BP神经网络的宇航服多维意象造型评价方法

李江泳，高浩原，李焱林，谭琪茜，杨子京

BP神经网络的宇航服多维意象造型评价方法

李江泳，高浩原*，李焱林，谭琪茜，杨子京

（湘潭大学，湖南 湘潭 411100）

为适应宇航服造型设计对“大国形象”多维意象识别的需要，提出了以“大国形象”为导向的宇航服造型设计评价模型构建方法。在大量用户调研的基础上，对“大国形象”意象集进行筛选，并采用认知实验与聚类分析相结合的方法获得宇航服产品的代表样品。采用语义差异法，对“大国形象”感性意象集中初步筛选词和宇航服产品代表样本之间的映射数据进行检验和分析，对得到的数据结果进行主成分分析，以获得宇航服产品对“大国形象”感性意象的认知空间。同时，根据全局HIEs解构原则和宇航服产品的功能约束清单建构宇航服产品造型特征空间。采用语义差异法和认知测试，得到宇航服造型多维意象认知空间。利用BP神经网络，以样本关键HIEs评价经数字编码后作为输入层，以各意象词下样本的感性意象均值作为输出层，构建宇航服造型意象评价模型。随后，采用留一交叉训练法对评价模型的准确性进行验证。该评价模型能够有效解决造型特征与多维意象之间的映射及匹配，论证了造型意象和认知空间之间存在的关联性，探索出设计目标和设计意象关联判断的实践方法。

宇航服设计；多维意象；全局HIEs解构；BP神经网络

针对我国航天事业，在2013年十八届中共中央政治局会议第十二个团体进行学习时，习近平总书记第一次对“大国形象”进行了战略性阐述。在中国文化、路线、基础理论、社会制度四大层次上构建了新时期中国“大国形象”的四个维度[1]，为新时代中国国家形象的传播提出了一系列议程主题。航天事业是我国整体发展战略的重要组成部分，航天产品在工业设计上符合“大国形象”表达是航空工业的基本要求。其中，宇航服工业设计尤其重视形象符号的塑造。武利利等[2]介绍了在轨飞行舱内服在服装色彩、构造和功能方面的划分，并探讨分析了宇航服在使用过程中的作用特征。Luo等[3-4]通过有效地运用“以人为中心”的设计原则及其工具包来为宇航服的设计与研发提供支撑。他们以“飞天”EVA宇航服为例进行深入研究，综合归纳EVA宇航服产品设计所涉及到的用户需求、人体工程学等要素。Chang[5]不仅整理分析了1960年以来60年间所公开宇航服造型的演变过程，还探讨了宇航服的设计美学及其今后的发展。刘玲玲等[6]阐述了多感官通道视角下多维度解构产品造型特征的原则。刘征宏等[7]将产品形状、色彩、材质、声音等信息与多感官通道信息进行映射，构建了产品造型的多维感知模型。刘玲玲[8]结合可拓学构建多维产品造型风格的评价体系模型。结合以上研究发现，作为航天任务中颇受公众瞩目的航天器材之一，宇航服在宇航任务中的地位和意义重大，且是得到公众广泛认可的国家形象象征。因此，宇航服在造型美学、人因等方面的课题值得深入研究。

1 造型评价方法构建流程

本研究同时选取宇航服造型的“形色质肌”[9]“使用交互”“文化象征”来解构造型特征[6]，使研究的结果更具有造型要素上多维的效度。在感性工学的基础上结合数学模型的相关理论和方法，探究多维意象[10]和造型要素之间的映射关系，以此为基础构建宇航服造型的多维意象评价模型。具体包含五个步骤：建立宇航服造型的多维意象认知空间；宇航服造型的关键HIEs元素提取；多维意象评价均值化；BP神经网络构建与训练；BP神经网络评价模型测试与验证。具体流程如下。

1）确定研究对象，并构建符合“大国形象”的意象集、宇航服造型样本库。

2）通过大量用户调研初步筛选“大国形象”意象集，同时经过认知实验和聚类分析筛出宇航服代表样本。运用语义差异法测试分析意象集，初步筛选意向词与宇航服产品代表样本的映射数据，将数据进行主成分分析，以得到宇航服产品关于“大国形象”的代表性意象词汇。

3）根据全局HIEs元素解构原则[7]和宇航服造型设计约束清单对造型特征进行解构，以获得宇航服的造型特征空间。运用语义差异法与认知测试获得多维意象造型认知空间。

4）选取各组代表性意象词汇相关的关键HIEs元素，将样本库内的训练样本按照对应关键HIEs元素表现情况进行关键HIEs元素编码，以作为BP神经网络输入层。同时，利用多维意象造型认知空间中的意象认知量值计算出每个样本关于对应意象词的意象均值，作为BP神经网络输出层。

5）根据BP神经网络构建意象词汇与宇航服样本库的映射关系，建成评价模型。通过留一交叉训练方法测试验证评价模型精度。

6）结合实际的设计方案，按照文中的解构编码方法进行转化、输入，检验评价模型在设计实践的运用，并对输出结果进行分析。

综上所述，宇航服造型意象评价模型构建体系见图1。

2 宇航服多维意象认知空间的构建

2.1 多维意象获取

2.1.1 “大国形象”意象集的构建及筛选

“意象”代表人们可以通过感官通道对其进行描述及联想，是人们大脑意识活动的产物。综合性多维意象认知是在用户心理层面上形成的一种情感体验[11]。首先在文献、杂志、网络搜索等资源库中收集“大国形象”在“文化”“社会”“外交”“制度”四个层面的原始意象词汇，为保证收集词汇的精度和质量，邀请专家组根据自己的经验和认知对收集的意象词汇进行人工初步筛选，将意思相同或接近的词汇聚类为一个语义准确的词汇，并删除明显不符合产品表达的意象词汇。整理后获得符合“大国形象”四个层面内涵的意象词汇共84个，并将其作为实验变量，构建关于“大国形象”的意象集。

对受测者的意象词汇选择频次进行整理并加以统计。最终筛选出描述符合“大国形象”的高频意象词汇共计18个，初选结果如表1所示。

2.1.2 代表性样本的提取

对各个国家在公共平台发布的宇航服图片进行收集整理，筛选出24个实验样本图片，如图2所示。

邀请30名产品设计、服装设计、结构设计等相关背景的设计从业人员，根据各自的认知对样本进行相似性分类，记录受测者分群情况及各组的卡片编号。利用多维尺度法中的相似性刻度Proxscal统计，经过13次迭代后得到如图3所示的应力维度图，在五维后应力变化放缓，因此以五维空间坐标开展样本处理，部分样本的表现如表2所示。

利用软件SPSS 22.0中均值快速聚类法进行六个类群聚类分析，得到六个群组的分群情况及群内各样本与中心的距离数值，选用数值最小的样本。

根据表2，筛选出T10、T16、T11、T21、T05、T18作为代表性宇航服样本，如图4所示。

2.1.3 代表性意象词汇的确定

将18个符合“大国形象”的意象词汇进行正反意义的两极配对，构成意象词汇库，见表3。

将意象词汇对作为7级李克特量表中的测试变量，代表性样本作为测试对象，记录30名产品设计、服装设计和机械设计背景的受测者对代表样本在意象词汇库的语义评价数据。对上述结果进行主成分分析，筛选出面向宇航服的代表性意象词汇对，从而获得一种更加准确的意象表达空间。

图1 宇航服造型意象评价模型构建体系

表1 高频感性意象词

Tab.1 High-frequency perceptual image words

图2 宇航服式样样本图

图3 应力-维度图

表2 样本分类与聚类中心距离

Tab.2 Sample classification and clustering center distance

图4 宇航服代表性样本

表3 意象词汇库

Tab.3 Image vocabulary

通过主成分计算方法得到如表4所示的词汇评价结果，分别筛选成分1和2中绝对值最大的两个结果，所得四个结果为最有代表性的意象词汇对，分别是：强大的-微弱的（V04）、传统的-现代的（V15）、和平的-冲突的（V06）、国际的-本土的（V02）。

2.2 宇航服造型特征的解构

2.2.1 全局HIEs元素解构框架

由于宇航服的主体由服装主体、头盔、手套、航天靴和舱外便携式生命保障系统等组成[5]，其具备多层次和多功能的特点，因此采用全局HIEs元素解构方法对产品造型以整化零地进行层次式解析。本文根据人机界面组件的设计理念，分别用“形色质肌[9]”“使用交互”“文化象征”三方面[6]对应宇航服产品设计的外观功能、使用操作、精神内涵三个层次，见图5。

表4 意象词汇成分矩阵

Tab.4 Imagery words component matrix

2.2.2 宇航服造型的设计约束清单

对宇航服的结构、使用操作等内容进行资料收集，经整理后构建设计约束清单，对宇航服造型设计要素的几何、位置、操作等属性值的范围，以及设计要素间的相关关系进行限制，获取设计参考。设计约束清单主要包括：几何约束、功能约束、结构约束、环境约束，其细则如图6所示。

图6 设计约束清单

2.2.3 宇航服造型的全局HIEs元素解构

以全局的HIEs解构方法理论为指导，根据上文的产品造型特征解构知识框架、宇航服造型设计约束清单、宇航服相关资料，对宇航服产品进行从系统到组件的解构，得出主体及单一附件关于“形色质肌”“使用交互”“文化象征”三类特征属性。通过专业小组讨论和筛选，共从现有宇航服造型样本解析出三个属性层面共218个HIEs元素如表5～7所示。

本文对产品形态特征进行HIEs元素解构，从“形色质肌”“使用交互”“文化象征”三方面进行多角度造型特征解构，构建了宇航服产品的全局HIEs元素造型解构内容。在解构过程中考虑了产品形态、功能元素和CMF处理之间关系、人机交互方法、文化象征意义等意象要素，提供了多维意象与产品形态造型特征间映射的可靠性。

2.3 构建宇航服造型的多维意象认知空间

2.3.1 多维意象认知空间

2.3.2 获取多维意象认知空间的评价值

实验邀请了宇航服设计课题参与者、产品设计、服装设计、机械设计等具有相关专业学科背景的博士、硕士研究生及本科生共15名，作为受测者参与意象造型认知测试实验。受测者通过观察宇航服样本图片，按照组意象词汇对，对样本的每个HIEs元素的意象表现情况在7级语义量表上逐一打分。

表5 “形色质肌”解构

Tab.5 Deconstruction of "shape, color and texture"

表6 “使用交互”解构

Tab.6 Deconstruction of "use and interaction"

表7 “文化象征”解构

Tab.7 Deconstruction of "cultural symbols"

针对四组意象词汇对，获得15位受测者对24个宇航服样本的218个HIEs元素的认知数据，然后将获得的认知数据输入SPSS 22.0进行均值计算，从而得到四组意象词汇对的意象认知空间与每个HIEs元素的评价均值。以“国际的-本土的”（V02）为例，其意象认知空间及HIEs元素评价均值见表8。例如，在“国际的-本土的”（V02）这一维度意象中，样本T1的HIEs元素A1表现为正数，其对应为“本土的”意象倾向。

表8 关于“国际的-本土的”（V02）的意象认知空间及HIEs元素评价均值

Tab.8 Image cognitive space of "international-local" (V02) and mean value of HIEs element evaluation

3 宇航服造型意象评价模型的构建

BP神经网络适用于构建多维度变量输入值与输出值之间复杂关系的映射[12]，并广泛运用于产品造型设计的定量研究中，具有很强的非线性映射能力及很好的容错性。因此，本文运用该技术构建宇航服产品造型特征与多维“大国形象”认知之间的映射模型。

3.1 BP神经网络模型

根据宇航服造型意象研究特点，在多维数据之间构建映射关系，选用如图7所示的BP神经网络模型。

图7 BP神经网络结构模型

BP神经网络的训练过程包括正、反向两种方向。神经网络需要在反向传播过程中不断调整权重和参数来使评价结果的误差降到最低，常用的方法是设置一个误差阈值或者迭代次数阈值。神经网络迭代过程中使用梯度下降法更新参数，当误差或迭代次数任意达到对应阈值时，确定模型的相关参数。样本解构情况和意象词汇得分确定了BP神经网络的输入、输出层的单元数量，因此测试前需要对隐含层的神经元节点数量进行设定。

本文中隐含层的神经元节点数量设定参考正常隐含层的单元数量且满足经验公式，见式（2）。

在BP神经网络的学习过程中，为减少误差开展反向传播，这里笔者选用L-M优化算法（trainlm），见式（3）。

3.2 宇航服造型意象评价模型的输入层数据

3.2.1 关键HIEs元素的选取

产品的多维意象表现是产品所有造型特征共同影响的结果。然而，产品根据全局HIEs解构所得到的造型设计特征过多，对于某一意象表现，不是所有的HIEs元素都能显著地触发设计师在造型上的意象表达，其往往是同一类别下的某几个HIEs元素共同影响的结果。因此，需要对全局HIEs元素进行关键设计特征的提取。根据15位受测者的认知空间，获取每个HIEs元素的均值，具体计算见式（4）。

为获取对意象词汇表达具有较高贡献的关键HIEs元素，计算每组意象词汇的每个HIEs元素的均值绝对值，以HIEs元素总数的20%的比例进行选取，得到每组44个关键HIEs元素。

对数据进行处理后，得到四组意象词汇对在各类别下的关键HIEs元素信息，以表9关于“国际的-本土的”（V02）的关键HIEs元素信息为例。

表9 关于“国际的-本土的”（V02）的关键HIEs元素信息

Tab.9 Key HIEs element information about " International-Local" (V02)

3.2.2 关键HIEs元素的参数化处理

本文中应用的HIEs元素实质上只是对设计要素的一种定性描述，无法直观用来建立从意象到造型特征之间的映射模型以反映对设计要素的影响状况[14]。因此，必须对此类定性变量作出参数化处理。在关键HIEs元素量化过程中引入类型为“0”和“1”的人工变量作为输入BP神经网络的“虚拟变量”。

以样本T1关于“国际的-本土的”（V02）的意象表达情况为例，转化编码数据为“010 011 010 111 111 111 111 100 111 001 110 100 001 101 01”。“国际的-本土的”（V02）关于24个样本的关键HIEs元素部分编码情况如表10所示。

根据编码流程，给每个样本的造型特征数据进行特征变量编号，作为BP神经网络的输入层数据。

3.3 宇航服造型意象评价模型的输出层数据

在意象造型认知实验所构造的多维意象认知空间中，将获取的量值进行均值化是构建宇航服HIEs元素与“大国形象”意象映射模型的关键步骤。向15位受测者收集关于选定的四组代表性意象词汇针对24个训练样本的认知空间，获取意象认知量值并进行均值化处理[15]。将均值化数据作为BP神经网络输出层数据，则每组意象词下每个样本的意象均值见式（5）。

表10 关于“国际的-本土的”（V02）关键HIEs元素的编码

Tab.10 Coding of key HIEs elements about "International-Local" (V02)

对24个样本的四组意象词汇进行均值化处理， 其中“国际的-本土的”（V02）意象均值的数据如 表11所示。

3.4 宇航服造型意象评价模型的参数设定

选用MATLAB程序作为造型意象评价模型的构建工具[16]，在输入层输入关键HIEs元素编码数据，在输出层输入样本意象词汇评价均值数据。关键HIEs元素共有176个造型特征，则将输入层的单元数设定为176。代表性意象词汇对数是4，则将输出层单元数量设定为4。根据式(2)计算出隐含层的单元数阈值设定为36左右较合适，这里取隐含层单元为[12，36]，其中步长取3（12，15，18，21，24，27，30，33，36），之后根据每个取值的表现来确定隐含层单元数，通过调节隐含层单元数以提升训练精度。

借助前馈反向传播网络（newff）创建BP神经网络模型，使用双曲正切函数（tan-gent sigmoid）作为隐含层的传递函数[17]。因为本文预期得到的是意象均值，所以输出层不采用阈值函数，而采用线性传输函数（purelin）来进行直接映射，并采用前馈反向传播网络优化算法进行训练。由于该模型中的神经单元数较多，同时样本较少，故设置学习次数为500次，学习速率为0.001，将误差阈值设为[6，10]，当模型测试误差达到该阈值，则迭代结束。根据上述参数设置，编写BP神经网络，训练过程与结果如图8所示。

表11 “国际的-本土的”（V02）意象均值

Tab.11 Imagery mean of "International-Local" (V02)

图8 BP神经网络训练过程与结果

3.5 宇航服造型意象评价模型的测试

为了验证评价模型的可行性，需要对评价模型进行精度测试。由于评价模型数据集数量少，本文测试环节使用留一交叉验证法[18]，在最大化利用训练样本的同时，有效避免陷入局部最优及过拟合的现象。本文将原本的24组数据分为23组训练样本，1组测试样本，进行24次试验，从而使样本变为552维，以进行最大化利用。

根据MATLAB R 2018b 设置导出的BP神经网络性能表现图，见图9。

图9 BP神经网络性能表现图

Fig.9 BP neural network performance chart

实验所得MSE值表明，在两次迭代时测试训练模型输出意象数据与预设输出的意象数据均方误差最小且误差较小，说明经过训练后得到的最优模型，对宇航服造型设计评价问题具有适应性，运用此模型可以对宇航服造型设计进行综合评价。至此，完成了宇航服造型评价模型的构建与验证。

3.6 宇航服造型意象评价模型的实践应用

本文以中国盔甲的形象为主意象表达，经过多轮的草图演化得到了三款概念设计方案草图，见图10。

图10 宇航服概念设计方案

选择5名专家测试者将三款设计方案造型进行分析，并针对每个方案，根据其关键HIEs元素表达情况进行编码，将得到的176位编码数据输入宇航服造型意象评价模型，得出设计方案中在各组代表性词汇下的意象均值得分见表12。

根据表12的结果可知，方案A最能表现“本土的”和“强大的”意象；方案B最能表现“国际的”意象，且只有方案B能体现“和平的”意象表达；而方案C更能表现“现代的”意象。方案A和方案C都比较缺少对“和平的”意象的表达，相关设计要素综合冲突感较强，作为宇航服形象不够柔和，可以考虑对“和平的”意象表达判定值更高的关键HIEs元素设计进行设计调整。通过方案验证宇航服造型意象评价模型能够为造型意象的开发提供理性数据参考，辅助设计师在设计前期做出正确的方案决策，从而在准确把握大众“大国形象”感知规律的同时，提高宇航服产品设计的效率。通过对大众模糊的前端创意认知进行定量调研，宇航服造型意象评价模型可以较科学地得到符合大众对多维“大国形象”意象的认知规律。在宇航服产品设计前期可以辅助设计人员把握相关多维造型意象，从而起到提高项目设计效果和决策准确度的作用。

表12 概念设计方案评价得分

Tab.12 Conceptual design program evaluation score

4 结语

本文以宇航服造型为对象，构建了符合“大国形象”的意象集和宇航服造型样本库，并构建了造型特征空间、多维意象认知空间。在此基础上运用BP神经网络训练宇航服造型意象评价模型，最后开展实例应用并验证其可用性。研究结果如下。

1）大量的感性数据可以通过统计学的方式进行降维处理，以得到一个可量化描述特征造型和意象之间的联系。

2）通过全局HIEs解构和关键HIEs选取可对宇航服特征进行精确分解，较全面地描述结构或体系较复杂的设计对象，从而提升设计人员对造型特征识别的准确性和多样性。

3）利用BP神经网络适用于造型意象这种主观性强的研究对象，通过神经网络训练得到的评价模型既能够辅助设计人员确定设计目标，也能为设计实践提供理性参考。

今后，可尝试引入非宇航服样本作为该评价模型的训练素材，进一步优化该造型意象评价模型，形成一个可适应创新变化的宇航服造型设计评价决策方法，以更好地指导设计实操。

[1] 韩文乾. 习近平关于新时代国家形象重要论述探析[J]. 科学社会主义, 2021(6): 40-46. HAN W Q. Exploration of Xi Jinping's Important Discourse on State Image in the New Era [J]. Scientific Socialism, 2021(6): 40-46.

[2] 武利利. 航天员舱内服装设计分析[J]. 针织工业, 2017(11): 14-17. WU L L. Analysis of Astronaut Cabin Clothing Design[J]. Knitting Industry, 2017(11): 14-17.

[3] LUO J P, LIU, W, YE S. Human-Centered Design for the Spacesuit Development: A Case Study of the “Feitian” EVA Spacesuit[C]// Advances in Intelligent Systems and Computing. Berlin: Springer, 2020.

[4] LUO J P, CAI J, LI T, et al. Design Principles and Strategies of Interface in Extra Vehicular Activity Spacesuit [C]// Advances in Intelligent Systems and Computing. Berlin: Springer, 2020.

[5] CHANG Y W. Fashion Styling and Design Aesthetics in Spacesuit: An Evolution Review in 60 Years from 1960 to 2020[J]. Acta Astronautica, 2021, 178: 117-128.

[6] 刘玲玲, 薛澄岐. 面向多维KE模型构建的产品特征解构方法[J]. 工程设计学报, 2014, 21(4): 323-328. LIU L L, XUE C Q. Product Feature Deconstruction Method for Multidimensional KE Model Construction [J]. Chinese Journal of Engineering Design, 2014, 21(4): 323-328.

[7] 刘征宏, 谢庆生, 黄海松, 等. 多维变量感性工学模型构建及其性能评估[J]. 四川大学学报(工程科学版), 2016, 48(2): 198-206. LIU Z H, XIE Q S, HUANG H S, et al. Multi-variable Kansei Engineering Model Construction and Performance Evaluation[J]. Journal of Sichuan University (Engineering Science Edition), 2016, 48(2): 198-206.

[8] 刘玲玲. 基于多维特征和整体性认知的产品设计方法研究[D]. 南京: 东南大学, 2017. LIU L L. Research on Product Design Method Based on Multi-dimensional Features and Holistic Cognition [D]. Nanjing: Southeast University, 2017.

[9] 武玉娇, 郑枫, 葛玉鹏. 基于感性意象的白酒酒瓶造型多维度特征分析[J]. 包装工程, 2021, 42(18): 253- 261. WU Y J, ZHENG F, GE Y P. Multi-dimensional Feature Analysis of Liquor Bottle Shape Based on Perceptual Imagery[J]. Packaging Engineering, 2021, 42(18): 253- 261.

[10] 李明, 刘肖健. 用户感性意象数据的可视化分析技术[J]. 机械设计, 2021, 38(4): 123-128. LI M, LIU X J. Visualization and Analysis Techniques for User Perceptual Imagery Data[J]. Machine Design, 2021, 38(4): 123-128.

[11] 陆冀宁, 徐伯初, 支锦亦, 等. 高速列车头型的意象仿生设计[J]. 机械设计, 2017, 34(9): 106-110. LU J N, XU B C, ZHI J Y, et al. Image-like Bionic Design of High-speed Train Head Shape[J]. Mechanical Design, 2017, 34(9): 106-110.

[12] 李敏, 于淼. 美国舱内宇航服的发展与现状[J]. 中国个体防护装备, 2021(4): 40-44.LI M, YU M. Development and Status of In-cabin Spacesuits in the United States[J]. China Personal Protective Equipment, 2021(4): 40-44.

[13] 乔现玲, 余晓庆, 李阳, 等. 基于感性工学的产品质感调和设计模型研究[J]. 包装工程, 2016, 37(14): 68- 72. QIAO X L, YU X Q, LI Y, et al. Research on Product Texture Reconciliation Design Model Based on Perceptual Engineering[J]. Packaging Engineering, 2016, 37(14): 68-72.

[14] 丁满, 李紫君, 裴卉宁, 等. 可适应布局形式变化的产品色彩设计研究[J]. 包装工程, 2021, 42(16): 103-112. DING M, LI Z J, PEI H N,et al. Research on Product Colour Design That Can Adapt to Layout Form Changes [J]. Packaging Engineering, 2021, 42(16): 103-112.

[15] 陈永康, 江雨豪, 何人可, 等. 基于文献计量学的情感化设计研究进展、热点与趋势分析[J]. 包装工程, 2022, 43(6): 32-40. CHEN Y K, JIANG Y H, HE R K, et al. Research Progress, Hot Spots and Trends Analysis of Emotional Design Based on Bibliometrics[J]. Packaging Engineering, 2022, 43(6): 32-40.

[16] 曹越, 苏畅, 魏君, 等. 汽车内饰色彩感性意象综合评价研究[J]. 机械设计, 2019, 36(3): 129-133. CAO Y, SU C, WEI J, et al. A Comprehensive Evaluation Study on the Perceptual Imagery of Automotive Interior Colour[J]. Mechanical Design, 2019, 36(3): 129- 133.

[17] 程永胜, 徐骁琪, 陈国强, 等. 基于神经网络的电动汽车造型意象预测模型[J]. 计算机集成制造系统, 2021, 27(4): 1135-1145. CHENg Y S, XU Z Q, CHEN G Q, et al. A Neural Network-based Prediction Model for Electric Vehicle Styling Imagery[J]. Computer Integrated Manufacturing Systems, 2021, 27(4): 1135-1145.

[18] 王剑, 陈丰, 乔印虎. 目标意象约束的人机辅助产品造型进化设计研究[J]. 机械设计, 2022, 39(2): 120-128. WANG J, CHEN F, QIAO Y H. Research on the Evolutionary Design of Human-machine Assisted Product Modeling with Target Imagery Constraints[J]. Machine Design, 2022, 39(2): 120-128.

Multi-dimensional Image Styling Evaluation Method of Space Suit Based on BP Neural Network

LI Jiangyong, GAO Haoyuan*, LI Yanlin, TAN Qixi, YANG Zijing

(Xiangtan University, Hunan Xiangtan 411100, China)

The work aims to propose an evaluation model construction method for space suit styling design oriented to "Great Power Image", in order to meet the need for multi-dimensional image recognition of "Great Power Image" in space suit styling design. On the basis of a large number of user research, the image set of the "Great Power Image" was screened, and the representative samples of the space suit products were obtained by combining cognitive experiments with cluster analysis. The mapping data between initially screened words in the perceptual image set of "Great Power Image" and representative samples of space suit were tested and analyzed by semantic difference method. Principal component analysis was carried out on the obtained data results in order to obtain the cognitive space of space suit products for the perceptual image of "Great Power Image". At the same time, according to the global HIEs deconstruction principles and the functional constraints of the space service products, the feature space of space suit product styling was constructed. The semantic difference method and cognitive test were adopted to obtain a multi-dimensional image cognitive space of space suits. By BP neural network, the key HIEs evaluation of the samples was digitally encoded as the input layer, and the average perceptual image of the samples under each image word was used as the output layer, to construct the evaluation model of space suit styling image. Finally, the accuracy of the evaluation model was verified by the leave-one-out cross validation. This evaluation model can effectively solve the mapping and matching between styling characteristics and multi-dimensional images, demonstrate the correlation between styling intention and cognitive space, and explore the practical methods of judging the correlation between design goals and design images.

space suit design; multi-dimensional image; global HIEs deconstruction; BP neural network

TB472

A

1001-3563(2024)02-0066-12

10.19554/j.cnki.1001-3563.2024.02.007

2023-08-21

湖南省大学生创新创业训练计划项目（202210530042）；湘潭大学长沙行深智能科技有限公司校企合作创新创业教育基地项目（湘教通2021年356号）