论文部分内容阅读
作者简介：肖磊（1988年1月），男，汉族，天津，软件工程硕士，讲师，天津市经济贸易学校，信息化资源建设，300131。
摘 要： 为了提高当代文化发展中动画美学品位评价的准确性，提出了一种基于PSO-BP神经网络的动画美学品位评价算法。首先，给出了动画产品造型的审美特征、审美品位及其对应关系模型。其次，利用改进的粒子群优化方法对BP神经网络进行学习训练，提高等级评价算法的性能。
关键词： 粒子群优化、神经网络、动画美学、当代文化。
【中图分类号】 G472.5 【文献标识码】 A 【文章编号】 2236-1879（2018）08-0178-01
一、介绍
从美学的角度来看，动画产品建模一般有主动和被动两种方式。主动方式是指在动画产品的设计过程中考虑造型的审美因素。由于美学具有主观性，在大多数情况下，动画产品造型的审美等级评价是由设计师或美学专家在一定的规则和经验基础上进行的。从动画产品造型的美学角度出发，归纳出若干美学特征，建立其特征与美学评价之间的对应关系，利用人工神经网络的非线性映射能力，建立各特征组合与相应造型美学品位之间的映射关系，为了识别和纠正基于神经网络的动画产品建模的美学特征。网络培训完成后，可以根据动画产品的新特点对动画产品建模的审美品位进行评价。
BP网络的优化与改进成为研究热点之一，如果根据系统的不同目标对原有的粒子群算法进行改进，BP网络的性能将会得到进一步的改进，变得更加实用。为了更好地平衡全局搜索和局部搜索，在认知心理学理论的基础上，本文提出将原线性减重策略作为一种非线性减重策略，从给定的PSO固定权重的角度进行重构。
二、动画产品造型的审美特征和审美品位
2.1动画产品造型的美学特征。
动漫产品造型设计的美学特征主要是用动漫产品造型的美学原则来衡量的。综上所述，这些原则包括9种类型：统一与变化、和谐与对比、对称与平衡、稳定与轻盈、主从与焦点、过渡与对应、比例与比例、类比与联想、节奏与韵律。根据审美因素的分类，可以将这些原则进一步归纳为4种类型；即前六种类型可以表示为一种类型的统一平衡、一种类型的比例和比例协调、一种类型的类比联想、一种类型的节奏和韵律平衡。
2.2 动画产品造型的美学品位。
以往的审美评价一般都是单一的，即是否可以通过表1中一个个的评分因子或部分评分因子对审美特征进行统一的评价。作者提出了造型的审美等级，以统一的方式评价动画产品。在一般情况下，审美造型是全面考虑每个审美特征的，审美等级分为“高”、“相对高”、“相对低”和“低”。只有当四个特征都被评分为好时，才会有较高的审美品位。只有当至少3个特征被评分为比较好的时候，美学水平才會比较高。当超过3个特征被评分为较差时，审美等级就会较低。
2.3 动画产品造型的美学特征识别与修正原则。
动画产品造型的审美特征与审美品位之间的对应关系，利用人工神经网络建立二者之间的映射关系。网络培训完成后，针对新出现的特点，可获得审美等级代码。特征状态可以根据代码进行识别。需要说明的是，利用神经网络识别动画产品造型的美学特征的目的是要突出其主要特征，并有针对性地加以纠正。具体的审美特征是按照不同的动画产品来分解的，就像电脑的显示器一样。审美特征应该是特定于一般的新特征评价，如功能美学、造型、色彩、流线比例等。
三、BP神经网络和PSO原理
3.1 BP神经网络原理。
人工神经网络提供了任意精度接近未知函数的能力，并导出了一些使神经网络变得越来越流行的函数。神经网络优化主要包括权值优化和神经网络拓扑结构优化。最主要的部分是神经网络权值的优化。神经网络一般采用BP算法进行训练，其主要思想是将学习过程分为两个阶段。
第1阶段：（正向传播阶段）：从输入层到隐藏层，逐层给出输入信息并进行处理；计算各单元的实际输出值；
第2阶段（逆向过程）：如果在输出层无法得到期望输出值，则逐层递归计算实际输出值与期望输出值之间的差值（即误差），根据误差调整权重和偏移量。
可见神经网络学习过程主要包括权值的更新和偏移。对于n层神经网络，有n个权矩阵。
3.2 算法原理。
PSO是指在鸟类觅食时，通过简单个体间和个体间的刺激互动，刺激种群间的迁移和聚集，寻找全局最优解。在PSO算法中，每个优化的解都是搜索空间中的一只鸟，称为“粒子”。每个粒子都有一个由优化函数决定的自适应值，以及一个速度决定方向和飞行距离。粒子跟随电流优化粒子在溶液空间中搜索。PSO被初始化为一组随机粒子（随机解）。
3.3 改进的PSO算法。
在PSO算法的可调参数中，惯性权重是最重要的。更大的权重将有助于提高算法的全局搜索能力，而较小的权重将提高算法的局部搜索能力。为了找到全局搜索和局部搜索之间达到最优平衡的惯性权重选择方法，研究者们进行了大量的研究，相继提出线性递减的惯性权重策略、模糊惯性权重策略和随机惯性权重策略。FIW策略需要专家知识来建立模糊规则，这是很难实现的。RIW策略用于求解动态系统。LDIW策略因其相对简单、收敛速度快而得到广泛应用。
3.4 利用IPSO优化BP神经网络。
利用IPSO对BP网络进行训练的方法：粒子群中每个粒子的位置表示BP网络中当前迭代的权值集；每个粒子的维数取决于权重和偏移量在网络中起连接作用。将给定训练样本集中的神经网络输出误差作为神经网络训练问题的适应度函数。适应度值表示神经网络的误差。更小的误差意味着粒子在搜索中的表现更好。粒子在权值空间中运动和搜索，使网络输出层的误差最小化，改变粒子速度（即网络的权值更新），降低平均平方误差（MSE）。通过这种方式，IPSO优化、搜索和训练神经网络的权重和偏移量，使MSE更小。每次迭代中MSE最小的粒子是当前最优全局粒子。
动画美学等级评价的算法基于PSO-BP神经网络，审美特征和审美品位和给出相应的关系模型建模、动画产品和改进的粒子群优化BP神经网络用于学习培训，提高审美品位的表现评价算法动画。研究了图像的描述矩阵、深度卷积神经网络（DCNN）和并行DCNN的结构，提出了一种双向并行DCNN，并将其应用于图像的美学分类。
摘 要： 为了提高当代文化发展中动画美学品位评价的准确性，提出了一种基于PSO-BP神经网络的动画美学品位评价算法。首先，给出了动画产品造型的审美特征、审美品位及其对应关系模型。其次，利用改进的粒子群优化方法对BP神经网络进行学习训练，提高等级评价算法的性能。
关键词： 粒子群优化、神经网络、动画美学、当代文化。
【中图分类号】 G472.5 【文献标识码】 A 【文章编号】 2236-1879（2018）08-0178-01
一、介绍
从美学的角度来看，动画产品建模一般有主动和被动两种方式。主动方式是指在动画产品的设计过程中考虑造型的审美因素。由于美学具有主观性，在大多数情况下，动画产品造型的审美等级评价是由设计师或美学专家在一定的规则和经验基础上进行的。从动画产品造型的美学角度出发，归纳出若干美学特征，建立其特征与美学评价之间的对应关系，利用人工神经网络的非线性映射能力，建立各特征组合与相应造型美学品位之间的映射关系，为了识别和纠正基于神经网络的动画产品建模的美学特征。网络培训完成后，可以根据动画产品的新特点对动画产品建模的审美品位进行评价。
BP网络的优化与改进成为研究热点之一，如果根据系统的不同目标对原有的粒子群算法进行改进，BP网络的性能将会得到进一步的改进，变得更加实用。为了更好地平衡全局搜索和局部搜索，在认知心理学理论的基础上，本文提出将原线性减重策略作为一种非线性减重策略，从给定的PSO固定权重的角度进行重构。
二、动画产品造型的审美特征和审美品位
2.1动画产品造型的美学特征。
动漫产品造型设计的美学特征主要是用动漫产品造型的美学原则来衡量的。综上所述，这些原则包括9种类型：统一与变化、和谐与对比、对称与平衡、稳定与轻盈、主从与焦点、过渡与对应、比例与比例、类比与联想、节奏与韵律。根据审美因素的分类，可以将这些原则进一步归纳为4种类型；即前六种类型可以表示为一种类型的统一平衡、一种类型的比例和比例协调、一种类型的类比联想、一种类型的节奏和韵律平衡。
2.2 动画产品造型的美学品位。
以往的审美评价一般都是单一的，即是否可以通过表1中一个个的评分因子或部分评分因子对审美特征进行统一的评价。作者提出了造型的审美等级，以统一的方式评价动画产品。在一般情况下，审美造型是全面考虑每个审美特征的，审美等级分为“高”、“相对高”、“相对低”和“低”。只有当四个特征都被评分为好时，才会有较高的审美品位。只有当至少3个特征被评分为比较好的时候，美学水平才會比较高。当超过3个特征被评分为较差时，审美等级就会较低。
2.3 动画产品造型的美学特征识别与修正原则。
动画产品造型的审美特征与审美品位之间的对应关系，利用人工神经网络建立二者之间的映射关系。网络培训完成后，针对新出现的特点，可获得审美等级代码。特征状态可以根据代码进行识别。需要说明的是，利用神经网络识别动画产品造型的美学特征的目的是要突出其主要特征，并有针对性地加以纠正。具体的审美特征是按照不同的动画产品来分解的，就像电脑的显示器一样。审美特征应该是特定于一般的新特征评价，如功能美学、造型、色彩、流线比例等。
三、BP神经网络和PSO原理
3.1 BP神经网络原理。
人工神经网络提供了任意精度接近未知函数的能力，并导出了一些使神经网络变得越来越流行的函数。神经网络优化主要包括权值优化和神经网络拓扑结构优化。最主要的部分是神经网络权值的优化。神经网络一般采用BP算法进行训练，其主要思想是将学习过程分为两个阶段。
第1阶段：（正向传播阶段）：从输入层到隐藏层，逐层给出输入信息并进行处理；计算各单元的实际输出值；
第2阶段（逆向过程）：如果在输出层无法得到期望输出值，则逐层递归计算实际输出值与期望输出值之间的差值（即误差），根据误差调整权重和偏移量。
可见神经网络学习过程主要包括权值的更新和偏移。对于n层神经网络，有n个权矩阵。
3.2 算法原理。
PSO是指在鸟类觅食时，通过简单个体间和个体间的刺激互动，刺激种群间的迁移和聚集，寻找全局最优解。在PSO算法中，每个优化的解都是搜索空间中的一只鸟，称为“粒子”。每个粒子都有一个由优化函数决定的自适应值，以及一个速度决定方向和飞行距离。粒子跟随电流优化粒子在溶液空间中搜索。PSO被初始化为一组随机粒子（随机解）。
3.3 改进的PSO算法。
在PSO算法的可调参数中，惯性权重是最重要的。更大的权重将有助于提高算法的全局搜索能力，而较小的权重将提高算法的局部搜索能力。为了找到全局搜索和局部搜索之间达到最优平衡的惯性权重选择方法，研究者们进行了大量的研究，相继提出线性递减的惯性权重策略、模糊惯性权重策略和随机惯性权重策略。FIW策略需要专家知识来建立模糊规则，这是很难实现的。RIW策略用于求解动态系统。LDIW策略因其相对简单、收敛速度快而得到广泛应用。
3.4 利用IPSO优化BP神经网络。
利用IPSO对BP网络进行训练的方法：粒子群中每个粒子的位置表示BP网络中当前迭代的权值集；每个粒子的维数取决于权重和偏移量在网络中起连接作用。将给定训练样本集中的神经网络输出误差作为神经网络训练问题的适应度函数。适应度值表示神经网络的误差。更小的误差意味着粒子在搜索中的表现更好。粒子在权值空间中运动和搜索，使网络输出层的误差最小化，改变粒子速度（即网络的权值更新），降低平均平方误差（MSE）。通过这种方式，IPSO优化、搜索和训练神经网络的权重和偏移量，使MSE更小。每次迭代中MSE最小的粒子是当前最优全局粒子。
动画美学等级评价的算法基于PSO-BP神经网络，审美特征和审美品位和给出相应的关系模型建模、动画产品和改进的粒子群优化BP神经网络用于学习培训，提高审美品位的表现评价算法动画。研究了图像的描述矩阵、深度卷积神经网络（DCNN）和并行DCNN的结构，提出了一种双向并行DCNN，并将其应用于图像的美学分类。