CN109003142B - 多目标驱动的产品形态基因网络模型构建方法 - Google Patents
多目标驱动的产品形态基因网络模型构建方法 Download PDFInfo
- Publication number
- CN109003142B CN109003142B CN201810878240.XA CN201810878240A CN109003142B CN 109003142 B CN109003142 B CN 109003142B CN 201810878240 A CN201810878240 A CN 201810878240A CN 109003142 B CN109003142 B CN 109003142B
- Authority
- CN
- China
- Prior art keywords
- target
- gene
- product
- morphological
- network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 108090000623 proteins and genes Proteins 0.000 title claims abstract description 165
- 238000010276 construction Methods 0.000 title claims abstract description 16
- 230000000877 morphologic effect Effects 0.000 title claims description 100
- 238000013461 design Methods 0.000 claims abstract description 62
- 238000002474 experimental method Methods 0.000 claims abstract description 28
- 230000019771 cognition Effects 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 67
- 239000011159 matrix material Substances 0.000 claims description 30
- 238000011156 evaluation Methods 0.000 claims description 21
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000001149 cognitive effect Effects 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 14
- 230000008859 change Effects 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 5
- 238000000556 factor analysis Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 4
- 230000002996 emotional effect Effects 0.000 claims description 4
- 238000011835 investigation Methods 0.000 claims description 4
- 238000012847 principal component analysis method Methods 0.000 claims description 4
- 101150044453 Y gene Proteins 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 230000000694 effects Effects 0.000 description 7
- 238000011160 research Methods 0.000 description 6
- 101150082072 14 gene Proteins 0.000 description 5
- 241000907681 Morpho Species 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- BQJCRHHNABKAKU-KBQPJGBKSA-N morphine Chemical compound O([C@H]1[C@H](C=C[C@H]23)O)C4=C5[C@@]12CCN(C)[C@@H]3CC5=CC=C4O BQJCRHHNABKAKU-KBQPJGBKSA-N 0.000 description 5
- 238000012938 design process Methods 0.000 description 4
- 230000002068 genetic effect Effects 0.000 description 4
- 230000002860 competitive effect Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 101150033839 4 gene Proteins 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000011960 computer-aided design Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000001002 morphogenetic effect Effects 0.000 description 1
- 230000000921 morphogenic effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/02—Marketing; Price estimation or determination; Fundraising
- G06Q30/0201—Market modelling; Market analysis; Collecting market data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
- G06Q10/06315—Needs-based resource requirements planning or analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0605—Supply or demand aggregation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q30/00—Commerce
- G06Q30/06—Buying, selling or leasing transactions
- G06Q30/0601—Electronic shopping [e-shopping]
- G06Q30/0621—Item configuration or customization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/04—Manufacturing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Accounting & Taxation (AREA)
- Finance (AREA)
- Human Resources & Organizations (AREA)
- Development Economics (AREA)
- Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Manufacturing & Machinery (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种多目标驱动的产品形态基因网络模型构建方法，包括建立产品案例库与目标约束信息库、特征样本集合与产品形态基因集合、驱动目标与驱动词汇提取、构建多目标意象认知驱动空间、建立目标驱动形态基因网络、网络拓扑分析等，即基于用户意象认知实验构建多目标驱动空间，分析产品形态基因节点与边的设计，以产品形态基因为节点，以节点之间的相关性为边，构建多目标驱动的产品形态基因网络模型M‑FGN，对网络进行拓扑分析，分析出隐性设计知识辅助设计师和企业进行产品形态设计。本发明具有能提高用户需求的主观性、模糊性以及产品意象传达的精确性，且实用性好的特点。
Description
技术领域
本发明属于产品设计领域，具体地说是涉及一种多目标驱动的产品形态基因网络模型构建方法。
背景技术
产品意象造型设计已经成为当前企业重要的设计策略，用户需求的主观性和模糊性问题使得企业和设计师越来越难以把握用户需求，而单纯依靠计算机辅助技术进行的设计实际应有价值有限，因此如何有效辅助设计师和企业，以设计出更好满足用户需求同时传达品牌独特形象的产品，是当前产品设计面临的重要问题。
产品基因网络(product gene network，PGN)是复杂网络思想运用到产品基因概念中形成的一种网络形式。近年来有学者陆续对产品基因网络模型开展了研究。现有技术中，刘肖健等通过构建纯净水瓶形态参数网络并结合交互式遗传算法验证了基因调控网络对设计的辅助作用；徐瑶以保温杯为样本绘制GRN网络并析出了相关设计知识；张露芳等建立了办公椅形态关系网络；盛振构建了汽车外形基因网络以及汽车感性词汇评价网络。此外，部分学者也进行了一些基于基因网络的配色设计研究。以上研究倾向于利用复杂网络工具来分析描述实际生活中存在的大量产品设计要素之间的客观规律，如产品形态要素的重要度以及之间的相关性等。而对于复杂网络思想在产品造型设计中用户感性意象所蕴含的隐性知识挖掘方面尚缺乏系统性探索，李雪瑞等从用户感性意象需求角度构建汽车侧面外形基因网络模型，但所选意象指标单一，忽略了产品设计过程中用户需求的主观性及模糊性问题。
发明内容
本发明的目的在于克服上述缺点而提供一种能提高用户需求的主观性、模糊性以及产品意象传达的精确性，且实用性好的多目标驱动的产品形态基因网络模型构建方法。
本发明的一种多目标驱动的产品形态基因网络模型构建方法，包括下述步骤：
(1)建立目标约束信息库：收集能够描述目标产品造型的形容词汇，通过对形态无关的形容词进行筛选，确定目标约束信息库；
(2)确定驱动目标和驱动词汇：从定性目标和定量目标角度构建驱动目标，定性驱动目标通过感性词汇加以描述，采用有聚类分析法、因子分析法或主成分分析法获得；定量目标通过成本调查法、企业产品案例库方法获取；
(3)构建多目标意象认知驱动空间：选取多个驱动目标构建多目标意象认知驱动空间，将特征样本中的形态基因与驱动目标一一对应，采用实验结合量表进行意象认知实验，获取所有被试者对特征样本的每个形态基因意象评价值，得到高维的情感意象认知驱动空间；
选取品牌形象、用户偏好、社会情境3个驱动目标构建多目标意象认知驱动空间；
(4)获取产品形态基因集合：首先建立产品案例库，对收集到的产品案例库中目标产品形态进行编号，去除相似度高的形态方案，同时为避免色彩对形态的影响，对所有样本进行灰度处理；由有经验的专家及设计师进行筛选确定初步样本，通过意象认知实验对初步样本做进一步筛选获取特征样本集合；通过专家访谈、形态拆解法及特征线概念对产品特征样本进行分解，得到产品形态基因集合；采用曲线控制法对获得的形态基因进行编码处理；
(5)产品形态基因网络(M-FGN)的构建：包括节点与边的设计以及自相关矩阵构建:
M-FGN网络节点即经过编码的形态基因，形态基因遵循客观性、可编辑性、最小单元性的原则；
网络节点确定后，网络中的边代表节点之间的相关关系,通过Pearson相关系数计算形态基因之间的两两相关性；
通过软件实现样本数据的相关性系数计算，从而建立各个驱动目标下的自相关矩阵，同时采用权重系数变化法，将多目标问题转化为单目标问题进行求解；
(6)M-FGN网络拓扑分析：借鉴复杂网络中图论的相关概念对M-FGN网络进行拓扑分析，主要计算网络中节点的度、度分布、节点敏感性及节点集团，以分析出相关设计知识辅助设计师进行产品造型设计。
上述多目标驱动的产品形态基因网络模型构建方法，其中：所述步骤(4)中的采用曲线控制法对获得的形态基因进行编码处理，具体步骤为将外形特征样本导入到矢量绘图软件AI(Adobe Illustrator)中，利用3次贝塞尔曲线对样本形态特征边缘进行提取。
上述多目标驱动的产品形态基因网络模型构建方法，其中：所述步骤(5)中的通过Pearson相关系数计算形态基因之间的两两相关性,具体公式为：
其中xi为第i个特征样本的x基因取值；yi为第i个特征样本的y基因取值；
分别为两个基因的样本均值；r′为相关系数；通过阈值设定将高于设定阈值的两个基因之间建立一条连线，视为具有相关关系。
上述多目标驱动的产品形态基因网络模型构建方法，其中：所述步骤(5)中的采用权重系数变化法，将多目标驱动问题转化为单目标驱动问题：设α，β，γ分别表示三个驱动目标的权重值，可知：
设多目标驱动形态基因自相关矩阵为W,则在矩阵中可以直接用δ表示α，β，γ三者的关系，由此可得：
本发明与现有技术的相比，具有明显的可行性效果，由以上方案可知，该方法基于用户意象认知实验构建多目标驱动空间，分析产品形态基因节点与边的设计，以产品形态基因为节点，以节点之间的相关性为边，构建多目标驱动的产品形态基因网络模型M-FGN，对网络进行拓扑分析，析出隐性设计知识辅助设计师和企业进行产品形态设计，从而解决产品设计过程中用户需求的主观性、模糊性以及产品意象传达的非精确性问题，实用性好。
以下通过具体实施方式，进一步说明本发明的有益效果。
附图说明
图1为本发明的流程图；
图2为实施例中的小车侧面形态特征边缘提取图；
图3为实施例中的不同阈值下M-FGN网络图；
图4为实施例中的相关性阈值[r]＝0.53时形态基因网络图；
图5为实施例中的部分形态方案对比图；
图6为实施例中的3个驱动目标相关的实验评价数据对比图。
具体实施方式
以下结合附图及较佳实施例，对依据本发明提出的多目标驱动的产品形态基因网络模型构建方法具体实施方式、特征及其功效，详细说明如后。
参见图1，本发明的一种多目标驱动的产品形态基因网络模型构建方法，包括下述步骤：
(1)建立目标约束信息库：收集能够描述目标产品造型的形容词汇，通过对形态无关的形容词进行筛选，确定目标约束信息库；
(2)确定驱动目标和驱动词汇：从定性目标和定量目标角度构建驱动目标，定性驱动目标通过感性词汇加以描述，采用有聚类分析法、因子分析法或主成分分析法获得；定量目标通过成本调查法、企业产品案例库方法获取；
(3)构建多目标意象认知驱动空间：选取多个驱动目标构建多目标意象认知驱动空间，将特征样本中的形态基因与驱动目标一一对应，采用实验结合量表进行意象认知实验，获取所有被试者对特征样本的每个形态基因意象评价值，得到高维的情感意象认知驱动空间；
(4)获取产品形态基因集合：首先建立产品案例库，对收集到的产品案例库中目标产品形态进行编号，去除相似度高的形态方案，同时为避免色彩对形态的影响，对所有样本进行灰度处理；由有经验的专家及设计师进行筛选确定初步样本，通过意象认知实验对初步样本做进一步筛选获取特征样本集合；通过专家访谈、形态拆解法及特征线概念对产品特征样本进行分解，得到产品形态基因集合；采用曲线控制法对获得的形态基因进行编码处理；
(5)产品形态基因网络(M-FGN)的构建：包括节点与边的设计以及自相关矩阵构建:
M-FGN网络节点即经过编码的形态基因，形态基因遵循客观性、可编辑性、最小单元性的原则；
网络节点确定后，网络中的边代表节点之间的相关关系,通过Pearson相关系数计算形态基因之间的两两相关性；
通过软件实现样本数据的相关性系数计算，从而建立各个驱动目标下的自相关矩阵，同时采用权重系数变化法，将多目标问题转化为单目标问题进行求解；
(6)M-FGN网络拓扑分析：借鉴复杂网络中图论的相关概念对M-FGN网络进行拓扑分析，主要计算网络中节点的度、度分布、节点敏感性及节点集团，以分析出相关设计知识辅助设计师进行产品造型设计。
其中，产品形态设计本质上是设计师自身知识与经验的设计，因此构建M-FGN网络模型目的就是辅助企业以及设计师准确定位产品设计知识，从而提高设计效率。如图1所示，基于M-FGN网络模型的产品整体设计流程包括建立产品案例库与目标约束信息库、特征样本集合与产品形态基因集合、驱动目标与驱动词汇提取、构建多目标意象认知驱动空间、建立目标驱动形态基因网络、网络拓扑分析及优化设计。设基于M-FGN网络模型的产品创新设计方法流程为Q,则
Q＝{Co,SI,LJ,TN,Da,M(x),VD,ED,G(y)} (1)
其中，Co为产品案例库与目标约束信息库，SI＝{sIi|i≤q}为产品特征样本集合，sIi表示第i个特征样本；LJ＝{lJj|j≤r}为产品形态基因集合，lJij为第j个形态基因；TN＝{tNn|n≤c}为多驱动目标集合，tNn为第n组驱动目标；Da＝{dank|n≤c,k≤w}为根据驱动目标获取的驱动词汇集合，dank为第n组驱动目标下获取的第k个驱动词汇；M(X)为多目标驱动空间；VD为产品基因网络节点集合；ED为基因网络边集合；G(y)为目标约束下的形态基因网络；q为从产品案例库中筛选出的特征样本数；r为产品形态基因个数；n为驱动目标的组数；w为每组驱动目标下的感性词汇个数。
1构建多目标意象认知驱动空间
1.1构建目标约束信息库
目标约束信息库包括企业自身的品牌信息资料以及从网络、期刊和书籍等途径收集的能够描述目标产品造型的形容词汇。通过对形态无关的形容词进行筛选，从而确定目标约束信息库。
1.2驱动目标与驱动词汇提取
本文将产品形态设计的驱动目标分为定性目标及定量目标两类。定性目标指用具体语言描述对象属性或特征的目标，如品牌形象、用户偏好、社会情境等感性需求；定量目标指包括成本、功能质量、工艺、结构、人机性能等确定性的量化标准。
基于驱动目标获取驱动词汇。定性驱动目标可以通过感性词汇加以描述，如科技感、人性化等。常采用的方法有聚类分析法、因子分析法、主成分分析法等。定量目标可通过成本调查法、企业产品案例库等方法获取。为研究与产品形态设计有直接关联的用户感性意象与形态基因的关系，以帮助设计师定位用户感性意象中的隐性设计知识，提高产品意象传达的准确度，本文选取品牌形象、用户偏好、社会情境3个驱动目标为研究对象进行驱动词汇获取，阐述M-FGN网络模型的构建方法，其它驱动目标同样可以适用于本研究方法。
1.3构建多目标意象认知驱动空间
以品牌形象、用户偏好、社会情境3个驱动目标为例构建多目标意象认知驱动空间。品牌形象指企业有目的的传递并被消费者感知的各类视觉形象构成的集合；用户偏好指用户在购买和使用产品过程中产生的与形态、功能、情感及价值有关的主观认知，反应了用户个人的需求、喜好及兴趣；社会情境指体现当下社会的审美情趣并与社会发展趋势紧密联系的造型语言。
将特征样本中的形态基因与驱动目标一一对应，结合Likert量表进行意象认知实验，获取所有被试者对特征样本的每个形态基因意象评价值，可得到一个复杂高维的情感意象认知驱动空间，记为M(X)。构建多情感意象认知驱动空间有助于从数理学角度理解基因网络思想在产品形态设计中的应用原理，同时也是进行计算机辅助设计的重要前提。现做如下定义：
定义1：
为品牌形象驱动下第m位被试者对第i个特征样本的第j个形态基因的意象评价值。则第m位被试者对第i个特征样本的意象认知向量为
那么所有被试者对品牌形象下的第i个特征样本的意象认知空间为：
由此可得所有被试者在品牌形象驱动下对所有特征样本的意象评价值构成了高维认知空间。基于该高维认知空间，设所有被试者对特征样本i下任意形态基因j的品牌形象意象评价值均值为M(Bj)，可得：
同理可得：
定义2：
为用户偏好驱动下第m位被试者对第i个特征样本的第j个形态基因的意象评价值。
设所有被试者对特征样本i下任意形态基因j的用户偏好意象评价值均值为M(Uj)，可得：
定义3：
为用户偏好驱动下第m位被试者对第i个特征样本的第j个形态基因的意象评价值。
设所有被试者对特征样本i下任意形态基因j的社会情境意象评价值为M(Sj)，可得：
2获取产品形态基因集合
2.1建立产品案例库
获取产品形态基因集合首先要建立产品案例库，包括自有产品、竞争产品以及其它产品。自有产品指企业长期发展中不断迭代累积下来的产品，包括已经量产的产品方案以及未能量产的概念方案；竞争产品指市场上与企业产品定位相同或近似，构成竞争关系的产品；其他产品指社会环境下能够代表主流审美趋势如时装、电影、汽车等行业的代表性产品。
2.2建立产品特征样本集合与产品形态基因集合
对收集到的产品案例库中目标产品形态进行编号，去除相似度高的形态方案，同时为避免色彩对形态的影响，对所有样本进行灰度处理。由有经验的专家及设计师进行筛选确定初步样本。通过意象认知实验对初步样本做进一步筛选获取特征样本集合。采用SD法结合Likert量表，调查用户在品牌形象、用户偏好、社会情境下对每个代表性样本的意象评价值，剔除掉与驱动目标关联性不大的样本形态，取分值较高的代表性样本确定为最终的特征样本集合SI。
将产品特征样本分解获得产品形态基因。实际产品形态由较多的特征构成，而消费者形成的视觉印象往往是某些重要的特征元素构成的，因此本文通过专家访谈、形态拆解法及特征线概念对产品特征样本进行分解，得到产品形态基因集合。采用曲线控制法对获得的形态基因进行编码处理。将外形特征样本导入到矢量绘图软件AI(AdobeIllustrator)中，利用3次贝塞尔曲线对样本形态特征边缘进行提取。最终获得所有编码完成的形态基因集合LJ。
2.3M-FGN网络构建
以品牌形象、用户意象、社会情境为例构建M-FGN网络，设G(y)为目标约束下的产品形态基因网络(product Form Gene Network，FGN)，则
G(y)＝(G(B),G(U),G(S)) (7)
其中G(B)表示与品牌形象相关的FGN网络，G(B)＝(VB,EB)；G(U)表示与用户意象相关的FGN网络，G(U)＝(VU,EU)；G(S)表示与社会情境相关的FGN网络,G(S)＝(VS,ES)。对M-FGN网络的构建过程做如下形式化描述。
2.3.1M-FGN网络节点与边的设计
M-FGN网络节点即经过编码的形态基因，形态基因的定义应遵循客观性、可编辑性、最小单元性的原则。由公式(1)知M-FGN网络节点集为VD，则VD＝(vd1,vd2,vd3,…vdr)，可知与品牌形象相关的FGN网络节点集为VB,则VB＝(vb1,vb2,vb3…vbr)；与用户偏好相关的FGN网络节点集为VU,则VU＝(vu1,vu2,vu3…vur)；与社会情境相关的FGN网络节点集为VS,则VS＝(vs1,vs2,vs3…vsr)。
基因网络节点确定后，网络中边的发现是构建M-FGN网络的重要工作。网络中的边代表节点之间的相关关系，表示为ED，则
为网络中任意节点
与
之间的互作关系。那么与品牌形象、用户偏好、社会情境相关的FGN网络中的边可分别表示为
本文通过Pearson相关系数计算形态基因之间的两两相关性，具体公式为：
其中xi为第i个特征样本的x基因取值；yi为第i个特征样本的y基因取值；
分别为两个基因的样本均值；r′为相关系数。通过阈值设定将高于设定阈值的两个基因之间建立一条连线，视为具有相关关系。
2.3.2M-FGN网络自相关矩阵构建
根据2.3.1所述方法，本文通过SPSS 20.0软件实现样本数据的相关性系数计算，从而建立各个驱动目标下的自相关矩阵。文中构建的三个驱动目标分别来自企业、用户以及社会审美趋势三个角度，因此本文采用权重系数变化法，将多目标问题转化为单目标问题进行求解。具体步骤如下。
(1)建立品牌形象驱动下的形态基因自相关矩阵X。知与品牌形象相关的FGN网络节点集为VB＝(vb1,vb2,vb3，…,vbr)，其中r为产品形态基因节点个数，可设Xbi为品牌形象驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为
(2)建立用户偏好驱动下的形态基因自相关矩阵Y。设Yui为用户偏好驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为
(3)建立社会情境驱动下的形态基因自相关矩阵Z。设Zsi为用户偏好驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为
(4)建立M-FGN网络自相关矩阵。实际设计项目中，企业往往要综合多方面因素进行产品设计定位，综合考虑品牌形象、用户偏好、社会情境等方面对产品的影响，以更好满足用户多样化的需求，提升产品市场销量。本文采用权重系数变化法，将多目标驱动问题转化为单目标驱动问题，设α，β，γ分别表示三个驱动目标的权重值，可知
设多目标驱动形态基因自相关矩阵为W,则在矩阵中可以直接用δ表示α，β，γ三者的关系，由此可得
2.4M-FGN网络拓扑分析
借鉴复杂网络中图论的相关概念对M-FGN网络进行拓扑分析，主要计算网络中节点的度、度分布、节点敏感性及节点集团，以析出相关设计知识辅助设计师进行产品造型设计。
节点的度指与网络中任意节点Vdi相连的边的条数，记为Kdi，Kdi的值越大代表该节点在网络中越重要。节点敏感性反映了网络中形态基因值的稳定性程度。可以通过计算节点基因的方差来表示。敏感性越小代表形态基因的稳定性越差，即该基因受其它基因的影响越大。反之则越小。其数学公式为
其中xi为第i个特征样本的x基因取值，
为基因的样本均值。
节点集团指在基因网络中一群互相联系并共同起作用的节点集合。通过对基因网络设置相关系数阈值来析出多目标约束下的节点集团，阈值大小的不同，网络呈现不同的结构关系，当相关性阈值越高，网络将形成几个大的节点集团。这些节点集团内部联系紧密，代表产品形态基因之间具有较强的关联性，在设计时需要同时考虑这些形态特征线条。
实施例：
以某国有企业AGV小车形态设计为例，阐述多目标中品牌形象、用户偏好、社会情境3个目标驱动下AGV小车M-FGN网络的构建以及网络模型在辅助设计师精确定位用户感性需求中的隐性知识，提高产品意象传达的准确度方面的作用。
1获取感性词汇
根据前文方法建立企业AGV小车案例库以及目标约束信息库，限于篇幅此处不做详述。从建立的产品案例库中各选出一组代表性样本进行形容词提取。首先通过实验收集被试者对代表性样本产生的直观感性语言描述；其次采用语义转化法结合目标约束信息库将被试者描述性的语言以及企业自身的品牌信息转化为感性词汇，由3名有经验的设计师对获得的感性词汇进行筛选，去除与用户偏好、社会情境相关性较小的词汇，得到代表性感性词汇。将得到的感性词汇与代表性样本结合，采用语意差异法结合7点Likert量表进行3个驱动目标下的调查问卷实验；最后通过因子分析、聚类分析获得各个驱动目标下的感性词汇，如表1所示。结合企业实际情况以及未来发展战略，本次论文选择稳重感和大气感作为品牌形象的感性词汇，选择简洁感、整体感以体现用户偏好需求，选择现代感和精致感作为满足社会审美趋势的感性词汇。
表1感性词汇
2特征样本与形态基因提取
对案例库中企业AGV产品形态进行分析，去除相似度高的形态方案，对所有样本进行灰度处理，提供给6名有经验的设计师，筛选出90个初步样本方案。采用SD法结合Likert7级量表制作品牌形象、用户偏好、社会情境调查问卷，随机选取20名被试者，对初步样本进行打分，最后确定48个分值较高的形态方案确定为特征样本集合，则特征样本集合SI＝{sIi|i≤48}。
分析筛选出的特征样本方案，通过形态拆解法将AGV分为顶面轮廓、侧面轮廓、显示面板、指示灯、分割线等5个重要形态要素，结合专家访谈法及特征线概念对形态要素进行分析，最终确定AGV侧面轮廓线及显示面板为研究对象。将特征样本方案导入到AI软件中，对侧面轮廓及显示面板进行特征边缘提取(如图2)。
如图2所示，可将AGV侧面轮廓线及显示面板分割为24条2次贝塞尔曲线，由于左右形态对称，因此取其中的14条贝塞尔曲线确定为特征样本的产品形态基因，其中包括9个侧面轮廓形态基因及5个面板形态基因，记LJ＝{lJj|j≤14}，将48个特征样本全部矢量化，结果如表2所示：
表2贝塞尔曲线编码后的形态基因集合
3AGV小车侧面形态M-FGN网络绘制
根据前文所述方法，通过意象认知实验获取用户对形态基因的情感评价值。实验选取45名被试者，其中包括15名有经验的设计师，15名企业管理人员和15名具有3年以上物流工厂工作经验的员工，对案例库中筛选的48个AGV特征样本下的14个形态基因逐个评价。由此得到一个复杂高维的用户评价意象空间。
3.1自相关矩阵构建
通过SPSS 20.0计算14个形态基因之间的Pearson相关性系数，以确定AGV小车侧面形态M-FGN网络中边的关系。
从用户评价意象空间中选取与品牌形象相关的数据，计算基因变量之间的Pearson相关性系数，可以分别得到与品牌形象、用户偏好以及社会情境相关的14个基因节点的自相关系数矩阵。如表3所示，为与品牌形象相关的14个基因节点Pearson相关系数。
通过与企业商讨，确定AGV小车新产品形态设计中品牌形象传达度占比30％，用户偏好满意度占比50％，社会情境满足度占比20％，则α＝3.0，β＝0.5，γ＝0.2，带入公式(13)(14)中，得到AGV小车侧面形态M-FGN网络中14基因节点自相关矩阵，如表4所示。
表3品牌形象相关的14个基因节点Pearson相关系数
表4多目标相关的14个基因节点Pearson相关系数
3.2M-FGN网络绘制
将构建的多目标相关的14个形态基因节点自相关矩阵输入到网络分析软件UCINET 6.186中通过设置不同阈值得到AGV侧面形态M-FGN网络图。如图3所示，其中节点的直径代表节点的度值。
4网络拓扑分析及设计知识转化
对绘制的AGV小车侧面形态M-FGN网络进行拓扑分析，计算形态基因节点的度数、度分布情况以及节点集团，将析出的显性设计知识提供给设计师，辅助设计师定位关键形态线条。
4.1节点度数及节点敏感性计算
计算构建的AGV小车侧面形态网络中基因节点度数。当相关性阈值[r]＝0.3时，14个形态基因节点中度数最大的4个基因节点如表5所示.
表5相关性阈值[r]＝0.3时度数最大的4个基因节点
基于SPSS 20.0计算网络中形态基因节点的方差，得到节点敏感性值，14个基因节点中敏感性最大的4个基因节点如表6所示。
表6 M-FGN网络中敏感性最高的4个节点
4.2节点集团识别
通过设置相关性阈值析出节点集团。相关研究表明设计师同时处理的形态要素数量应控制在3个左右，因此取相关性阈值[r]＝0.53时，AGV小车侧面形态网络中共析出4个节点集团，两个独立节点。如图4所示。
4.3设计知识转化
分析节点度数、节点敏感性以及节点集团特征，目的是将多目标驱动下用户感性意象中的隐性设计知识转化为显性设计知识，以提供给设计师进行产品设计。经过分析得到如下信息：
(1)代表AGV小车顶部与侧面交接处的形态基因vd3，具有最高节点度数以及第二敏感性的特征，是多目标驱动下的形态基因关键节点。表明该处形态基因与其它基因关联性最高，且形态基因的变化对AGV小车整体意象影响较大，在设计中需要最优先考虑。对照节点集团可以看出vd3与代表侧面形态基因的vd2以及代表显示屏顶部与侧面转角的形态基因vd12构成两两连接关系，且vd2的度数排第三，因此这三个形态基因需要设计师协同考虑，且主从顺序为vd3，vd2，v12。
(2)代表顶部下凹载货区的形态基因vd8具有最高的敏感性，以及第二高的节点度数，表明该处基因的变化对AGV小车整体意象影响最大，且与其他基因具有较高的关联性。代表显示屏底部转角形态的vd10与代表顶部下凹载货区与侧面转角形态的vd7，以及代表显示屏顶部形态的vd13，三者与vd8一起构成一个四元节点集团，在设计时需要同时进行优化考虑。
(3)顶部与下凹载货区转角形态基因vd5与显示屏底部形态基因vd14以及顶部形态基因vd4之间存在关联，共同构成一组节点集团。且形态基因vd14是敏感节点，相对于形态基因vd5以及形态基因vd14而言，对AGV小车整体感性意象影响更大，在该节点集团中处于优先位置。
(4)代表载货区下凹深度的形态基因vd6与代表显示屏侧面高度的形态基因vd11构成一组二元节点集团，需要协同考虑。且在敏感性方面，显示屏侧面高度形态基因vd11具有较高敏感性，因此在该二元节点集团中具有主导地位。
(5)得到两个独立形态基因节点，在节点度数以及敏感性方面都较低，在设计时可以不做重点考虑。
5对照实验
将析出的设计知识提供给设计师进行产品形态设计，以验证M-FGN网络对设计师的辅助作用。实验包括样本获取实验以及对照评价实验两部分。
从AGV特征样本库中选取3个代表性方案作为实验基础样本，邀请5名有3年以上工作经验的专业设计师，要求在实验基础样本基础上每人设计出一款能够延续企业品牌形象(稳重感和大气感)，满足用户偏好(简洁感、整体感)且符合社会审美趋势(现代感和精致感)的AGV子代产品，将其作为实验对照组。然后将析出的设计知识提供给设计师，在同等条件下使每位设计师再次设计出一款AGV形态方案作为实验组方案。最终得到2组共30个形态方案，并通过软件矢量化表达，如图5所示为通过两组实验得到的部分形态方案。
将未提供设计知识得到的15个形态方案与提供设计知识得到的15个形态方案进行对照评价实验。实验采用语义差异法，结合Likert7级量表(1～7)制作品牌形象、用户偏好以及社会情境相关的调查问卷。选取24名被试者，包括设计师、企业管理人员以及物流工厂操作工人。统计结果如图6所示，分析可知，对比未提供设计知识的对照组样本，给设计师提供设计知识所得到的实验组样本在品牌形象、用户偏好和社会情境方面平均得分分别提高了0.4，1.11，1.42；在满意程度方面分别由65.5.％、60.50％、55.00％提高到86.00％、91.50％、85.50％，分别提高了20.5％、31％、30.5％。；分值在6分以上人数比例分别由37.50％、50.00％、41.67％提高到62.50％、75.00％、58.33％。由此验证了M-FGN网络模型的有效性。
总之，本发明为解决产品设计过程中用户需求的主观性、模糊性问题，提高产品意象传达的准确度，首先提出了M-FGN网络构建方法；然后以某企业AGV小车侧面形态设计为例构建了品牌形象、用户偏好、社会情境驱动的形态基因网络模型；最后通过对照评价实验验证了M-FGN网络模型的有效性，实验结果表明，通过给设计师提供网络模型析出的设计知识，子代方案在品牌形象、用户偏好、社会情境满意度方面分别提高20.5％、31％、30.5％。M-FGN网络使传统的单纯依靠设计师经验进行的设计活动变得更加科学化，提高了AGV小车品牌形象及用户感性需求传达的准确度，对设计师挖掘用户感性意象中的隐性设计知识提供了的辅助作用。
以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。
Claims (4)
1.一种多目标驱动的产品形态基因网络模型构建方法，包括下述步骤：
(1)建立目标约束信息库：收集能够描述目标产品造型的形容词汇，通过对形态无关的形容词进行筛选，确定目标约束信息库；
(2)确定驱动目标和驱动词汇：从定性目标和定量目标角度构建驱动目标，定性驱动目标通过感性词汇加以描述，采用有聚类分析法、因子分析法或主成分分析法获得；定量目标通过成本调查法、企业产品案例库方法获取；
(3)构建多目标意象认知驱动空间：选取多个驱动目标构建多目标意象认知驱动空间，将特征样本中的形态基因与驱动目标一一对应，采用实验结合量表进行意象认知实验，获取所有被试者对特征样本的每个形态基因意象评价值，得到高维的情感意象认知驱动空间；
(4)获取产品形态基因集合：首先建立产品案例库，对收集到的产品案例库中目标产品形态进行编号，去除相似度高的形态方案，同时为避免色彩对形态的影响，对所有样本进行灰度处理；由有经验的专家及设计师进行筛选确定初步样本，通过意象认知实验对初步样本做进一步筛选获取特征样本集合；通过专家访谈、形态拆解法、特征线概念对产品特征样本进行分解，得到产品形态基因集合；采用曲线控制法对获得的形态基因进行编码处理；
(5)产品形态基因网络M-FGN的构建：包括节点与边的设计以及自相关矩阵构建:
M-FGN网络节点即经过编码的形态基因，形态基因遵循客观性、可编辑性、最小单元性的原则；
网络节点确定后，网络中的边代表节点之间的相关关系,通过Pearson相关系数计算形态基因之间的两两相关性；
通过软件实现样本数据的相关性系数计算，从而建立各个驱动目标下的自相关矩阵，同时采用权重系数变化法，将多目标问题转化为单目标问题进行求解；具体步骤如下：
1)建立品牌形象驱动下的形态基因自相关矩阵X：与品牌形象相关的M-FGN网络节点集为VB＝(vb1,vb2,vb3,…,vbr)，其中r为产品形态基因节点个数，可设Xbi为品牌形象驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为：
2)建立用户偏好驱动下的形态基因自相关矩阵Y：设Yui为用户偏好驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为：
3)建立社会情境驱动下的形态基因自相关矩阵Z：设Zsi为用户偏好驱动下任意两个形态基因节点之间的相关系数，则r个形态基因节点的自相关矩阵为：
4)建立M-FGN网络自相关矩阵：采用权重系数变化法，将多目标驱动问题转化为单目标驱动问题，设α，β，γ分别表示三个驱动目标的权重值，可知：
设多目标驱动形态基因自相关矩阵为W,则在矩阵中可以直接用δ表示α，β，γ三者的关系，其中，δ1表示α，β，γ三者相乘的关系，δ2表示α，β，γ三者各自累加后再相加的关系，由此可得：
(6)M-FGN网络拓扑分析：借鉴复杂网络中图论的相关概念对M-FGN网络进行拓扑分析，主要计算网络中节点的度、度分布、节点敏感性及节点集团，以分析出相关设计知识辅助设计师进行产品造型设计。
2.如权利要求1所述的多目标驱动的产品形态基因网络模型构建方法，其特征在于：所述步骤(3)中的选取品牌形象、用户偏好、社会情境3个驱动目标构建多目标意象认知驱动空间。
3.如权利要求1所述的多目标驱动的产品形态基因网络模型构建方法，其特征在于：所述步骤(4)中的采用曲线控制法对获得的形态基因进行编码处理，具体步骤包括：将外形特征样本导入到矢量绘图软件AI中，利用3次贝塞尔曲线对样本形态特征边缘进行提取。
4.如权利要求1所述的多目标驱动的产品形态基因网络模型构建方法，其特征在于：所述步骤(5)中的通过Pearson相关系数计算形态基因之间的两两相关性,具体公式为：
其中xi为第i个特征样本的x基因取值；yi为第i个特征样本的y基因取值；
分别为两个基因的样本均值；r′为相关系数；通过阈值设定将高于设定阈值的两个基因之间建立一条连线，视为具有相关关系；
m＝1,2,3,…,b，i＝1,2,3,…,q,为品牌形象驱动下第m位被试者对第i个特征样本的第j个形态基因的意象评价值；所有被试者对特征样本i下任意形态基因j的品牌形象意象评价值均值为M(Bj)。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810878240.XA CN109003142B (zh) | 2018-08-03 | 2018-08-03 | 多目标驱动的产品形态基因网络模型构建方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810878240.XA CN109003142B (zh) | 2018-08-03 | 2018-08-03 | 多目标驱动的产品形态基因网络模型构建方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109003142A CN109003142A (zh) | 2018-12-14 |
| CN109003142B true CN109003142B (zh) | 2021-11-19 |
Family
ID=64595744
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810878240.XA Active CN109003142B (zh) | 2018-08-03 | 2018-08-03 | 多目标驱动的产品形态基因网络模型构建方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109003142B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109992612B (zh) * | 2019-04-19 | 2022-03-04 | 吉林大学 | 一种汽车仪表板造型形态元素特征库的开发方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101364244A (zh) * | 2008-08-07 | 2009-02-11 | 同济大学 | 基于行为语义网络知识模型的产品基因建模方法 |
| CN101430728A (zh) * | 2008-07-28 | 2009-05-13 | 同济大学 | 产品特征基因的编码方法 |
| CN107194082A (zh) * | 2017-05-26 | 2017-09-22 | 西北工业大学 | 基于转基因理论的工业产品智能设计方法 |
| CN107220435A (zh) * | 2017-05-26 | 2017-09-29 | 西北工业大学 | 意象驱动的产品形态基因网络模型构建方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2005003368A2 (de) * | 2003-07-04 | 2005-01-13 | Siemens Aktiengesellschaft | Verfahren, computerprogramm mit programmcode-mitteln und computerprogramm-produkt zur analyse eines regulatorischen genetischen netzwerks einer zelle |
| US20080220977A1 (en) * | 2005-10-12 | 2008-09-11 | Gni Ltd. | Computational strategy for discovering druggable gene networks from genome-wide RNA expression profiles |
-
2018
- 2018-08-03 CN CN201810878240.XA patent/CN109003142B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101430728A (zh) * | 2008-07-28 | 2009-05-13 | 同济大学 | 产品特征基因的编码方法 |
| CN101364244A (zh) * | 2008-08-07 | 2009-02-11 | 同济大学 | 基于行为语义网络知识模型的产品基因建模方法 |
| CN107194082A (zh) * | 2017-05-26 | 2017-09-22 | 西北工业大学 | 基于转基因理论的工业产品智能设计方法 |
| CN107220435A (zh) * | 2017-05-26 | 2017-09-29 | 西北工业大学 | 意象驱动的产品形态基因网络模型构建方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于基因网络的产品形态设计研究;张露芳等;《浙江工业大学学报》;20161031;全文 * |
| 意象驱动的产品形态基因网络模型构建与应用;李雪瑞等;《计算机集成制造系统》;20180228;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109003142A (zh) | 2018-12-14 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | A method for product form design of integrating interactive genetic algorithm with the interval hesitation time and user satisfaction | |
| CN108629338B (zh) | 一种基于lbp和卷积神经网络的人脸美丽预测方法 | |
| Witlox et al. | The application of rough sets analysis in activity-based modelling. Opportunities and constraints | |
| Kang | Combining rough set theory and support vector regression to the sustainable form design of hybrid electric vehicle | |
| CN109241446B (zh) | 一种职位推荐方法及系统 | |
| CN115034959A (zh) | 一种基于跨通道融合空间注意力机制的高清图像翻译方法 | |
| CN111950195B (zh) | 一种基于画像系统与深度回归模型的工程进度预测方法 | |
| CN112101574A (zh) | 一种机器学习有监督模型解释方法、系统及设备 | |
| CN109003142B (zh) | 多目标驱动的产品形态基因网络模型构建方法 | |
| Ding et al. | Multiemotional product color design using gray theory and nondominated sorting genetic algorithm‐III | |
| Ding et al. | An ISM-BN-GA based methodology for product emotional design | |
| Chen et al. | Evaluating aircraft cockpit emotion through a neural network approach | |
| CN114511190A (zh) | 一种面向二级市场市值重估的可视分析系统及分析方法 | |
| CN112116669B (zh) | 一种基于颜色和谐和平面构成的图像美学预测方法 | |
| Akay et al. | A neuro-fuzzy based approach to affective design | |
| CN106845391B (zh) | 一种家居环境下的氛围场识别方法及识别系统 | |
| Li et al. | Learning aesthetic judgements in evolutionary art systems | |
| Lo | Building a relationship between elements of product form features and vocabulary assessment models | |
| Tseng et al. | Learning stylistic desires and generating preferred designs of consumers using neural networks and genetic algorithms | |
| CN109063241A (zh) | 一种汽车车身的造型设计方法 | |
| Zhang et al. | An evolutionary design method of product form inspired by spider-webs | |
| Wu | Evolutionary design method for transforming ceramic cultural elements into cultural and creative products. | |
| Xue et al. | A hybrid approach of the product image design of train seats based on Kansei engineering theory | |
| Yang et al. | Research on the intelligent design of the multidimensional form of a product under a brand cobweb constraint | |
| Guo | Application and Effect Evaluation of Deep Learning and Computer Aided Design in Product Design |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |