基于汉字字体结构认知计算的多意象预测模型
欧阳晋焱，盛浩涵，周爱民，苏建宁，张书涛
(兰州理工大学设计艺术学院，甘肃 兰州 730050)
摘要：为了揭示汉字字体与受众的情感意象之间的内在关系，从认知计算的角度出发，探索构建一种“设计特征-结构指标-意象”的灰箱关联模型，以其预测汉字字体的多个意象。首先依据认知计算的原理将字体结构规则抽象为知识，运用产生式规则将字体结构知识进行定量描述，提出字重、重心、字面、字怀4个字体结构指标的认知计算公式，将无序的形态信息转化为结构化的有序信息。然后基于汉字字体意象认知系统的非线性耦合的特点，发展出一种运用多输出最小二乘支持向量回归机(MLS-SVR)进行汉字字体多意象预测的方法。将该方法对汉字字体的3个意象进行预测，实验结果表明其具有良好的预测效果和精度。该模型可作为字体智能设计系统的适应度函数，为发展字体智能设计提供有益的参考。
关键词：汉字字体；字体结构指标；多意象；认知计算；MLS-SVR
汉字是中华文明的视觉符号与信息传播载体，自古以来就融入中国人的日常生活中，是人与人沟通的重要桥梁。不同的汉字字体表现出不同的意象风格特征。意象是指受众通过自身的感官对字体形态所产生的直觉与联想，充分传达了受众的情感认知[1]。理想的字体设计方案很大程度上依靠设计师对字体意象的深入理解及设计师与受众之间潜在的心理沟通与交流。传统的字体设计依靠设计师个人的审美经验与情感体验。由于设计师个人的审美经验的差异化，情感体验带有强烈的主观色彩，且字体形态的设计变量过多，相关的学术研究成果较少，设计师缺乏关键参照的工具和测定方法，因此很难快速开发出能够满足受众意象需求的字体，这种局限性易带来不必要的风险。因此，设计师必须理解字体意象认知规律，才能够在设计时进行准确的意象风格定位和信息传达，设计出的字体才能更好地被受众认可。
面对未来，中共中央宣传部副部长、国家互联网信息办公室主任庄荣文在出席“企业家高峰对话：新时代的数字经济”论坛时表示，数字经济作为发展最迅猛、创新最活跃、辐射最广泛的经济活动，正在成为全球经济增长新动能和新引擎。
与他相反，刘雁衡教外国文学史，却常常跑到中国文学上来。在说到某部外国经典时，总是抗衡似的，举出中国相应的一部著作，与洋鬼子理论一番，切磋一番。这使得学生广为不满，女生甚至给他起了个雅号：大唐进士。幸好，刘雁衡在报纸副刊发表的新诗，都是呼唤光明与民主的，这才抵消了学生的不满心理。
目前，汉字字体研究主要有2种路径：①通过案例分析、归纳，从定性层面探讨字体中情感属性、心理特征、表现形式和设计方法等，如，邱楠[2]探讨了汉字字体意象表现的内在文化内涵、价值取向、创意思维和审美取向，总结出汉字意象化设计的相关理念；李广武[3]结合中国传统的意象审美观，论述了意象汉字图式化设计方法。②从定量层面对汉字字体设计知识表达、设计认知机制、智能设计方法等进行探讨，如，徐朝晖等[4]将汉字笔划和间架结构的知识进行量化表示，并提出了一种通过控制笔划映射设计汉字轮廓的方法；刘文予等[5]构建了不同汉字字体的子凸集映射，并提出了一种基于形态变换的字体合成及衍生方法；周扬等[6]运用心理学实验对参与汉字处理的大脑皮层功能区域进行定位及量化分析，探讨了字体认知的神经机制。由上述分析可知，汉字字体研究取得了一定成果，但对于汉字情感量化研究还很不足，因此有待进一步深入研究，而工业设计的感性工学领域关于用户情感意象已经有较多的研究成果，可为字体意象研究提供参考。在产品意象研究中，其预测模型通常以“设计特征”为输入、以“意象”为输出而构建的黑箱模型。设计特征主要从产品的形态单元或功能单元[7]、重要曲线的关联节点[8]等方面展开，意象挖掘一般采用语义差异法(semantic differential, SD)经问卷调查获得。构建产品意象预测模型的常用技术有回归分析[9]、神经网络[10]、支持向量机[11]、数量化一类[12]、模糊集理论[13]、粗糙集理论[14]和灰度理论[15]等。黑箱建模虽然不需要了解形态意象认知系统的内部机理，但是模型内部的特性、结构和组织也无从知晓，模型的整体具有不确定性[16]。因此，运用回归分析、神经网络等技术得到的函数关系式也具有一定的不确定性。
字体形态认知与产品形态认知的过程与机制相似，从“设计特征”的视觉感知到“意象”的形成是一种多阶段、多元的、复杂的信息处理过程，包含情感认知等诸多隐性知识。基于上述分析，本文引入“结构特征指标”(简称“结构指标”)，构建“设计特征-结构指标-意象”的字体形态多意象预测灰箱模型AM=f(g(M)) (M为字体的设计特征集；AM为意象；g为结构指标与设计特征间的函数关系；f为感性意象与结构指标间的函数关系)，模拟认知活动的信息处理过程。建立此灰箱模型需要视觉认知的先验知识与系统识别的后验知识[17]。在此先验知识依据认知计算思想，运用产生式规则对字体形态的非结构化数据从字体结构特征的角度进行知识描述[18]，后验知识采用多输出最小二乘支持向量回归机(multi-output least squares support vector regression machine, MLS-SVR)[19]表达未知的意象认知系统内部结构关系。以此构建出的复合灰箱模型有利于揭示字体形态视觉认知机理，使得字体情感认知的隐性知识外显化。
1 字体结构指标认知计算
步骤1.将某个汉字中每个笔画或者笔画群的所有拐点找出，如图2所示，找出的点集记为
。
字体结构是人们在创造汉字、认知汉字、欣赏汉字的过程中对汉字部件(包括笔画和单体字)的关系、性质与组织规律的经验总结和抽象概括，是人们审美思维在汉字进化历史中形成的概括性内部关联原则。字体结构特征表述与视觉模式识别中的特征识别规则相通，是一种结构化的有序信息。汉字字体研究者将字体结构特征归纳为字重、重心、字怀、字面4个维度[22]。基于此，字体结构指标的视觉认知计算从此4个维度展开。首先构建字体结构指标计算的坐标系，如图1所示，以每个汉字的字身框的左下角顶点为坐标原点，水平方向为x坐标轴，竖直方向为y坐标轴，设每个字身框的宽为w，高为h。
图1 字体结构指标计算坐标系
依据认知计算思想将字体结构规则抽象为知识，运用产生式规则将字体结构知识进行定量描述，提出字重、重心、字怀、字面4个字体结构指标计算公式。此结构指标以定量的方式关联字体设计特征与结构特征，将无序的字体形态信息转变为符合视觉认知的结构化有序信息。
1.1 字重
格式塔心理学的心物同型理论表明：自然界中物理现象、人的生理与心理现象在很大程度上具有相似性与对应的关系，都是同型的[23]。事物在物理场中会受到重力作用，在心理上同样存在视觉重力的作用。因此，字重的心理学解释就是某汉字字体的视觉重量感，物理学解释就是字体形态的重力，可以用汉字笔画本身所占据的面积表示。字重随字体笔画的粗细相应改变。笔画粗，则字重大，给人以力量、浑厚、压迫感强、壮实等意象，适合男性、机械、战斗、动作等主题；反之，笔画细，则字重小，给人以轻盈、简洁、单薄、柔弱、纤细、秀气、轻松、舒适等意象，适合女性、科技、文艺、清新等主题。由于字体的笔画和结构不同，字体笔画的粗细也不同。为了平衡结构复杂的汉字和结构简单的汉字的视觉差异，字体设计时，笔画少的字，笔画应该粗一些，反之则细一些。笔画粗细的程度并没有明确的数值规定，笔画粗细的调整按照视觉习惯与审美原则进行，使字体的气质与画面主体达成协调统一为准[22]。
定义.令某汉字的笔画(也可以是笔画群，编程时，根据需要可以将几个连接在一起的笔画编写成一个整体)数为n，按照汉字笔顺，第i个笔画或者笔画群的轮廓线可以表述为由上、下2条曲线围成的闭合曲线(中空部分用布尔运算求取)，令上、下曲线的函数分别为y1=f1(xi)和y2=f2(xi)，左、右2边端点分别为ai和bi。字重的视觉认知计算式为
(1)
(2)
其中，A为字重，即字体面积；Ai为第i个笔画或者笔画群的面积。
1.2 重心
用SPSS24.0软件展开数据处理，计量资料数据，以形式表示，计算以t检验为主，P＜0.05，具统计学差异。
(3)
(4)
(5)
(6)
其中，xc和yc分别为汉字重心的x和y坐标；
和
为第i个笔画或者笔画群重心的x，y坐标。
1.3 字面
格式塔心理学的简化原理表明：人的视觉倾向于把各种复杂的刺激形式简化为容易理解的简单形式[23]。字面的心理学解释就是将汉字字体简化成一个凸多边形图块，即汉字形态的最小外接多边形，如图2所示，凸多边形的面积即字面[22]。
图2 字面及其求解方法
在字面框确定的情况下，字面的大小反映汉字所占空间的大小。字面大，辨识度高，给人以舒展、大方、气势、豪爽等意象；反之，字面小，辨识度低，给人以紧凑、内敛、含蓄、拘谨等意象。由于汉字笔画与结构差异，汉字字面抽象后可以归纳为正方形、圆形、三角形3种类型，在字面框确定的情况下，正方形字面最大，圆形字面次之，三角形字面最小。字体笔画数量与字面形状的不同，导致字面差异较大，视觉反差较大。为了让字体看起来更协调、舒适，字体设计时需要调整笔画形状和平衡字面关系，如，对三角形、圆形字面进行顶格(顶到字身框)、出格(超出字面框)处理，对正方形边缘进行缩格(缩小字面框)处理，以达到3种形状的视觉均衡。凸多边形图块构成的字面在图形学中称之为凸包，就是用一个凸多边形围住图形上所有的点。就像桌面上钉了一些钉子，用一根皮筋从外围将其全部围合起来，绷紧的皮筋形态就是要求解的凸包。其步骤如下：
本文针对基于字体结构指标的多意象认知多输入多输出系统，以字体结构指标作为输入，多目标意象为输出，构建MLS-SVR[19,25]模型，获得字体结构指标与多意象目标之间的映射。
从视觉认知心理学的角度来看，字体形态认知的过程分为感觉信息登记、信息加工处理、信息储存、信息运作等几个阶段[20]。字体形态信息本身是一种复杂的无序信息，其被视觉器官收录后，经过视觉模式识别中的特征识别规则对其“结构和组织”特征进行信息加工处理，转变为符合大脑认知编码的有序信息，其是后续信息存储、信息运作等一系列认知操作的基础。字体意象认知[21]是用户将有序信息与过往经验与知识等记忆中的诸多相关事物进行联想和对比，经过推理和判断，最终形成确定的意象决策。
步骤2.从上述点中找到所有点中纵坐标y最小的点，记为p0。如果同时存在几个最小点，则从中选取x坐标最小的点。
步骤3.以p0为极点，构建极坐标系，根据其余各点的极角值，将各点按照从小到大顺序进行排序并标记，得到新的点集记为
，如果某些点的极角值相等，则按照各点到极点的距离从小到大排序。
步骤4.将p0，p1，p2压入栈。
重心即某汉字形态的形心。汉字结构的改变会导致重心的改变，作为一款合格的汉字字体，其中各个汉字的重心不会偏差太大，否则多个字组合在一起就会产生忽高忽低的感觉，通常需要将各个字的重心进行调整，使其基本处于字面框中心位置的附近区域。根据格式塔心理学的心物同型理论，视觉认知中的平衡现象同型于物理学中杠杆平衡原理。汉字中每个部件(包括笔画和单体字)都有独立的视觉重心，设计字体时要根据杠杆平衡原理分析每个部件的重心，平衡每个字体部件的内部关系。在此基础上根据杠杆平衡原理对部件进行拉长、压扁、变形，调整各个部件的重心位置，使汉字整体和局部均达到平衡[22]。通常情况下，对于上下结构或者上中下结构的汉字，各个部件的重心x坐标值应该一致或者接近一致，对于左右或者左中右结构的汉字，各部件的重心y坐标值应该一致或者接近一致。重心位置左右偏移距离小，则给人以稳定、平衡、安静等意象；重心位置左右偏移距离大，则给人以动感、灵巧、活泼等意象；重心位置偏下，则给人以稳定、安静、严肃等意象；重心位置偏上，则给人以高挑、腿长、轻巧、动感、女性等意象，符合现代时尚品味与审美潮流。字体设计中可以通过对笔画做阴阳线收缩、调整局部笔画的位置或形状等方法调整字体的重心位置[22]。重心坐标的视觉认知计算式为
MLS-SVR求解时，将各输出的单一拟合误差与整体拟合误差同时最小化，因此，只要选取适当的核函数，即能得到高维空间的内积，而不必像SVR那样需要求解一个约束凸二次规划，且所需计算资源少。
1.4 字怀
求解目标函数，最终得到MLS-SVR的函数逼近为[19]
(7)
其中，AH为字怀；w为字身框的宽度；h为字身框的高度，计算时取相应字号字身框的默认值。
2 字体多意象预测模型
由于受众感性意象认知的复杂性与多样性，其对汉字字体通常存在多维度感性需求，基于字体结构指标的多意象认知是一个复杂的多输入、多输出系统，多意象之间存在潜在的联系，因此需要运用多输入、多输出方法构建模型。MLS-SVR在解决多变量、非线性耦合、函数拟合、小样本问题等方面具有明显的优势[19]。MLS-SVR将误差平方和引入到标准支持向量回归机(support vector regression machine, SVR)的目标函数，以求解线性方程组的方法代替求解二次规划问题，从而提高了计算效率与收敛性能，并且在优化的过程中兼顾全体输出变量的回归能力，最小化全体输出的带正则项的结构风险总和，使得MLS-SVR在非线性回归建模中得到广泛应用。
药动学(PK)是临床药理学研究中药物作用机制及新型药物研究中必要的研究方向,其实验流程为:给药→采集血样或组织→样品处理、分析、测定→数据处理。在药动学研究的定量分析与定性分析中,现代色谱技术都发挥了重要作用,在定量分析中,人们常以 HPLC和液质联用,来测定不同时间点代谢物在血浆和尿液中的浓度,构建药物变化规律模型,继而计算出各项药动学参数;在定性分析中,人们常利用色谱技术来进行代谢产物的分析、鉴定、提纯,明确药物的有效成分及代谢产物。
已知样本集
，
，其中
为输入向量；
为输出向量。构建MLS-SVR模型的回归函数为
，将各字体意象间的潜在联系引入式中，令各权重向量为
，均值向量为
，权重向量在均值向量周围波动，波幅为vi，即wi=w0+vi，如果意象之间联系比较强，vi趋于零，否则w0趋于零。MLS-SVR通过求解w0，
和
来确定最优函数，使得如下目标函数约束条件最小化
(8)
其中，
为松弛变量组成的向量，
，
，
表示输入空间到某一高维(可能为无穷维)Hibert空间的映射，Hibert空间的维度为
，
是2个正则化 参数。
字怀又称布白、内白、字谷，是衡量字体笔画间空白区域大小的程度。笔画越粗，笔画间的留白区域就越小，反之越大。字体的布白类似于国画中的留白，是安排字的点画间架以及字、行之间空白关系的方法。根据格式塔的图底理论：汉字中的笔画为图，布白处为底，图与底是一种既互为依存，又相反相成的辩证关系。书法中的“计白当黑”、“知白守黑”等理论观点体现了中国古人对布白的关注，对图底关系的辩证理解，也体现了中国美学虚实相生的审美观念[24]。汉字中的布白不仅是烘托实体笔画的背景，更是周流于笔画周围的深远空间，与笔画共创一个完整的视觉形象。字的点画间架与布白均有简繁、长短，结体也有欹正、疏密、大小，因此字体设计应该合理布白、灵活多变、因字生势、相映成趣，笔画粗细搭配应该符合视觉习惯。布白的方法有很多，包括主粗副细、竖粗横细、左紧右松、上紧下松等。布白区域大，字体笔画相对较细，字体整体结构显得空阔疏松，给人以轻快、自由、空灵、秀气等意象；布白区域小，笔画较粗，整体结构显饱满紧凑，给人以粗壮、平稳、浑厚、有气势等意象。字怀的视觉认知计算式为
据国家和地方节能标准和能效标准的实施，对应的软件也同步更新。节能软件和能效测评软件在全国使用率均在70%以上，为我国绿色建筑设计创造了条件。软件除销售给用户外，在我们的绿色建筑的设计咨询中项目中，也广泛使用，既检验了软件功能，也增加了用户体验，有利于软件的改进和完善。开发了绿色建筑设计领域系列软件产品，实现了绿色建筑设计软件的产业化。
就算人类已如此靠近奇点了，有些事是我们起码能够确定的：只要这世界有人类，人就需要吃、喝，需要爱，必须传宗接代，所以永远都会有餐厅，也总是会有通信、保险、教育的需求。
(9)
步骤5.沿逆时针方向用while循环方式遍历其他的点，根据向量叉积的结果来判定各个点处的转动方向。如果在某点处向右转，则移除此点，最终得到多边形凸包轮廓线即为字面的边界线，记为L，如图2所示，字面面积AL的视觉认知计算可用式(2)方法求得。
3 实例研究
3.1 字体结构指标计算
前期从中易、华康、方正汉仪等各大字库中收集汉字字体327款。为了减少工作量，对字体进行筛选：①运用亲和图法(jiro kawakita, KJ)从字体笔画粗细、曲直、衬线与字形的高矮、宽窄等形态设计要素的角度对字体进行分类整理，根据覆盖所有形态设计要素的原则，从各类型字体中筛选出代表性的字体；②根据使用频率较高的原则，参考字体之家、字体量贩、ZOL字体下载等网站下载量排行对其进一步筛选，最终确定56个代表性字体，如图3所示。
图3 784个汉字字体样本
在此基础上，依据字体结构分类方法，从每种字体中筛选代表性汉字样本。字体结构分类见表1，14种汉字结构各选择1个汉字作为代表性样本，最终得到56´ 14=784个汉字字体样本，如图3所示。
——共建共享，融合发展。整合资源，部门联动，统筹推进，加快乡村旅游与农业、教育、科技、体育、健康、养老、文化创意、文物保护等领域深度融合，培育乡村旅游新产品新业态新模式，推进农村一二三产业融合发展，实现农业增效、农民增收、农村增美。
表1 14种代表性汉字样本
在此实验中，字体样本大小均设置为1号字，字身框的宽w、高h均为10 mm，依据式(1)~(7)计算图3中的784个样本的各个字体结构指标值见表2。
表2 784个字体样本的各个结构指标值
3.2 感性意象挖掘
通过视觉传达设计相关网站、文献、宣传册、杂志、问卷调查等途径共收集到78个有关字体结构认知的感性意象形容词，经过综合对比分析，删除同质性的形容词，挑出53个词汇，并对其进行重要度调查，让被试者选出字体意象认知中最注重的8个意象词语。邀请40人参与调查，其中具有经验的字体设计师6人，视觉传达专业在校大学生15人，非专业人士19人，统计调查结果，选取重要度排名前8个词汇。应用语义差分法将此8个词汇与上述56种字体(784个汉字)样本制作5级语意差分法调查问卷。语义尺度说明：以意象“简约的”为例，5分代表字体感性意象非常简约，4分代表比较简约，3分代表无明显倾向，2分代表不太简约，1分代表不简约。以此问卷对44名被试者进行调查，统计调查结果。为了尽量保证感性意象值接近真实值，以提高模型预测的精度，采用格拉布斯准则剔除意象调查值的粗大误差。
2.1 一般护理 入院当天对患者、家属进行健康教育，保持创面清洁、避免受压、摩擦、搔抓、水洗等刺激，勿沐浴，加强营养摄入，给予高蛋白、高维生素饮食。
这你还不明白吗？蔡大姐喝了一口茶，故作高深地说，李天明的年龄杠杠已经快到了，听说县里要动他了，可他还想再干一届，去领导那里又是跑又是送求了好多回，领导却始终不同意，李天明便有些心怀不满，回到黄土岗之后，对那些林农说了县里这些年对长江、珠江保护林补助款的处理情况，那些林农便闹起事来了。
在字体设计实践中，目标意象个数根据实际需要进行确定，通常为3~5个，在此拟定多目标意象为3个。为了防止意象词汇过于相似，先用K-Means聚类分析方法对上述8个意象进行聚类，聚类数为3，显著性水平小于0.05，满足误差要求。选择距离聚类中心的最近的3个感性词汇，即“简约的、有力的、优雅的”，作为字体设计目标输出，验证模型的预测性能，56个字体样本的3个感性意象调查值见表3。
表3 56个字体样本的3个意象调查值
3.3 数据模拟
将上述5个字体结构指标值(重心包括x和y坐标值)与3个感性意象进行归一化处理，即
街道远处，隐约传来警笛的声音，王祥则秉承街头小贩的传统马上背道而驰。一边跑一边还得顾及自己手中必然要轻拿轻放的蛇皮袋，折腾得他像抽筋一样边跑边扭着身子调整姿势，就像在空气里神奇溺水了一样。七拐八绕之后，王祥来到一处阴凉的地方，说什么也不想动了。还没等他喘匀气，一个鬼鬼祟祟的身影来到他的身后。
(10)
其中，min与max分别为字体结构指标及感性意象数据集的极小值与极大值。
以5个字体结构指标值作为模型的输入，3个目标感性意象为输出，从784个汉字字体样本中，选取644个样本作为训练集，140个样本作为测试集，在Matlab软件下编写MLS-SVR模型程序，对字体样本集实现数据模拟。在此选用高斯径向基函数(radial basis function, RBF)作为核函数[26]，即
，p>0。由于参数(γ，p，λ)对MLS-SVR模型性能影响较大。采用2步网格搜索选参法确定最优参数：①进行粗网格搜索，参数γ，p和λ按照对数增长的方式分别从集合
，
和
中取值，依据总体平均相对误差最小的原则采用14折交叉验证确定适合的参数γ*，p*和λ*。如果某个参数处于搜索空间的边界，则将搜索空间增加1个步长(
)，直到性能没有改进为止。②采用细网格搜索，首先对
构造新的搜索空间，即
，然后采用同样的搜索方法，确定最优参数值，γ为21，λ为22，p为2–3。最终得到140个预测样本多意象调查值与预测结果的分布如图4~6所示，横坐标为汉字样本序号，纵坐标为样本的意象值。在图7中，横坐标为调查值，纵坐标为反归一化后的预测值。
图4 “简约的”意象调查值与预测结果
图5 “有力的”意象调查值与预测结果
图6 “优雅的”意象调查值与预测结果
图7 3个意象调查值与预测结果分布
(*代表“简约的”；+代表“有力的”；o代表“优雅的”)
从图4~6可以看出，预测值与调查值的变化趋势均具有良好的一致性，且反应了该模型具有良好预测性能。预测值与调查值在数值上存在一些差异，符合认知的模糊性表现。其使用的是5级SD调查，感性意象分布区间为[1,5]，每级意象所占范围为1，因此如果调查值与预测值之间的绝对差异小于0.5，则预测结果是可以接受的[27]。由图7可知，共420个意象预测结果，其中374个是可接受的，其中，简约的为126个，有力的为125个，优雅的为123个，满意度为89.0%。由此表明，MLS-SVR模型能够应用于基于字体结构指标的多意象预测，较好地模拟了字体感性意象的认知过程。
4 结束语
(1) 基于认知计算的思想将汉字字体结构规则抽象为知识，运用产生式规则对字体结构知识进行描述，得到字重、重心、字面、字怀4个字体结构指标的认知计算公式，在定量层面关联字体的形态特征与结构特征，将无序的形态信息转化为结构化的有序信息。
(2) 引入字体结构指标，构建一种“设计特征-结构指标-意象”复合灰箱模型，模拟汉字字体认知活动的信息处理过程，有利于进一步揭示字体形态视觉认知机理，使得感性意象认知的隐性知识外显化，从而帮助设计师理解意象形成的影响因素及系统内部关系。
(3) 以MLS-SVR构建的汉字字体多意象预测模型，兼顾了各意象输出之间的潜在联系，并且计算简单，效率更高，具有较高的精度。该模型可作为字体智能设计系统的多意象适应度评价函数，为发展汉字字体智能设计提供有益的参考。
参考文献
[1] 徐江, 孙守迁, 张克俊. 基于遗传算法的产品意象造型优化设计[J]. 机械工程学报, 2007, 43(4): 53-58, 64.
[2] 邱楠. 论汉字字体设计的意象表现[J]. 西安工程大学学报, 2014, 28(5): 636-639, 645.
[3] 李广武. “六书”造字法启示下的意象汉字视觉图式设计研究[J]. 包装工程, 2015, 36(18): 110-114.
[4] 徐朝晖, 蔡士杰, 高晓, 等. 一种基于笔划映射的曲线轮廓汉字字形设计方法[J]. 计算机辅助设计与图形学学报, 1996, 8(1): 54-60.
[5] 刘文予, 万菲, 朱光喜. 基于形态学的新的汉字字形自动生成方法[J]. 计算机学报, 1999, 22(3): 235-240.
[6] 周扬, 王健, 张久权, 等. 汉字字形认知研究的刺激源设计及在fMRI研究中的应用[J]. 现代生物医学进展, 2007, 7(2): 185-188.
[7] 林丽, 阳明庆, 张超, 等. 产品情感研究及情感测量的关键技术[J]. 图学学报, 2013, 34(1):122-127.
[8] 周爱民, 苏建宁, 阎树田, 等. 产品形态审美综合评价的非线性信息动力学模型[J]. 机械工程学报, 2018, 54(15): 150-159.
[9] 周蕾, 薛澄岐, 汤文成, 等. 产品信息界面的用户感性预测模型[J]. 计算机集成制造系统, 2014, 20(3): 544-554.
[10] LI Z R, SHI K, DEY N, et al. Rule-based back propagation neural networks for various precision rough set presented KANSEI knowledge prediction: A case study on shoe product form features extraction [J]. Neural Computing and Applications, 2017, 28(3): 613-630.
[11] FAN K K, CHIU C H, YANG C C. Green technology automotive shape design based on neural networks and support vector regression [J]. Engineering Computations, 2014, 31(8): 1732-1745.
[12] 王进, 陆国栋, 张云龙. 基于数量化一类分析的IGA算法及应用[J]. 浙江大学学报: 工学版, 2013, 47(10): 1697-1704.
[13] 石夫乾, 孙守迁, 徐江. 产品感性评价系统的模糊D-S推理建模方法与应用[J]. 计算机辅助设计与图形学学报, 2008, 20(3): 361-365.
[14] SHIEH M D, YEH Y E, HUANG C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system [J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.
[15] WANG K C. A hybrid Kansei engineering design expert system based on grey system theory and support vector regression [J]. Expert Systems with Applications, 2011, 38(7): 8738-8750.
[16] 倪祥龙, 康建设, 王广彦, 等. 黑箱模型输出不确定性的敏感性分析[J]. 计算机仿真, 2014, 31(4): 22-26.
[17] 曹柳林, 孙娅苹, 吴海燕. 基于反应基元的非线性系统灰箱建模方法[J]. 中南大学学报: 自然科学版, 2011, 42(2): 414-418.
[18] DEMIRKAN H, EARLEY S, HARMON R R. Cognitive computing [J]. IT Professional, 2017, 19(4): 16-20.
[19] XU S, AN X, QIAO X D, et al. Multi-output least-squares support vector regression machines [J]. Pattern Recognition Letters, 2013, 34(9): 1078-1084.
[20] WU J J, LIN W S, SHI G M, et al. Visual orientation selectivity based structure description [J]. IEEE Transactions on Image Processing, 2015, 24(11): 4602-4613.
[21] 黄琦, 孙守迁. 基于意象认知模型的汽车草图设计技术研究[J]. 浙江大学学报: 工学版, 2006, 40(4): 553-559.
[22] 郭亮. 字体故事: 六大字体设计原理及实战应用[M]. 北京: 人民邮电出版社, 2017: 12-37.
[23] 王鹏, 潘光花, 高峰强. 经验的完形: 格式塔心理学[M]. 济南: 山东教育出版社, 2009: 81-102.
[24] 王静艳, 高腾. 布白匀称: 汉字设计布白调整方法研究[J]. 南京艺术学院学报: 美术与设计版, 2018(1): 178-182.
[25] 周爱民, 苏建宁, 阎树田, 等. 基于形态美度的产品多意象预测模型[J]. 图学学报, 2018, 39(4): 654-660.
[26] 王振武, 何关瑶. 核函数选择方法研究[J]. 湖南大学学报: 自然科学版, 2018, 45(10): 155-160.
[27] SU J, ZHANG S, WANG P, et al. Research to compare emotional image evaluation models of product form based on neural network [C]//Consilence and Innovation in Design - Proceedings and Program 5th IASDR, Tokyo: Shibaura Institute of Technology, 2013: 2314-2322.
Multi-Image Prediction Model Based on Cognitive Computing of Chinese Font Structure
OUYANG Jin-yan, SHENG Hao-han, ZHOU Ai-min, SU Jian-ning, ZHANG Shu-tao
(School of Design Art, Lanzhou University of Technology, Lanzhou Gansu 730050, China)
Abstract: In order to uncover the intrinsic relationship between Chinese fonts and the emotional image of audience, this paper attempts to establish a grey box correlation model of design features-structure indexes-images to calculate multiple images of Chinese fonts from the perspective of cognitive psychology. Firstly, based on the theory of cognitive computing, the font structure rules were abstracted into knowledge. The production rules were applied to quantitatively describe the font structure knowledge, and the cognitive calculation formulas of four font structure indexes were proposed, namely, font weight, center of gravity, font circumscribed polygon, and font blank, which transform disordered morphological information into structured ordered information. Then based on the nonlinear coupling system characteristics of Chinese fonts image cognition, a multi-image prediction method of Chinese fonts was developed using multi-output least squares support vector regression machine (MLS-SVR). A method for multi-image prediction of Chinese fonts using MLS-SVR was developed to predict three images of Chinese fonts. The experimental results show that it is characteristic of good prediction bility and accuracy. The model can serve as the fitness function of the font intelligent design system, and provide a useful reference for the development of font intelligent design.
Keywords: Chinese fonts; font structure indexes; multi-image; cognitive computing; MLS-SVR
中图分类号：TH 166；TB 472
DOI：10.11996/JG.j.2095-302X.2019050945
文献标识码：A
文章编号：2095-302X(2019)05-0945-08
收稿日期：2019-03-21；
定稿日期：2019-05-16
基金项目：国家自然科学基金项目(51465037，51705226)；甘肃省自然科学基金项目(2017gs10786)
第一作者：欧阳晋焱(1977- )，女，江西萍乡人，副教授，硕士，硕士生导师。主要研究方向为感性工学、视觉传达设计等。E-mail：250770194@qq.com
通信作者：周爱民(1978- )，男，湖南新邵人，副教授，博士，硕士生导师。主要研究方向为感性工学、智能设计等。E-mail：51289547@qq.com
标签：汉字字体论文; 字体结构指标论文; 多意象论文; 认知计算论文; MLS-SVR论文; 兰州理工大学设计艺术学院论文;