基于神经网络的仿生避难椅创新设计

杨昕妍 杨 洋 张继娟 张仲凤*

（1.中南林业科技大学家具与艺术设计学院，湖南 长沙 410004；2.国家林业和草原局绿色家具工程技术研究中心，湖南 长沙 410004；3.湖南省绿色家居工程技术研究中心，湖南 长沙 410004）

Carroll[1]认为情境是用户活动内容的描述。情境包括产品、用户以及发生人机交互过程的时间、位置和活动等信息[2-3]。William Cressey在《情境认知：论人类认知与计算机表征》中通过情景认知和描述人类行为进行系统设计[4]。谭浩等[5]基于案例推理和认知心理学提出设计情境概念。郭永辉[6]根据危险情境提出了预防使用手机时出意外的系统。周朴雄[7]运用BP神经网络提高不同情境下资源类别偏好的推荐准确率。程永胜等[8]运用神经网络提升了造型意象预测能力。罗仕鉴等[9-10]探讨了产品仿生设计生物外形本征提取与产品外形融合的研究。综上，对于情境难以量化的问题，本文采用多重响应结合交叉表分析情境中用户需求数据并系统聚类，运用神经网络和象元理论构建用户偏好模型，并对功能语义和象元本体形态进行预测。最后通过形状文法规则对用户偏好最佳组合进行设计创新。

1 情境数据驱动产品功能设计流程

1.1 情境分析

对情境内涵的理解有缩小情境化和泛情境化两个趋势[11]。前者把研究主体置于理想环境中，后者认为内外部因素都可作为情境来研究[12]。在泛情境中，影响用户行为的因素复杂而多样[13]，通过事件流获取信息，并考虑目标事件发生过程对用户个体差异的影响，以此确定设计范围，如图1所示。

图1 情景数据驱动的产品设计流程Fig.1 Scenario data-driven product design process

1.2 分境处理

在目标情境中，基于人、环境和产品之间的交互作用，研究事件随着时间、空间等不同维度的变化导致情境内部信息发生变化的过程，探析情境中研究主体产生问题的原因，采集用户数据。

1.3 产品需求获取

根据分境设置问卷，选择合适的统计学方法进行检验分析，有助于提高准确率。本文基于地震情境收集不同人群对防震产品的功能需求，并通过系统聚类法对需求进行聚类。采用卡方拟合优度检验和多重响应分析法对问卷选项进行分析。

2 基于BP神经网络的仿生产品设计

2.1 建立仿生内容空间

仿生设计是通过提取自然界中的生物信息实现产品创新的方法[14]。主要分类方式有生物物种仿生、模仿抽象程度仿生、生物态势仿生等。本文以仿生内容角度探讨避难椅造型设计，具体步骤如图2 所示。

图2 基于BP神经网络的仿生产品设计流程Fig.2 Biomimetic product design process based on BP neural network

2.2 仿生形态提取

2.2.1 建立产品形态样本库

通过百度图库等平台收集仿生对象全部品种的图像资料。利用里克特量表获得用户偏好信息，为提高偏好值准确度，结合三角模糊函数[15]进行量化。假设m位用户关于k个仿生形态样本的偏好程度为[14]：

式中：p=1,2,3,...,m；k=1,2,3,...,n；为第k个用户对第p个样本的三角模糊数；为第k个用户关于第p个样本的模糊数的下限为第k个用户关于第p个样本的模糊数可能性的最大值为第k个用户关于第p个样本的模糊数的上限；m为样本总数；n为用户数量。

构建n位用户对m个样本的评价矩阵，表示为R=。假设用户的重要模糊权重为W，则n位用户的模糊权重向量可以表示为W=（W1，W2，...，Wn），n位用户对样本p的模糊综合评价集可以表示为E=(E1，E2，...，Ep)。

2.2.2 建立产品功能语义空间

将情境数据分析得到的系统聚类进行筛选，即将不符合描述产品功能的选项删除，建立产品功能语义空间。

2.2.3 建立形态本体象元空间

采用Gabor滤波提取仿生形态，建立产品形态本体象元空间。在象元理论中，有骨-面象元、动-静象元、量-势象元、共-个象元和本体-喻体象元[15-19]。

2.3 方案评价及预测

2.3.1 样本数据预处理

因本体象元是一种图案信息形式，故将本体象元转换为计算机可识别的语言。若仿生样本库中存在本体象元记为“1”，不存在则计为“0”。

2.3.2 构建前馈神经网络模型

BP算法由信号正向传播与误差反向传播两部分组成，通过反复进行记忆训练，使总体误差收敛直至最小为止。输入因子应为所提取出的生物形态本体象元，输出因子应为用户在情境下对仿生形态的偏好程度，以此探析仿生形态与用户偏好之间的关系[20-24]，具体步骤为：1）提供训练集，通过提取与产品功能相似的仿生形态，包括图案编码和用户偏好评价；2）设置训练数据和预测数据；3）训练样本数据归一化；4）构建BP神经网络，对网络参数进行配置，包括训练次数、学习速率，训练目标最小误差等；5）按BP算法训练，将测试样本归一化；6）BP神经网络预测，预测结果反归一化与误差计算；7）真实值与预测值误差比较。

2.4 产品仿生方案设计

2.4.1 建立喻体象元空间

通过联想法建立喻体象元空间，如图3所示。在选择喻体事物时，要与本体象元具备相似性，保证后续预测用户偏好度的准确性。

2.4.2 形态创新设计

形状文法是基于规则的系统[25-29]，可以生成多元设计，其基本表达是一个四元组，即：

式中：S为形状的有限集合；L为符号的有限集合；I为初始形状；R为形状规则的有限集合，规则的形式为：α→β（α和β均是带符号形状，其中，α∈(SL)+，是形状符号组成的集合，β∈(SL)*是(SL）+∪(SφL)；I∈(SL)+。本文将用户偏好度高的本体象元方案作为初始形状I，将喻体象元空间作为符号集合L，利用形状推演规则R得到新的形状集合S，最终得到符合用户偏好的产品仿生设计方案。

3 应用案例

3.1 情境驱动下产品功能特征获取

3.1.1 研究对象

本文在收集问卷前先询问对方曾常驻地，以提高样本多样性。主要被测者来源地区为甘肃、四川、陕西、湖北、湖南、江西、广东、福建、浙江等多个省份。发放样本数量500 份，回收488 份，剔除无效样本后得398 份。

3.1.2 统计结果

为保证问题设置科学有效，咨询学科专家优化问卷后，再分发至民众（其中包括40 位地震局工作人员）进行填写。问卷内容见表1。采用SPSS 26.0 对数据处理，具体分析步骤及结果如下：

表1 问卷量表设计Tab.1 Questionnaire scale design

1）采用卡方拟合优度检验对单选题构成比是否具备统计学意义进行检验分析，在分析结果前对数据进行个案加权，结果如表2 所示，得到变量显著性P均小于0.05，说明数据具备统计学意义。

表2 单选项变量检验结果Tab.2 Results of the single option variable test

2）采用多重响应和卡方优度检验分析多选题选项构成比是否具备统计学意义，检验过程中如遇到数值区间相近的选项，则重复进行检验，直到确定其差异具备统计学意义。结果如表3 所示，显著性P均小于0.05。其中，B1 变量包含选项辅助清理、震中稳定、地震预测、物资储备、情感抚慰、对外求救、局部保护、帮助逃脱，B2 变量包含选项俯跪式、蜷曲式、蹲式、侧卧式、平趴式、坐式，B3 变量包含选项组合产品、防震椅、防震床、防震柜、防震桌，B4 变量包含选项金属类、软垫类、手电类、块状类、棍状类、橡胶类、头盔类、壳状物、发声物等，B5 变量包含选项橡胶类、合金类、气囊类、纤维类、新型混凝土、特殊纸类等，B6 变量包含选项发送信号、安全转移、氧气补给、更换姿势等。根据个案百分比，本文选择防震椅进行设计。

表3 多重响应分析结合交叉表结果Tab.3 Multiple response analysis combined with cross tabulation results

3）为确定研究单选题和多选题之间是否具备统计学意义，采用多重响应分析其两两间显著性差异，经个案加权后，结合交叉表卡方检验得出结论，如表4 所示。当显著性P＞0.05 时，不具备统计学意义，表明变量之间关联性不强。因此，选取P＜0.05 的数值进行系统聚类分析。

表4 单选-多选交叉检验分析结果Tab.4 Results of single-multiple choice cross-test analysis

4）采用系统聚类探求地震情境下不同人群避难方式及需求差异。参考虚线标出的聚类类别，如图4所示，为6 大类18 小类。

图4 用户需求系统聚类谱系Fig.4 Clustering spectrum of user requirements systems

5）建立功能语义空间。根据谱系图结果，对模糊聚类谱系图中的功能进行筛选，删除没有描述功能的语义词汇，建立产品功能语义空间，如表5 所示。

表5 产品功能语义空间Tab.5 Semantic space of product functions

3.2 基于BP神经网络的仿生产品设计

3.2.1 建立仿生形态样本库

参考选项搜索自然界相关生物，发现犰狳是同类生物中最具备上述条件的生物，利用百度图库，选取不同犰狳品种作为样本，共收集785 张，清理图片后进行Gabor轮廓提取，删除肌理不明显的图片后得56 张，如图5 所示。

图5 仿生形态样本库（部分）Fig.5 Bionic morphology sample library (partial)

3.2.2 建立产品仿生形态本体象元空间

对Gabor滤波提取的56 个仿生样本轮廓进行几何图案的整理。基于象元理论中的骨-面象元、共-个象元、动-静象元、量-势象元进行归类，本文将提取的39 个几何图案形成本体象元空间，如图6 所示。

图6 仿生形态本体象元空间Fig.6 Bionomorphic ontology pixel space

3.2.3 获取模糊用户形态偏好值

根据Liket七级量表，邀请20 位用户进行评价，为保证结果准确，将样本分为3 组，第1 组20 张，第2 组和第3组各18 张，每组样本在观测中间隔20 min。将得到的评价数据进行三角模糊数置换，表6 中仅展示前3 个样本数据。

表6 用户三角模糊评价值Tab.6 User triangulation fuzzy evaluation values

3.2.4 构建前馈神经网络模型

1）编码处理与输入。将数据处理为计算机课识别的语言，对本体象元和功能语义分别进行编码，如表7、8 所示。若样本中存在该本体象元计为“1”，若不存在计为“0”，分别作为神经网络输入层数据进行模型训练。

表7 样本本体象元编码Tab.7 Sample ontology pixel codes

2）训练参数设置与结果输出。利用Matlab R2022a软件建立BP神经网络，输入层为39 个本体象元，输出节点数为5，训练样本数据归一化到[-1,1]之间。设置tansig双极性S函数为激活函数，purelin函数为传递函数，设置训练次数为1 000 次，误差目标值为0.01，并将预测值和实际值的距离平方之和（MSE）作为模型精度标准，训练结果如图7 所示，输出的均方误差MSE为0.092 12，误差符合预设范围。将34 个产品功能语义作为输入层，与56 个仿生样本用户满意度进行训练，结果如图8 所示。输出均方误差0.007 44，选取满意度排名前5 的语义作为最终需求，即要害部位保护、头盔类护体物、坚硬壳状物、橡胶类、俯跪式。

图7 本体象元用户偏好预测值与实际值对比Fig.7 Comparison of predicted and actual values of ontology quadrant user preferences

图8 产品功能语义用户偏好预测值与实际值对比Fig.8 Comparison of predicted and actual values of semantic user preferences for product features

3.2.5 用户形态偏好度预测

本体象元空间重构产生6×12×8×13 个方案，作为输入层数据，结果如表7 所示。用户偏好值最高的本体象元组合方案为10010110110000110101000000 0100011011010，预测值为0.351，对其拆解后并加以组合形成产品设计方案创新的初始方案，如表8 所示。

表8 产品功能语义编码Tab.8 Semantic coding of product functions

3.3 产品仿生方案创新设计

建立喻体象元空间，由20 位受测者进行联想，收集整理频率最高的关联物作为本体象元，并建立喻体象元空间，如图9 所示。根据形状文法规则进行推演，如复制、平移、旋转，得到最终图案并进行设计，如图10 所示。

图9 喻体象元空间Fig.9 Metaphorical metaphorical space

图10 仿生避难椅设计Fig.10 Bionic refuge chair design

3.4 方案评价与验证

再次邀请前面20 位受测者对方案进行评价，并与建立的BP神经网络象元本体方案形态相似且排名前3 的用户偏好值对比，由图11 可知，均方误差MSE为0.003 24，结果小于0.01，说明方案符合用户满意度。

图11 最终方案满意度对比Fig.11 Comparison of final programme satisfaction

4 结论

本文基于地震情境对需求进行系统聚类后建立34个产品语义空间和56 个仿生对象样本库，利用Gabor滤波提取39 个仿生图像本体象元。分别建立用户偏好和仿生本体组合象元之间的映射模型和产品功能语义之间的映射模型，得到BP模型精度为0.092 12 和0.007 44，均在预设范围内。最后结合形状文法规则设计三款方案，经对比后得到MSE值为0.003 24，结果小于0.01，证明该设计方法能够进行避难椅设计，可为同类产品提供设计思路。