作者：Xinhui Kang *, Ziteng Zhao
单位：南昌大学
来源：Advanced Engineering Informatics
时间：2025.01

一、研究目标

①将稳定扩散模型和 GRU-Attention 相结合，以准确捕捉客户的感性需求并优化时尚陶瓷的形状设计。
②创新整合KE和GRU-Attention机制，GRU-Attention在感性映射过程中准确识别和突出设计的关键元素。
③GRU-Attention 建立客户对感性产品的需求与陶瓷形态特性之间的映射关系，为陶瓷设计领域带来一种创新的、数据驱动的预测工具。

二、研究思路及框架

①构建陶瓷图像数据集。
②将 LoRA 应用于SDM，生成形态各异的陶瓷形状。
③通过KJ法和因子分析选出最具代表性的感性词汇，采用七步李克特量表构建感性评价矩阵。
④绘制客户感性需求与设计特征之间的相关性。将感性评价矩阵的结果输入 GRU-Attention 模型，通过 GRU 层学习序列信息，再通过 Attention 机制突出重要部分，准确完成评分预测任务。
⑤构建产品造型。

三、研究结论及分析

①GRU-Attention 与其他神经网络的映射精度比较
与 BPNN、CNN、LSTM 和 RBF 模型相比，GRU-Attention 在预测客户情绪的映射关系方面表现出更高的预测准确性和泛化能力。

②构建七级李克特量表量化用户对设计的情感评价
为验证提出的设计方案的实际可行性和用户接受度，该研究邀请了 100 名工业设计学生参与问卷调查，确保评估人员具有一定的专业背景和设计敏感性。数据分析结果表明，所有三种陶瓷设计的情感评估分数都显著超过量表的中点值 5，具体分数分别为 5.57、5.37 和 5.80。

四、总结与思考

①总结
本文利用 SDM 和 GRU-Attention 提出了一种自动形成和优化设计陶瓷形状的新方法。这种方法不仅旨在创造深触客户情感的陶瓷产品，而且显著提高设计效率。
②思考
SDM和GRU-Attention结合的思想为KE 与 AI 技术融合研究提供了新视角，KE方法可用于指导深入挖掘数据寓意。