàng)意思維進行定量研究，可有效避免在設計流程中出現(xiàn)不必要的重復和浪費。因此，將預測模型應用到汽車造型前端設計流程中，可提升設計人員對于造型風格意象把控，同時提升設計效率及決策準確性。此外，草圖階段是汽車造型前端設計中最重要的流程之一，直接影響到汽車造型設計風格意象的走向。為此，本文邀請汽車企業(yè)前瞻造型設計師以代表性意象詞匯作為設計目標，結合相關聯(lián)的特征因子進行電動SUV前臉造型創(chuàng)新設計，經過設計師反復推敲和思考，最終得到3款草圖設計方案，如圖6所示。

通過留一交叉驗證法得到最佳預測模型后，可用于對具體設計方案的預測。將3款草圖設計方案造型特征編碼數(shù)據(jù)導入預測模型輸入層，得到3款設計方案在4個代表性意象詞匯下的評價得分，如表19所示。

表19 三款設計方案評價得分

結果顯示,設計方案A最能體現(xiàn)“遺傳”和“簡潔”的造型意象；方案B則存在輕微“變異”的造型意象；同時方案B在3款方案當中最能凸顯“整體”的造型意象；而方案C更能體現(xiàn)“立體”造型意象。同時，由于方案A和方案C方案前擋風和上進氣口相似度較高，顯示意象詞匯評價得分并未出現(xiàn)較明顯的差異。方案應用結果表明，預測模型可以在前端設計階段很好地輔助汽車造型設計人員做出正確的方案決策，提升設計效率。

4 結束語

本文以電動SUV前臉造型為例，通過多維尺度分析，確定了代表性樣本及其造型特征，運用主成分分析從意象詞匯庫篩選出最具代表性的意象詞匯，并以層次分析法計算出電動SUV前臉中各造型特征的權重系數(shù)，結合訓練樣本造型特征編碼，得到神經網絡輸入層數(shù)據(jù)。以7級評價量表獲取訓練樣本代表性意象詞匯得分均值，作為神經網絡輸出層數(shù)據(jù)，從而構建BP神經網絡預測模型。最后通過留一交叉驗證方法驗證了該預測模型的可行性，并進行了案例應用。研究表明：

(1)通過統(tǒng)計學方法和神經網絡的結合，可將大量感性數(shù)據(jù)進行降維處理，有效降低用戶認知維度，更好地定量化描述造型特征和感性意象兩者之間的隱性關系。

(2)通過計算前臉各造型特征權重系數(shù)，可以優(yōu)化加權預測模型概念，對于設計人員快速識別關鍵造型特征具有切實可行的價值。

(3)利用BP神經網絡建立造型意象預測模型，不僅可以明確造型意象設計目標，還可為造型意象開發(fā)提供理性數(shù)據(jù)參考。

未來，嘗試研究將電動汽車前臉造型和車身其他造型進行組合，進一步改進和優(yōu)化該造型意象預測模型, 形成系統(tǒng)性和通用性的電動汽車造型設計決策方法以指導設計實踐。