進階搜尋


 
系統識別號 U0026-0812200913534651
論文名稱(中文) 運用支撐向量迴歸與倒傳遞類神經網路建構產品造形設計之預測模式
論文名稱(英文) Building Product Styling Prediction Model Using Support Vector Regression and Back-Propagation Networks
校院名稱 成功大學
系所名稱(中) 工業設計學系碩博士班
系所名稱(英) Department of Industrial Design
學年度 95
學期 2
出版年 96
研究生(中文) 林大仁
研究生(英文) Ta-jen Lin
學號 p3694408
學位類別 碩士
語文別 中文
論文頁數 135頁
口試委員 指導教授-謝孟達
口試委員-蕭世文
口試委員-孫永年
中文關鍵字 支撐向量迴歸  倒傳遞類神經網路  感性工學  手機造型設計 
英文關鍵字 Kansei engineering  Mobile phone form design  Back-propagation network  Support vector regression 
學科別分類
中文摘要 本研究使用支援向量迴歸(Support Vector Regression, SVR)來建立產品外型的感性預測系統。研究以須快速設計的手機產品為例,以A形態-物理量值、既定規格參數資訊,B形態-細部設計、特徵區塊參數資訊,C形態-外觀輪廓比例參數資訊。此三種造形參數化形態來拆解產品外型;再者,以五組感性語彙對來表示消費者對產品的偏好程度;最後,用支援向量迴歸來建立產品外型參數與感性語彙之間的非線性預測模式。此研究同步以倒傳遞類神經網路法進行,作為比對與驗証,支撐向量迴歸預測的結果都將與過去常用的倒傳遞類神經網路進行比較,檢視支撐向量迴歸對於工業設計領域之成效。
由預測模式的訓練時間比較分析、預測時間比較分析、預測結果錯誤率比較分析、訓練運算時間之t-test檢定與預測錯誤率之t-test檢定等五個方向分析結果顯示:1. 在手機造形設計的A、B、C各種參數化形態資訊組合的預測表現上,SVR與BPN預測模式皆以A+B+C全部組合一起,最多輸入欄位的ABC組合之平均錯誤率最低。2. 在兩種預測模式的預測效果表現上,BPN模式平均預測錯誤率與SVR模式之比約為1.26:1,但在挑出SVR與BPN分別的最佳預測模式時,預測錯誤率之比約為1.1:1,十分相近。3. 在兩種預測模式的時間效率表現上,SVR模式的訓練運算速度總平均與BPN模式之比約19.4:1。將兩種模式平均運算速度(總花費時間/欄位數)列表分析結果中發現,依進行運算的欄數持續增多,SVR預測模式和BPN預測模式的訓練速度比成正成長,顯示差距將更為加大。
綜合以上SVR、BPN兩種預測模式,其資訊形態、效果、效率三方面的結論,本研究推得「時間效率」之項目為SVR導入設計預測模式所得到的最大優勢。
英文摘要 In this paper, a state-of-the-art machine learning approach known as “Support Vector Regression (SVR)”, has been introduced to develop a cell phone product image prediction model. The form features of product samples are first examined in three styles: A. quantification and specification data, B. detail feature label data, C. contour and scale data. Adjectives are used to describe the product images of product samples and five linguistic labels are used to linguistically evaluate the ratings toward product samples. Finally, the prediction model is constructed using support vector regression by training a series of product samples consisting of product form features along with the product linguistic label. A common used method known as “Back-Popagation Network (BPN)”,is also introduced to develop the same prediction model simultaneously. Two prediction models have compared in effectiveness and efficiency to verify the advantage of using the SVR method.
Five prediction model statistics has been analyzed: training time, prediction time, prediction root mean square error (RMSE), test time t-test and prediction accuracy t-test. The results show that: 1. both SVR and BPN prediction models present the best results using the ABC combine style. 2. in effectiveness, the average RMSE between BPN to SVR is 1.26: 1, but for the best model the average RMSE between BPN to SVR is 1.1: 1, the difference is very small. 3. in efficiency, the average training time between SVR to BPN is 19.4: 1, and the difference in training computing speed will be enlarged when more product form feature inputs from SVR and BPN prediction models.
Conclude the SVR and BPN models’ performance in three above-mentioned parts: product form styles, effectiveness and efficiency, authors find out the “efficiency in computing time” is the principal advantage using support vector regression method in cell phone product image prediction model.
論文目次 主目錄
主目錄 …………………………………………………………………………….…I
圖目錄 ………………………………………………………………………………IV
表目錄 ………………………………………………………………………………VI

第一章 緖論.………………………………………………………………….………1
1-1 前言…….…………………………………………………..……………..………1
1-2 研究動機………………………………………………………………...…..……1
1-3 研究目的……………………………………………………………...……..……2
1-4 研究範圍與限制……………………………………………………...…..………3
1-5 研究過程架構………………………………………………………...……..……4

第二章 文獻探討與分析……………………………………….……………….……6
2-1支撐向量延伸技術的研究與應用………………….….…………...……….……6
2-1-1支撐向量延伸技術……………………………………………….…....…6
2-1-2支撐向量機在各領域的預測成效…………………………………….…6
2-2 類神經網路延伸技術的研究與應用…………….…………...……..….………11
2-2-1類神經網路………………………………….…………………….…….11
2-2-2類神經網路於工業設計方面的應用…………….………………..……12
2-3工業設計手機產品屬性相關研究…………..………………………..…………13
2-3-1產品屬性…………………………………………….…………..………13
2-3-2工業設計手機產品屬性相關研究.………………………………..……13
2-4工業設計感性工學的研究及應用………..………....………..……..…..………15
2-4-1感性工學……………………………….……………….………….……15
2-4-2感性工學於工業設計方面的應用……………….………..……………15

第三章 研究理論架構………………………………………………………………17
3-1支撐向量迴歸...….…...……...…………………………….…………...…….…17
3-1-1支撐向量分類原理………………………………….……..………..…17
3-1-2支援向量迴歸…………………………………….……………………23
3-2倒傳遞類神經網路……..………………………...……….………..….……..…29
3-3感性工學………………………………….…………………………..…..…..…33
3-4集群分析………………………………….…………………………..…..…..…36

第四章 實驗過程……………………………………………...............…….………38
4-1第一階段-手機資訊參數化流程…..……..…………………...…..……...….…39
4-1-1萃取手機產品樣本…………………………..………………..……….39
4-1-2萃取手機意象形容詞……………………………..…………..…….…41
4-1-3手機產品造形參數化……………….………...…..…………..…….…41
A形態.物理量值、既定規格資訊參數化……….....…….……..…….…41
B形態.細部設計、特徵區塊資訊參數化……….....…………...…….…43
C形態.外觀輪廓比例資訊參數化……….....……….......…....……….…49
4-1-4手機意象感覺評量……………….………...…..…………………...…56
4-1-5統整為輸入輸出資料……………….………...…..………………...…58
4-2第二階段-SVR預測模式…………………..…………………...….……...….…59
4-2-1 導入MATLAB建立SVR資料編碼…………………………...………...59
4-2-2 架構SVR訓練模式……………………..…………………..…….…...60
4-2-3 進行支撐向量回歸訓練…………………..…………………...…...…61
4-2-4 驗証組輸入支撐向量回歸模式進行預測…….…………...…...….…63
4-3第三階段-BPN預測模式…………………..…………………...….……...….…64
4-3-1 導入NeuroSolotions建立BPN資料編碼………………...………...64
4-3-2 架構BPN訓練模式………………………..………………..………....65
4-3-3 進行倒傳遞類神經網路訓練………………….……...……..……......66
4-3-4 驗証組輸入支撐向量回歸模式進行預測…….…………...………....68
4-4 第四階段—模式成效分析……...………..…………………...……….....….…69
4-4-1 流程與資料結果列表記錄………………………….……....………...69
4-4-1-1 SVR預測模式流程與資料結果記錄…………………...…..……....70
4-4-1-2 BPN預測模式流程與資料結果記錄…………………...…..….…...72
4-4-2 兩模式流程與結果資料比較……………..………………………..…73
4-4-2-1 SVR與BPN預測模式訓練運時間比較分析…….…….…....….......73
4-4-2-2 SVR與BPN預測模式預測結果錯誤率與預測時間比較分析….....74
4-4-3 預測模式成效分析…………………………………….…...…….…...78
4-4-3-1 SVR與BPN預測模式訓練運算時間t-test檢定………………...78
4-4-3-2 SVR與BPN預測模式預測結果錯誤率t-test檢定………….…..79
4-4-3-3 SVR與BPN預測模式總時間與訓練運算時間、預測時間分析.…79

第五章 研究總結、討論與後續建議…………………..…………………………..81
5-1各分析結果整理與討論……………………...…………………..…………..…81
5-2研究總結………………………………..……….……………..…………..……85
5-3研究後續建議…………………………...………………………..…………..…87

參考文獻………………………………………………………………………..……92
附錄一: 75款具造形代表性手機…..…………………………………..………..…97
附錄二: 完整參數列表…………..……………………………………..…………106









圖目錄
第一章
【圖1-1】研究過程圖示………………………………………………...……...…5
第三章
【圖3-1】在二維空間中分類輸入點為三的資料集…….…..…………..…..….17
【圖3-2】使用超平面區分資料…….……………………………………..…….18
【圖3-3】最佳化超平面的圖形判斷…….…..………………………..…..….…19
【圖3-4】低維不可直線分割資料轉換到高維空間中分類……………………19
【圖3-5】線性分割資料……………………...…….………………….…..….…20
【圖3-6】非線性分割資料…………………………….……………….….…….20
【圖3-7】資料在輸入空間…………………………………………….……...…22
【圖3-8】資料在特徵空間中………………………………………….……...…22
【圖3-9】支撐向量機運作流程簡化圖……………………………….……...…22
【圖3-10】一維線性迴歸…...……………...………………………….……...…23
【圖3-11】非線性迴歸函數……………..…………………………….……...…23
【圖3-12】結構風險最小化法則…………………………………….……….…25
【圖3-13】傳統線性回歸與支撐向量回歸(及其損失函數)之比較…...…...…25
【圖3-14】非線性映射函數φ………………………………………...……...…27
【圖3-15】非線性支撐向量回歸架構示意圖………………..……….……...…29
【圖3-16】倒傳遞類神經網路結構……………………..…………….……...…30
【圖3-17】倒傳遞類神經網路的雙彎…………..…………………….……...…31
【圖3-18】語意差異尺度的形式………………………..…………….……...…35
第四章
【圖4-1】實驗過程階段圖示………………………….……………….….….…38
【圖4-2】2005年一月至2006年十二月75手機款式部分說明圖示…...……40
【圖4-3】手機造形參數化架構圖………………………….……………..….…44
【圖4-4】矯正手機正視圖為原比例大小並運算中心點定為(0,0)原點………49
【圖4-5】點描繪整體-紅色、功能鍵-黃色、數字鍵-綠色、螢幕-藍色…......50
【圖4-6】功能鍵階層樹狀圖依層級線將functionbotton_XY分為4群……….51
【圖4-7】手機整體階層樹狀圖依層級線將phone_XY分為7群….……….…52
【圖4-8】數字鍵階層樹狀圖依層級線將numberbotton_XY分為4群…...…...53
【圖4-9】螢幕階層樹狀圖依層級線將panel_XY 5分為5群…………........…54
【圖4-10】Macromedia FlashMX程式手機意象感覺評量介面………….….…56
【圖4-11】最終Excel檔總計75款x 78欄設計資訊用於SVR、BPN訓練.….58
【圖4-12】X輸入區塊Y輸出區塊讀入成為MATLAB程式可讀取運算格式….59
【圖4-13】SVR訓練模式架構詳細流程圖……...…….……………….….….…60
【圖4-14】進行支撐向量回歸訓練25組合說明圖………….….…………..…62
【圖4-15】X輸入區塊Y輸出區塊讀入成為NeuroSolotions可讀取格式……64
【圖4-16】使用NeuroSolotions遺傳演算法訓練功能參數篩選流程圖..….…66
【圖4-17】進行倒傳遞類神經網路訓練25組合說明圖………….….……..…67
【圖4-18】SVR與BPN簡單/複雜的語彙對平均預測值與實際值折線圖..…...74
【圖4-19】SVR與BPN大眾/個性的語彙對平均預測值與實際值折線圖..…...75
【圖4-20】SVR與BPN男性/女性的語彙對平均預測值與實際值折線圖..…...75
【圖4-21】SVR與BPN傳統/科技的語彙對平均預測值與實際值折線圖..…...75
【圖4-22】SVR與BPN直線/曲線的語彙對平均預測值與實際值折線圖..…...76

第五章
【圖5-1】SVR、BPN訓練時間及時間差折線圖……………………….…..……82






表目錄
第二章
【表2-1】各領域實驗中所用回歸法及結果統整………...…….….…...………10
第四章
【表4-1】適合形容手機造形之語彙對…………...………….…………......…..41
【表4-2】物理量值、既定規格資訊參數部分列表…...….………….….….…42
【表4-3】屬於B.形態 細部設計與特徵區塊9項目形態分類標籤表..…..….45
【表4-4】細部設計與特徵區塊資訊參數部分列表…...….………….….….…48
【表4-5】外觀輪廓比例分類資訊參數部分列表………….………….….……55
【表4-6】75手機造形款式對應之五組語彙對資訊參數部分列表……..……57
【表4-7】SVR預測模式訓練運算時間列表………………………..……..….....70
【表4-8】SVR預測模式預測結果錯誤率與預測時間列表……………..….......70
【表4-9】SVR核心函數三種篩選………………………………..……..….........71
【表4-10】SVR參數篩選法五種篩選……………………………………..….....71
【表4-11】BPN預測模式訓練運算時間列表………….………..…..…........…..72
【表4-12】BPN預測模式預測結果錯誤率與預測時間列表…..……..………...72
【表4-13】SVR與BPN預測模式訓練運算時間比較分析表….....…..…......…..73
【表4-14】SVR與BPN預測模式預測結果錯誤率與預測時間比較分析表.…..77
【表4-15】複回歸分析預測結果錯誤率與預測時間比較分析表.…….......…..77
【表4-16】SVR與BPN預測模式訓練運算時間t-test檢定….….….........…..78
【表4-17】SVR與BPN預測模式預測結果錯誤率t-test檢定…………...…..79
第五章
【表5-1】傳統/科技語感性彙對數值與手機造形正視圖對應關係表.....…….84
【表5-2】新形態手機例一 剛上市的手機樣本……………………........…….89
【表5-3】新形態手機例二 預定市的手機樣本……………………........…….89
【表5-4】新形態手機例三 未來手機………....……………………........…….90
【表5-5】三例新形態手機樣本預測語彙值正確率與RMSE值比較………...90
參考文獻 英文部分
[1] Aizerman, M. A., Braverman, E. M., and Rozonoer, L. I., “Theoretical Foundations of the Potential Function Method in Pattern Recognition Learning,” Autom. Remote Control, vol. 25, pp.821–837, 1964.
[2] Brown, M., Grundy, W., Lin, D., Cristianini, N., Sugnet, C., Furey, T., Ares, M., and Haussler, D., “Knowledge-base analysis of microarray gene expression data by using support vector machines,” Proceedings of the National Academy of Sciences, Vol.97, pp.262–267, 1999.
[3] Burr, D. J., “Experiments on neural net recognition of spoken and written text,” IEEE Trans. On ASSP, Vol.36, No.7, pp.1162–1168, 1988.
[4] Carpenter, G. A., “Neural network models for pattern recognition and associative memory,” Neural Network, Vol.2, pp. 243–257, 1989.
[5] Cao, L., ”Support vector machines experts for time series forecasting,” Neurocomputing, Vol. 51, pp. 321-339, 2003.
[6] Chang, Guanghsu A., “A Neural Network Model for The Handling Time of Design for Assembly,” Journal of the Chinese Institute of Industrial Engineers, Vol. 9, No. 1, pp. 35-48, 2001.
[7] Chen, Kuan-Yu, Wang, Cheng-Hua, “Support vector regression with genetic algorithms in forecasting tourism demand,” Tourism Management, Vol.28, pp.215–226, 2005.
[8] Desai, Kiran, Badhe, Yogesh, Tambe, Sanjeev S., Kulkarni, Bhaskar D., “Soft-sensor development for fed-batch bioreactors using support vector regression,” Biochemical Engineering Journal, Vol.27, pp.225–239, 2005.
[9] Gustavo, Camps-Valls, Luis, Gómez-Chova, Jordi, Muñoz-Marí, Joan, Vila-Francés, Julia, Amorós-López, Javier, Calpe-Maravilla, “Styling and design: intuition and analysis in industrial design,” Remote Sensing of Environment, Vol.36, pp.23–33, 2006.
[10] Hsiao, Shih-Wen, and Huang, H. C., “A Neural Network Based Approach for Product Form Design,” Design Studies, Vol. 23, pp. 67-84, 2002.
[11] Ince, Huseyin, Trafalis, Theodore B., “A hybrid model for exchange rate prediction,” Decision Support Systems, Vol.42, pp.1054–1062, 2005.
[12] Joachims, T., “Text categorization with support vector machines : Learning with Many Relevant Features,” Proceedings of European Conference on Machine Learning (ECML), pp.137–142, 1998.
[13] Karras, D. A. and Mertzios, B. G., “Time series modeling of endocardial border motion in ultrasonic images comparing support vector machimes multilayer perceptrons and linear estimation technique, ” Measurement, Vol. 36, pp.331-345, 2004.
[14] Kim, K. J., “Financial time series forecasting using support vector machines, ” Neurocomputing, Vol. 55, pp. 307-319, 2003.
[15] Liu, Xu, Lu, Wencong, Jin, Shengli, Li, Yawei, Chen, Nianyi, “Support vector regression applied to materials optimization of sialon ceramics,” Chemometrics and Intelligent Laboratory Systems, Vol.82, pp.8–14, 2006.
[16] Mizuno, H, “Application of neural network to technical analysis of stock market prediction,” Studies in Informatic and Control, Vol.7, pp.111-120, 1998.
[17] Nagamachi, Mituo., “Special Issue-Kansei Engineering and Comfort,” Industrial Ergonomics, Vol. 48, No.2, pp.426–444, 1997.
[18] Oliveira, Adriano L.I., “Estimation of software project effort with support vector regression,” Neurocomputing, Vol.69, pp.1749–1753, 2006.
[19] Paul, K., Phua, H., “Neural network with genetically evolved algorithms for stocks prediction,” Asia-pacific Journal of Operational Research, Vol. 18, pp. 103-107, 2001.
[20] Pontil, M. and Verri, A., “Object recognition with support vector machines,” IEEE Trans. On PAMI, Vol.20, pp.637-646, 1998.
[21] Tay, F. E. H., and Cao, L., “Application of support vector machines in financial time series forecasting,” Omega, Vol. 29, pp. 309-317, 2001.
[22] Tay, F. E. H., and Cao, L. J., “Modified support vector machines in financial time series forecasting,” Neurocomputing, Vol. 48, pp. 847-861, 2002.
[23] Thissen, U., Brakel, R., Weijer, A. P., Melssen, W. J., and Buydens, L. M. C., “Using support vector machine for time series prediction,” Chemometrics amd Intelligent Laboratory System, Vol. 69, pp. 35-49, 2003.
[24] Tovey, M., “Styling and design: intuition and analysis in industrial design,” Design Studio, Vol. 18, No. 1, pp. 5-32, January, 1997.
[25] Vapnik, V. N., Lisboa, P. J. G. and Vaughan, J., “Neural Networks in Business: A Survey of Applications(1992-1998),” Exper Systems with Applications, Vol. 17, pp.51-70, 1999.
[26] Whiteson, D.O. and Naumann, N.A., “Support vector regression as a signal discriminator in high energy physics,” Neurocomputing, Vol.55, pp.251–264, 2003.
[27] Yang, Shansheng, Lu, Wencong, Chen, Nianyi, Hu, Qiannan, “Support vector regression based QSPR for the prediction of some physicochemical properties of alkyl benzenes,” Journal of Molecular Structure, Vol.719, pp.119–127, 2004.
[28] Zhang, G., Patuwo, B. E., and Hu, M.Y., “Forecasting with Artificial Neural Networks:The State of the Art,” International Journal of Forecasting, Vol. 14, pp.35–62, 1998.
[29] Zimmermann, J., “Statistical learning methods: Basics, control and performance,” Nuclear Instruments and Methods in Physics Research, Vol.559A, pp.106–114, 2005.
中文部分
[30] 林忠志,“應用特徵導向與類神經網路於產品造形衍生之研究”,國立成功大學工業設計研究所碩士論文,2003。
[31] 林彥呈,“應用非線性推論模式於產品色彩、造形與意象關係之研究”,國立成功大學工業設計研究所碩士論文,2001。
[32] 施韋名,“以類神經網路探討眼鏡造形與感覺意象之對應關係” 工業設計, 第26卷, 第3期, pp.160-164,1997。
[33] 馬居正,“應用類神經網路於汽車造形特徵輔助設計之研究”,國立成功大學工業設計研究所碩士論文,2006。
[34] 莊明振、馬永川,“產品意象語彙與造形呈現對應關係之研究”,第三屆設計學會學術研究成果研討會論文集,pp.113-118,1998。
[35] 莊盈祺,“複合式感性意象下產品造形的建構”,國立成功大學工業設計研究所碩士論文,2002。
[36] 陳青海,“功能導向的產品造形衍生與整合模式研究”,國立成功大學工業設計研究所碩士論文,1996。
[37] 管倖生、林彥呈,“應用類神經網路於手機色彩與造形搭配之研究”,工業工程學刊,第18卷,第6期,pp.84-94,2001。
[38] 黃敏菁,“支撐向量機在財務時間序列預測之應用”,輔仁大學金融研究所碩士論文,2005。
[39] 葉怡成,“應用類神經網路”二版,儒林圖書,台北,1999。
[40] 張建成譯,John Chris Jones 著,”設計方法”,六和出版,1992。
[41] 張華城,“應用類神經網路模式於產品造形特徵辨識之研究”,國立成功大學工業設計研究所碩士論文,2000。
[42] 蔡明錡,“電腦輔助產品造形設計模式於網際網路上之應用研究”,國立成功大學工業設計研究所碩士論文,2000。
[43] 蔡宏政,“電腦輔助產品造形、色彩設計與客製化商務系統建構之研究”,國立成功大學工業設計研究所碩士論文,2004。
[44] 鄭宇杰,“電腦輔助設計於產品操作介面開發階段之研究”,國立成功大學工業設計研究所碩士論文,2002。
[45] 劉孟昌,“形態漸變之產品造形衍生與整合模式研究”,國立成功大學工業設計研究所碩士論文,1999。
[46] 薛承甫,“消費性產品涉入程度與造形選擇關係之研究-以行動電話為例”,國立成功大學工業設計研究所碩士論文,2000。
[47] 魏士超,“應用網際網路建立產品造形意象設計系統之研究”,國立成功大學工業設計研究所碩士論文,2001。
[48] 魏雅萍,“設計師與一般消費者對造形認知差異研究”,國立成功大學工業設計研究所碩士論文,2000。
論文全文使用權限
  • 同意授權校內瀏覽/列印電子全文服務,於2010-08-13起公開。
  • 同意授權校外瀏覽/列印電子全文服務,於2010-08-13起公開。


  • 如您有疑問,請聯絡圖書館
    聯絡電話:(06)2757575#65773
    聯絡E-mail:etds@email.ncku.edu.tw