基于神经网络的产品造型美学特征识别与修正

基于神经网络的产品造型美学特征识别与修正

1产品造型的美学性评价产品造型的美学是工业设计的重要组成部分，越来越受设计与艺术的交叉影响。通常对产品的造型从美学的角度考虑,一般存在主动和被动两种方式。主动方式是指在产品设计过程中就考虑其造型的美学因素,产品的实现包含了美学特征的体现;被动方式是在产品设计过程中不考虑或不特别考虑造型的美学问题,待产品的功能设计完成后再专门就美学问题进行考虑,然后进行必要的修正。然而由于美学本身具有主观性这一特点,所以大多情况下产品造型的美度评价均由设计者或美学专家个人依据一定的规则和经验进行。如果将专家的经验通过美学特征与造型美度的关系体现出来,并建立一一对应的关系,通过数学的方法建立一个评价模式,增加产品造型美度评价的客观性,使非美学专家的设计者也能设计出造型上较具美学性的产品,是笔者重点研究的目的与内容。从产品造型的美学性出发,总结出若干美学特征并构造该特征与美学评价的对应关系,利用人工神经网络的非线性映射能力,建立各种特征组合与相应造型美度等级的映射关系,从而实现基于神经网络的产品造型美学特征识别与修正。网络训练完成后,可针对新特征对产品的造型美度等级进行评价,也可找出影响其美度等级的具体特征类,进而对该特征进行修正。神经网络采用一种综合改进的BP网络,并进行了动量项自适应调整的改进。2产品造型的审美特征和审美层次2.1美学要素组合工业产品造型设计中的美学特征主要以产品造型形式的美学法则来衡量,概括起来大约有9种:统一与变化,调和与对比,对称与均衡,稳定与轻巧,主从与重点,过渡与呼应,尺度与比例,比拟与联想,节奏与韵律。根据各美学要素的归类,可进一步合并为4类,即前6种为一类,可用统一均衡性来表示;尺度与比例为一类,可用尺度协调性来表示;比拟与联想为一类,可用比拟联想性来表示;节奏与韵律为一类,可用韵律平衡性来表示。各特征指标的内容与含义见表1。2.2美学特征评价及评价以往的美学评价一般是单一的,即针对表1中的要素逐个或部分进行分析。能否将各美学特征综合考虑给出一个统一的评价,笔者提出造型的美度等级,以便统一评价产品在综合考虑各美学特征情况下的美学造型问题。一般情况下,美度等级分为“美”、“较美”、“较不美”、“不美”4个等级。只有4类特征都好时,美度等级才为美;当至少有3类特征为较好时,美度等级才为较美;当有3类及以上特征为较不好时,美度等级为不美。这样根据产品造型的美学特征数量,在“较美”和“较不美”等级中又细分为“较美A”、“较美B”、“较美C”、“较美D”、“较美E”和“较不美A”、“较不美B”、“较不美C”、“较不美D”、“较不美E”、“较不美F”。如此细分的目的是区分不同特征缺陷造成的不同结果。对表1中4类美学特征评价的好坏可按模糊数学中的隶属度值来表示,可用“查德”公式计算,也可以根据设计者的要求确定。按模糊概念划分,取0到1之间的数值,0表示最不好,1表示最好。一般0.85以上隶属于好,0.65至0.85之间隶属于较好,0.65以下都隶属于较不好。对各美学特征的评价及评价取值由用户或主管人员决定,尺度协调性指标的衡量可以视其量值是否满足“黄金分割比例”、“均方根比例”、“整数比例”、“费波纳齐比例”和“人体模度比例”等原则,按满足度情况决定评价取值。表2列出了产品造型美学特征与美度等级的对应关系。2.3产品造型美学特征识别的方法根据表2列出的产品造型美学特征与美度等级的对应关系,可以通过人工神经网络构造它们的映射关系。网络训练好以后就可以对新出现的特征情况获得美度等级的代码,根据代码情况就可以对特征状态进行识别。因为每个代码与特征模式是一一对应的,因此可以直接找出不佳的特征状态,并对它进行修正。需说明的是,利用神经网络对产品造型美学特征进行识别的目的是突出其主要特征,并对其进行针对性的修正。因此产品造型美学特征不会仅限于表2中所列出的那几项,而是根据不同产品的具体美学特征进行分解。如一个计算机的显示器,它的美学特征就应该具体到功能美学、造型、色彩、流线比例等。一般新的特征评价都用数字表示,不一定和表2中的状态刚好一致,用神经网络来识别就不需要用户事先将各特征状态整理成表2的形式,所以此方法是有意义的。网络识别出结果后,需进行如下处理:0.15及其以下认为隶属于0,0.80及其以上认为隶属于1,该过程由程序自动完成。3人工神经网络的选择3.1不同线性神经元中网络学习次数及学习速率的自适应调整基于BP算法的神经网络仍是目前应用最多的网络,其工程应用性也较强,在模式识别中也得到广泛的应用。文献提出一种综合改进的BP网络,把初始权重随机化的Ng-W法、学习速率的自适应调整、加动量项法结合在BP法中。在拓扑结构上设两个中间层,第一层为传统隐含元,第二层只有一个线性神经元。输入层到第一隐含层计算一个权重矩阵和偏差矩阵,第一隐含层到第二隐含层计算另一个权重矩阵及偏差矩阵。因第二隐含层只有一个线性神经元,计算量增加不多。线性神经元可以把第一隐含层输出的权重和偏差矩阵综合考虑在一起进行计算和传播,有归纳效果,在同一收敛精度下该种网络的学习次数较单隐含层的少。对有明显规律性问题,收敛精度一般为10-4～10-6,若问题的非线性程度高且工程性强,则收敛精度一般取10-3左右。在初始权重随机化方面,Ng-W法对计算效率的提高有较明显的效果。学习速率的初始值选为0.01,如果新的输出误差矩阵大于原输出误差矩阵的1.04倍左右,则学习速率自适应调整为原速率的0.7倍左右;如果新的输出误差矩阵小于原输出误差矩阵,则学习速率自适应调整为原速率的1.05倍左右。隐含层神经元个数确定规则如下:设n1为第一层隐含元的个数(第二层隐含元只有一个),n为输入层的神经元个数,k为样本数,则由k＜n-1∑i=0Cin1k＜∑i=0n−1Cin1求出最小的n1。Cinin1指组合计算,如果i>n1,则Cinin1=0。网络训练的样本量在30～50之间可以满足分析要求,它基本包容了描述数据量变化特征的样本。若样本量再小,则预报精度逐步下降;若样本量再大,则因迭代次数增多,输出误差会出现时大时小的“跳跃”现象,说明样本过多时迭代过程中的算法有可能冲突。3.2暴力输出误差的自适应调整增加动量项是在迭代后的权重上加上某个动量因子α,0<α<1。计算时,用考虑动量项的权重算出新的网络输出误差,一般文献中都把该动量因子α设成固定值。这里提出动量项自适应调整的改进方法:如果输出误差大于没有考虑动量项时的输出误差,则令α=0,如果考虑动量项后新的输出误差小于原输出误差的10%以内,则取αi+1=0.5αi;如果小于10%～20%,则取αi+1=0.7αi;如果小于20%～30%,则取αi+1=0.9αi;如果小于30%～40%,则取αi+1=αi;如果小于40%以上,则取αi+1=1.1αi。网络训练结果表明,这样的改进比α为固定值的效果要好一些。4新产品造型美学特征识别结果与修正根据以上的分析,选择考虑动量项自适应调整的综合改进的BP神经网络,按表2列出的产品造型美学特征与美度等级的对应关系,建立网络训练的40个样本对。该样本对中,输入层的神经元个数为4个,输出层的神经元个数为4个,网络收敛精度为5×10-4,学习速率的初始值选为0.01,第一层隐含元的个数为6,初始动量项因子取为0.98。网络训练成功后,输入层到第一隐含层的权重矩阵W1和偏差矩阵B1为:W1=[-0.5027-0.02880.2655-0.26930.15830.1492-0.5391-0.6950-0.32161.04520.0702-0.02520.47000.27170.6055-0.0449-0.05780.0419-0.51810.82170.4163-0.0388-0.6528-0.4622]B1=[0.03131.0694-0.3520-0.4322-0.3600-0.1731]第一隐含层到第二隐含层的权重矩阵W2和偏差矩阵B2为W2=[-1.03500.2791-0.25480.8160-0.04540.1794-0.29050.40310.84320.30510.1517-0.14200.1614-0.3295-0.10780.6014-0.4178-0.6438-0.7044-0.54430.0381-0.15050.4587-0.5390]B2=[0.02330.08740.18590.4932]表3为对新的特征组合情况的造型美学特征识别结果与修正建议。需说明的是,该例仅就原理实现的可能性给出了实例,并不指产品造型的美学特征识别会如此简单。针对具体产品的应用还可做进一步的研究。5产品造型的美学分析通过讨论产品造型的美学特征和美度等级,说明了产品造型美学特征识别与修正原理;根据所选择的综合改进的人工神经网络,实现了基于神经网络的产品造型美学特征识别与修正。实例结果表明,用人工神经网络进行产品造型的美学分析是可行