基于BP神经网络的办公椅感性意象预测模型构建研究

■赵亚男 Zhao Yanan

(嘉兴南洋职业技术学院，浙江嘉兴 314000）

随着社会工业化程度的不断深入，各行各业纷纷加快了工作节奏，普通员工日均工作时长不少于8小时，且加班现象愈发普遍[1]。作为直接提供坐靠支持的办公椅，其与人的密切关系可见一斑。因此，对于办公椅的设计不仅要满足功能需求，也要具有一定的心理和情感附加值[2]。BP神经网络作为一种智能信息处理算法，具有极强的非线性映射能力[3]。在产品感性设计研究中，人工神经网络常用于建立产品造型设计要素与用户情感意象之间的关系。定律[4]等通过建立感性评价矩阵，构建了用户需求与程控切纸机造型设计要素之间的数理关系；李阳[5]等基于模块化思想，构建了用户感性意象与木制民居造型模块之间的映射关系；杨浩[6]等运用三层结构神经网络模型，研究共享汽车仿生设计方法；朱彦[7]等运用主成分分析法量化感性意象，运用神经网络构建其与家庭服务机器人整体造型要素之间的逻辑关系。然而，目前的研究没有针对办公椅等家具产品的探讨，尤其是针对该类产品感性评价与设计要素之间的数理模型。因此，本文运用语义差异法提取用户感性意象，运用形态分析法对办公椅造型设计要素进行解构，建立感性评价矩阵，运用BP神经网络算法构建两者映射关系，并进行模拟预测，为办公椅的感性设计提供科学可靠的理论依据。

■图1 研究流程

■图2 BP神经网络结构

1 基于BP神经网络的办公椅感性设计流程

本文研究流程如图1所示。首先收集合适的办公椅样本，并对样本进行预处理；接着根据形态分析法对样本进行设计要素解构；然后确定感性评价量尺，运用语义差异法将感性意象量化；再通过训练BP神经网络建立造型设计要素与感性意象之间的映射关系；最后通过模拟预测，检验模型可靠性。

2 办公椅造型设计要素与感性意象量化分析

2.1 办公椅造型样本分析

通过在某办公家具企业调研，对该企业上市的办公椅进行样本收集，并筛选出销量较好的36种不同款式的办公椅(“五星滑轮”座椅）作为代表样本进行分析研究，部分样本如表1所示。为避免色彩因素对感性测评的影响，代表样品均做除色处理，选取45°透视角度的样品图片。

表1 部分办公椅样本

2.2 办公椅造型设计要素解构

根据调研得到的办公椅样本，通过形态分析法对其进行造型设计要素的提取和分析，将办公椅造型设计分为8个设计要素，编号X1～X8。再根据调研样本对每种要素分出不同的要素类型，得到办公椅的造型设计要素空间，如表2所示。

表2 办公椅造型设计要素空间

2.3 办公椅感性意象词汇确定及其评价结果

通过用户访谈、文献查阅等方式汇总了描述办公椅的感性意象词汇，共计86组。综合专家意见，经进一步的评估和筛选，最终保留了4组最适宜的词汇作为感性评价量尺，分别为：轻盈的-稳重的、现代的-传统的、人性的-机械的、艺术的-功能的。

本文用7阶SD量表对以上4组感性意象词汇设计问卷，要求受测者根据这4组词汇对36个典型样本进行评分。例如，针对“轻盈的-稳重的”这一评价量尺，4分代表中立，1分代表相当稳重的，7分则代表相当轻盈的。总计发放问卷80份，整理有效问卷60份，感性评价调查结果整理如表3所示。

表3 办公椅感性评价结果

3 办公椅BP网络模型的建构与测试

3.1 办公椅BP神经网络结构

BP神经网络结构简单、可操作性强、能模拟任意非线性输入与输出向量的映射关系[8]。其结构包含输入层、隐含层和输出层，每层结构通过连接权重、阈值和激活函数相连接（图2）。本文将办公椅造型设计要素的组合编号作为输入层参数，感性意象的评价值作为输出值参数，通过对网络模型的训练，不断调整权值和阈值，最终使输出的结果达到与期望值误差最小。

3.2 办公椅BP神经网络模型的建立与测试

3.2.1各层节点数目的确定

将办公椅造型设计要素的组合编号作为输入层参数，即输入层节点数为8个。办公椅感性意象的评价值作为输出层参数，即输出层节点数为感性意象词组数4个。隐含层节点个数通过式（1）确定，其中m为隐含层节点数；n为输入层节点数；l为输出层节点数。故本文隐含层节点数为6个。

3.2.2编码

由于办公椅的造型设计要素无法直接作为输入参数，需要将其转化成可以在计算机中读取的参数，因此要对其进行编码处理。各样本编码位数与设计要素的总数相同，为48位，各设计要素编码为1，其余均为0。例如1号样本在X1到X8的设计要素类型为4、1、2、1、2、2、2、3的组合，其编码为0001001000000100 00100000010000010000010000001000。

3.2.3激活函数

由于办公椅的设计要素与感性意象评价是非线性关系，本文隐含层的激活函数采用S型函数，即式（2）。

3.2.4归一化

由于神经网络的输出层采用S型激活函数，其值域限制在（0,1）的区间，网络的输出值也只能限制在其值域范围内，而感性意象评价结果数值并不完全处于此区间，因此需要将其进行归一化处理。归一化处理公式如式（3）所示。其中Xmax最大值，Xmin为最小值。

3.3 办公椅BP神经网络模型训练

用MATLAB编写上述网络模型的程序，并输入样本数据对网络进行训练与测试，并对办公椅造型设计做出预测，其仿真流程如图3所示。从36个样本中随机选取30个作为训练样本，设定其训练次数为1000次，结果运行如图4所示。

3.4 BP神经网络性能评价

用余下的6个样本验证经过训练后的网络，网络得出的仿真值与调研得到的真实值进行比较，如表4、表5所示。

表4 实际感性评价均值结果

表5 感性意象预测值

将实际感性评价均值与由网络模型预测的感性评价值分别输入SPSS软件，并进行配对样本t验证，得到各组感性意象词汇配对样本t检验的显著性。

依照统计学配对样本t检验法则，若上述成对样本t检验的显著性＜0.05，则拒绝原假设，表示预测感性分值与实际评价分值存在显著差异；反之，t检验的显著性＞0.05，则无法拒绝原假设[9-10]，表示预测感性分值与实际评价分值接近或相同。

如表6所示，四对感性意象词汇的Sig值均大于0.05，所以建立的BP神经网络预测模型具有较高可信度。

表6 各组意象词汇配对样本t检验的显著性

4 结语

本文主要研究了现代办公椅的感性意象与造型要素之间的对应关系，运用BP神经网络建立了感性意象得分预测模型，通过对模型进行训练与测试，最终证实了模型的可靠性[11-12]。因此，本论文的研究对办公椅的感性设计，以及办公椅产品未来可能的发展趋势提供了较为科学的理论依据：（1）该模型可以帮助设计师设计出更符合市场需求的办公椅产品，提升产品的市场竞争力；（2）随着人工智能的飞速发展，BP神经网络的应用范围也会越来越广泛，其在辅助产品设计方面的潜能需要不断探索[13-14]。

■图3 仿真流程图