Aplicación de la ingeniería kansei con redes neuronales

• Autores: Gerardo Avendaño Prieto, Héctor René Álvarez
• Localización: Revista ONTARE, ISSN-e 2745-2220, ISSN 2382-3399, Vol. 1, Nº. 1, 2013 (Ejemplar dedicado a: Avances tecnológicos en ingeniería), págs. 7-28
• Idioma: español
• Títulos paralelos:
  • Kansei Engineering applications with neural networks
• Enlaces
  • Texto completo (pdf)
• Resumen
  • español

    ONTARE. REVISTA DE INVESTIGACIÓN DE LA FACULTAD DE INGENIERÍA La Ingeniería Kansei, relaciona las emociones que sienten los consumidores con las características y propiedades que poseen los productos a través de la estimación de un modelo matemático, que permite establecer cuáles tienen mayor relación con las emociones, permitiendo al diseñador, incorporarlas con el fin de activar los factores que las intensifican y dar soluciones efectivas de diseño.

    Tradicionalmente, la formulación y estimación del modelo matemático, se hace través de un modelo de regresión múltiple (QT1) y análisis factorial; sin embargo, una de las desventajas es que está condicionado a cumplir los supuestos del modelo. En este trabajo, se muestra cómo las redes neuronales se pueden aplicar en los estudios de Ingeniería Kansei y nos  da resultados similares, permitiendo que se puedan utilizar cuando no se cumplen los supuestos estadísticos.

  • English

    ONTARE. REVISTA DE INVESTIGACIÓN DE LA FACULTAD DE INGENIERÍA Kansei Engineering (emotions) relates that consumers fee/ with features and properties that have the products through the estimation of a mathematical model, which allows for properties which are high relative to the emotions, al/owing the designer incorporate these relations to activate factors which enhance the Kansei design and give effective solutions. Traditionally the development of the mathematical model and estimation is done through a multiple regression model (QT1) and factor analysis, one of the disadvantages of the estimation of this model is that is conditioned to meet the model assumptions. This paper shows how neural networks can be applied in studies of Kansei Engineering and gives similar results, allowing for use when no statistical assumptions are met.