基于神經網絡的仿生避難椅創新設計

楊昕妍 楊 洋 張繼娟 張仲鳳*

（1.中南林業科技大學家具與藝術設計學院，湖南 長沙 410004；2.國家林業和草原局綠色家具工程技術研究中心，湖南 長沙 410004；3.湖南省綠色家居工程技術研究中心，湖南 長沙 410004）

Carroll[1]認為情境是用戶活動內容的描述。情境包括產品、用戶以及發生人機交互過程的時間、位置和活動等信息[2-3]。William Cressey在《情境認知：論人類認知與計算機表征》中通過情景認知和描述人類行為進行系統設計[4]。譚浩等[5]基于案例推理和認知心理學提出設計情境概念。郭永輝[6]根據危險情境提出了預防使用手機時出意外的系統。周樸雄[7]運用BP神經網絡提高不同情境下資源類別偏好的推薦準確率。程永勝等[8]運用神經網絡提升了造型意象預測能力。羅仕鑒等[9-10]探討了產品仿生設計生物外形本征提取與產品外形融合的研究。綜上，對于情境難以量化的問題，本文采用多重響應結合交叉表分析情境中用戶需求數據并系統聚類，運用神經網絡和象元理論構建用戶偏好模型，并對功能語義和象元本體形態進行預測。最后通過形狀文法規則對用戶偏好最佳組合進行設計創新。

1 情境數據驅動產品功能設計流程

1.1 情境分析

對情境內涵的理解有縮小情境化和泛情境化兩個趨勢[11]。前者把研究主體置于理想環境中，后者認為內外部因素都可作為情境來研究[12]。在泛情境中，影響用戶行為的因素復雜而多樣[13]，通過事件流獲取信息，并考慮目標事件發生過程對用戶個體差異的影響，以此確定設計范圍，如圖1所示。

圖1 情景數據驅動的產品設計流程Fig.1 Scenario data-driven product design process

1.2 分境處理

在目標情境中，基于人、環境和產品之間的交互作用，研究事件隨著時間、空間等不同維度的變化導致情境內部信息發生變化的過程，探析情境中研究主體產生問題的原因，采集用戶數據。

1.3 產品需求獲取

根據分境設置問卷，選擇合適的統計學方法進行檢驗分析，有助于提高準確率。本文基于地震情境收集不同人群對防震產品的功能需求，并通過系統聚類法對需求進行聚類。采用卡方擬合優度檢驗和多重響應分析法對問卷選項進行分析。

2 基于BP神經網絡的仿生產品設計

2.1 建立仿生內容空間

仿生設計是通過提取自然界中的生物信息實現產品創新的方法[14]。主要分類方式有生物物種仿生、模仿抽象程度仿生、生物態勢仿生等。本文以仿生內容角度探討避難椅造型設計，具體步驟如圖2 所示。

圖2 基于BP神經網絡的仿生產品設計流程Fig.2 Biomimetic product design process based on BP neural network

2.2 仿生形態提取

2.2.1 建立產品形態樣本庫

通過百度圖庫等平臺收集仿生對象全部品種的圖像資料。利用里克特量表獲得用戶偏好信息，為提高偏好值準確度，結合三角模糊函數[15]進行量化。假設m位用戶關于k個仿生形態樣本的偏好程度為[14]：

式中：p=1,2,3,...,m；k=1,2,3,...,n；為第k個用戶對第p個樣本的三角模糊數；為第k個用戶關于第p個樣本的模糊數的下限為第k個用戶關于第p個樣本的模糊數可能性的最大值為第k個用戶關于第p個樣本的模糊數的上限；m為樣本總數；n為用戶數量。

構建n位用戶對m個樣本的評價矩陣，表示為R=。假設用戶的重要模糊權重為W，則n位用戶的模糊權重向量可以表示為W=（W1，W2，...，Wn），n位用戶對樣本p的模糊綜合評價集可以表示為E=(E1，E2，...，Ep)。

2.2.2 建立產品功能語義空間

將情境數據分析得到的系統聚類進行篩選，即將不符合描述產品功能的選項刪除，建立產品功能語義空間。

2.2.3 建立形態本體象元空間

采用Gabor濾波提取仿生形態，建立產品形態本體象元空間。在象元理論中，有骨-面象元、動-靜象元、量-勢象元、共-個象元和本體-喻體象元[15-19]。

2.3 方案評價及預測

2.3.1 樣本數據預處理

因本體象元是一種圖案信息形式，故將本體象元轉換為計算機可識別的語言。若仿生樣本庫中存在本體象元記為“1”，不存在則計為“0”。

2.3.2 構建前饋神經網絡模型

BP算法由信號正向傳播與誤差反向傳播兩部分組成，通過反復進行記憶訓練，使總體誤差收斂直至最小為止。輸入因子應為所提取出的生物形態本體象元，輸出因子應為用戶在情境下對仿生形態的偏好程度，以此探析仿生形態與用戶偏好之間的關系[20-24]，具體步驟為：1）提供訓練集，通過提取與產品功能相似的仿生形態，包括圖案編碼和用戶偏好評價；2）設置訓練數據和預測數據；3）訓練樣本數據歸一化；4）構建BP神經網絡，對網絡參數進行配置，包括訓練次數、學習速率，訓練目標最小誤差等；5）按BP算法訓練，將測試樣本歸一化；6）BP神經網絡預測，預測結果反歸一化與誤差計算；7）真實值與預測值誤差比較。

2.4 產品仿生方案設計

2.4.1 建立喻體象元空間

通過聯想法建立喻體象元空間，如圖3所示。在選擇喻體事物時，要與本體象元具備相似性，保證后續預測用戶偏好度的準確性。

2.4.2 形態創新設計

形狀文法是基于規則的系統[25-29]，可以生成多元設計，其基本表達是一個四元組，即：

式中：S為形狀的有限集合；L為符號的有限集合；I為初始形狀；R為形狀規則的有限集合，規則的形式為：α→β（α和β均是帶符號形狀，其中，α∈(SL)+，是形狀符號組成的集合，β∈(SL)*是(SL）+∪(SφL)；I∈(SL)+。本文將用戶偏好度高的本體象元方案作為初始形狀I，將喻體象元空間作為符號集合L，利用形狀推演規則R得到新的形狀集合S，最終得到符合用戶偏好的產品仿生設計方案。

3 應用案例

3.1 情境驅動下產品功能特征獲取

3.1.1 研究對象

本文在收集問卷前先詢問對方曾常駐地，以提高樣本多樣性。主要被測者來源地區為甘肅、四川、陜西、湖北、湖南、江西、廣東、福建、浙江等多個省份。發放樣本數量500 份，回收488 份，剔除無效樣本后得398 份。

3.1.2 統計結果

為保證問題設置科學有效，咨詢學科專家優化問卷后，再分發至民眾（其中包括40 位地震局工作人員）進行填寫。問卷內容見表1。采用SPSS 26.0 對數據處理，具體分析步驟及結果如下：

表1 問卷量表設計Tab.1 Questionnaire scale design

1）采用卡方擬合優度檢驗對單選題構成比是否具備統計學意義進行檢驗分析，在分析結果前對數據進行個案加權，結果如表2 所示，得到變量顯著性P均小于0.05，說明數據具備統計學意義。

表2 單選項變量檢驗結果Tab.2 Results of the single option variable test

2）采用多重響應和卡方優度檢驗分析多選題選項構成比是否具備統計學意義，檢驗過程中如遇到數值區間相近的選項，則重復進行檢驗，直到確定其差異具備統計學意義。結果如表3 所示，顯著性P均小于0.05。其中，B1 變量包含選項輔助清理、震中穩定、地震預測、物資儲備、情感撫慰、對外求救、局部保護、幫助逃脫，B2 變量包含選項俯跪式、蜷曲式、蹲式、側臥式、平趴式、坐式，B3 變量包含選項組合產品、防震椅、防震床、防震柜、防震桌，B4 變量包含選項金屬類、軟墊類、手電類、塊狀類、棍狀類、橡膠類、頭盔類、殼狀物、發聲物等，B5 變量包含選項橡膠類、合金類、氣囊類、纖維類、新型混凝土、特殊紙類等，B6 變量包含選項發送信號、安全轉移、氧氣補給、更換姿勢等。根據個案百分比，本文選擇防震椅進行設計。

表3 多重響應分析結合交叉表結果Tab.3 Multiple response analysis combined with cross tabulation results

3）為確定研究單選題和多選題之間是否具備統計學意義，采用多重響應分析其兩兩間顯著性差異，經個案加權后，結合交叉表卡方檢驗得出結論，如表4 所示。當顯著性P＞0.05 時，不具備統計學意義，表明變量之間關聯性不強。因此，選取P＜0.05 的數值進行系統聚類分析。

表4 單選-多選交叉檢驗分析結果Tab.4 Results of single-multiple choice cross-test analysis

4）采用系統聚類探求地震情境下不同人群避難方式及需求差異。參考虛線標出的聚類類別，如圖4所示，為6 大類18 小類。

圖4 用戶需求系統聚類譜系Fig.4 Clustering spectrum of user requirements systems

5）建立功能語義空間。根據譜系圖結果，對模糊聚類譜系圖中的功能進行篩選，刪除沒有描述功能的語義詞匯，建立產品功能語義空間，如表5 所示。

表5 產品功能語義空間Tab.5 Semantic space of product functions

3.2 基于BP神經網絡的仿生產品設計

3.2.1 建立仿生形態樣本庫

參考選項搜索自然界相關生物，發現犰狳是同類生物中最具備上述條件的生物，利用百度圖庫，選取不同犰狳品種作為樣本，共收集785 張，清理圖片后進行Gabor輪廓提取，刪除肌理不明顯的圖片后得56 張，如圖5 所示。

圖5 仿生形態樣本庫（部分）Fig.5 Bionic morphology sample library (partial)

3.2.2 建立產品仿生形態本體象元空間

對Gabor濾波提取的56 個仿生樣本輪廓進行幾何圖案的整理?；谙笤碚撝械墓?面象元、共-個象元、動-靜象元、量-勢象元進行歸類，本文將提取的39 個幾何圖案形成本體象元空間，如圖6 所示。

圖6 仿生形態本體象元空間Fig.6 Bionomorphic ontology pixel space

3.2.3 獲取模糊用戶形態偏好值

根據Liket七級量表，邀請20 位用戶進行評價，為保證結果準確，將樣本分為3 組，第1 組20 張，第2 組和第3組各18 張，每組樣本在觀測中間隔20 min。將得到的評價數據進行三角模糊數置換，表6 中僅展示前3 個樣本數據。

表6 用戶三角模糊評價值Tab.6 User triangulation fuzzy evaluation values

3.2.4 構建前饋神經網絡模型

1）編碼處理與輸入。將數據處理為計算機課識別的語言，對本體象元和功能語義分別進行編碼，如表7、8 所示。若樣本中存在該本體象元計為“1”，若不存在計為“0”，分別作為神經網絡輸入層數據進行模型訓練。

表7 樣本本體象元編碼Tab.7 Sample ontology pixel codes

2）訓練參數設置與結果輸出。利用Matlab R2022a軟件建立BP神經網絡，輸入層為39 個本體象元，輸出節點數為5，訓練樣本數據歸一化到[-1,1]之間。設置tansig雙極性S函數為激活函數，purelin函數為傳遞函數，設置訓練次數為1 000 次，誤差目標值為0.01，并將預測值和實際值的距離平方之和（MSE）作為模型精度標準，訓練結果如圖7 所示，輸出的均方誤差MSE為0.092 12，誤差符合預設范圍。將34 個產品功能語義作為輸入層，與56 個仿生樣本用戶滿意度進行訓練，結果如圖8 所示。輸出均方誤差0.007 44，選取滿意度排名前5 的語義作為最終需求，即要害部位保護、頭盔類護體物、堅硬殼狀物、橡膠類、俯跪式。

圖7 本體象元用戶偏好預測值與實際值對比Fig.7 Comparison of predicted and actual values of ontology quadrant user preferences

圖8 產品功能語義用戶偏好預測值與實際值對比Fig.8 Comparison of predicted and actual values of semantic user preferences for product features

3.2.5 用戶形態偏好度預測

本體象元空間重構產生6×12×8×13 個方案，作為輸入層數據，結果如表7 所示。用戶偏好值最高的本體象元組合方案為10010110110000110101000000 0100011011010，預測值為0.351，對其拆解后并加以組合形成產品設計方案創新的初始方案，如表8 所示。

表8 產品功能語義編碼Tab.8 Semantic coding of product functions

3.3 產品仿生方案創新設計

建立喻體象元空間，由20 位受測者進行聯想，收集整理頻率最高的關聯物作為本體象元，并建立喻體象元空間，如圖9 所示。根據形狀文法規則進行推演，如復制、平移、旋轉，得到最終圖案并進行設計，如圖10 所示。

圖9 喻體象元空間Fig.9 Metaphorical metaphorical space

圖10 仿生避難椅設計Fig.10 Bionic refuge chair design

3.4 方案評價與驗證

再次邀請前面20 位受測者對方案進行評價，并與建立的BP神經網絡象元本體方案形態相似且排名前3 的用戶偏好值對比，由圖11 可知，均方誤差MSE為0.003 24，結果小于0.01，說明方案符合用戶滿意度。

圖11 最終方案滿意度對比Fig.11 Comparison of final programme satisfaction

4 結論

本文基于地震情境對需求進行系統聚類后建立34個產品語義空間和56 個仿生對象樣本庫，利用Gabor濾波提取39 個仿生圖像本體象元。分別建立用戶偏好和仿生本體組合象元之間的映射模型和產品功能語義之間的映射模型，得到BP模型精度為0.092 12 和0.007 44，均在預設范圍內。最后結合形狀文法規則設計三款方案，經對比后得到MSE值為0.003 24，結果小于0.01，證明該設計方法能夠進行避難椅設計，可為同類產品提供設計思路。