关于神经网络优化的手机造型设计评价系统的研究

关于神经网络优化的手机造型设计评价系统的研究(论文13000字)
摘要：人工神经网络（简称NNs）在产品造型设计评价方面具有得天独厚的优越性。它经过过训练大批的数据集以获取规律，以此预测出产品方案的受欢迎程度。本文将以手机外型设计评估为例，采用MATLAB R2016a软件平台对产品各参数重要性进行评价。通过构建手机造型设计评价二级指标体系，根据若干有效问卷量化。以其中90%样卷进行训练，用剩余10%样卷作为验证样本对模型进行验证，以期得出更科学、有效的产品设计方案。本文使用BP神经网络和RBF神经网络两种网络构造对设计进行评估，对比筛选出最优的网络结构，并结合10%样卷的验证结果以证实该网络的优越性。这样不仅提高了产品开发速度，而且提高了企业综合竞争力。
关键词：BP神经网络；RBF神经网络；产品造型设计；径向基函数；隐含层；输入输出

Research on the evaluation system of mobile phone design based on neural network optimization
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

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