摘要
为了对汽车外观设计进行相对客观的评价,在分析人工神经网络原理的基础上提出了应用BP神经网络评价汽车外观设计的方法。根据BP神经网络具有自学习、自组织、自适应和非线性动态处理等优点,建立了汽车外观设计BP神经网络评价模型,选择20款汽车外观作为学习样本、8款汽车外观作为检验样本,利用MATLAB软件进行了BP网络的实例训练和验证。实验结果表明,BP神经网络模型可以较准确地对汽车外观设计进行评价。
随着汽车技术的日益成熟,消费者选购汽车的因素逐渐转向审美、情感等方
人工神经网络模仿了人脑认识事物过程中针对事物进行判断分析的学习状态,最终解决不同领域所出现的问题。人工神经网络具有较好容错性,可以通过其良好的非线性迫近能力对描述变量与目标之间的非线性关系进行研
常用的用来解决非线性问题的一种人工神经网络算法是BP神经网络。BP神经网络由输入层、中间层和输出层构成。中间层也就是隐含层,可以是一层或者多层。BP神经网络的工作过程分为信息流的正向传播和误差的反向传播。正向传播时数据的传递方向为输入层→中间层→输出层,每一层神经元只受上一层影响。如果输出的数据与期望的数据误差大于期望误差,则进入误差的反向传播。这2个过程交替进行,神经网络在权向量空间进行误差函数梯度下降,动态迭代各层神经元权向量值,直到输出数据在误差范围内停止计算。人工神经网络使用激活函数在层与层之间加入非线性因素,以解决线性模型所不能解决的问题。
本采用了3层BP神经网络。确定一个BP神经网络模型的结构需要设置BP神经网络层数、隐含层数、各层神经元个数以及各层网络激活函数。3层BP神经网络的多指标综合评价模型的拓扑结构如

图1 3层神经网络的多指标综合评价模型
Fig. 1 Multi-index comprehensive evaluation model of three-layer neural network
多指标综合评价方法包括4个步骤:①建立评价指标体系,即确定神经网络输入层指标的个数;②BP神经网络样本数据的获取,包括对原始样本的异常值剔除及归一化处理;③确定BP神经网络模型的结构,在MATLAB中编程,将样本数据输入网络进行模型训练;④模型的学习能力和预测能力检验。
采取网络问卷调查的方式进行产品设计评价。评价的目的是确定外饰造型的评价指标,即确定神经网络输入层指标的个数。问卷的设计、发放与问卷数据的处理、获取主要分为以下几个步骤:
(1)明确评价问题。本阶段中需要调查的是消费者对外饰中不同造型要素的关注程度。问卷设计的关键在于:如何向被调查者解释“造型”这一相对抽象的概念。很多相关研究都是根据汽车的特征面和特征线对汽车设计要素进行分类,但这些特征面和特征线的名称比较学术,消费者不易理
(2)确定评价方式。采用百分制打分,分数越高,表示该消费者对该设计要素的关注程度越高。
(3)实施评价活动。问卷填写者主要面向18岁至60岁的用车群体与潜在购车群体。问卷收回后应舍去无效问卷,保留有效问卷。
(4)数据处理。统计各个设计要素所得分数的平均值。
(5)评价指标的筛选。汽车外饰造型有大量设计要素,若将所有要素都作为神经网络输入层的评价指标的话,后续工作量过大,且一些评价要素并不是消费者关注的重点。因此,根据得分筛选出一些消费者关注较多的外观设计要素作为评价指标。
首先选取一系列样本车型,采取网络问卷的形式,让被调查者对一系列车型的各项评价指标的设计以及车型的总体设计进行百分制打分,得到原始的样本数据。为防止部分受访者对相关评价指标不熟悉,在调研前采用文字以及图片的方式告诉其各个评价指标的具体指代,并要求在打分时尽量不考虑汽车品牌及价格,而仅仅关注其外观设计本身。
在统计数据时,偶然误差、人为误差、抽样误差等常常导致异常值的出
在多指标评价体系中,由于各评价指标的性质不同,通常具有不同的量纲和数量级。当各指标间的水平相差很大时,如果直接用原始指标进行分析,就会突出数值较高的指标在综合分析中的作用,相对削弱了数值较低的指标的作用。因此为了保证分析结果的可靠性,还需要对原始数据进行归一化处理。
最常用的归一化方法有in-max标准化与z-score标准化方法。本文采用min-max标准化方法。该标准化又称0-1标准化,即对原始数据进行线性变换,使结果落到[0,1]区间,转换函数如下:
式中,为样本最大值,为样本最小值,为样本值,为标准化结果。
对原始样本数据进行上述处理后,对各项评价指标的打分即为神经网络的输入数据,车型的总体设计打分作为输出数据。
BP神经网络可以实现从输入到输出的任意非线性映射。BP神经网络算法流程如

图2 BP算法框图
Fig.2 Block diagram of BP algorithm
首先,通过问卷调研的方式,筛选出消费者关注较多的设计要素。选取27个汽车外观部件作为局部要素,它们在车身上的位置如

图3 27个局部设计要素在车身上的位置
Fig.3 Location of 27 local design elements
此次问卷主要调研对象为本科生、研究生同学及其家人。大学生群体属于潜在消费者,而其家人往往是用车群体或潜在消费者。共发放问卷50份,收回有效问卷46份。
统计上述各个局部、整体设计要素所得分数的平均值,从中选取了消费者关注最多的15个局部部件作为最终的局部指标、3个整体要素作为最终的整体指标。上述18个指标共同组成评价指标体系,见
确定
调研时让受访者观察的28款汽车,每款车使用5张不同角度的照片进行展示,如

图4 问卷中某款汽车外饰造型展示方式示例
Fig.4 An example of exterior styling display of a certain car in the questionnaire
为防止打分中的异常值对最后的结果产生影响,利用格鲁布斯检验法剔除异常值。格鲁布斯检验法的统计量为
式中,为某个受访对象对某个车型的某个指标的打分值,为对应车型的对应指标的打分均值,为对应的标准差,计算出值后,再根据样本个数和事先确定的置信度查格鲁布斯临界值表(
经过检验,共去除异常值67个,其中记录错误的数据19个(例如出现超出给定打分范围的数据),其余48个数据一般是部分受访者对部分车型的一些指标存在较强的主观情绪导致的极端数据。此处列出去除异常值后部分样本车型各个评价指标的得分,由于50名受访者的调研数据过多,所以这里的结果为取平均数的结果,也就是神经网络模型输入层的数据,见
采用min-max标准化方法对28个样本的“总分”项数据进行归一化处理。该标准化又称0-1标准化,为了使结果分布在0~1之间,使用函数对原始数据进行线性处理,转换函数如下:
式中,为标准化结果,为的某个样本的总分分值,为所有样本总分中的最大值,为最小值。
用于训练的1-20号样本和用于检验的21-28号样本的“总分”项的原始数据、归一化数据分别如
标准BP算法对于一些较复杂或者数据量较大的模型,运行效率较低,收敛速度慢,所需要的训练时间较长。针对标准BP算法可能出现的问题,学者们研究出了各种改进的BP算法。LM算法是高斯牛顿法与梯度下降法的结合,实质是二阶梯度算
(1)输入、输出神经元个数的确定。根据汽车外观评价指标的个数可以确定神经网络模型中输入层共有18个神经元,评价结果只有“总分”一项,决定了输出层神经元数为1。
(2)隐含层神经元个数的确定。如何确定令神经网络输出最精确的隐含层神经元数,直到如今在理论上也没有给出一个确定的规定。在大多数情况下确定隐含层节点数还是利用试凑
式中,为隐含层节点数,为输出层节点数,为输入层节点数,为1~10之间的常数。
式中,为0~之间的常数,,为样本数。根据初步试验,本模型隐含层节点数为4时网络收敛,从而确定隐含层节点数为4到14。接下来利用试凑法确定最佳隐层神经元个数,分别对隐层数为3和4的BP神经网络进行不同隐含层节点数的训练,训练结果误差如
由
(3)激活函数的选择。BP神经网络的激活函数有对数S型函(Log-sigmoid)、双曲正切函数(Tan-sigmoid)和线性函数(Purelin)3种类型,其取值范围分别为(0,1),(—1,1),(—,+),本文所建立的网络模型的输入和输出都在(0,1)之内,且对数S型函数容错性较好,分类更准确合理,故选择对数S型函数(Log-sigmoid)作为输入及输出层的激活函数,其在MATLAB软件中用logsig函数表示。
(4)其他参数的选择。目标收敛误差设置为,最大训练次数设置为2 000,误差函数选择为方差性能分析函数(MSE),其表达式为
其中,为神经网络的实际输出,为期望输出,为神经网络输出层神经元个数。
(1)BP神经网络学习能力的检验。如

图7 BP神经网络模型训练结果与期望输出对比
Fig.7 Comparison of training results of BP neural network model and expected output
(2) BP神经网络预测能力的检验。如
如

图8 BP神经网络模型预测值与期望输出对比
Fig.8 Comparison of predicted value of BP neural network model and expected output
应用人工神经网络对汽车外观造型设计进行评价是一种非线性的定量评价方法。本文的网络测试表明,网络具有良好的学习能力与预测能力。人工神经网络的非线性拟合能力可以很好地对汽车外观设计进行评价,为汽车外观设计的评价提供了一条新的路径。
作者贡献声明
李彦龙:作为指导老师,负责管理和协调整个研究过程与论文撰写过程。具体包括对本文研究方向可行性的评估,BP神经网络建模的基本原理与建模流程的指导,论文架构的修改与调整等。
蔡 谦:作为企业专家,给予案例指导意见。具体包括提供车型评价样本,指导并评估本文汽车外观评价指标选择的科学性、调研问卷设计的合理性。同时,与工作实践相结合,评估本研究建模结果的实用性。
孙久康:负责文献资料调研整理、具体建模过程以及论文文字撰写与修改。
高 想:负责2份问卷的设计、发放,模型输入数据的预处理及图表制作。
参考文献
韦星顺. 基于中国人审美特征的汽车造型设计方法研究[D]. 北京: 清华大学, 2013. [百度学术]
WEI Xingshun. Research on automobile styling design method based on Chinese aesthetic characteristics [D]. Beijing:Tsinghua University, 2013. [百度学术]
叶敏. 长安汽车造型设计评价体系构建与可用性测试[D]. 长沙: 湖南大学, 2010. [百度学术]
YE Min. Construction and usability test of Changan Automobile styling design evaluation system [D]. Changsha:Hunan University, 2010. [百度学术]
郑先锋. 面向消费者兴趣点的汽车外观评价方法研究[D]. 无锡: 江南大学, 2017. [百度学术]
ZHENG Xianfeng. Research on automobile appearance evaluation method oriented to consumer interest point [D]. Wuxi:Jiangnan University, 2017. [百度学术]
王玉梅,罗公利,林双.基于BP人工神经网络方法的组织知识创新与创新人才素质提高协同发展评价[J].科技进步与对策,2013,30(9):148. [百度学术]
WANG Yumei.LUO gongli,LIN Shuang. Evaluation of collaborative development of organizational knowledge innovation and innovative talent quality improvement based on BP artificial neural network method [J]. Scientific and technological progress and countermeasures, 2013 (9): 148. [百度学术]
李彦龙,朱翔.基于消费者心理的汽车外观量化评价方法研究[J].设计,2019,32(1):28. [百度学术]
LI Yanlong, ZHU Xiang. Research on quantitative evaluation method of automobile appearance based on consumer psychology [J]. Design, 2019, 32 (1): 28. [百度学术]
刘金娣,李莉莉,高静,等.异常值检验方法的比较分析[J].青岛大学学报(自然科学版),2017,30(2):106. [百度学术]
LIU Jindi, LI Lili, GAO Jing, et al. Comparative analysis of outlier test methods [J]. Journal of Qingdao University (Natural Science), 2017,30 (2): 106. [百度学术]
李元松. 基于模糊神经网络的边坡稳定性评价方法[J]. 武汉理工大学学报, 2013(9): 148. [百度学术]
LI Yuansong. Evaluation method of slope stability based on fuzzy neural network [J]. Journal of Wuhan University of Technology, 2013 (9): 148. [百度学术]