基于神經(jīng)網(wǎng)絡集成的女下裝號型歸檔模型構(gòu)建

孫 潔，金娟鳳，倪世明，葉 玲，劉 燾，鄒奉元，3

(1.浙江理工大學服裝學院，浙江杭州 310018;2.嘉興學院設計學院，浙江嘉興 314000;3.浙江理工大學浙江省服裝工程技術(shù)研究中心，浙江杭州 310018)

服裝號型是服裝生產(chǎn)銷售過程中的重要依據(jù)和參考。但是個體體型對標準體型的離散性使服裝的合體性難以滿足消費者的要求，而批量定制成為解決這一矛盾的重要途徑。在細化服裝控制部位的基礎上，實現(xiàn)號型自動歸檔正是服裝批量定制的關(guān)鍵技術(shù)之一［1］。目前，在服裝號型自動歸檔的相關(guān)研究中，主要采用線性規(guī)劃算法［2］、擇近原則［3］、LBG算法［4］、建立多層前饋 BP 神經(jīng)網(wǎng)絡模型［5］、模糊神經(jīng)網(wǎng)絡模型［6］等方法，在一定程度上克服了傳統(tǒng)歸檔過程中工作量大，效率低，且經(jīng)常會出現(xiàn)漏歸、錯歸、重復歸檔的問題［3，7］。但是，以上算法過于復雜，影響運算速度，并且未對各控制部位權(quán)重給出科學設置;通過構(gòu)建結(jié)構(gòu)復雜的神經(jīng)網(wǎng)絡模型以提升精度時，易發(fā)生過擬合現(xiàn)象，使得神經(jīng)網(wǎng)絡的泛化能力大大減弱。服裝號型歸檔是一個大樣本歸檔過程，要求歸檔模型同時具備運算速度快，運算精度高和泛化能力強的特點。近年來，神經(jīng)網(wǎng)絡集成(neural network ensemble，NNE)方法的提出為解決神經(jīng)網(wǎng)絡的結(jié)構(gòu)選擇和過度擬合等問題提供了新的途徑［8］。Hansen等［9］證明，通過訓練多個神經(jīng)網(wǎng)絡并將其結(jié)果合成輸出，可以顯著提高神經(jīng)網(wǎng)絡的泛化能力。

本文采用平均影響值(MIV)的方法，對號型歸檔模型的輸入變量進行篩選，通過Adaboost算法集成多個簡單BP神經(jīng)網(wǎng)絡，構(gòu)建神經(jīng)網(wǎng)絡集成歸檔模型，實現(xiàn)快速、精確自動歸檔，為服裝批量定制的數(shù)字化過程奠定關(guān)鍵技術(shù)基礎。

1 實驗部分

1.1 數(shù)據(jù)采集

實驗以18～25歲的在青年女性為研究對象。運用美國TC2三維人體掃描與測量系統(tǒng)及馬丁測量儀進行人體數(shù)據(jù)采集。本文是在GB/T 1335.2—2008《服裝號型女子》的基礎上進行研究，因此主要測試部位也是根據(jù)國家號型中的控制部位進行設定。此外，根據(jù)下裝的特點，選擇相應的人體控制部位作為其合體性的評價因素［10］。我國國家標準號型下裝的主要控制部位為身高、腰圍高、腰圍、臀圍，根據(jù)服裝結(jié)構(gòu)設計的需要，增加腹圍、腰長、前襠長、后襠長、大腿圍、膝蓋高作為新增控制部位，各測量項目定義見表1。

選取某品牌的合體女褲裝為穿著實驗樣衣，如圖1所示。該款下裝為基本款褲裝，放松量設計主要考慮生理衛(wèi)生和體型變化2個方面，款式設計松量很少，不同號型的穿著效果對比明顯，有利于本文號型歸檔的研究。測試者通過試穿確定穿著效果最佳的褲裝號型，從而構(gòu)建由控制部位參數(shù)集合到下裝號型的映射。

表1 測量項目Tab.1 M easurem ent item s

圖1 160/68A褲裝試穿效果Fig.1 Wearing rendering of160/68A pant

1.2 數(shù)據(jù)預處理

對510個樣本進行三維人體測量，運用點變量頻數(shù)分布對數(shù)據(jù)進行歸類整理，剔除異常數(shù)據(jù)后得到樣本量為500個，樣本數(shù)據(jù)10個控制部位參數(shù)的基本統(tǒng)計信息如表2所示。統(tǒng)計結(jié)果顯示，樣本身高、腰圍、腰圍高接近國標中M碼，控制部位數(shù)值為:身高160 cm，腰圍高98.0 cm，腰圍64.0 cm;樣本臀圍眾數(shù)比國家標準數(shù)值小2.5 cm;身高、腰圍、臀圍平均值均大于國家標準中相應部位數(shù)值?？梢娗嗄昱灾写嬖诙鄶?shù)個體體形特征與國家標準相符合，但整體樣本離散性較大，與國家標準控制部位數(shù)值存在差異，以臀部差異最為明顯。

表2 控制部位參數(shù)基本統(tǒng)計信息Tab.2 Statistical in formation of control position parameters cm

2 建模變量篩選

2.1 M IV算法原理

神經(jīng)網(wǎng)絡在處理多重共線性(multicollinearity)數(shù)據(jù)時，易發(fā)生過度擬合現(xiàn)象，即回歸模型中自變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計失真或難以估計準確。本文在構(gòu)建回歸模型時，運用平均影響值(mean impact value，MIV)對構(gòu)建歸檔模型的變量進行篩選，進而構(gòu)建自變量更少，效果更好的神經(jīng)網(wǎng)絡模型。

MIV是用于確定輸入神經(jīng)元影響大小的一個指標，其符號代表相關(guān)的方向，絕對值大小代表影響的相對重要性［11－12］。具體計算過程為:在網(wǎng)絡訓練終止后，將樣本P中的每個自變量特征在其原值的基礎上分別增加和減少10%，構(gòu)成新的訓練樣本P1和P2;將P1和P2分別作為仿真樣本利用已建成的網(wǎng)絡進行訓練，得到仿真結(jié)果A1和A2;得出A1與A2的差值即為變動該變量后對輸出產(chǎn)生的影響變化值(Ⅳ)，最后將Ⅳ按觀測例數(shù)取平均值得出自變量對于應變量的MIV。通過以上步驟依次計算各個網(wǎng)絡輸出影響的相對重要性位次，從而判斷輸入變量對于網(wǎng)絡結(jié)構(gòu)的影響程度，即實現(xiàn)了變量篩選。

2.2 簡單BP神經(jīng)網(wǎng)絡模型構(gòu)建

本文共有500組人體數(shù)據(jù)，隨機選取450個樣本作為訓練集，50個樣本作為測試集。BP神經(jīng)網(wǎng)絡輸入層為10維，代表10項控制部位參數(shù);輸出層為服裝號型，根據(jù)下裝號型模式，選取160/68A號型，其中包含身高和腰圍2個數(shù)值項。為得到各控制部位參數(shù)分別對身高和腰圍的影響，將輸出節(jié)點確定為1，分別訓練身高和腰圍。根據(jù)經(jīng)驗公式(1)，確定隱含層節(jié)點數(shù)。

式中:n為輸入層節(jié)點數(shù);m為輸出層節(jié)點數(shù);α為1～10之間的常數(shù)。

在經(jīng)驗值附近尋找最優(yōu)節(jié)點數(shù)值，經(jīng)實驗比較網(wǎng)絡的收斂速度和性能，最終確定隱含層節(jié)點數(shù)為6。運用MatLab(R2010a)軟件神經(jīng)網(wǎng)絡工具箱構(gòu)建模型，其程序設計步驟如圖2所示。

圖2 變量篩選程序步驟Fig.2 Procedure steps of variable selection

2.3 變量篩選

根據(jù)MIV值對變量進行篩選，各控制部位的MIV值如表3所示。在確定模型輸入層變量時，在滿足高精度的同時盡量保留較少的控制部位參數(shù)，以使模型結(jié)構(gòu)更為簡單，提升網(wǎng)絡的泛化能力。通過實驗對比，剔除MIV值小于0.1的控制部位，確定身高、腰圍、臀圍、腰圍高、后襠長5個變量作為身高歸檔模型的輸入變量，腰圍、臀圍、大腿圍、腰長、身高5個變量作為腰圍歸檔模型的輸入變量。

表3 各控制部位M IV值Tab.3 M IV values of each control position

3 集成歸檔模型構(gòu)建

3.1 Adaboost算法原理

Adaboost算法的思想是合成多個“弱”神經(jīng)網(wǎng)絡輸出以產(chǎn)生有效預測結(jié)論，它具有算法結(jié)構(gòu)簡單，易于實現(xiàn)的特點，學習得到的集成網(wǎng)絡一般具有較高的準確率和泛化能力［14］。其主要步驟為:首先給出弱學習算法和樣本空間(x，y)，從樣本中隨機找出m組訓練數(shù)據(jù)，每組訓練數(shù)據(jù)的權(quán)重為1/m;然后用弱學習算法迭代運算T次，每次運算后都按照預測結(jié)果更新訓練數(shù)據(jù)權(quán)重分布，增加預測誤差超過閥值的樣本權(quán)重，下一次迭代運算時更加關(guān)注這些訓練個體，弱神經(jīng)網(wǎng)絡通過迭代得到一個預測函數(shù)序列f1，f2，…fT，每個預測函數(shù)賦予一個權(quán)重，預測結(jié)果越好的函數(shù)，其對應權(quán)重越大;T次迭代后，最后集成神經(jīng)網(wǎng)絡的輸出函數(shù)F由弱預測函數(shù)加權(quán)得到。

3.2 集成歸檔模型構(gòu)建

本文實驗把BP神經(jīng)網(wǎng)絡作為弱預測器，將篩選得到的5個控制部位參數(shù)作為輸入層，通過Adaboost算法生成10個簡單BP神經(jīng)網(wǎng)絡集成的強預測器。訓練曲線見圖3、4。

圖3 身高預測模型訓練曲線Fig.3 Heightmodel's training curve

圖4 腰圍預測模型訓練曲線Fig.4 Waist circumferencemodel's training curve

由圖3可知，經(jīng)過4代訓練后身高預測均方誤差達到最小值為0.049 063;由圖4可知，經(jīng)過6代訓練腰圍預測均方差達到最小值為0.050 67。50個測試樣本的身高預測值誤差結(jié)果如圖5所示，腰圍預測值誤差結(jié)果如圖6所示。

圖5 身高預測誤差Fig.5 Heightmodel's prediction errors

圖6 腰圍預測誤差Fig.6 Waist circumferencemodel's prediction errors

根據(jù) GB/T 1335.2—2008《服裝號型 女子》，5.4號型系列和5.2號型系列中身高檔差為5 cm，確定其預測值可接受誤差范圍為(－2.5，2.5)，腰圍檔差分別為4 cm和2 cm，確定其預測值可接受誤差范圍分別為(－2，2)和(－1，1)，根據(jù)圖5和圖6中誤差絕對值分布統(tǒng)計50個測試集的誤差，測試集歸檔準確率如表4所示，可見運用集成方法后精度得到明顯提高。

表4 歸檔準確率比較Tab.4 Comparison of filing accuracy

4 結(jié)論

1)通過MIV算法得到女下裝歸檔模型中各控制部位的影響度位序，并將模型的輸入變量由10維降為5維，即將身高、腰圍、臀圍、腰圍高、后襠長作為身高歸檔模型的輸入變量，將腰圍、臀圍、大腿圍、腰長、身高作為腰圍歸檔模型的輸入變量。在變量篩選的基礎上進一步簡化神經(jīng)網(wǎng)絡預測模型，提升模型的泛化能力。

2)將Adaboost算法運用于服裝號型歸檔問題，通過集成10個簡單BP神經(jīng)網(wǎng)絡獲得高精度的號型歸檔模型。

此外，神經(jīng)網(wǎng)絡集成方法不僅可以運用于BP神經(jīng)網(wǎng)絡，還可與支持向量機、概率神經(jīng)網(wǎng)絡等結(jié)合以提升神經(jīng)網(wǎng)絡的預測精度。

［1］ 張欣，張恒.基于批量定制的服裝號型歸檔方法［J］.東華大學學報:自然科學版，2009，35(4):436－440.ZHANG Xin，ZHANG Heng.The type filing for garment size type based on the lot custom-made ［J］.Journal of Donghua University:Natural Science Edition，2009，35(4):436－440.

［2］ GUPTA D.Developing body measurement charts for garment manufacture based on a linear programming approach［J］. Technology and Management，2006，5(1):1－13.

［3］ 王建萍，李月麗，喻芳.基于擇近原則的服裝號型數(shù)字化歸檔方法［J］.紡織學報，2007，28(11):106－110.WANG Jianping， LI Yueli， YU Fang. Digitalized categorization for garment size designation based on the approaching principle［J］.Journal of Textile Research，2007，28(11):106－110.

［4］ 董麗.基于MC的號型規(guī)格庫建立及自動歸檔算法的研究［D］.杭州:浙江理工大學，2007:35－41.DONG Li.Garment size database establishment and research of automatic size classify approach based on Mass customization［D］.Hangzhou:Zhejiang Sci-Tech University，2007:35 －41.

［5］ 任天亮.基于服裝MTM的男體數(shù)據(jù)庫的建立及其在號型歸檔中的應用［D］.上海:東華大學，2009:52－74.REN Tianliang.Establishment of male body database and the application in garment size categorization based on MTM［D］.Shanghai:Donghua University，2009:52－74.

［6］ 東苗，郝礦榮，丁永生.基于模糊神經(jīng)網(wǎng)絡的服裝號型推薦專家系統(tǒng)［J］.微型電腦應用，2010，26(3):.21－26.DONG Miao， HAO Kuangrong，DING Yongsheng.Garment size recommendation based on fuzzy neural network expertsystem［J］.Microcomputer Applications，2010，26(3):21－26.

［7］ 徐繼紅，張向輝，張文斌.定制服裝號型歸檔與裁剪方案數(shù)字化研究［J］.東華大學學報:自然科學版，2003，29(1):37－42.XU Jihong，ZHANG Xianghui，ZHANGWenbin.Study on the digitalization of filing custom-made garments'types and cutting plan［J］. Journal of Donghua University:Natural Science Edition，2003，29(1):37－42.

［8］ 朱人杰，田雨波，賈則.混沌搜索神經(jīng)網(wǎng)絡集成求解廣義異或分類問題［J］.微電子學與計算機，2009，26(5):99－102.ZHU Renjie，TIAN Yubo，JIA Ze.Generalized XOR classification solution using neural networks ensemble based on chaos searching［J］.Microelectronics and Computer，2009，26(5):99 －102.

［9］ HANSEN L K， SALAMON P. Neural network ensembles［C］//IEEE Transaction on Pattern Analysis and Machine Intelligence，1990，12(10):993－1001.

［10］ ALEXANDER M， LENDA J C P. Clothing fit preferences of young female adult consumers［J］.Journal of Clothing Science and Techonogy，2005，17(1):52－64.

［11］ 盧勇艷，王維國.財務困境預測中的變量篩選:基于平均影響值的 SVM方法［J］.系統(tǒng)工程，2011，29(8):73－78.LU Yongyan，WANG Weiguo.Filtration of variables in the prediction of financial:SVM method based on mean impact values［J］.Systems Engineering，2011，29(8):73－78.

［12］ 徐富強，劉相國.基于優(yōu)化的BRF神經(jīng)網(wǎng)絡的變量篩選方法［J］.計算機系統(tǒng)應用，2012，21(3):206－208.XU Fuqiang， LIU Xiangguo. Variables screening methods based on the optimization of RBF neural network［J］.Computer Systems Applications，2012，21(3):206－208.

［13］ 王儉，胡筱敏，鄭龍熙，等.基于BP模型的大氣污染預報方法的研究［J］.環(huán)境科學研究，2002，15(5):62－63.WANG Jian，HU Xiaomin，ZHENG Longxi，et al.Study on forecasting of air pollution based on BP model［J］.Research of Environmental Sciences，2002，15(5):62－63.

［14］ 張偉松，高智英.快速多分類器集成算法研究［J］.計算機工程，2012，38(2):178－180.ZHANG Weisong， GAO Zhiying. Research on fast multi-classifier ensemble algorithm ［J］. Computer Engineering，2012，38(2):178－180.