基于BP神经网络优化遗传算法的智能座舱感性意象预测*

陈国强，申正义，孙 利，支梦帆，李 彤

（1.燕山大学机械工程学院，秦皇岛 066004；2.燕山大学艺术与设计学院，秦皇岛 066004）

前言

传统工业设计中，人的思维疲劳及认知局限等问题约束了设计开发的进程［1］。产品造型与感性意象是设计表达与评价的重要载体，对两者的研究多以产品造型为落脚点，通过对产品设计知识［2］、交互行为关系［3］、多维用户情感［4］等研究来提升造型与意象的匹配度，但开发者的主观意愿与刻板经验所导致的需求脱节和效率低下问题依然存在［5］。随着人工智能技术广泛应用，现代工业设计在智能趋势推动下，逐渐深入对量化设计方法的研究，通过数学计算的方式对有效设计信息加以凝练和优选，以此提升设计效率、降低设计主观性。

设计开发过程中存在众多设计变量与多维意象需求，且都以抽象形式存在和表达，难以对其进行量化评价与优选。因此，参数化设计知识是产品造型意象量化研究的首要问题。当前，学者多采用语义差分法［6］、形态提取法［7］、空间位置坐标定位［8］等方法完成设计知识的量化研究，并在此基础上构建产品造型与感性意象的函数关系模型，以展开设计知识的评估和优选。在实现产品造型与感性意象映射关系的算法选择中，不仅要考虑算法效用与能力，更要考虑量化研究过程中设计知识是否损失、设计效果是否良好等产品设计领域问题。BP 神经网络具有良好的非线性映射能力，遗传算法具有快速的寻优能力，两者结合共同解决产品的造型意象设计问题具有重要的现实意义。

本文针对设计开发过程中存在的主观性、经验性过强的问题，利用BP 神经网络构建智能座舱中控造型与感性意象的函数关系，以此作为遗传算法的适应度函数展开设计知识的迭代和优选，完成评估方法与优选方法的结合。最后通过智能座舱中控的造型设计来验证方法的可行性和有效性。

1 预测流程构建

1.1 感性意象

感性意象是人们对产品外显符号的主观感知，反映了用户自身的期盼与渴望［9］。其形成过程为：外部信息刺激—感官器官接收—神经中枢传输—内在感受形成—经验情感储存—类似信息刺激—言语行为表达，如图1所示。

图1 感性意象形成过程

在产品研发过程中，感性意象的作用在于通过产品造型来唤醒人们所积累的经验情感，带来正向的反馈与共鸣。这种反馈与共鸣由产品造型与感性意象的匹配程度所决定，在量化研究中，体现为两者的拟合程度。因此，对感性意象的量化研究有助于减少设计师主观因素的干扰。

1.2 预测方法与流程

BP 神经网络作为机器学习经典算法，相比支持向量机、随机森林算法等在产品设计领域具备更好的兼容性和匹配性，对产品造型的量化编码输入更为便捷和有效。遗传算法作为并行随机搜索的最优化方法，其迭代思想与产品设计中迭代改良、品牌DNA、协调统一思想不谋而合，能有效解决对已有设计方案的优化改良问题。

利用BP 神经网络强大的非线性映射能力［10］构建智能座舱中控造型与感性意象的关系函数，实现对造型意象的评估。利用遗传算法良好、快速的寻优能力［11］完成对智能座舱具体造型的优选。将两者优势结合，共同解决智能座舱中控造型设计问题。整理设计流程，如图2所示。

图2 BP-GA设计系统流程构建

2 造型特征与感性意象

2.1 造型样本获取与分类

智能座舱旨在为驾驶员提供舒适的驾驶体验，其形式表达脱离不开功能的约束，未来智能座舱的造型设计也离不开现有优势座舱的积淀。故本文以现有新能源汽车座舱中控为研究对象，展开未来智能座舱中控造型感性意象设计的研究。

通过网络检索及实地调研等方式搜集新能源汽车座舱中控造型样本，筛选掉相同、模糊、角度差的样本，并进行去色处理以控制单一变量。最终得到30个新能源汽车座舱中控造型样本，如表1所示。

表1 新能源汽车座舱中控造型样本库

采用系统聚类法对样本进行分类。首先，对6名资深驾驶员、2名行业相关人员及2名汽车设计师共10 人进行问卷调研，以两两对比的形式对样本造型相似性进行打分，分值为1.0～10.0，得分越高表明样本间造型相似度越强，反之则越弱。整理调研结果，得到30 个样本的造型相似度评分矩阵A（30×30）。为验证数据可靠性，对评分矩阵A 进行信度分析，结果显示Alpha 值为0.769，如表2 所示，表明数据可靠性良好。

表2 可靠性统计

接着，采用系统聚类法并借助SPSS 软件对评分矩阵数据进行分析，得到聚类过程结果表和树状聚类图，如表3和图3所示。

表3 聚类系数汇总

图3 树状聚类图

根据表3 中的聚类系数，利用EXCEL 绘制聚类系数变化折线图，如图4所示。

图4 聚类系数变化折线图

从折线图中能直观看到，在第5到6次聚类系数变化最大，而后趋于平缓，因此将样本分为5 或6 类较为合理［12］。结合树状聚类图及德穆曼树状聚类分类准则，将30个造型样本分为6类。

接着，利用K-means聚类法对数据进行分析，目的在于筛选出6 类相似造型样本的典型样本，因此，将超参数K设置为6。借助SPSS 软件进行分析，如表4所示。根据表4判断样本距中心距离，数值越小则距离中心越近，代表性越强，反之则越弱［13］。可知A8的距离为4.242、A9为3.740、A12为5.120、A13为4.934、A16为3.995、A26为5.506，相比于同类别中其他样本数值最小，因此选取A8、A9、A12、A13、A16、A26为典型样本，如表5所示。

表4 聚类成员表

表5 新能源汽车座舱中控造型典型样本

2.2 感性意象测量

通过网络检索和问卷调研等方式得到代表智能座舱中控感性认知的意象形容词130 个，结合专家访谈和问卷调研等方法剔除无代表性和低频词汇，并进行反义配对，得到30 对感性意象词汇对。接着，选择相关专家、资深驾驶员及轿车设计师共10人进行问卷调研，根据调研结果筛选出现频次最高的10组词汇对，随机排序并编号，如表6所示。

表6 筛选后的感性意象词汇对

结合6 个典型形态样本与10 对感性意象词汇，运用语义差分法制作调研问卷，将10 对感性意象词汇进一步筛选。打分规则如下：参照样本对其所体现的感性意象强度进行勾选，勾选选项为2、1、0、-1和-2，分别代表非常现代、比较现代、区分不出、比较传统和非常传统。本次调研采用线上与线下相结合的方式，共发放问卷60份，实际回收58份，经计算得到感性意象评价均值表，如表7所示。

表7 感性意象词汇对评分均值表

数量较多的意象词汇不利于解释用户意象［14］，应用因子分析法对数据进行降维处理，经分析得到总方差解释表和旋转后的成分矩阵，如表8 和表9所示。

表8 解释的总方差

表9 旋转后的成分矩阵

根据表9 可知有4 个特征值大于1 的因子，同时旋转后方差累计贡献率为95.476%，证明4 个特征因子归纳合理且有效。根据表9 对4 个特征因子中载荷系数较大的感性意象词汇进行筛选，得到4 个典型感性意象词汇对，即P＝｛C1，C3，C13，C22｝。

3 BP神经网络优化GA的预测流程

3.1 设计变量提取

构建智能座舱中控造型BP神经网络预测模型，目的在于构建中控造型与感性意象之间的函数关系，实现智能座舱中控造型的感性意象评估。

以6 款典型样本为主，利用形态分析法对具体造型特征因子进行提取，提取原则为：从正视图视角出发，提取对主体形态影响较大的抽象线条和轮廓。同时依据中控部件的具体分类，对造型特征明显的部件进行提取，即转向盘、中控台、空调出风口、仪表盘、中控屏，分别记为W1、W2、W3、W4、W5。对提取结果进行整理，如表10所示。

表10 智能座舱中控造型特征因子提取

3.2 网络模型搭建

BP 神经网络的搭建主要包含网络层数的设定，输入、输出、隐含层的层数和神经元个数的确定，以及激励函数、训练函数等的设置和选择。

（1）神经网络层数的确定

经理论证明，单层隐含层网络可以解决任意的非线性拟合问题［15］，结合智能座舱中控造型的实际状况、网络训练时间、过拟合状况及整体网络复杂程度等因素的考虑，本文采用最基础的3 层网络结构，即单层隐含层。

（2）输入层数据的确定

网络的训练样本为造型样本库的30 个智能座舱中控样本。综合多种编码方式，如数值编码、索引编码等，并考虑到每个智能座舱中控样本的造型特征都对应其特定的造型因子，本文采用One-Hot 编码方法对智能座舱中控造型特征进行编码。

根据上文对智能座舱中控造型特征因子的分类构建数据编码的状态位，且每个状态都有其独立的寄存器位。对于某一造型特征，在某一样本下该样本具有该特征属性的记为“1”，不具有该特征属性的记为“0”，据此规则对30 个智能座舱中控样本进行形态特征的编码，如表11所示。由表11可知智能座舱中控造型特征因子共30 个，可知函数的自变量个数为30 个，即BP 神经网络输入层神经元节点数为30。

表11 造型特征编码

（3）输出层数据的确定

根据里克特量表形式，构建调研问卷进行输出层数据的获取。本次调研同感性意象评价调研方式相同且前后同步进行。令受试者分别对照4 个典型感性意象词汇对依次对30 个样本进行打分，汇总结果并进行均值计算，得到如表12 所示均值数据，即为BP 神经网络实际输出数据。将每一对意象词汇进行训练和验证，共进行4 次，可知因变量个数为1个，即BP 神经网络输出层神经元个数为1，进行4 次构建和训练。

表12 BP神经网络实际输出数据

（4）隐含层神经元节点数

隐含层节点数没有严格的标准参照，通常依据经验反复尝试确定。隐含层数及节点数对模型性能产生直接影响，隐含层及节点数过多会导致训练时间增加及“过拟合”现象的产生，过少则会导致训练精度下降。综合考虑数据结构复杂程度，本文采用最基础的3 层网络结构，即单层隐含层，隐含层节点数以式（1）为参考［16］，经过反复的训练和测试，最终确定隐含层节点数设置为11。

式中：G表示隐含层神经元数量；E表示输入层神经元数量；O表示输出层神经元数量；α表示1-10 的调节常量。

3.3 模型性能评估

基于MATLAB R2018b进行预测模型的搭建，网络输入层节点数为30、输出层节点数为1、隐含层节点数为11，隐含层传递函数采用Tan-Sigmoid，输出层传递函数采用purelin，学习次数设置为5 000 次，误差值为0.001。针对不同的感性意象词汇，共构建4个预测模型。

由于训练样本数量少及数据集纬度低的局限，本文采用留一交叉法对预测模型进行验证，以增强模型的泛化能力［17］。按照留一交叉法，对4 个预测模型分别进行30 次交叉验证，将4 组预测数据进行汇总，如表13所示。

表13 模型预测输出数据

为验证模型性能，计算实际输出与预测输出数据之间的相对误差，如表14 所示。同时计算测试数据均方误差，得到MSEC1＝0.0214、MSEC3＝0.0125、MSEC13＝0.0075、MSEC22＝0.0138。可知4 个预测模型的相对误差和MSE值都较小，表明所构建网络能够较好地体现中控造型与感性意象之间的映射关系。由此得到中控造型与感性意象函数关系。

表14 实际输出与预测输出相对误差

3.4 融合GA的造型设计优化

针对4 个典型感性意象词汇，本文构建了4 个BP 神经网络预测模型，即得到4 个不同的适应度函数。首先，针对C1“现代-传统”感性意象，对造型因子的最优组合进行研究。

（1）因子编码及种群设定

为利用遗传算法解决设计方案寻优问题，对智能座舱中控造型因子进行编码形成初始种群［18］。根据表11可知，智能座舱中控造型因子共5类，每个类别下有6 个具体造型因子，且每个类别代表一个基因段。为便于后文输出结果后对造型因子的定位，本文采用带有自然数的字符串对智能座舱中控造型因子进行位值编码，编码形式如图5所示。

图5 智能座舱中控染色体编码

初始种群规模的大小应根据具体问题在适当范围内选取，过大或过小的种群规模都不利于遗传算法的寻优运算［19］。由于本文中控造型因子优良性不明确，为避免遗漏有效信息，将采样范围覆盖整个种群空间，即将所有中控造型因子作为父代，从中随机抽取造型因子作为初始种群［20］，经过多次测试后，发现当初始种群数为30时收敛效果更好。

（2）适应度函数构建

本文最终目的在于得到特定感性意象下智能座舱造型因子的最优组合，前文2.2 节部分利用语义差异法对成对的感性意象词汇进行了强度的划分，且正数代表正向感性意象，因此对目标函数f（x）的最优解便是求解适应度函数F（x）的最大值，即f（x）=maxF（x）。

中控造型因子适应度值的含义是对于一组给定的造型因子组合所表达出的特定感性意象的强度，适应度值越大，则表达强度越高。将前文基于BP神经网络所搭建起的关系函数作为遗传算法的适应度函数，以此对每个智能座舱中控造型因子种群进行评估。

（3）遗传算法求解

首先，对遗传、交叉和变异算子进行设定，分别选用轮盘赌法、一点交叉法和自然数实值变异策略。通过反复测试，确定染色体交叉概率为0.8，变异率取值范围是0.001～0.1，同时将变异率设置为自适应模式，以保证得到结果更加多样性。

其次，借助MATLAB R2018b执行遗传操作并输出结果，如图6 所示。通过对图像变化的观察可知，个体适应度值随着进化次数的增加而逐渐变大，当迭代次数达到40 时，上升趋势明显减缓。平均适应度值在40 代之前一直处于上升趋势，说明种群在不断寻找最优解，90 代之后平均适应度达到最大值6.9。由此可知，在C1“现代-传统”感性意象下，智能座舱中控造型因子最优组合的适应度值为6.9，所对应造型因子的组合即为设计方案最优组合，其离散变量参数如下：

图6 离散变量参数图

maxF（x）=［4 2 6 3 4］

最后，根据离散变量参数反向解码出C1“现代-传统”感性意象下智能座舱中控造型的特征因子，并按照既定部件位置进行布局设计和因子组合，如表15 所示。同理，针对C3“圆润－硬朗”、C13“整体－分散”、C22“简洁－繁琐”3 个感性意象执行遗传算法的迭代与优选，得到相应的智能座舱中控造型特征因子组合，如表16所示。

表15 C1最优解解码

表16 C3、C13、C22最优解解码

3.5 设计案例应用

根据表15 和表16 对智能座舱中控进行创新设计。首先，根据4 组造型因子对智能座舱中控进行布局的设计以及部件之间的衔接处理。接着，利用Rhino 三维建模软件，结合4 个感性意象下的中控造型因子组合进行中控产品三维模型的构建。最后，结合Keyshot 和Photoshop 软件对智能座舱中控进行色彩和材质的渲染。得到最能体现“现代－传统”、“圆润－硬朗”、“整体－分散”、“简洁－繁琐”意象特征的4个方案，如图7～图10所示。

图7 “现代－传统”方案a

图8 “圆润－硬朗”方案b

图9 “整体－分散”方案c

图10 “简洁－繁琐”方案d

为进一步验证4 个方案的意象特征偏向性，应用语义差分法对4 个方案进行问卷调研，受试对象同2.1节部分样本相似度受试对象相一致，即6名资深驾驶员、2名行业相关人员及2名汽车设计师共10人。受试对象按照“3，2，1，0，-1，-2，-3”7 级量表进行打分，根据调研数据整理得分结果，如表17所示。

表17 方案评价得分

结果显示：方案a 更能体现“现代”的意象特征，同时偏向“简洁”的风格；方案b 在“圆润”的意象特征上表现的最为明显，同时存在低程度的“传统”意象特征倾向；方案c 最能表现“整体”的意象特征，同时也比较“传统”和“硬朗”；方案d 更能体现“简洁”的风格，同时也能表现“现代”的风格特征。

4 结论

本文针对设计开发过程中所存在的主观性、经验性过强的问题，提出一种基于BP神经网络优化遗传算法的智能座舱感性意象设计方法。主要研究成果如下：

（1）完成抽象化造型因子与意象评价的定量化描述。

（2）构建智能座舱中控造型意象预测模型，建立中控造型与感性意象之间的函数关系，实现对智能座舱中控造型的评估。

（3）实现特定意象下中控造型因子组合的优选，完善智能座舱造型量化研究中的评估方法与优选方法的结合。

本文结合BP 神经网络和遗传算法对智能座舱感性意象设计问题展开量化研究，通过设计实践，验证方法效用。可满足用户的多样化造型需求，实现目标造型的优化和多样化表达。在未来的研究中，将考虑采用数据挖掘方法收集大量样本进行训练与测试，进一步提高该预测模型的泛化能力以提高设计效率。