基于BP神经网络优化遗传算法的智能座舱感性意象预测

doi:10.19562/j.chinasae.qcgc.2023.08.018

摘要/Abstract

摘要：

为减少主观因素干扰，满足用户多样化感性需求，提出基于BP神经网络优化遗传算法的智能座舱感性意象设计方法。从用户角度出发，获取用户感性意象并划分强度，应用因子分析法降维得到目标意象，获取新能源汽车座舱样本，应用聚类分析法筛选得到优势样本，并结合形态分析法提取智能座舱中控造型特征因子。基于BP神经网络构建特定目标意象与造型特征因子的映射模型，得到两者函数关系后将其作为适应度函数展开遗传算法分析，优选特定意象下造型因子的最优组合，完成评估方法与优选方法的结合。根据优势因子组合进行设计实践以验证方法实用性，结果表明该方法能有效满足用户多维感性需求，为智能座舱造型设计多样化提供新的思路和参考。

关键词: 智能座舱造型优化, 感性意象预测, BP神经网络, 遗传算法

Abstract:

In order to reduce subjective interference and meet the diverse emotional needs of users， the design method of intelligent cockpit perceptual image prediction based on BP neural network optimization genetic algorithm is proposed. From the user's point of view， user emotional image is obtained and the intensity is divided. Factor analysis method is used to reduce dimension to obtain target images and cockpit samples of new energy vehicles. Cluster analysis method is applied to screen and obtain advantage samples and the modeling characteristic factors of intelligent cockpit central control are extracted by combining with morphological analysis method. Based on BP neural network， the mapping model of specific target image and modeling feature factors is constructed， and the functional relationship between the two is obtained， which is used as fitness function to carry out genetic algorithm analysis， optimize the optimal combination of modeling factors under the specific image， and complete the combination of evaluation method and optimization method. According to the combination of advantage factors， the design practice is carried out to verify the practicability of the method. The results show that the method can effectively meet the multidimensional emotional needs of users， and provide a new idea and reference for the diversification of intelligent cockpit modeling design.

Key words: intelligent cockpit modeling optimization, perceptual image prediction, BP neural network, genetic algorithm

陈国强,申正义,孙利,支梦帆,李彤. 基于BP神经网络优化遗传算法的智能座舱感性意象预测[J]. 汽车工程, 2023, 45(8): 1479-1488.

Guoqiang Chen,Zhengyi Shen,Li Sun,Mengfan Zhi,Tong Li. Intelligent Cockpit Perceptual Image Prediction Based on BP Neural Network Optimization Genetic Algorithm[J]. Automotive Engineering, 2023, 45(8): 1479-1488.

图/表 27

图1

图2

表1

表2

表3

图3

图4

表4

表5

表6

表7

表8

表9

表10

表11

造型特征编码"

训练样本	造型特征
训练样本	W₁	W₂	W₃	W₄	W₅
A₁	000001	010000	010000	010000	000001
A₂	010000	001000	100000	100000	100000
A₃	000001	000010	000001	000000	000001
$?$	$?$	$?$	$?$	$?$	$?$
A₃₀	000001	001000	000001	001000	001000

表11

表12

BP神经网络实际输出数据"

训练样本	意象词汇均值
训练样本	C₁	C₃	C₁₃	C₂₂
A₁	0.07	-0.07	0.93	-0.86
A₂	0.57	0.14	0.71	0
A₃	1.07	-0.14	-0.21	0.5
A₄	0.86	-0.5	0.43	0
A₅	-0.43	0.57	0.14	0.21
$?$	$?$	$?$	$?$	$?$
A₂₉	0.86	0.07	0.93	0.29
A₃₀	0.93	0.07	0.57	0.64

表12

表13

模型预测输出数据"

预测样本	意象词汇评价均值
预测样本	C₁	C₃	C₁₃	C₂₂
$A 1 *$	0.107 1	-0.082 0	1.230 0	-0.802 1
$A 2 *$	0.624 0	0.125 7	0.980 0	0.006 0
$A 3 *$	0.873 4	-0.184 6	-0.321 0	0.481 0
$A 4 *$	0.840 0	-0.653 4	0.389 0	0.009 0
$A 5 *$	-0.502 0	0.701 0	0.098 9	0.310 0
$?$	$?$	$?$	$?$	$?$
$A 29 *$	0.824 0	0.090 0	0.867 2	0.290 1
$A 30 *$	0.976 0	0.040 0	0.590 1	0.613 0

表13

表14

实际输出与预测输出相对误差"

相对误差值	意象词汇评价均值
相对误差值	C₁	C₃	C₁₃	C₂₂
A₁与 $A 1 *$	0.530 0	0.171 4	0.322 6	0.067 3
A₂与 $A 2 *$	0.094 7	0.102 1	0.380 3	0.000 0
A₃与 $A 3 *$	0.183 7	0.318 6	0.528 6	0.038 0
A₄与 $A 4 *$	0.023 3	0.306 8	0.095 3	0.000 0
A₅与 $A 5 *$	0.167 4	0.229 8	0.293 6	0.476 2
$?$	$?$	$?$	$?$	$?$
A₂₉与 $A 29 *$	0.041 9	0.285 7	0.067 5	0.000 3
A₃₀与 $A 30 *$	0.049 5	0.428 6	0.035 3	0.042 2

表14

图5

图6

表15

表16

图7

图8

图9

图10

表17

参考文献 20

1	苏建宁，张秦玮，吴江华，等.产品多意象造型进化设计［J］.计算机集成制造系统， 2014， 20（11）： 2675-2682.
	SU J N，ZHANG Q W，WU J H， et al. Evolutionary design of product multi-image modeling［J］. Computer Integrated Manufacturing System， 2014， 20（11）： 2675-2682.
2	卢兆麟，张悦，成波，等.基于风格特征的汽车造型认知机制研究［J］.汽车工程， 2016， 38（3）： 280-287.
	LU Z L，ZHANG Y，CHENG B， et al. Research on cognitive mechanism of car styling based on style characteristics［J］. Automotive Engineering， 2016， 38（3）： 280-287.
3	HELANDER M G，KHALID H M，LIM T Y， et al.Emotional needs of car buyers and emotional intent of car designers［J］.Theoretical Issues in Ergonomics Science， 2013， 14（5）： 455-474.
4	LI Z，TIAN Z G，WANG J W， et al.Dynamic mapping of design elements and affective responses： a machine learning based method for affective design［J］.Journal of Engineering Design， 2018， 29（7）： 358-380.
5	郭景华，李克强，王进，等.基于危险场景聚类分析的前车随机运动状态预测研究［J］. 汽车工程， 2020， 42（7）： 847-853.
	GUO J H，LI K Q，WANG J， et al. Research on the prediction of the random motion state of the front vehicle based on the cluster analysis of dangerous scenes［J］. Automotive Engineering， 2020， 42（7）： 847-853.
6	胡涛.基于用户风格意象认知驱动的产品设计方法研究［D］. 贵州：贵州大学， 2021.
	HU T.Research on product design method driven by user style image cognition［D］. Guizhou： Guizhou University， 2021.
7	王剑.基于BP-GA算法的踝足矫形器形态优化设计方法研究［D］. 秦皇岛：燕山大学， 2020.
	WANG J. Research on shape optimization design method of ankle-foot orthosis based on BP-GA algorithm［D］. Qinhuangdao： Yanshan University， 2020.
8	周美玉.感性设计［M］. 上海：上海科学技术出版社， 2011.
	ZHOU M Y. Sensory design［M］. Shanghai： Shanghai Science and Technology Press， 2011.
9	魏敏敏.机器学习在趋势预测中的研究及应用［D］. 西安：西安理工大学， 2019.
	WEI M M. Research and application of machine learning in trend prediction［D］. Xi'an： Xi'an University of Technology， 2019.
10	杨延璞，余隋怀，陈登凯.运用遗传算法的产品造型设计方案优化方法［J］.现代制造工程， 2012（3）： 127-131.
	YANG Y P，YU S H，CHEN D K. Optimization method of product shape design scheme using genetic algorithm［J］. Modern Manufacturing Engineering， 2012（3）： 127-131.
11	刘肖健，李桂琴，孙守迁.基于交互式遗传算法的产品配色设计［J］.机械工程学报， 2009， 45（10）： 222-227.
	LIU X J，LI G Q，SUN S Q. Product color matching design based on interactive genetic algorithm［J］. Journal of Mechanical Engineering， 2009， 45（10）： 222-227.
12	赵治国，冯建翔，周良杰，等.驾驶员避撞转向行为的改进K-means聚类与识别［J］. 汽车工程， 2020， 42（1）： 52-58.
	ZHAO Z G， FENG J X， ZHOU L J， et al. Improved K-means clustering and recognition of driver's collision avoidance and steering behavior［J］. Automotive Engineering， 2020，42（1）： 52-58.
13	邓雅倩，林丽.基于感性意象的汽车内饰色彩设计研究［J］.设计， 2022， 35（10）： 136-139.
	DENG Y Q， LIN L. Research on car interior color design based on perceptual image［J］. Design， 2022， 35（10）： 136-139.
14	罗仕鉴，边泽，张宇飞，等.基于形态匹配的产品仿生设计融合［J］.计算机集成制造系统， 2020， 26（10）： 2633-2641.
	LUO S J，BIAN Z，ZHANG Y F， et al. Product bionic design integration based on shape matching［J］. Computer Integrated Manufacturing System， 2020， 26（10）： 2633-2641.
15	LAI H H. Form design of product image using grey relational analysis and neural network models［J］. Computer & Operations Research， 2005， 32（10）： 2689-2711.
16	梁旺，秦兆博，陈亮，等.基于改进BP神经网络的智能车纵向控制方法［J］. 汽车工程， 2022， 44（8）： 1162-1172.
	LIANG W，QIN Z B， CHEN L， et al. Intelligent vehicle longitudinal control method based on improved BP neural network［J］. Automotive Engineering， 2022， 44（8）： 1162-1172.
17	贾会群，魏仲慧，何昕，等.基于神经网络与最小二乘法的车道线检测算法研究［J］. 汽车工程， 2018， 40（3）： 363-368.
	JIA H Q，WEI Z H，HE X， et al. Research on lane line detection algorithm based on neural network and least square method［J］. Automotive Engineering， 2018， 40（3）： 363-368.
18	郭祥靖，孙攀，邓杰，等.基于BP神经网络算法预测的重型半挂汽车列车AEB控制策略研究［J］. 汽车工程， 2021， 43（9）： 1350-1359.
	GUO X J，SUN P，DENG J， et al. Research on AEB control strategy of heavy semi-trailer train based on BP neural network algorithm prediction［J］. Automotive Engineering， 2021， 43（9）： 1350-1359.
19	FUNG K Y，KWONG C K，SIU K W M， et al.A multi-objective genetic algorithm approach to rule mining for affective product design［J］. Expert Systems with Applications， 2012，39（8）： 7411-7419.
20	WEI W， JIANG C.A combination forecasting method of grey neural network based on genetic algorithm［J］. Procedia CIRP， 2022， 109： 191-196.

序号	序号	序号	序号	序号
A₁	A₇	A₁₃	A₁₉	A₂₅
A₂	A₈	A₁₄	A₂₀	A₂₆
A₃	A₉	A₁₅	A₂₁	A₂₇
A₄	A₁₀	A₁₆	A₂₂	A₂₈
A₅	A₁₁	A₁₇	A₂₃	A₂₉
A₆	A₁₂	A₁₈	A₂₄	A₃₀

阶段	系数	阶段	系数	阶段	系数	阶段	系数
1	37.486	9	64.650	17	87.677	25	204.847
2	40.949	10	67.208	18	87.908	26	217.351
3	46.495	11	67.349	19	90.602	27	248.490
4	47.727	12	68.838	20	98.128	28	265.370
5	48.681	13	71.098	21	98.527	29	269.261
6	48.728	14	74.981	22	102.683
7	52.491	15	81.369	23	107.615
8	64.322	16	86.063	24	114.711

个案号	编号	聚类	距离	个案号	编号	聚类	距离	个案号	编号	聚类	距离
1	A₁	1	5.652	11	A₁₁	4	6.736	21	A₂₁	3	4.968
2	A₂	2	4.489	12	A₁₂	6	5.120	22	A₂₂	6	6.361
3	A₃	2	4.504	13	A₁₃	5	4.934	23	A₂₃	4	5.952
4	A₄	1	6.309	14	A₁₄	4	7.411	24	A₂₄	4	6.225
5	A₅	5	6.108	15	A₁₅	6	5.907	25	A₂₅	3	6.642
6	A₆	6	5.565	16	A₁₆	2	3.995	26	A₂₆	4	5.506
7	A₇	3	5.928	17	A₁₇	4	6.617	27	A₂₇	1	6.145
8	A₈	1	4.242	18	A₁₈	1	6.300	28	A₂₈	5	5.639
9	A₉	3	3.740	19	A₁₉	2	4.714	29	A₂₉	4	6.364
10	A₁₀	1	4.302	20	A₂₀	4	7.556	30	A₃₀	2	6.414

序号	样本	序号	样本	序号	样本
A₈		A₉		A₁₂
A₁₃		A₁₆		A₂₆

序号	意象词汇对	序号	意象词汇对	序号	意象词汇对
C₁	现代—传统	C₈	精致—粗犷	C₂₂	简洁—繁琐
C₃	圆润—硬朗	C₁₁	轻快—笨重	C₂₆	轻松—严肃
C₄	立体—平面	C₁₃	整体—分散
C₆	结实—脆弱	C₁₆	大气—小巧