色彩設(shè)計(jì)論文：DFNN的色彩設(shè)計(jì)探析范文

本站小編為你精心準(zhǔn)備了色彩設(shè)計(jì)論文：DFNN的色彩設(shè)計(jì)探析參考范文，愿這些范文能點(diǎn)燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

作者：周曄余隋懷 初建杰單位：西北工業(yè)大學(xué)現(xiàn)代設(shè)計(jì)與集成制造技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室

色彩智能設(shè)計(jì)中的DFNN

1色彩語義的量化處理

人體是個(gè)開放的復(fù)雜巨系統(tǒng)，在結(jié)構(gòu)、功能、行為和演化方面都很復(fù)雜，與外界有能量、物質(zhì)、信息的交換。人的意識(shí)、思考、知識(shí)、經(jīng)驗(yàn)往往無法用嚴(yán)謹(jǐn)?shù)目茖W(xué)方法加以證明，尤其是設(shè)計(jì)思維、創(chuàng)新思維，難以提煉、概括、抽象出來。色彩的設(shè)計(jì)過程是個(gè)復(fù)雜而模糊的過程，人體對(duì)色彩的判別也是非定量的、模糊的。設(shè)計(jì)師在選擇色彩的時(shí)候往往是帶有主觀情感的，通過設(shè)計(jì)的產(chǎn)品為用戶帶來同樣的感受，這種色彩帶來的感受可以在一定程度上通過語言抽取出來，即色彩語義。

根據(jù)模糊集理論，隸屬函數(shù)可以用來定量地表達(dá)色彩的語義模糊性。由于單獨(dú)的語匯往往難以表達(dá)一種設(shè)計(jì)意圖，因此論文設(shè)定了N=27個(gè)不重復(fù)的、常用的描述色彩情感的標(biāo)準(zhǔn)色彩心理語匯（keywords）（表1）；并使用任意單個(gè)或多個(gè)標(biāo)準(zhǔn)語匯根據(jù)主次順序組成一個(gè)序列，即語義向量，來表達(dá)一種模糊的設(shè)計(jì)心理語義。根據(jù)色彩心理學(xué)，論文選擇使用sigmoid函數(shù)來近似表達(dá)語義向量所對(duì)應(yīng)的相對(duì)隸屬程度，分別根據(jù)語義向量中的m個(gè)語匯的排序j(j=1,…,m)來計(jì)算其對(duì)應(yīng)的相對(duì)隸屬程度,并為未被選中的語匯(j=0)賦一個(gè)極小值(式1)作為對(duì)應(yīng)的相對(duì)隸屬程度，以表示該語匯被認(rèn)為與用戶方案表達(dá)意圖幾乎無關(guān)：根據(jù)式(2)對(duì)N個(gè)標(biāo)準(zhǔn)色彩心理語匯對(duì)應(yīng)的數(shù)值進(jìn)行歸一化處理，獲得隸屬度向量。論文盡可能的包含了表達(dá)色彩心理所需要的常用語匯，基本滿足了對(duì)于色彩方案的心理語義的描述。

2訓(xùn)練數(shù)據(jù)的處理

論文選擇了均布于RGB空間的色彩方案，根據(jù)心理實(shí)驗(yàn)法，通過問卷調(diào)查的方式收集到被試者對(duì)于展示的色彩圖片的主觀感受，進(jìn)行數(shù)據(jù)整理、分析獲得對(duì)應(yīng)的色彩語義向量，共得到單色方案樣例216組，雙色方案樣例432組，三色方案樣例1296組，四色方案樣例2916組。為了避免冗長(zhǎng)重復(fù)，這一部分主要以色彩語義到單色方案的映射擬合為例，來說明dfnn模擬色彩設(shè)計(jì)的過程。單色色彩方案訓(xùn)練樣例存儲(chǔ)在序偶<x,t>中，x為語義向量數(shù)值化后的隸屬度向量，t為對(duì)應(yīng)的輸出向量(R,G,B)。

3DFNN網(wǎng)絡(luò)結(jié)構(gòu)

色彩方案與色彩語義不具有一一對(duì)應(yīng)的確定關(guān)系，針對(duì)這種多維、小樣本數(shù)據(jù)的訓(xùn)練案例，采用徑向基函數(shù)（RBF）作為隱含層節(jié)點(diǎn)，并使用可分解的高斯核函數(shù)(式3)作為基函數(shù)，它會(huì)隨著與中心距離的增大而單調(diào)遞減，形成局部可調(diào)和細(xì)化的單元：第1層和第2層為模糊化層。其中，第1層存儲(chǔ)系統(tǒng)輸入，有N個(gè)節(jié)點(diǎn)，存儲(chǔ)方案的N個(gè)語匯隸屬度。

第2層的每個(gè)節(jié)點(diǎn)代表一個(gè)隸屬函數(shù)，表示第i個(gè)設(shè)定輸入語義到第j個(gè)潛在語義（即系統(tǒng)規(guī)則）之間的隸屬關(guān)系。xi表達(dá)的是輸入，即相對(duì)應(yīng)N個(gè)色彩語匯的隸屬度，但是這N個(gè)色彩語匯只是人為主觀的選擇出來的，然而，實(shí)際上何種心理語義會(huì)以何種程度影響色彩的輸出的具體數(shù)值是未知的，DFNN把存在于原始指標(biāo)中所包含的主要信息提取出來，即m個(gè)潛在規(guī)則語義，每個(gè)輸入對(duì)于每個(gè)潛在規(guī)則語義都有不同的隸屬度，因此第2層有Nm個(gè)單元。隸屬函數(shù)的表達(dá)式為：其中，αij是xi的第j個(gè)隸屬函數(shù)，cij是xi的第j個(gè)高斯隸屬函數(shù)的中心，σj是xi的第j個(gè)高斯隸屬函數(shù)的寬度，N是輸入變量數(shù)，m是實(shí)際會(huì)影響方案輸出的潛在規(guī)則語義數(shù)量，也就是系統(tǒng)的規(guī)則數(shù)。

第3層中每個(gè)節(jié)點(diǎn)代表一個(gè)廣義的RBF單元，即自動(dòng)判定的模糊規(guī)則語義，并進(jìn)行模糊推理。第j個(gè)節(jié)點(diǎn)的輸出為：其中y是變量的輸出，ωjk是THEN-部分，也是第j個(gè)規(guī)則到第k個(gè)輸出的連接權(quán)。第6層是色彩H、S、I三個(gè)屬性到R、G、B值的標(biāo)準(zhǔn)轉(zhuǎn)化。

4DFNN算法的實(shí)現(xiàn)

如果系統(tǒng)的規(guī)則數(shù)太少，則無法很好的模擬色彩語義到色彩方案的映射過程；如果規(guī)則數(shù)太多，將增加系統(tǒng)不必要的復(fù)雜性，降低泛化能力。通過動(dòng)態(tài)的自動(dòng)增加、刪減及修改模糊規(guī)則，自動(dòng)確定神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)，從而達(dá)到了系統(tǒng)特定的性能。論文設(shè)定網(wǎng)絡(luò)初始結(jié)構(gòu)m=0，即規(guī)則數(shù)為0，并根據(jù)圖2中新規(guī)則產(chǎn)生的流程，在學(xué)習(xí)案例的過程中不斷調(diào)整，自動(dòng)確定動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)。

(1)系統(tǒng)誤差與精度：根據(jù)輸入向量Xi，期望輸出向量Ti，計(jì)算出輸出誤差Ei，并與系統(tǒng)期望的精度ηe進(jìn)行比較，從而確定是否需要調(diào)整網(wǎng)絡(luò)，增加新規(guī)則。

(2)可容納邊界與有效半徑：由于使用了具有良好局部特性的高斯核函數(shù)作為網(wǎng)絡(luò)節(jié)點(diǎn)函數(shù)，如果一個(gè)新的樣本位于某個(gè)存在的高斯核函數(shù)的可容納邊界內(nèi)，則該新樣本可以用存在的高斯核函數(shù)代表，而無須產(chǎn)生新規(guī)則。整個(gè)學(xué)習(xí)過程將以粗粒度學(xué)習(xí)到細(xì)粒度學(xué)習(xí)的過程進(jìn)行，這種“分級(jí)學(xué)習(xí)”根據(jù)收斂常數(shù)動(dòng)態(tài)地調(diào)節(jié)每個(gè)RBF單元的有效半徑和誤差指數(shù)。

(3)確定新規(guī)則：為第一條模糊規(guī)則設(shè)定預(yù)先確定的常量，而后，根據(jù)RBF單元的寬度與系統(tǒng)的泛化性能之間的關(guān)系，分配新產(chǎn)生的規(guī)則的初始參數(shù)：

(4)參數(shù)調(diào)整及修剪：沒有增加新規(guī)則時(shí)，根據(jù)不同的情況調(diào)整結(jié)果參數(shù)和節(jié)點(diǎn)；增加了新規(guī)則后，網(wǎng)絡(luò)結(jié)構(gòu)逐漸變得復(fù)雜，為避免出現(xiàn)過擬合，采用誤差下降率（ERR）方法動(dòng)態(tài)修剪網(wǎng)絡(luò)結(jié)構(gòu)，并繼續(xù)調(diào)整結(jié)果參數(shù)和節(jié)點(diǎn)。

隨著用戶的使用，系統(tǒng)存入的方案越來越多，線性最小二乘法會(huì)逐漸進(jìn)入飽和狀態(tài)而失去調(diào)整能力，自適應(yīng)能力將會(huì)大大降低。因此，當(dāng)用戶需要更新系統(tǒng)時(shí)，根據(jù)用戶添加或修改方案的新舊程度加權(quán)，并作為訓(xùn)練數(shù)據(jù)來訓(xùn)練參數(shù)，系統(tǒng)將隨著用戶的設(shè)計(jì)偏好而改變。

5多色方案

對(duì)于多色方案，DFNN網(wǎng)絡(luò)中第5層記錄輔色與主色在色彩空間的相對(duì)位置，第6層輸出多色方案中輔色的R、G、B值。

訓(xùn)練結(jié)果與應(yīng)用

1單色方案訓(xùn)練結(jié)果

通過學(xué)習(xí)216組單色方案樣例，DFNN網(wǎng)絡(luò)的模糊語義規(guī)則數(shù)即RBF單元數(shù)和均方根誤差如圖3、圖4所示：

2算法性能比較

在學(xué)習(xí)同樣的216組單色方案樣例后，三層sigmoid單元的動(dòng)態(tài)神經(jīng)網(wǎng)絡(luò)（DNN）與六層RBF動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)、算法性能及訓(xùn)練結(jié)果比較如表2所示：雖然DFNN網(wǎng)絡(luò)結(jié)構(gòu)復(fù)雜，但是對(duì)于經(jīng)驗(yàn)數(shù)據(jù)的模擬全局映射更加貼合細(xì)化，標(biāo)準(zhǔn)均方根誤差縮小了約15倍，避免了局部極小值等問題，另外，訓(xùn)練時(shí)間大大縮短，使同平臺(tái)的在線學(xué)習(xí)成為可能。

3多色方案訓(xùn)練結(jié)果

根據(jù)以上算法，對(duì)于432組雙色方案樣例、1296組三色方案樣例和2916組四色方案樣例的數(shù)據(jù)分別進(jìn)行訓(xùn)練，所獲得的DFNN網(wǎng)絡(luò)的結(jié)構(gòu)和均方根誤差如表3所示：

4應(yīng)用實(shí)例

應(yīng)用VisualC++平臺(tái)開發(fā)出汽車的語義驅(qū)動(dòng)色彩設(shè)計(jì)工具，驗(yàn)證了基于DFNN的語義驅(qū)動(dòng)色彩智能設(shè)計(jì)方法。系統(tǒng)將汽車設(shè)計(jì)圖庫存入數(shù)據(jù)庫，根據(jù)智能設(shè)計(jì)出的色彩方案查詢最接近的已有實(shí)例，供設(shè)計(jì)師參考。

語義驅(qū)動(dòng)色彩方案設(shè)計(jì)的輸入空間中，即使兩個(gè)非常接近的樣本也不一定有相同的輸出，而這個(gè)過程又是光滑連續(xù)的，因此，需要根據(jù)DFNN網(wǎng)絡(luò)進(jìn)行函數(shù)逼近，從而學(xué)習(xí)已有的案例。語義驅(qū)動(dòng)的色彩設(shè)計(jì)具有一定的模糊性，為了更有效地提供設(shè)計(jì)思路，需要對(duì)用戶的輸入進(jìn)行逐步的模糊變化，并根據(jù)語義空間中相鄰的語義向量計(jì)算出對(duì)應(yīng)的色彩方案以供參考。如圖5為基于DFNN的語義驅(qū)動(dòng)色彩智能設(shè)計(jì)原型系統(tǒng)進(jìn)行的單色設(shè)計(jì)界面，圖6為基于該語義向量及主色的四色設(shè)計(jì)。

結(jié)束語

色彩方案信息與語義高層信息之間具有復(fù)雜而光滑連續(xù)的映射關(guān)系，色彩方案樣例具有多維小樣本的特點(diǎn)，使用基于廣義RBF函數(shù)的動(dòng)態(tài)模糊神經(jīng)網(wǎng)絡(luò)進(jìn)行學(xué)習(xí)，其模糊規(guī)則在學(xué)習(xí)過程中逐漸增長(zhǎng)形成，所得到的模糊規(guī)則數(shù)并不會(huì)隨輸入數(shù)據(jù)量的增長(zhǎng)而指數(shù)增長(zhǎng)。論文將系統(tǒng)輸入進(jìn)行了分步模糊化處理，符合設(shè)計(jì)師設(shè)計(jì)色彩方案時(shí)的心理需求和“便捷”原則，能夠達(dá)到一種定性輸入定量輸出的效果，從而加強(qiáng)了色彩設(shè)計(jì)的智能化程度。

論文從設(shè)計(jì)師和產(chǎn)品設(shè)計(jì)流程的角度，通過DFNN智能算法抽取、模擬色彩設(shè)計(jì)和判別的思維過程。嘗試根據(jù)分析、抽取經(jīng)驗(yàn)知識(shí)，將定性的判斷過程進(jìn)行量化處理，得到實(shí)際的、可直接使用的數(shù)值結(jié)果。然而由于相關(guān)的心理生理實(shí)驗(yàn)數(shù)據(jù)相對(duì)匱乏，并且簡(jiǎn)化了色彩、材質(zhì)、形態(tài)等因素對(duì)心理的影響，所得結(jié)果還只能應(yīng)用于某一類產(chǎn)品中。但是，通過實(shí)驗(yàn)平臺(tái)的搭建、設(shè)備的完善、數(shù)據(jù)的精確化以及企業(yè)參與度的提高，DFNN在色彩語義、心理、舒適度等方面都將有較強(qiáng)的實(shí)用價(jià)值，并且可以應(yīng)用于產(chǎn)品設(shè)計(jì)、環(huán)境設(shè)計(jì)、設(shè)計(jì)評(píng)價(jià)等方面。

另外，論文所提出的方法具有可在線學(xué)習(xí)的優(yōu)點(diǎn)，利用網(wǎng)絡(luò)資源動(dòng)態(tài)搜索所需色彩案例供設(shè)計(jì)師參考，從而建立起基于網(wǎng)絡(luò)的智能設(shè)計(jì)平臺(tái)。

論文所使用的數(shù)據(jù)是根據(jù)針對(duì)汽車色彩設(shè)計(jì)的問卷調(diào)查獲取的，難免帶有主觀性和隨機(jī)性，更準(zhǔn)確的量化結(jié)果還有賴于進(jìn)一步的心理、生理實(shí)驗(yàn)。原型系統(tǒng)的界面還有待改進(jìn)，以將用戶期望的方案效果根據(jù)語匯準(zhǔn)確的表達(dá)、呈現(xiàn)出來。