CN109063241A - 一种汽车车身的造型设计方法 - Google Patents
一种汽车车身的造型设计方法 Download PDFInfo
- Publication number
- CN109063241A CN109063241A CN201810634153.XA CN201810634153A CN109063241A CN 109063241 A CN109063241 A CN 109063241A CN 201810634153 A CN201810634153 A CN 201810634153A CN 109063241 A CN109063241 A CN 109063241A
- Authority
- CN
- China
- Prior art keywords
- motor car
- automobile
- design
- chromosome
- vocabulary
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/15—Vehicle, aircraft or watercraft design
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/086—Learning methods using evolutionary algorithms, e.g. genetic algorithms or genetic programming
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Artificial Intelligence (AREA)
- Physiology (AREA)
- Evolutionary Biology (AREA)
- Automation & Control Theory (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Aviation & Aerospace Engineering (AREA)
- Computer Hardware Design (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种汽车车身的造型设计方法,根据汽车车身形态确定汽车车身主要造型设计特征,并通过眼动实验获得主要造型设计要素;基于专家调查从大量样本中通过多次筛选获得多张具有不同造型的汽车样本图片;通过被测试者观察汽车样本图片后提出汽车车身风格感性意向词汇,采用改进的BP神经网络构建汽车车身造型设计要素和汽车车身风格感性意向词汇之间的关联模型;本发明的设计方法能反映用户的情感意向,有效提高汽车车身造型设计方案的成功率,极大地提高了设计效率,缩短了开发周期。
Description
技术领域
本发明涉及汽车造型设计领域,特别是涉及一种汽车车身的造型设计方法。
背景技术
汽车是精密而复杂的机械,车身的外部形态也是由很多的局部构件所组成。这些局部构件都具有各自不同的特征,当把这些局部构件组合在一起,所形成的所有特征集合的实体,构成了汽车车身的整体造型。
造型设计的核心任务是使产品对象具备优良的美学品质、品牌识别、使用体验,有效的增加用户黏性,核心能力是赋予产品“情感”属性。现有的汽车车身造型设计方法主要采用基于时序的开发模式,从整体布置输入、方案设计、模型制作、设计冻结到工程设计是串行,设计控制主要依靠经验,风险控制程度大,开发周期长。设计流程主要还是凭借工业设计师的感觉和经验,通过手绘草图、计算机辅助设计、模型制作等表达手段来探索不同的设计可能性,设计师的主观判断和认知范围的差异性会造成设计方案的局限性;虽然在正式开展设计之前,设计师都会进行用户需求分析,但是仍无法保证外形设计方案能满足目标用户的感性需求,需要通过设计结果的样机测试去反复调整设计方案。另外,由于用户的感性意向属于主观行为,受各种条件的影响,其为不确定因素。而且产品的形态设计要素和用户对产品的感性意向评价之间的关系很难被准确表达。也即,产品设计过程中产品的造型设计要素与消费者对产品的意象感知之间的关系属于黑箱模型,不能够被精确地描述。
此外,在现有设计中常用复回归、净最小平方回归等方法以处理回归函数估计的问题从而建立预测模型,但这些方法都是以线性模型为假设,无法有效处理非线性问题。虽然在处理变量之间的多对多映射的非线性关系时,BP神经网络很适合用来建立该类预测模型,但在实际运用中,非线性的映射要复杂很多,往往会存在多个局部最优解,最后的寻优结果往往与初始点的选取有很大的关系,如若初始点在局部最优点附近,就有可能得不到全局最优值。另外,神经网络权值与阈值是随机产生的,容易陷入局部最优。
发明内容
为了解决上述问题,本发明提供一种汽车车身的造型设计方法,该方法能科学合理获取汽车车身造型的主要设计要素,极大地提高了设计效率,缩短了开发周期,而且该造型设计方法能反映用户的情感意向,有效提高汽车车身造型设计方案的成功率。
本发明根据汽车车身形态确定汽车车身主要造型设计,汽车车身的设计主要包括对车前端、车侧面和车后端三大部分的造型设计。车前端的主要造型设计要素包括:进气格栅、前大灯、引擎盖、前保险杠四大部分。车侧面的主要造型设计要素包括:车门样式、车窗样式、顶棚三大部分。车后端的主要造型设计要素包括:尾灯、后备箱盖,后保险杠三大部分。通过上述车身三大部分包括的各个造型设计要素的传达,就可以对汽车车身形态有了全方位的认知,也是汽车车身形态设计时的重点。
本发明通过眼动实验跟踪测试专业消费者关注的影响汽车车身造型设计的特征,然后对其进行定量分析,寻找汽车车身视觉评价的有效指标。眼动实验利用非头盔式眼部跟踪系统进行测试。在测试过程中,通过被测试者浏览预先选定的10类不同风格汽车车身造型的整车图片,检测被测试人员在车身的不同造型设计要素上注视的时间和次数,并对数据进行方差分析,从而获得影响汽车车身造型的主要设计要素,即:进气格栅、前大灯、前保险杠、尾灯以及后保险杠。通过该方法能够有效获取汽车造型的主要设计特征,避免了后期重复劳动,极大地提高了设计效率。
本发明基于专家调查从大量样本中通过多次筛选获得多张具有不同造型的汽车样本图片;所述多次筛选包括两轮筛选,其中第一轮筛选是在研究人员与设计人员共同参与下得到的一个样本库,所述样本库中的样本存在相似性高的样本;第二轮筛选采用主观评价的方法,获得两两样本图片之间的相似性,构建相似性矩阵,对数据进行聚类分析,从而筛选出独立的所述汽车样本图片;本发明通过该筛选将样本库中相似性较高的样本去除,缩小样本量,从而降低后期处理的工作量。
本发明通过对被测试者使用头脑风暴法,被测试者在观察上述实验样本图片后尽量多地提出感性意向词汇,然后初步收集30组感性意向语义相反的词汇对,专家调查小组对一些意象语义非常类似的词汇样本进行多轮筛选,去除与实验目标不相关或意义相近的感性意象词汇,将剩下的15组感性意象词汇样本进行聚类分析,最后选取了6组最具代表性的汽车车身造型设计感性意象词汇对。这6组汽车车身造型设计感性意象词汇对为简洁-复杂、精致-粗糙、科技-复古、柔和-硬朗,活泼-沉稳和个性-普通。汽车车身的感性意向以上述一系列互为反义词的感性语义形容词对进行描述,便于试验人员表达对某一种感觉的正反评价。
本发明采用5分制的语义差分法开展调查问卷,作为对感性意向词汇评价的量尺,量尺的区间值为5,即1,2,3,4,5。测试者对进一步挑选的多个样本进行打分,选择1即表示倾向于简洁,选择3表示对该样本的评价处于中立态度,选择5表示倾向于复杂。通过调查统计,获得汽车车身风格感性意向评价平均值。
本发明采用改进的BP神经网络构建汽车车身造型设计要素和汽车车身风格感性意向词汇之间的关联模型,以此拟合汽车车身造型设计元素和感性意象之间非线性的复杂关系。汽车车身样本的造型设计要素为模型的输入值,感性意向词汇平均值为输出值,用于训练设计预测模型。通过多次比较试验,确定神经网络为4层,输入层、两个隐藏层、输出层,各层的节点数为5-4-16-1;其中输入层是5个汽车车身造型设计要素,输出层是“简洁-复杂”这一词汇对的感性评价值,第一隐藏层有4个神经元,选择tang-sigmoid传递函数;其中,i=1,2,3,4,5;m=1,2,3,4。第一隐藏层有16个神经元,选择log-sigmoid传递函数。其中,m=1,2,3,4;n=1,2,…,16。输出层选择purelin传递函数。其中,wim和wmn以及bm采用遗传算法进行优化,使得神经网络训练误差最小,避免训练陷入局部最优情形。该神经网络的权值与阈值即为遗传算法的染色体。染色体的每个元素称之为基因,通过不断计算染色体的适应值,淘汰适应值差的染色体,选择最好的染色体组,获得最优解。
遗传算法优化神经网络主要包括了如下步骤:初始化进化次数,种群规模,交叉概率,变异概率;对种群进行实数编码,并将预测数据与期望数据之间的误差作为适应度函数;循环进行选择、交叉、变异、计算适应度操作,直到达到进化次数,得到最优的初始权值和阈值;将得到的最优初始权值和阈值用来构建BP神经网络。其中,选择操作中采用轮盘赌的方式选取染色体。第一,在[0,1]内产生一个均匀分布的随机数r。第二,若r≤q1,则染色体x1被选中。第三,若qk-1≤r≤qk(2≤k≤N),则染色体xk被选中。其中的qi为染色体(i=1,2,…,n)的积累概率:
交叉操作中按照一定的概率,选择两个染色体,随机指定一点或者多点,进行交换,获得两个新的染色体;变异操作按照一定的变异概率,在染色体二进制编码中,1变成0,0变成1,该操作能够有效在进化过程中避免早熟,陷入局部最优;
通过最佳初始权值与阈值构建BP神经网络;使用训练数据训练BP神经网络;用测试数据测试BP神经网络,并分析测试数据与期望数据之间的误差;分析预测数据,并将预测的数据反归一化处理。
本发明的上述技术方案的有益效果如下:
本方法在车身形态要素分析、汽车车身风格感性意象的认知识别和感性意象调查的基础上,建立了能够预测车身风格感性意象的改进的BP神经网络模型,利用该模型能够使得在汽车车身造型设计过程中,系统反映用户的情感意象评估,从而有效地提高汽车车身造型设计方案的针对性和成功率。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
本发明提供一种汽车车身造型的方法,其中,汽车车身的设计主要包括对车前端、车侧面和车后端三大部分的造型设计。车前端的主要造型设计要素包括:进气格栅、前大灯、引擎盖、前保险杠四大部分。车侧面的主要造型设计要素包括:车门样式、车窗样式、顶棚三大部分。车后端的主要造型设计要素包括:尾灯、后备箱盖,后保险杠三大部分。通过上述车身三大部分包括的各个造型设计要素的传达,就可以对汽车车身形态有了全方位的认知,也是汽车车身形态设计时的重点。
通过眼动实验跟踪测试专业消费者对影响汽车车身造型设计的特征,对其进行定量分析,寻找汽车车身视觉评价的有效指标。眼动实验利用非头盔式眼部跟踪系统进行测试。在测试过程中,通过被测试者浏览预先选定的10类不同风格汽车车身造型的整车图片,检测被测试人员在车身的不同造型设计要素上注视的时间和次数,并对数据进行方差分析,从而获得影响汽车车身造型的主要设计要素,即:进气格栅、前大灯、前保险杠、尾灯以及后保险杠。
另外,也可以采用形态分析法确定汽车车身设计要素。
本发明分别用x1,x2,x3,x4,x5表示上述5个汽车车身的重要设计要素。
汽车车身形态所形成的风格来源于车身造型重要设计特征的组合,用户通过感知、认识、分析和评判,最终做出选购意向。为确定用户对车身风格的感性意向,成立专家调查小组,由资深汽车设计师2人、资深汽车性能测评师2人、资深汽车销售人员2人以及高校汽车专业教授2人组建。
首先,从大量样本中筛选出50张不同造型意向的汽车样本图片,并去除颜色、品牌、材质等因素对造型设计的影响作为实验样本。汽车样本图片的筛选遵循如下基本原则:a.样本图片以及图片的设计要素均能够清楚地辨识;b.样本图片应尽可能包含所有的设计要素;c.控制样本间的相似性;d.样本的拍摄角度最好为正面向前拍摄。样本图片的筛选经过多轮,例如第一轮筛选是在研究人员、设计人员共同参与下完成,得到了一个较小的样本库,这个样本库中的样本存在一些相似性高的样本。第二轮筛选采用主观评价的方法,获得两两样本图片之间的相似性,构建相似性矩阵,对数据进行聚类分析,筛选出独立的样本图片。
然后,对被测试者使用头脑风暴法,被测试者在观察上述实验样本图片后尽量多地提出感性意向词汇,然后初步收集30组感性意向语义相反的词汇对,专家调查小组对一些意象语义非常类似的词汇样本进行多轮筛选,去除与实验目标不相关或意义相近的感性意象词汇,将剩下的15组感性意象词汇样本进行聚类分析,最后选取了6组最具代表性的汽车车身造型设计感性意象词汇对。
这6组汽车车身造型设计感性意象词汇对为简洁-复杂、精致-粗糙、科技-复古、柔和-硬朗,活泼-沉稳和个性-普通。汽车车身的感性意向以上述一系列互为反义词的感性语义形容词对进行描述,便于试验人员表达对某一种感觉的正反评价。
本发明采用5分制的语义差分法开展调查问卷,以“简洁-复杂”词汇作为对感性意向词汇评价的量尺,量尺的区间值为5,即1,2,3,4,5。测试者对进一步挑选的15个样本进行打分,选择1即表示倾向于简洁,选择3表示对该样本的评价处于中立态度,选择5表示倾向于复杂。通过调查,得到15个样本关于“简洁-复杂”的感性评价平均值如下表所示:
本发明采用改进的BP神经网络构建汽车车身造型设计要素和汽车车身风格感性意向词汇之间的关联模型,以此拟合汽车车身造型设计元素和感性意象之间非线性的复杂关系。汽车车身样本的造型设计要素集合为{xj|j=1,2,...,M},样本的感性意向词汇平均值集合为{Yk|k=1,2,...,N},其中造型设计要素xj,...,xM作为模型的输入值,感性意向词汇平均值Yk,...,YN作为输出值,用于训练设计预测模型。
通过多次比较试验,确定神经网络为4层,输入层、两个隐藏层、输出层,各层的节点数为5-4-16-1;其中输入层是5个汽车车身造型设计要素,输出层是“简洁-复杂”这一词汇对的感性评价值,第一隐藏层有4个神经元,选择tang-sigmoid传递函数,神经元的输出为:
其中,i=1,2,3,4,5;m=1,2,3,4
所述第二隐藏层有16个神经元,选择log-sigmoid传递函数;神经元的输出为:
其中,m=1,2,3,4;n=1,2,…,16
输出层选择purelin传递函数,输出结果为:
其中,wim和wmn分别代表神经元i、神经元m和神经元n之间的连接权值;wn为神经元n的权值;bm为阈值;zm为第一隐藏神经元的输出;zn为第二隐藏层神经元的输出,xi为第i个输入值;Y为输出值。
其中,wim和wmn以及bm采用遗传算法进行优化,使得神经网络训练误差最小,避免训练陷入局部最优情形。该神经网络的权值与阈值即为遗传算法的染色体。染色体的每个元素称之为基因,通过不断计算染色体的适应值,淘汰适应值差的染色体,选择最好的染色体组,获得最优解。
遗传算法优化神经网络主要包括了如下步骤:初始化进化次数,种群规模,交叉概率,变异概率;对种群进行实数编码,并将预测数据与期望数据之间的误差作为适应度函数;循环进行选择、交叉、变异、计算适应度操作,直到达到进化次数,得到最优的初始权值和阈值;将得到的最优初始权值和阈值用来构建BP神经网络。其中,选择操作中采用轮盘赌的方式选取染色体。第一,在[0,1]内产生一个均匀分布的随机数r。第二,若r≤q1,则染色体x1被选中。第三,若qk-1≤r≤qk(2≤k≤N),则染色体xk被选中。其中的qi为染色体(i=1,2,…,n)的积累概率:
交叉操作中按照一定的概率,选择两个染色体,随机指定一点或者多点,进行交换,获得两个新的染色体;变异操作按照一定的变异概率,在染色体二进制编码中,1变成0,0变成1,该操作能够有效在进化过程中避免早熟,陷入局部最优;
通过最佳初始权值与阈值构建BP神经网络;使用训练数据训练BP神经网络;用测试数据测试BP神经网络,并分析测试数据与期望数据之间的误差;分析预测数据,并将预测的数据反归一化处理。
基于遗传算法优化的神经网络模型和随机挑选的5个测试样本,通过测试样本感性词汇评价值与预测值的比较,结果显示,样本的感性预测值偏差率很小(在5%以内)。
样本 | 感性评价值 | 感性预测值 | 偏差 |
1 | 2.65 | 2.61 | 0.04 |
2 | 3.97 | 3.48 | 0.49 |
3 | 4.29 | 4.3 | -0.01 |
4 | 5.06 | 5.08 | -0.02 |
5 | 4.75 | 4.82 | -0.03 |
以上所述本发明的具体实施方式,并不构成对本发明保护范围的限定。任何根据本发明的技术构思所做出的各种其他相应的改变与变形,均应包含在本发明权利要求的保护范围内。
Claims (5)
1.一种汽车车身的造型设计方法,其特征在于,包括以下步骤:
根据汽车车身形态确定汽车车身主要造型设计,并通过眼动实验获得主要造型设计要素;所述眼动实验利用非头盔式眼部跟踪系统进行测试,在测试过程中,通过被测试者浏览预先选定的不同类风格汽车车身造型的图片,检测被测试人员在车身的不同造型设计要素上注视的时间和次数,对检测得到的数据进行方差分析,从而获得影响汽车车身造型的主要造型设计要素;
基于专家调查从大量样本中通过多次筛选获得多张具有不同造型的汽车样本图片;所述多次筛选包括两轮筛选,其中第一轮筛选是在研究人员与设计人员共同参与下得到的一个样本库,所述样本库中的样本存在相似性高的样本;第二轮筛选采用主观评价的方法,获得两两样本图片之间的相似性,构建相似性矩阵,对数据进行聚类分析,从而筛选出独立的所述汽车样本图片;
通过被测试者观察所述汽车样本图片后提出的汽车车身风格感性意向词汇,去除意义相近的词汇后,进一步收集与所述感性意向词汇语义相反的词汇组成词汇对,对所述词汇对进行聚类分析,从而获得最具代表性的汽车车身风格感性意象词汇对;基于语义差分法获取不同样本的不用车身造型设计要素下的汽车车身风格感性意向词汇对的平均值;
采用改进的BP神经网络构建汽车车身造型设计要素和汽车车身风格感性意向词汇之间的关联模型,其中所述车身造型设计要素xi作为所述模型的输入值,所述感性意向词汇对的平均值作为所述模型的输出值,用于训练设计所述关联模型;所述神经网络为4层,包括输入层、两个隐藏层和输出层;所述神经网络各层的节点数为5-4-16-1;所述第一隐藏层有4个神经元,选择tang-sigmoid传递函数;神经元的输出为:
其中,i=1,2,3,4,5;m=1,2,3,4
所述第二隐藏层有16个神经元,选择log-sigmoid传递函数;神经元的输出为:
其中,m=1,2,3,4;n=1,2,…,16
输出层选择purelin传递函数,输出结果为:
其中,wim和wmn分别代表神经元i、神经元m和神经元n之间的连接权值;wn为神经元n的权值;bm为阈值;zm为第一隐藏神经元的输出;zn为第二隐藏层神经元的输出,xi为第i个输入值;Y为输出值。
2.根据权利要求1所述的一种汽车车身的造型设计方法,其特征在于,
其中,所述连接权值wim和所述连接权值wmn以及所述阈值bm采用遗传算法进行优化,所述神经网络的权值与阈值即为遗传算法的染色体;所述染色体的基因通过不断计算染色体的适应值,淘汰适应值差的染色体,选择最好的染色体组,从而获得所述连接权值和阈值最优解。
3.根据权利要求2所述的一种汽车车身的造型设计方法,其特征在于,
所述遗传算法优化神经网络主要包括如下步骤:初始化进化次数,种群规模,交叉概率,变异概率;对种群进行实数编码,并将预测数据与期望数据之间的误差作为适应度函数;循环进行选择、交叉、变异、计算适应度操作,直到达到进化次数,得到最优的所述初始权值和阈值;其中,所述选择操作中采用轮盘赌的方式选取染色体;第一,在[0,1]内产生一个均匀分布的随机数r;第二,所述若r≤q1,则染色体x1被选中;第三,若qk-1≤r≤qk(2≤k≤N),则染色体xk被选中;其中的qi为染色体(i=1,2,…,n)的积累概率:
所述交叉操作中按照一定的概率选择两个染色体,随机指定一点或者多点,进行交换,获得两个新的染色体;所述变异操作按照一定的变异概率在染色体二进制编码中,1变成0,0变成1。
4.根据权利要求3所述的一种汽车车身的造型设计方法,其特征在于,
所述汽车车身风格意向以一系列互为反义词的感性语义形容词对进行描述,所述感性意象词汇对包括简洁-复杂、精致-粗糙、科技-复古、柔和-硬朗,活泼-沉稳和个性-普通。
5.根据权利要求4所述的一种汽车车身的造型设计方法,其特征在于,
所述汽车车身造型的主要设计要素包括进气格栅、前大灯、前保险杠、尾灯以及后保险杠。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634153.XA CN109063241A (zh) | 2018-06-20 | 2018-06-20 | 一种汽车车身的造型设计方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810634153.XA CN109063241A (zh) | 2018-06-20 | 2018-06-20 | 一种汽车车身的造型设计方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109063241A true CN109063241A (zh) | 2018-12-21 |
Family
ID=64820617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810634153.XA Pending CN109063241A (zh) | 2018-06-20 | 2018-06-20 | 一种汽车车身的造型设计方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109063241A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992612A (zh) * | 2019-04-19 | 2019-07-09 | 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 |
CN109992857A (zh) * | 2019-03-19 | 2019-07-09 | 浙江大学 | 汽车尾灯形状设计评估和预测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200830131A (en) * | 2008-02-19 | 2008-07-16 | Kun-Chieh Wang | Form design expert system of watch |
CN104331536A (zh) * | 2014-09-26 | 2015-02-04 | 湖南工业大学 | 一种汽车车身低阻低噪协同设计优化方法 |
CN105740565A (zh) * | 2016-02-16 | 2016-07-06 | 合肥学院 | 一种基于自然语言处理的汽车造型推导方法 |
-
2018
- 2018-06-20 CN CN201810634153.XA patent/CN109063241A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW200830131A (en) * | 2008-02-19 | 2008-07-16 | Kun-Chieh Wang | Form design expert system of watch |
CN104331536A (zh) * | 2014-09-26 | 2015-02-04 | 湖南工业大学 | 一种汽车车身低阻低噪协同设计优化方法 |
CN105740565A (zh) * | 2016-02-16 | 2016-07-06 | 合肥学院 | 一种基于自然语言处理的汽车造型推导方法 |
Non-Patent Citations (5)
Title |
---|
ISHARDITA PAMBUDI TAMA等: "Development of customer oriented product design using Kansei engineering and Kano model: Case study of ceramic souvenir", 《INDUSTRIAL ENGINEERING AND SERVICE SCIENCE》 * |
卢国英等: "基于眼动追踪的工程车辆造型设计用户体验预测模型", 《机械设计》 * |
姚湘等: "基于感性工学的车身侧面造型设计研究", 《包装工程》 * |
赵磊: "基于感性工学的轿车前脸造型优化设计", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
陈沛帅等: "《电子商务技术支撑体系研究与应用》", 31 December 2008, 浙江工商大学出版社 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109992857A (zh) * | 2019-03-19 | 2019-07-09 | 浙江大学 | 汽车尾灯形状设计评估和预测方法 |
CN109992612A (zh) * | 2019-04-19 | 2019-07-09 | 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 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Han et al. | Product modeling design based on genetic algorithm and BP neural network | |
CN109992779B (zh) | 一种基于cnn的情感分析方法、装置、设备及存储介质 | |
Jeong et al. | Efficient global optimization (EGO) for multi-objective problem and data mining | |
CN107870990B (zh) | 一种汽车推荐方法及装置 | |
CN112132014A (zh) | 基于非督导金字塔相似性学习的目标重识别方法及系统 | |
McCormack et al. | Deep learning of individual aesthetics | |
CN111145145B (zh) | 一种基于MobileNets的图像表面缺陷检测方法 | |
CN113807176B (zh) | 一种基于多知识融合的小样本视频行为识别方法 | |
CN115186097A (zh) | 一种基于知识图谱和强化学习的交互式推荐方法 | |
CN109063241A (zh) | 一种汽车车身的造型设计方法 | |
Cong et al. | Conceptual design of a user-centric smart product-service system using self-organizing map | |
CN108073978A (zh) | 一种人工智能超深度学习模型的构成方法 | |
CN113553975B (zh) | 基于样本对关系蒸馏的行人重识别方法、系统、设备及介质 | |
Drass et al. | Semantic segmentation with deep learning: detection of cracks at the cut edge of glass | |
CN110175631A (zh) | 一种基于共同学习子空间结构和聚类指示矩阵的多视图聚类方法 | |
CN111144497B (zh) | 基于美学分析的多任务深度网络下的图像显著性预测方法 | |
Edgulova et al. | Algorithm parallelizing for classifying the complex systems | |
Kuhn et al. | Brcars: a dataset for fine-grained classification of car images | |
CN116822338A (zh) | 一种医疗设备的美学服务系统 | |
CN108073979A (zh) | 一种导入人工智能超深度学习用于图像识别的方法 | |
CN108073985A (zh) | 一种导入人工智能超深度学习用于语音识别的方法 | |
Zhang et al. | An evolutionary design method of product form inspired by spider-webs | |
Tseng et al. | Learning stylistic desires and generating preferred designs of consumers using neural networks and genetic algorithms | |
CN114429460A (zh) | 一种基于属性感知关系推理的通用图像美学评估方法和装置 | |
Yannou et al. | Evolutionary and interactive sketching tool for innovative car shape 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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181221 |