论文总字数：20228字

目 录

1引言 1

2 BP神经网络及其算法改进 1

2.1BP网络模型及传统算法 2

2.2BP网络算法特点及改进 3

2.2.1BP网络算法的特点 3

2.2.2BP网络算法的改进 4

3 RBF神经网络及其算法 5

3.1RBF网络模型及正规算法 5

3.2RBF神经网络工作原理及其特点 6

3.2.1RBF网络的特点 7

3.2.2RBF算法的改进 7

4.手机外形分析 8

4.1网络样本的设计 8

4.2手机造型设计评价指标体系的构建 10

4.3设计元素分解 10

4.4评价及设计元素 10

5. 基于BP神经网络的评价模型 12

5.1构建基于BP神经网络的评价模型 12

5.2基于BP神经网络的评价模型的构建步骤 12

5.3 BP神经网络的训练 14

表5.1 BP神经网络评价的误差 17

6. 基于RBF神经网络的评价模型 17

6.1构建基于RBF神经网络的评价模型 18

6.2基于RBF神经网络的评价模型的构建步骤 18

6.3 RBF神经网络的训练 20

表6.1 RBF神经网络评价误差 22

7.BP神经网络与RBF神经网络的比较 24

8.小结 25

参考文献 26

致谢 28

关于神经网络优化的手机造型设计评价系统的研究

俞敏

， China

Abstract: Artificial neural network (NNs) has unique advantages in product design evaluation. By training a large number of data sets to obtain the law, in order to predict the popularity of product programs. In this paper, the mobile phone design evaluation as an example, the use of MATLAB R2016a software platform to evaluate the importance of the various parameters of the product. Based on the evaluation of the two level index system of mobile phone design. In the 90% volume of training, with the remaining 10% sample as the validation sample to verify the model, the product design more scientific and effective that period. During the period, I will use the BP neural network and RBF neural network to evaluate the two kinds of network structure design, comparison of selected optimal network structure, and the combination of 10% sample test results to prove the superiority of the network. This will not only improve the efficiency of product development, but also improve the competitiveness of enterprises.

Key words: BP neural network; RBF neural network; product modeling design; radial basis function; hidden layer; input and output

1引言

以人为本，是经济发展的新常态，按照用户的需求供给有针对性、个性化的功能和服务，已被各行各业奉为圭臬，视为信条。在手机行业也不例外，一部好的手机，不仅要具备优良的性能，高端的配件，更要能够以人为本，在造型设计方面，满足消费者的需要，让消费者对产品“一见钟情”。

NNs是对生物学中神经元传递信息的模仿，处理和存储信息都保留了人脑的部分能力，能够很好地模拟人脑进行自适应、自组织、自学习与推理，对模糊信息和复杂非线性关系的处理有较好的能力 [^[1]]。神经网络技术不断发展和应用的日益普及也为手机造型设计评价提供了有力的理论和技术支持。

自1890年神经网络问世以来，便受到了大批学者的追捧，在人工智能领域掀起一股浪潮。尤其近年来，国内外的专家学者对神经网络在产品造型设计评价中的应用的研究热度不减。如用遗传算法优化的神经网络评价系统[^[2]]；偏最小二乘法和神经网络相结合的设计支持系统 [^[3]]；神经网络模型中感性工学的应用；基于BP神经网络创建的精准评估[^[4]]； MATLAB环境下RBF神经网络模型的评估系统[^[5]]；这些都对神经网络应用于评价系统研究中的“沧海一粟”。

　　BP神经网络和RBF神经网络是NNs中常见的两种网络算法。传统的BP算法能够批量处理非线性映射关系（即 “输入-输出”映射关系）、精准命中期望输出、筛选特大误差；但BP神经网络只会下坡不会爬坡，可能会出现错把极值当成最值的现象。并且BP算法中的学习率无限趋近于某一最大值。网络的学习收敛速度不会超过这一最大值，这就注定其速度的提高是有限的。相较于BP神经网络，RBF神经网络能够具体问题具体分析，为函数量身定制一套专属的网络拓扑构造，对非线性连续函数的运动趋势有较大的把握，学习速度更快，数据融合的范围可以非常大，处理数据也能做到并行高速 [^[6]]；但也正是由于RBF神经网络的自由选择性，RBF的选择有时候会陷入多条岔路，反而降低了期望值的命中率[^[7]]。总而言之，BP神经网络和RBF神经网络在实际应用中都有各自擅长的领域。因此，我在手机造型设计的评价中将两者进行对比除了得出最佳方案外也是为了总结出两种算法在实际应用中不同的侧重点，以为其他产品设计评价作出参考。

2 BP神经网络及其算法改进

《并行分布式处理》给出了BP神经网络最初原型，其中提出BP神经网络是经过使用误差反向传播训练算法创立起来的前馈式网络。这也是到目前为止给出的最为准确的BP神经网络定义。

2.1BP网络模型及传统算法

图1.1所示是目前应用较为普遍的BP神经网络模型，它由输出层、隐层和输入层三层组成，故称为三层感知器 [^[8]]。

图1.1中，组成输入向量X，；组成隐层输出向量Y，；组成输出层输出向量O，；设期望输出向量为d，。v_j是隐层第j个神经元对应的权向量，组成输入层到隐层之间的权值矩阵V，，w_k为输出层第k个神经元对应的权向量，组成隐层到输出层之间的权值矩阵W， [^[9]]。

图1.1 BP神经网络模型

各层之间信号的数学关系：

隐层中

（1）

输出层中

（2）

（1）式、（2）式中，f(x)为变换函数，通常为sigmoid单极性函数：

（3）

由于sigmoid函数连续、可导，故对（3）式求导得

（4）

2.2BP网络算法特点及改进

BP学习算法的主要目的是取函数误差的最值，它采用了“最速下降法”，沿着误差函数下降方向更正权值 [^[10]]。学习算法主要分为两个主要过程，分别为输入信号的正向遍历和输出误差的逆向纠正。

过程一：正向传播是默认的转播方向。样本在输入层被输入后会在隐层的单元中被处理，并且从第一层开始逐层遍历整个隐层的单元，便利结束后方可经由输出层被输出；在遍历的过程中，相邻层神经元相互影响，且影响方向与遍历方向一致。而我们所关注的误差分析则在输出层完成，当误差较大时就会启动过程二的反向输出

过程二：反向传达误差。在这一时刻，误差会沿着过程一的通路一边逆向传回，一边纠正每一个隐层的各神经元的权值，使得下一次的输出误差变小 [^[11]]。而在网络的各层中，误差传达到哪层，哪层的权值就会随着误差大小变化。

2.2.1BP网络算法的特点

BP神经网络算法作为常见的NNs算法具有不可比拟的优越性，其功能特点如下所示：

（1）泛化能力

BP神经网络能够准确完成I/O空间的映射，而不必考虑数据是否在输入训练时见过。

（2）非线性映射能力

BP神经网络能够在不了解映射关系的数学描述方程的情况下，支持大量I/O模式映射关系的学习和存储。当供BP网络进行学习训练的样本模式足够多，n维到m维的I/O空间就能完成非线性映射 [^[12]]。

（3）容错能力

输入样本中较大或个别误差对网络输入、输出规律影响不大

由上述可知，BP神经网络训练出来的函数期望值的命中率比较高，学习算法更加标准，训练过程更加稳定。不过，由于BP算法是由梯度下降算法演化而来，“只下不上”的运动性质使得其存在不可避免的缺陷：

（1）学习收敛时速率缓慢

剩余内容已隐藏，请支付后下载全文，论文总字数：20228字

相关图片展示：