基于BP神经网络优化遗传算法的智能座舱感性意象预测

为减少主观因素干扰,满足用户多样化感性需求,提出基于BP神经网络优化遗传算法的智能座舱感性意象设计方法。从用户角度出发,获取用户感性意象并划分强度,应用因子分析法降维得到目标意象,获取新能源汽车座舱样本,应用聚类分析法筛选得到优势样本,并结合形态分析法提取智能座舱中控造型特征因子。基于BP神经网络构建特定目标意象与造型特征因子的映射模型,得到两者函数关系后将其作为适应度函数展开遗传算法分析,优选特定意象下造型因子的最优组合,完成评估方法与优选方法的结合。根据优势因子组合进行设计实践以验证方法实用性,结果表明该方法能有效满足用户多维感性需求,为智能座舱造型设计多样化提供新的思路和参考。

融合DE-GWO与SVR的文化意象预测模型

为更客观准确的量化文化特征与意象间的关系,提出一种融合混合灰狼优化算法(DE-GWO)与支持向量回归(SVR)的文化意象预测模型。首先,构建以多组意象词汇为基础的响堂山石窟造像的文化特征的意象空间,并利用眼动追踪技术进行文化意象认知实验,获取被试生理认知数据并对其进行单因素方差分析,进而得到文化意象预测模型的眼动指标参数数据集;其次,引入基于DE算法的差分进化策略以弥补GWO搜索过程陷入停滞状态的问题;再次,利用改进后的GWO算法对SVR模型的参数C和g进行寻优;最后利用构建的DE-GWO-SVR模型实现对文化意象认知的预测。为了进一步证明所构建模型的泛化性,采用BP,ABC-SVR和DT等5种模型进行对比实验,结果表明该模型对于文化意象认知的预测效果更好。

基于支持向量机的产品感性意象值预测方法

为设计出符合消费者感性需求的产品,提出基于支持向量机的产品感性意象值预测方法。先确定产品的感性意象、造型设计要素以及感性评价矩阵。在此基础上,以造型设计要素为自变量,以感性意象评价值为因变量,利用LIBSVM软件,通过对惩罚函数、不敏感损失函数以及核函数等相关参数的分析设置,建立产品感性意象值的预测模型。结合办公座椅进行研究,结果表明支持向量机具有较高的预测精度,所提出的方法是正确可行的。

冬季女外套款式感性研究和应用

根据感性工学的基本原理及方法对冬季女外套的款式进行了研究。首先,建立冬季女外套的款式设计要素空间及意象语意空间,然后使用语意差异法进行问卷调查。将根据用数量化Ⅰ类理论得到的量化了的款式设计要素和通过问卷调查得到的主观评价平均值代入多元线性回归方程,并进行综合分析。获得了两空间之间的数量化关系,并以此为基础建立数学回归模型。该模型可用于预测冬季女外套款式的感性评价。

基于感性工学的女办公装设计流程优化

依据感性工学的基本方法对女办公装造型设计进行探讨,将数量化I类理论量化的造型设计要素和通过问卷调查得到的主观评价均值代入多元线性回归方程,获得了造型要素和意象语意之间的数量化关系,以此为基础建立数学回归模型,用于预测女办公装款式的感性评价。