文摘
产品不再存在只是航空公司有用的功能,但越来越多的消费者开始关注产品带来的精神方面的感觉。本文为工业设计的学科带来了机器学习算法,提出了一个方法来评估产品的设计形状使用多层感知器神经网络遗传算法(GA-MLP-NN)算法,量化产品形状,利用计算机辅助设计技术来实现形状优化、形状和颜色方案生成和使用与用户互动反馈最终生成一个产品形状与市场需求。在本文中,我们使用组合创新方法来安排和组合解决方案中的细节元素库生成建模解决方案,结合多层感知器神经网络遗传算法算法与产品建模,并建立交互式遗传产品建模系统,使用该系统来设计产品建模解决方案,最后得到产品建模解决方案满足目标用户;使用多层感知器神经网络遗传算法方法来评估产品的建模项目。形态特征空间之间的映射关系模型和意象认知空间构造了基于多元线性回归方程,为每个情感维度和多元回归模型是理想的。结果表明,模型的性能是可靠的。权重计算,选择合适的人得分和计算建模方案,最后,满意的产品建模方案。
1。介绍
随着社会历史的发展和人类工业文明的不断进步,人民生活水平和消费观念也发生了巨大的变化。自尊对物质功能已逐渐发展成为一个强烈的追求精神领域的意识。随着各种学科的交叉和集成,许多研究人员带来了基因的想法从生物学到工业设计的学科;与计算机和电子信息技术的迅速发展,计算机辅助工业设计领域也逐步发展,而且这种设计趋势导致了越来越多的先进的算法来控制设计过程,导致许多新的设计模型(1]。这带来了一个新的想法在产品设计中,即。,how to assist in the design and optimization of product shape with the help of computers to produce products that are competitive in the market. Therefore, this thesis is based on a multilayer perceptron genetic algorithm neural network based on a computer-aided designer to design and optimize the product shape and find more possibilities and innovations to make the designed product more unique and selling point.
神经网络是一个机器学习领域的研究热点。人工神经网络有大规模并行处理等特性,分布式信息存储,和良好的自组织和自学习能力。人工神经网络已成功地应用于许多领域,如信号处理、模式识别和智能控制2]。同时,神经网络学习还患上容易陷入局部最小值的缺点,网络学习收敛速度慢,和复杂的网络拓扑结构设计、阻碍其应用程序。多层感知器神经网络是一种forward-structured人工神经网络也称为多层前馈网络,将一组输入变量映射到一组输出变量,给出了输出变量的结果的预测以及基于预测模型的输入变量。多层前馈网络的结构特点:(1)没有在同一层神经元之间的联系。(2)有完整的神经元之间的连接两个相邻层。(3)信息传递有方向性。前馈计算进行一层一层地从输入到输出。遗传算法的概念来源于自然和生物进化过程是一个优化算法来解决复杂的问题。情报和本质并行性是最大的差异进化计算和传统优化方法。进化计算不需要对象的目标函数是连续可微的,这些优势使得它更适合解决复杂的优化问题,而且它还可以用来避免各种传统神经网络本身的缺陷(3]。结合多层感知器神经网络算法和遗传算法,不同的不同的特征提取方法获得的特性是产品造型设计的特点,然后遗传优化算法用于优化提取的特征,选择中长期规划和分类器的训练,结果表明,该组合模型达到预期的高准确率的分类效果。如今,随着电子信息技术的发展,信号处理方法更加的变得越来越高效,人们将更全面的研究特征信号做出新的贡献产品造型设计的未来发展4]。
2。的研究现状
缺乏信息的机器学习算法的方向与产品形式设计相结合。许多学者和专家的研究产品形态设计理论和机器学习这些领域作出了巨大贡献。文献[5首先提出了形态分析方法,编码的主要形态元素和组件产品和安排,结合形成不同形态的产品。这种方法旨在产生新的设计方案通过“重组”,已经被广泛应用于产品形态设计和相关领域。量化形式,提出了(6),特点是平均的概念和补充一组类似的产品形式较低的相关性,提取具有代表性的形式,在这个过程中给予他们不同的权重,然后推导新形式。在形态扩张方面,文献[7]认为形状的有限安排线条和形状设置一些条件,如位置、大小和方向,通过欧氏变换的概念,产生新的形状。影像图提出的方法(8建议图片和信息按照一定的规则可以通过分类研究建立目标场景来帮助设计师在设计。然而,这种方法只能帮助设计师来组织他们的思想促进协会和设计之前只是一个辅助技术。文献[9)提出了一种产品形式设计方法基于用户行为的图像功能,相比传统的研究方法,不用户体验融入产品形式设计,通过研究发现,体验带给用户的产品形式影响消费者的购买过程,甚至在购买决策中起着决定性的作用。文献[10)构建一个用户语义驱动方法对产品形式原型和认为语义是人与物之间的链,并通过用户语义的分析,它可以提高用户满意产品,促进企业产品的迭代。此外,文献[11)提出了一个理论pan-community产品形式设计方法基于形状文学和集成人类学和心理学理论。这个理论第一次分析产品表单元素并把同质产品和异构产品,然后推导出形状文法的同质产品和异构和过滤器得到一个令人满意的解决方案。文献[12)提出了一个离散神经网络模型与充分互联的网络拓扑,成功解决了旅客的问题使用能量函数。文献[13)提出了一个连续的神经网络模型,说明神经元可以实现运算放大器和说明所有神经元的连接可以模拟电子电路,称为连续Hopfield网络。文献[14)提供了一个详尽的分析误差反向传播算法的多层前馈网络与非线性连续传输函数,称为BP算法。文献[15)模拟消费者的产品颜色匹配图像评估模式基于BP网络和产生后代的配色设计优化遗传算法加快设计过程。文献[16)整合遗传和生物编码方法为产品配色方案设计,提出了形成编码产物的生成,并创建了一个PCIDBMT原型系统基于上述理论;基于交互式遗传算法,在16)元,Moayedi使用色合并和主色提取等技术建立一个自动映射机制的配色方案从平面图像的三维模型产品;文献[17]配色案例和灰度关联分析引入配色设计,用剪刀把作为一个例子来证明上述方法可以实现之间的转换情况下颜色匹配和目标颜色匹配。文献[18]提出了一种orthogonal-interactive遗传算法,减少了种族遗传空间通过正交分析来提高收敛速度,同时减少疲劳的心理负担用户通过减少数量的用户交互,产生更高的适应价值满足产品造型设计的需要。
3所示。产品造型设计评价方法基于多层感知器神经网络遗传算法算法
3.1。多层感知器原理基于遗传算法的神经网络算法
与单层感知器神经网络是一种计算单位,这是一个前馈网络神经元之间无连接在同一层和不同层之间的神经元之间没有反馈,和信号传播从下层神经元到上层神经元。它的输入和输出是离散值和神经元决定了其输出通过一个阈值函数的加权求和后输入。非线性神经网络感知器是一个简单的阈值函数添加到线性神经元,也称为线性阈值的元素。时它可以接受真实的类型信号输出二进制离散量(0,1)。多层感知器神经网络遗传算法的主要特点是计算适应值评价基于用户的交互,而不是一个函数公式。因为用户评价的结合以及特定的函数公式,它擅长问题,很难构建适应功能,如在产品设计领域,图像检索和设计评估。单层感知器模型只有两层神经元的输入和输出层,直接连接。它被设计如下:第一步:初始化连接权和阈值;的初始值一般较小的非零的随机数。第二步:输入信号被送入网络连接权重的所有输入信号的加权处理,并计算的结果作为网络的实际输出。第三步:调整权重。 If the actual output of the network differs significantly from the desired output, the connection weights parameter is adjusted, and the adjustment process relies on the perceptron learning algorithm automatically [19]。第四步:执行重复步骤3,直到区别网络的实际和预期的输出满足了预先设计的要求。
在神经网络感知器可以看作是个体神经网络中的节点。参数学习方案的设计理念一个多层感知器网络,在一个多层感知器网络中,所有神经元的权值,除了最后一个神经元提前设置,然后感知器学习算法用于学习最后一个神经元的权重。因为第一层神经元的权重设置人为的,第一层神经元设计的卓越程度将直接影响到性能的多层感知器模型。第一层神经元的设计取决于水平的理解我们所面临的问题和数据,从而导致这一事实没有一般方法的设计参数第一层神经网络在解决各种不同的问题。从图可以看出1多层前馈网络的结构特点(1)神经元之间没有连接在同一层,(2)在两个相邻层神经元之间的连接,和(3)中有方向性的信息传输。提出计算完成一层一层地从输入到输出(20.]。
遗传算法改进的多层感知器神经网络模型本质上是遗传算法的应用广泛搜索目标的解决方案空间信息,其次是定位更好的多层感知器神经网络遗传算法搜索的形式,然后通过培训来获得最优结果的预测问题。人工神经网络具有大规模并行处理、分布式信息存储、和良好的自组织和自学习能力。遗传算法优化的多层感知器神经网络的过程包括三个部分:确定多层感知器神经网络连接结构,确定遗传算法优化的多层感知器神经网络权值和阈值,遗传算法和多层感知器神经网络模型预测,主要步骤如下(图2):(1)确定多层感知器神经网络结构的基础上,训练样本数据;(2)确定BP神经网络隐层和层;(3)个体的长度编码的遗传算法确定,这个值是由结合多层感知器神经网络的参数的数量;(4)健身价值进行了优化,这个值是根据误差优化得到的多层感知器神经网络的训练;(5)最优解是由循环操作(4);(6)最优阈值权重再决定更多的最优解;(7)最优权重和阈值被分配到多层感知器神经网络模型;(8)误差计算判断完成新的权值和阈值进行多层感知器神经网络模型训练预测;(9)预测结果分析,比较多层感知器神经网络的预测结果和遗传算法神经网络。
multiperceptron阈值和权值的神经网络级联根据特定的顺序,和multiperceptron神经网络的权值和阈值是根据订单级联;即N染色体随机生成的;隐式和输出层阈值;输入和隐含层阈值;隐式和输出层权值;输入和隐层权重;适应度函数选择的均方误差,染色体的适应度根据均方误差函数来重新计算判断预测结果满足目标需求和产生新的个体,如果他们不符合要求;具体操作执行变异操作,交叉操作,和复制操作的个人满足健身价值和判断的要求新的个人满足要求的均方误差值函数如果他们满足要求21]。有四个突变操作在一个多层感知器神经网络遗传算法的进化:添加连接,添加节点,修正连接权值,改变激发函数响应。如果不满足要求,再计算染色体的适应度根据均方误差函数,如果需求满足,最优个体顺序分割阈值和权重应用于多传感器神经网络更新;那么多传感器神经网络传播,全球计算错误,网络的权值和阈值参数调整和纠正,和多传感器神经网络学习训练是骑车到设定学习时间或精度要求,终止计算,结果输出。
让输入层的多层感知器神经网络遗传算法一个输入神经元,该层一个输出神经元,隐藏层一个隐藏层神经元之间的连接权重隐藏层和输出层的输入层和隐层之间的连接权重 ,隐层的传递函数 ,然后计算隐层神经元的输出如下:
计算输出层神经元的输出如下:
此时,多传感器神经网络遗传算法完成了正向传播过程,建立了映射维空间向量维空间。所有训练样本的BP神经网络,网络的全局误差而著称和计算如下:
输出层权值变化的多重层遗传算法神经网络表示l和计算如下:
的公式调整输出层中的每个神经元的权重了
固定拓扑演化必须做人工设计神经网络的拓扑结构。相比之下,拓扑重量进化方法可以自动发展正确的网络拓扑。此外,没有通用的法律保证性能优良的人工神经网络设计的,所以多种感觉的神经网络的拓扑结构基于遗传算法进化设计往往比人为的解决方案的性能代价。这种现象尤为明显在保持网络复杂性降到最低(22]。虽然拓扑重量进化方法执行更好的固定拓扑演化方法相比,他们也面临许多的问题,不存在固定拓扑演化方法。有四个突变操作在一个多层感知器神经网络遗传算法的进化:添加连接,添加节点,修正连接权值,改变激发函数响应。变异操作之前,我们设置一个变异概率,以及连接权值的变异是通过纠正所有连接权值根据突变概率。在特殊情况下,也可以直接无视突变概率和原来的体重变成一个新的重量。突变是用来改变重量和网络结构。突变的连接权重是通过添加一个浮点数(或正面或负面)每个重量有一个固定的概率匹配正态分布。网络结构变异在两个方面:通过添加节点和突变突变通过添加两个节点之间的连接。
3.2。产品造型设计基于机器学习算法的评价方法
所谓建模是点、线、面作为基本元素,根据一定的规则相互转换,有机生产新有机形式。造型的过程中,使用更多的有机形式的自由格式的产品可以增加产品的独特性和创新,其中,“选择”和“改变”,作为两个主要的建模法,常常应用。所谓的选择是选择基本类型根据使用功能、可操作性,和其他条件。有两种类型的基本形状、几何和有机。几何形式是一些常见的几何图形在数学,虽然有机形式是流线型,仿生,或自由。转换的操作划分、切割、积累、合并、伸展、挤压、弯曲、等,形式的基本类型。分裂:“损失”或“形式的分离。“通常,当切割,它将按照黄金比例;例如,我们通常看到轴距比汽车和屏幕的比例的总长度的密钥分发平板产品,等等,这些都是黄金比例。切割:基本类型是部分削减生产面临改变形状。 The idea of the genetic algorithm comes from the biological evolution process in nature and is an optimization algorithm for solving complex problems. Intelligence and essential parallelism are the biggest differences between evolutionary computing and traditional optimization methods. The position, curvature, and depth of the cut all make the product produce different new shapes. Accumulation: The same or similar monoliths are stacked in size, position, number, and direction to produce a regular stack. The fruit plate, for example, is a shape produced by the accumulation of a basic type. (4) Merging: It is taking two separate individuals and creating a new shape by intersecting, cutting, or superimposing them. This type of shape can usually be seen in mechanical parts. (5) Stretching: As the name suggests, this is taking a base shape and dragging it outward in a given direction to produce a new shape. This type of molding is seen everywhere in life; for example, refrigerator and cabinet air conditioner molding are applications of this method. (6) Extrusion: On the surface of a monolith, stretching in the direction of centripetal force is called extrusion.
与计算机技术的蓬勃发展,参数和量化技术已成为各学术领域的研究热点,也逐渐应用于产品形式设计。大部分的产品形式设计是设计一种改进的基于最初的形状,和它的参数有一个明确的符合设计对象的大小。因此,参数化设计使产品设计更高效的设计过程,可以用以前积累和建立模型并在此基础上修改。参数化设计的原则是一条线的参数或图对应的控制维度设计对象,当不同的参数值序列,设计结果的变化。的驱动下,获得一个新的几何参数。目前,参数化设计在形态设计的应用更广泛,和它的范围逐渐扩展到产品的整个生命周期,包括二维组织,三维实体,配件中间关系,产品特性表达式,和其他产品的设计。
产品样式是一个多个解决方案选择的过程,同时,造型是一个充满情感的领域。如果涉及到传统的机器学习算法,在设计过程中,nonoptimal个人完全丢弃,而个人保留好。然而,在设计领域,nonoptimal个人仍然可以有某种影响和贡献最终解决产品即使他们无法满足一些特定的需求。因此,这就需要引入多层感知器神经网络控制遗传算法。的多层感知器神经网络遗传算法的主要特点是计算适应值评价基于用户的交互,而不是一个函数公式。自用户的视觉认知的产品主要是反映在形式的感知信息,设计师应该主动获取信息用户的知觉偏好和理解用户如何解码认知的产品和他们的知觉偏好,以确保成功的设计编码。因为用户评价的结合以及特定的函数公式,它擅长问题,很难构建适应功能,如在产品设计领域,图像检索和设计评估。例如,图3显示产品的流程图交互样式设计模型。
在产品设计的概念阶段,组合创新的原则常被用来生成新的形状。组合创新,因为它意味着,细分的过程和分析产品基于一个特定的方面,这样的模块可以组合在一起以产生一个新产品的形状,根据,但不限于,功能、形状、结构、人机、材料、等设计的过程总是伴随着许多不确定因素,如何将主观设计活动转化为数字语言来分析和量化的情感和需求偏好,需要分析,过程,整合各种复杂元素的帮助下科学、有效的评价方法。层次分析(AHP)通常被用来衡量一个产品的情感因素,简化复杂的决策,或者应用感性工程理论建立的原则和确定最终通过语义差异评价指标分级评价。产品设计评价是利用特定的规则来评估每个解决方案的属性值在一组有限的解决方案,然后使用特定的规则获得综合评价价值,最后排名所有解决方案基于综合评价的价值和获得最优解。它通常包括三个步骤:(1)标准化评价矩阵;(2)确定每个解决方案的重量大小;(3)排名所有选择。常用的设计评价方法包括简单线性加权法、功效系数法、层次分析法、近似理想溶液的排名方法,灰色关联分析方法,等简单线性加权法是一种常见的多目标评价方法;这种方法是基于实际情况;首先,确定评价指标权重,然后标准化决策矩阵,找出每个选项的线性加权指数的平均值,并使用它作为每个可行的判断依据排名。 The efficacy coefficient method converts the dissimilarity measures of each attribute into corresponding dimensionless efficacy coefficients and then performs a comprehensive evaluation. TOPSIS is a ranking method that approximates the ideal solution, which is characterized by full utilization of the original data, low error, and high reliability. The optimal solution is the one closest to the positive ideal solution and farthest from the negative ideal solution, to evaluate the optimal solution. The gray correlation method is a multifactor statistical analysis method, which is based on the sample data of each factor and analyzes the correlation size between each component factor and the whole and reflects the similarity of the solution to be evaluated and the optimal solution in terms of shape. Based on the multilayer perceptron genetic algorithm neural network, these evaluation indexes can be connected in series to evaluate the product shape design in a multifaceted way.
4所示。实验验证和结论
为了验证该方法的可行性和有效性,进行了一系列的实验来说明。主要包括以下步骤:(1)构建一个使用感性工程和层次分析评价体系;(2)使用层次分析获取主观权重;(3)使用熵权重获取客观权重;(4)使用博弈论得到综合权重;(5)使用SD方法建立感性决策矩阵;(6)使用KE-GRA-TOPSIS方法替代产品排名。
综合评价系统为产品开发使用感性工程和分层分析。目标水平只有一个元素,即。,选择产品的解决方案。六个标准和12个指标确定了基于TF-EPA方法。产品的洞察力是评估在6维:性别的角度来看,接受,结构特点,持续时间、重量的特点,分别和技术特征。两个指标都包含在每个标准的指标包括一对感性的话。
相对亲密趋势中长期规划的三种方法,遗传算法,和GA-MLP-NN 14选择了基于实验,并对比图如图4被吸引。GA方法,选择的相对亲密的差距更大,因为GA方法只考虑了距离空间和放大了替代品的评价结果;替代品的MLP方法的差距较小,因为方法关注指标之间的关系,但忽略了评价选择空间的距离。介绍用户的偏好信息的多维感知偏好空间直接进入设计概念。过程中的信息传递和转换效率提高。GA-MLP-NN方法是一种集成的GA方法和中长期规划,认为相对亲密源自这个方法是更现实的认为评价选项之间的关联程度和选项之间的差距。
DM选择的结果也与MLP方法相比,遗传算法方法,GA-MLP-NN法、TOPSIS方法,比较结果如图5。KE-GRA方法不包含在这个比较测试,因为它的精度太低。GA-MLP-NN方法有精度为78.6%,其次是向MLP方法为57.2%。此外,GA法和TOPSIS法的准确性为7.2%,0。观察图5,可以看出GA-MLP-NN法和延时法的结果是相似的,而GA法和TOPSIS法是相同的。此外,GA-MLP-NN方法和MLP方法的结果大致符合DM的选择。这个实验验证TOPSIS方法及其扩展不能直接用于产品的知觉排名。
来验证该方法的有效性,10个额外的参与者被邀请去重复这个实验。图6显示结果的偏好和选择排名的参与者。值得注意的是,主观权重的层次分析方法是可以调节的。比较结果的主观选择的结果10参与者GA-MLP-NN方法和MLP方法如图所示6的数量,其中包含的比较正确的排名和准确率的比较。在这种情况下,条形图表示正确的排名和线图的数量代表了准确率。在GA-MLP-NN方法中,U10 U1的准确率是85.7%,100%,85.7%,100%,100%,100%,85.7%,100%,100%,100%,和100%,这个顺序。平均计算精度是95.7%。延时方法,准确率U1 U10分别为85.7%,85.7%,85.7%,85.7%,85.7%,85.7%,85.7%,71.4%,85.7%,100%,85.7%。计算的平均准确率为85.7%。的准确性,GA-MLP-NN方法和MLP方法表现良好。GA-MLP-NN方法更准确。上述结果表明感知决策矩阵的可行性,提出GA-MLP-NN方法可以准确地根据用户的个性化偏好等级产品。
在图7真阳性(TP)表明积极样本划分为积极的数量;真阴性(TN)表示数量的负样本归类为负;假阳性(FP)表示负样本划分为正的数量,和假阴性(FN)表示的数量正样本归类为负。常用的评价指标,包括精度,精度,还记得,错误发现率(罗斯福),和假阳性(玻璃钢),图中列出7。30个产品图像任意选为内容地图和10图片风格;300年新产品图片生成。混合100真实图像和300后生成的图像,30个用户3.4.2节被邀请来区分谎言的真相400图像。自GA-MLP-NN方法生成的产品图片只是用来激发设计师或用户,不是最终的设计效果图,削弱的详细特征生成的图像,30个用户(与正常视力)观察图片的距离1米的显示(分辨率2560×1440)的最大显示大小约8厘米(宽度或高度)一侧的图片和每个图像。停留时间不超过2秒。这个实验的目的是评估用户的能力区分真实和生成图像和反映生成的图像的质量。罗斯福是实际的比例负样本之间的正样本,和玻璃钢中实际负样本的比例正样本。罗斯福和玻璃钢是正指标。计算罗斯福和玻璃钢分别为69%和67%,分别显示生成的图像质量好,可用于显示和激发设计师。
由于关系的相关性、从属、冗余、和形容词之间的相似之处,两个感性词语相似的概念和相反的含义更用户心理的体现。因此,感性的话选择在这一章来描述用户的心理感受。一个单词的重要性成正比的次数似乎在一个文本,如果一个词反复出现在文本研究,它可以用来描述文本的主导趋势。片面的考虑选择情绪词的传统方法只考虑词频或用户偏好情绪工程,本章提出了一种GA-MLP-NN-based方法选择情绪词对基于词频和EPA维度的特点。文本情感分析是使用计算机分析与主观感受文本的用户评论极性分类,通常分为积极(正面),贬损的(负面),或中性。情感分类方法可分为两类:基于机器学习方法和lexicon-based方法,后者区分文本情感情绪词汇,如WordNet和知网,这依赖于情感词典的质量和持续改进。在这一章,情感词典的方法用于确定在在线评论情感词的情感倾向。知网字典和同义词词林搜索获得情绪词的情感倾向的结果判断。情绪的分数单位光电是情绪的产物极性EP和情绪强度EI,和情绪评价整个文本的特点是聚集人气的单位在文本。的和独立的积极和消极情绪的情绪倾向得分词一双情绪作为评价一组对情绪词的价值。 Commonly used design evaluation methods include the simple linear weighting method, efficacy coefficient method, hierarchical analysis method, approximate ideal solution ranking method, gray correlation analysis method, etc. The perceptual evaluation values of the six sets of perceptual words are obtained by traversing the product reviews according to the perceptual evaluation value calculation process, where positive values indicate that the sample ratings are biased towards positive perceptual words, negative values indicate that the sample ratings are biased towards negative perceptual words, and the absolute values of the ratings indicate the degree of deviation. In the perceptual evaluation of the sample in Figure8,感知“good-poor”一词被评为0.949,表明整个产品评价偏好;“beautiful-ugly”被评为2.133,表明该产品。−1.005的“smooth-sluggish”评级表明该系统是缓慢的。示例2的知觉评级是媒介,“large-small”评级为1.957,说明产品尺寸。样品3的知觉评级是媒介,“large-small”评级为2.127,说明产品尺寸。示例4的媒介知觉评级4.0“large-small”,表明大尺寸,和−1.121“easy-fussy”,表明所使用的产品是挑剔的。“Smooth-Sluggish”评级3.0表明,系统的顺利使用。示例5的知觉评级是媒介,评级为2.5“beautiful-ugly”显示一个漂亮的产品,2.589,“large-small”表示一个大产品尺寸。“Flow-Sluggish”评级为0.953,这表明光滑系统使用。GA-MLP-NN预测的模型和实际价值模型几乎一致,表明GA-MLP-NN模型具有较高的精度。
物联网的广泛应用,互联网,和自动化技术,产品情报和信息技术的发展方向,和整个产品生命周期过程变得越来越开放和透明的。产品生命周期是整个过程从产品开发到临终,包括产品设计、生产加工、运输和供应、销售和使用。数据生成的整个产品生命周期包括企业信息管理系统的数据库中的数据如企业资源计划、客户关系管理,制造企业生产流程执行系统、产品数据管理,供应链管理,以及由用户生成的数据在互联网和电子商务系统,如浏览、点击、采购、和审查,等。这些数据有大数据的典型特征,即。,许多数据类型,数据量大,低价值密度,和高的商业价值。这些数据有大数据的典型特征,也就是说,许多数据类型,数据量大,低价值密度,和高的商业价值。其中,数据类型包括文本数据、图像数据、语音数据、视频数据和日志数据。这些产品相关的数据增长指数每天都形成了产品生命周期大数据。多层感知神经网络遗传算法基于本文可以充分利用大数据的特点与低价值密度和高商业价值从大规模的数据中提取有价值的信息和最核心的价值。大数据的价值取决于应用程序中的数据分析结果发挥作用。产品设计领域得到了大数据的关注略低于其他应用程序,但是没有短缺,它可以发挥关键性的作用。为例,通过收集产品评论在电子商务系统中,不仅可以检测用户需求的变化,还可以提高产品缺陷根据用户的反馈,从而提高用户满意度。 Image big data can intuitively inspire designers and facilitate product styling.
5。结论
本文进一步开发一个智能和系统化的产品创新设计方法,探索如何获得相关信息产品设计从产品生命周期产生的大数据和分析深度使用技术,如遗传算法基于多层感知器神经网络模型,主要研究工作如下。分析每一个多层感知器神经网络的优点和缺点以及遗传算法和遗传算法结合多层感知器神经网络模型,一套多层感知器神经网络遗传算法模型的形成,和产品设计领域知识纳入,和方法可以自动识别、提取和重构图像的内容和颜色特征和迁移他们的产品形状内容地图。实时生成新产品图片。其中,多层感知器神经网络的训练迁移模型是基于图像数据的无监督培训,和训练模型用于自动迁移文体的文体特征图像;遗传算法模型是一个监督训练,训练模型用来预测产品在内容上语义图和指导的选择风格图。方法减轻图像质量差的问题,无法控制的内容,缺乏理论指导,在产品设计领域生成的解决方案。用户的主观意象是模棱两可的,之间有一个“黑盒”问题的主观评估价值和产品形状的元素。它也不容易提高产品的竞争优势。本文还将产品设计领域知识集成到文本大数据技术提出一种数据驱动的知觉在线评论的工程方法。感性词集合而言,在线评论作为一种感性的话; in terms of perceptual word acquisition, a GA-MLP-NN perceptual word extraction method combining three dimensions of word frequency and EPA is proposed; in terms of perceptual evaluation, a perceptual evaluation value calculation method combining degree adverbs with word clustering for online reviews is proposed, and the basic idea is to obtain users’ emotional tendency towards the product by mining the emotional tendency of perceptual words. In terms of mapping model construction, a multilayer perceptron genetic algorithm neural network is used to construct a relationship model between users’ difficult-to-quantify perceptual needs and product design elements, while the models constructed by multiple linear regression methods are compared to verify the effectiveness and feasibility of the proposed method.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作在本文中被安阳理工学院的支持。