集成神经网络的工业产品设计方案评价
唐珊 秦家怡
摘 要： 工业产品设计方案的好坏直接决定了产品带来的经济效益高低，而工业产品设计方案受到多种指标影响，是一个复杂的系统，为了获得理想的工业产品设计方案，提出了集成神经网络的工业产品设计方案评价模型。选择工业产品设计方案的评价指标，并通过层次分析法筛选重要的指标，采用两种神经网络对工业产品设计方案进行评价，并通过确定适合权值得到工业产品设计方案的评价等级，最后通过实例测试评价模型的性能。结果表明，集成神经网络可以准确对工业产品设计方案进行评价，评价结果优于其他模型，验证了该模型的合理性和优越性。
关键词： 工业产品； 设计方案； 神经网络； 贡献权值； 评价模型
中图分类号： TN711?34； TH166 文献标识码： A 文章编号： 1004?373X（2017）07?0112?04
Evaluation of industrial product design scheme based on integrated neural network
TANG Shan， QIN Jiayi
（School of Mechanical & Electrical Engineering， Xuzhou Institute of Technology， Xuzhou 221000， China）
Abstract： The design scheme of the industrial product determines the economic benefit of the product directly， and is affected by a variety of indicators. In order to obtain an ideal design scheme of the industrial product， an evaluation model of the industrial product design scheme based on integrated neural network is put forward. The evaluation indicators of the industrial product design scheme are selected， and the important indicators are screened with the analytic hierarchy process. Two neural networks are used to evaluate the design scheme of the industrial product， and determine the suitable weight to obtain the eva?luation grade of the industrial product design scheme. The performance of the evaluation model was tested with an instance. The results show that the integrated neural network can evaluate the industrial product design scheme accurately， its evaluation result is superior to that of other models， and the rationality and superiority of the model were verified.
Keywords： industrial product； design scheme； neural network； contribution weight； evaluation model
0 引 言
随着市场经济的不断发展，企业之间的竞争日益激烈，而工业产品是企业的核心竞争力[1]。针对不同类型用户，设计相应的工业产品是适应现代市场竞争的需要，因此建立科学、合理的工业产品设计方案评价模型成为企业产品创新中的关键问题，具有十分重要的应用价值[2?3]。
工业产品设计方案受到多种指标影响，是一个复杂的系统，为此近年来国内外学者进行深入研究。有学者提出模糊聚类分析、灰色聚类分析的工业产品设计方案评价模型[4?5]，这些模型虽然考虑了工业产品设计过程的多个指标，但无法描述工业产品设计方案评价过程中的非线性、随机性问题，局限性十分明显[6]。
随着人工神经网络的不断成熟，有学者提出基于神经网络的工业产品设计方案評价模型[7?9]，可以对复杂系统进行无限逼近，获得良好的工业产品设计方案评价结果。
然于工业产品设计系统的复杂，单一神经网络无法建立科学、合理的工业产品设计方案评价模型。为此有学者提出了组合神经网络的工业产品设计方案评价模型[10]，比单一神经网络的评价结果更加客观、可信，但如何确定每一个神经网络对最终工业产品设计评价结果的贡献十分关键，目前还没有较好的解决方法。
为了获得理想的工业产品设计方案，提出了集成神经网络的工业产品设计方案评价模型。
首先选择工业产品设计方案的评价指标，并通过层次分析法筛选重要的指标，然后采用神经网络对工业产品设计方案进行评价，通过权值得到工业产品设计方案的评价等级，实例测试结果表明，集成神经网络可以准确对工业产品设计方案进行评价，评价结果优于其他模型。
1 工业产品设计方案的评价指标体系
工业产品设计方案评价受多种指标影响，多指标可以定义为[x1，x2，…，xm，]这些指标之间互相联系，同时也存在干扰，导致工业产品设计方案评价指标十分复杂，指标和工业产品设计方案评价结果之间出现一种非线性变化关系，它们可以采用如下函数进行描述：
[y=fx1，x2，…，xn] （1）
式中[f（ ）]表示工业产品设计方案的评价模型。
工业产品设计方案评价首先要建立指标体系，若指标体系建立不好，那么后继的工业产品设计方案评价结果将不合理。
工业产品设计方案评价指标很多，它们对工业产品设计方案评价结果的影响程度不一样，而且若全部作为评价模型输入，会导致评价模型的结构十分复杂，为此采用层次分析方法剔除一些不重要的指标，筛选出一些重要指标。层次分析法根据标度值对两个指标的关系进行衡量，标度值为：
[Aij=1，Aij<1EViEVj， 1≤Aij≤99， Aij>9] （2）
式中：[EVi]和[EVj]表示指标[i]和指标[j]对评价结果的影响程度。
如果两个指标的影响程度出现评价不一致时，那么就进行一致性校验，即：
[CR=λmax-nn-1] （3）
式中：[λmax]为最大特征值；[n]为阶数。
2 RBF神经网络和BP神经网络
2.1 RBF神经网络
RBF神经网络是一种经典的神经网络，自適应能力强、学习效率低，且需要调整参数相对较少，在工业产品设计方案评价中得到了成功应用，基本的RBF神经网络如图1所示。
设[X]表示输出，RBF神经网络的回归函数定义如下：
[f（X）=i=1lWisRi（X）] （4）
式中：[Ri（X）]为RBF函数，[i]为神经元节点的数量；[Wis]为权值。
RBF函数对输入数据进行变换，本文采用高斯核函数，其定义为：
[Ri（X）=exp-12X-ciσi] （5）
式中：[ci]为RBF函数的中心；[σi]为中心的宽度；[X-ci]为[X]与[ci]之间的距离。
在RBF神经网络的学习过程中，计算[σi（j）=][X（j）-ci（j-1）2]的值，并找到距离最小的中心[cmin，]同时对RBF函数的中心进行调整，具体为：[cmin（j）=cmin（j-1）+αX（j）-cmin（j-1）] （6）
式中[α]为学习速率。
调整后的欧几里德范数计算公式为：
[σmin（j）=X（j）-cmin（j）] （7）
2.2 BP神经网络
BP神经网络也是一种经典的神经网络，具有误差反馈功能，设映射过程为：[f：Rm→R1，]那么BP神经网络隐含层节点输入为：
[Sj=i=1mwijxi-θj] （8）
式中：[wij]为初始连接权值；[θj]为初始阈值。
通过Sigmoid函数对输出数据进行变换，该函数定义为：
[f（x）=11+e-x] （9）
相应的输出计算公式为：
[bj=11+expi=1mwijxi-θj， j=1，2，…，p] （10）
最后，BP神经网络的输入向量和实际输出为：
[L=j=1pwjkbj-θkxi+1=11+expj=1pvjbj-γ] （11）
式中：[vj]为隐含层至输出层的神经元节点之间的权值；[γ]为输出层的阈值。
3 集成神经网络的工业产品设计方案评价模型
（1） 对一个工业产品设计方案进行分析，并通过一些专家建立工业产品设计方案评价指标体系。
（2） 对工业产品设计方案评价指标的值进行如下处理，归一化区间为[0，1]。
[x′i=xi-ximinximax-ximin] （12）
式中：[ximin]和[ximax]分别为最小值和最大值。
（3） 采用层次分析法计算每一个指标对工业产品设计方案评价结果的贡献，并剔除一些不重要的评价指标。
（4） 根据筛选出来的指标对工业产品设计方案评价样本进行处理，减少样本的规模，加快神经网络的学习过程。
（5） 根据指标数据分别确定BP神经网络和RBF神经网络的结构。
（6） 采用BP神经网络和RBF神经网络分别建立工业产品设计方案评价模型，并根据支持向量机确定它们的权重值。
（7） 根据权重值得到工业产品设计方案的评价结果。
集成神经网络的工业产品设计方案评价流程如图2所示。
4 性能的测试
为了分析集成神经网络的工业产品设计方案评价模型的可行性和优越性，采用VC++ 6.0编程进行仿真测试，首先根据评价指标采集数据，并通过采用层次分析法保留最重要的一些指标，集成神经网络的工业产品设计方案评价等级与专家评价的等级相关系数变化曲线如图3所示，从图3可以发现，集成神经网络的工业产品设计方案评价结果更可靠。
采用BP神经网络和RBF神经网络进行工业产品设计方案评价对比实验，结果如图4和图5所示，它们的相关系数如表1所示。
对表1以及图4，图5的结果进行对比和分析，集成神经网络的工业产品设计方案评价结果要优于RBF神经网络和BP神经网络，主要是综合了RBF神经网络和BP神经网络的优点，可以从多个方面描述工业产品设计方案的优劣，有效提高了工业产品设计方案的评价准确性，评价结果更加科学合理。
5 结 语
为了解决单一神经网络的工业产品设计评价结果不合理的难题，本文提出集成神经网络的工业产品设计方案评价模型，与其他评价模型的测试结果相比，集成神经网络是一种组合模型，不仅包含了BP神经网络的优点，而且具有RBF神经网络的优点，克服了单一神经网络的局限性，并通过层次分析法剔除一些不重要的评价指标，加快了神经网络的学习速度，并通过支持向量机确定每一个神经网络评价结果的权值，充分体现了单一神经网络的贡献，使得工业产品设计方案评价结果更加可信，评价结果更具科学性和合理性，在工业产品设计过程中具有广泛的应用前景。
参考文献
[1] 刘英平，杨素君，陈晓霞.不确定信息的机械产品设计方案评价方法[J].机械科学与技术，2008，27（7）：945?949.
[2] 刘英平，高新陵，沈祖诒.基于模糊数据包络分析的产品设计方案评价研究[J].计算机集成制造系统，2007，13（11）：2099?2104.
[3] 李柏妹，雏兴刚，唐加福.基于可调节参数的产品族设计多阶段方法[J].计算机集成制造系统，2010，16（6）：1138?1143.
[4] 杨洁，杨育，王伟立，等.基于粗糙集的产品协同设计知识推送方法研究[J].中国机械工程，2009，20（20）：2452?2456.
[5] 张雷，彭宏伟，刘志峰，等.绿色产品概念设计中的知识重用[J].机械工程学报，2013，49（7）：72?79.
[6] 曹鹏彬，肖人彬，库琼.公理设计过程中耦合设计问题的结构化分析方法[J].机械工程学报，2006，42（3）：46?55.
[7] 孙良峰，裘乐森，张树有，等.基于泛逻辑推理的复杂产品融合绿色性分析的设计方案评价技术[J].计算机集成制造系统，2013，19（8）：1990?1999.
[8] 吴晨睿，张树有，刘晓健.基于群聚参数网络分析的产品方案设计评价[J].浙江大学学报（工学版），2014，49（8）：1495?1502.
[9] 杨涛，杨育，张雪峰，等.基于客户聚类分析的产品概念设计方案评价决策方法[J].计算机集成制造系统，2015，21（7）：1669?1678.
[10] 闫会强，侯东超，檀润华.基于T?FAHP产品设计方案评价模型[J].机床与液压，2009，37（2）：4?8.
摘 要： 工业产品设计方案的好坏直接决定了产品带来的经济效益高低，而工业产品设计方案受到多种指标影响，是一个复杂的系统，为了获得理想的工业产品设计方案，提出了集成神经网络的工业产品设计方案评价模型。选择工业产品设计方案的评价指标，并通过层次分析法筛选重要的指标，采用两种神经网络对工业产品设计方案进行评价，并通过确定适合权值得到工业产品设计方案的评价等级，最后通过实例测试评价模型的性能。结果表明，集成神经网络可以准确对工业产品设计方案进行评价，评价结果优于其他模型，验证了该模型的合理性和优越性。
关键词： 工业产品； 设计方案； 神经网络； 贡献权值； 评价模型
中图分类号： TN711?34； TH166 文献标识码： A 文章编号： 1004?373X（2017）07?0112?04
Evaluation of industrial product design scheme based on integrated neural network
TANG Shan， QIN Jiayi
（School of Mechanical & Electrical Engineering， Xuzhou Institute of Technology， Xuzhou 221000， China）
Abstract： The design scheme of the industrial product determines the economic benefit of the product directly， and is affected by a variety of indicators. In order to obtain an ideal design scheme of the industrial product， an evaluation model of the industrial product design scheme based on integrated neural network is put forward. The evaluation indicators of the industrial product design scheme are selected， and the important indicators are screened with the analytic hierarchy process. Two neural networks are used to evaluate the design scheme of the industrial product， and determine the suitable weight to obtain the eva?luation grade of the industrial product design scheme. The performance of the evaluation model was tested with an instance. The results show that the integrated neural network can evaluate the industrial product design scheme accurately， its evaluation result is superior to that of other models， and the rationality and superiority of the model were verified.
Keywords： industrial product； design scheme； neural network； contribution weight； evaluation model
0 引 言
随着市场经济的不断发展，企业之间的竞争日益激烈，而工业产品是企业的核心竞争力[1]。针对不同类型用户，设计相应的工业产品是适应现代市场竞争的需要，因此建立科学、合理的工业产品设计方案评价模型成为企业产品创新中的关键问题，具有十分重要的应用价值[2?3]。
工业产品设计方案受到多种指标影响，是一个复杂的系统，为此近年来国内外学者进行深入研究。有学者提出模糊聚类分析、灰色聚类分析的工业产品设计方案评价模型[4?5]，这些模型虽然考虑了工业产品设计过程的多个指标，但无法描述工业产品设计方案评价过程中的非线性、随机性问题，局限性十分明显[6]。
随着人工神经网络的不断成熟，有学者提出基于神经网络的工业产品设计方案評价模型[7?9]，可以对复杂系统进行无限逼近，获得良好的工业产品设计方案评价结果。
然于工业产品设计系统的复杂，单一神经网络无法建立科学、合理的工业产品设计方案评价模型。为此有学者提出了组合神经网络的工业产品设计方案评价模型[10]，比单一神经网络的评价结果更加客观、可信，但如何确定每一个神经网络对最终工业产品设计评价结果的贡献十分关键，目前还没有较好的解决方法。
为了获得理想的工业产品设计方案，提出了集成神经网络的工业产品设计方案评价模型。
首先选择工业产品设计方案的评价指标，并通过层次分析法筛选重要的指标，然后采用神经网络对工业产品设计方案进行评价，通过权值得到工业产品设计方案的评价等级，实例测试结果表明，集成神经网络可以准确对工业产品设计方案进行评价，评价结果优于其他模型。
1 工业产品设计方案的评价指标体系
工业产品设计方案评价受多种指标影响，多指标可以定义为[x1，x2，…，xm，]这些指标之间互相联系，同时也存在干扰，导致工业产品设计方案评价指标十分复杂，指标和工业产品设计方案评价结果之间出现一种非线性变化关系，它们可以采用如下函数进行描述：
[y=fx1，x2，…，xn] （1）
式中[f（ ）]表示工业产品设计方案的评价模型。
工业产品设计方案评价首先要建立指标体系，若指标体系建立不好，那么后继的工业产品设计方案评价结果将不合理。
工业产品设计方案评价指标很多，它们对工业产品设计方案评价结果的影响程度不一样，而且若全部作为评价模型输入，会导致评价模型的结构十分复杂，为此采用层次分析方法剔除一些不重要的指标，筛选出一些重要指标。层次分析法根据标度值对两个指标的关系进行衡量，标度值为：
[Aij=1，Aij<1EViEVj， 1≤Aij≤99， Aij>9] （2）
式中：[EVi]和[EVj]表示指标[i]和指标[j]对评价结果的影响程度。
如果两个指标的影响程度出现评价不一致时，那么就进行一致性校验，即：
[CR=λmax-nn-1] （3）
式中：[λmax]为最大特征值；[n]为阶数。
2 RBF神经网络和BP神经网络
2.1 RBF神经网络
RBF神经网络是一种经典的神经网络，自適应能力强、学习效率低，且需要调整参数相对较少，在工业产品设计方案评价中得到了成功应用，基本的RBF神经网络如图1所示。
设[X]表示输出，RBF神经网络的回归函数定义如下：
[f（X）=i=1lWisRi（X）] （4）
式中：[Ri（X）]为RBF函数，[i]为神经元节点的数量；[Wis]为权值。
RBF函数对输入数据进行变换，本文采用高斯核函数，其定义为：
[Ri（X）=exp-12X-ciσi] （5）
式中：[ci]为RBF函数的中心；[σi]为中心的宽度；[X-ci]为[X]与[ci]之间的距离。
在RBF神经网络的学习过程中，计算[σi（j）=][X（j）-ci（j-1）2]的值，并找到距离最小的中心[cmin，]同时对RBF函数的中心进行调整，具体为：[cmin（j）=cmin（j-1）+αX（j）-cmin（j-1）] （6）
式中[α]为学习速率。
调整后的欧几里德范数计算公式为：
[σmin（j）=X（j）-cmin（j）] （7）
2.2 BP神经网络
BP神经网络也是一种经典的神经网络，具有误差反馈功能，设映射过程为：[f：Rm→R1，]那么BP神经网络隐含层节点输入为：
[Sj=i=1mwijxi-θj] （8）
式中：[wij]为初始连接权值；[θj]为初始阈值。
通过Sigmoid函数对输出数据进行变换，该函数定义为：
[f（x）=11+e-x] （9）
相应的输出计算公式为：
[bj=11+expi=1mwijxi-θj， j=1，2，…，p] （10）
最后，BP神经网络的输入向量和实际输出为：
[L=j=1pwjkbj-θkxi+1=11+expj=1pvjbj-γ] （11）
式中：[vj]为隐含层至输出层的神经元节点之间的权值；[γ]为输出层的阈值。
3 集成神经网络的工业产品设计方案评价模型
（1） 对一个工业产品设计方案进行分析，并通过一些专家建立工业产品设计方案评价指标体系。
（2） 对工业产品设计方案评价指标的值进行如下处理，归一化区间为[0，1]。
[x′i=xi-ximinximax-ximin] （12）
式中：[ximin]和[ximax]分别为最小值和最大值。
（3） 采用层次分析法计算每一个指标对工业产品设计方案评价结果的贡献，并剔除一些不重要的评价指标。
（4） 根据筛选出来的指标对工业产品设计方案评价样本进行处理，减少样本的规模，加快神经网络的学习过程。
（5） 根据指标数据分别确定BP神经网络和RBF神经网络的结构。
（6） 采用BP神经网络和RBF神经网络分别建立工业产品设计方案评价模型，并根据支持向量机确定它们的权重值。
（7） 根据权重值得到工业产品设计方案的评价结果。
集成神经网络的工业产品设计方案评价流程如图2所示。
4 性能的测试
为了分析集成神经网络的工业产品设计方案评价模型的可行性和优越性，采用VC++ 6.0编程进行仿真测试，首先根据评价指标采集数据，并通过采用层次分析法保留最重要的一些指标，集成神经网络的工业产品设计方案评价等级与专家评价的等级相关系数变化曲线如图3所示，从图3可以发现，集成神经网络的工业产品设计方案评价结果更可靠。
采用BP神经网络和RBF神经网络进行工业产品设计方案评价对比实验，结果如图4和图5所示，它们的相关系数如表1所示。
对表1以及图4，图5的结果进行对比和分析，集成神经网络的工业产品设计方案评价结果要优于RBF神经网络和BP神经网络，主要是综合了RBF神经网络和BP神经网络的优点，可以从多个方面描述工业产品设计方案的优劣，有效提高了工业产品设计方案的评价准确性，评价结果更加科学合理。
5 结 语
为了解决单一神经网络的工业产品设计评价结果不合理的难题，本文提出集成神经网络的工业产品设计方案评价模型，与其他评价模型的测试结果相比，集成神经网络是一种组合模型，不仅包含了BP神经网络的优点，而且具有RBF神经网络的优点，克服了单一神经网络的局限性，并通过层次分析法剔除一些不重要的评价指标，加快了神经网络的学习速度，并通过支持向量机确定每一个神经网络评价结果的权值，充分体现了单一神经网络的贡献，使得工业产品设计方案评价结果更加可信，评价结果更具科学性和合理性，在工业产品设计过程中具有广泛的应用前景。
参考文献
[1] 刘英平，杨素君，陈晓霞.不确定信息的机械产品设计方案评价方法[J].机械科学与技术，2008，27（7）：945?949.
[2] 刘英平，高新陵，沈祖诒.基于模糊数据包络分析的产品设计方案评价研究[J].计算机集成制造系统，2007，13（11）：2099?2104.
[3] 李柏妹，雏兴刚，唐加福.基于可调节参数的产品族设计多阶段方法[J].计算机集成制造系统，2010，16（6）：1138?1143.
[4] 杨洁，杨育，王伟立，等.基于粗糙集的产品协同设计知识推送方法研究[J].中国机械工程，2009，20（20）：2452?2456.
[5] 张雷，彭宏伟，刘志峰，等.绿色产品概念设计中的知识重用[J].机械工程学报，2013，49（7）：72?79.
[6] 曹鹏彬，肖人彬，库琼.公理设计过程中耦合设计问题的结构化分析方法[J].机械工程学报，2006，42（3）：46?55.
[7] 孙良峰，裘乐森，张树有，等.基于泛逻辑推理的复杂产品融合绿色性分析的设计方案评价技术[J].计算机集成制造系统，2013，19（8）：1990?1999.
[8] 吴晨睿，张树有，刘晓健.基于群聚参数网络分析的产品方案设计评价[J].浙江大学学报（工学版），2014，49（8）：1495?1502.
[9] 杨涛，杨育，张雪峰，等.基于客户聚类分析的产品概念设计方案评价决策方法[J].计算机集成制造系统，2015，21（7）：1669?1678.
[10] 闫会强，侯东超，檀润华.基于T?FAHP产品设计方案评价模型[J].机床与液压，2009，37（2）：4?8.
