为避免产品族造型设计过程中目标特征定位模糊导致的用户群需求冲突问题,提出了一种产品族关键造型要素提取与差异化定位方法(Key Modelling Element Extraction and Differentiated Positioning Method,KMEE-DPM)。通过因子分析法提取...为避免产品族造型设计过程中目标特征定位模糊导致的用户群需求冲突问题,提出了一种产品族关键造型要素提取与差异化定位方法(Key Modelling Element Extraction and Differentiated Positioning Method,KMEE-DPM)。通过因子分析法提取了产品族感性意象因子;采用全局HIEs法获取了产品族造型设计要素及设计特征;基于数量化理论Ⅰ分析感性意象与设计特征间的映射关系,结合感性需求分析确定产品族造型设计的目标特征;用k-means算法解耦目标特征,基于解耦结果提取关键设计要素并得出其应用策略,实现目标特征的差异化定位。以城郊多用途汽车(Suburban Utility Vehicle,SUV)内饰造型设计为例进行验证,KMEE-DPM能有效提取SUV产品族内饰造型的关键设计要素并实现差异化设计定位,同时输出的设计方案能够满足目标用户群的个性化需求和多用户群的共性需求,有效避免了用户群需求冲突问题,证明了KMEE-DPM具有一定的实用性和有效性。展开更多
在分析目标特征信号的基础上，进行数据库需求分析，采用.Net（C#）＋SQL Server 2005等基于WEB2.0的最新技术，服务器平台采用Windows 2003 Server＋IIS技术，建立了一个涵盖多种物理场的统一标识、统一格式的目标特性数据库。规范了...在分析目标特征信号的基础上，进行数据库需求分析，采用.Net（C#）＋SQL Server 2005等基于WEB2.0的最新技术，服务器平台采用Windows 2003 Server＋IIS技术，建立了一个涵盖多种物理场的统一标识、统一格式的目标特性数据库。规范了目标特性数据管理，方便了数据的查询和分析，为目标特征信号数据相关性研究课题提供重要的数据支持。展开更多
多目标回归旨在使用一组共同的输入变量来预测多个连续变量,其现有方法可归类为问题转换法和算法适应法.它的主要挑战在于如何对输入与输出空间的复杂关系进行建模,以及如何有效利用目标间的相关性.然而,现有的问题转换法很少同时考虑...多目标回归旨在使用一组共同的输入变量来预测多个连续变量,其现有方法可归类为问题转换法和算法适应法.它的主要挑战在于如何对输入与输出空间的复杂关系进行建模,以及如何有效利用目标间的相关性.然而,现有的问题转换法很少同时考虑到这两方面.基于此,本文构建了一种问题转换法同时应对这两大挑战,提出了一种结合目标特定特征和目标相关性的多目标回归方法(Multi-Target Regression via Specific Features and Inter-Target Correlations,TSF-TC).TSF-TC通过对分箱后的样本进行聚类分析构建目标特定特征从而对输入与输出空间的复杂关系进行建模,通过有选择性地堆叠单目标预测值揭示目标间的相关性.本文使用TSF-TC在18个多目标回归数据集上与现有多目标回归方法进行了对比实验,实验结果充分表明了TSF-TC的优势.展开更多
文摘为避免产品族造型设计过程中目标特征定位模糊导致的用户群需求冲突问题,提出了一种产品族关键造型要素提取与差异化定位方法(Key Modelling Element Extraction and Differentiated Positioning Method,KMEE-DPM)。通过因子分析法提取了产品族感性意象因子;采用全局HIEs法获取了产品族造型设计要素及设计特征;基于数量化理论Ⅰ分析感性意象与设计特征间的映射关系,结合感性需求分析确定产品族造型设计的目标特征;用k-means算法解耦目标特征,基于解耦结果提取关键设计要素并得出其应用策略,实现目标特征的差异化定位。以城郊多用途汽车(Suburban Utility Vehicle,SUV)内饰造型设计为例进行验证,KMEE-DPM能有效提取SUV产品族内饰造型的关键设计要素并实现差异化设计定位,同时输出的设计方案能够满足目标用户群的个性化需求和多用户群的共性需求,有效避免了用户群需求冲突问题,证明了KMEE-DPM具有一定的实用性和有效性。
文摘在分析目标特征信号的基础上，进行数据库需求分析，采用.Net（C#）＋SQL Server 2005等基于WEB2.0的最新技术，服务器平台采用Windows 2003 Server＋IIS技术，建立了一个涵盖多种物理场的统一标识、统一格式的目标特性数据库。规范了目标特性数据管理，方便了数据的查询和分析，为目标特征信号数据相关性研究课题提供重要的数据支持。
文摘多目标回归旨在使用一组共同的输入变量来预测多个连续变量,其现有方法可归类为问题转换法和算法适应法.它的主要挑战在于如何对输入与输出空间的复杂关系进行建模,以及如何有效利用目标间的相关性.然而,现有的问题转换法很少同时考虑到这两方面.基于此,本文构建了一种问题转换法同时应对这两大挑战,提出了一种结合目标特定特征和目标相关性的多目标回归方法(Multi-Target Regression via Specific Features and Inter-Target Correlations,TSF-TC).TSF-TC通过对分箱后的样本进行聚类分析构建目标特定特征从而对输入与输出空间的复杂关系进行建模,通过有选择性地堆叠单目标预测值揭示目标间的相关性.本文使用TSF-TC在18个多目标回归数据集上与现有多目标回归方法进行了对比实验,实验结果充分表明了TSF-TC的优势.
