改進型BP網(wǎng)絡(luò)在男西服規(guī)格尺寸自動生成上的應(yīng)用

王竹君，李婷玉，邢英梅，葉匯元

?

改進型BP網(wǎng)絡(luò)在男西服規(guī)格尺寸自動生成上的應(yīng)用

王竹君，李婷玉，邢英梅，葉匯元

（安徽工程大學(xué) 紡織服裝學(xué)院，安徽 蕪湖 241000）

男西服規(guī)格尺寸設(shè)計對成衣的合體性和板型有著直接的影響，在現(xiàn)今的服裝企業(yè)中，這項工作對制板師的經(jīng)驗依賴程度比較高，容易因人員流動影響成衣質(zhì)量。隨著人工神經(jīng)網(wǎng)絡(luò)等人工智能技術(shù)的發(fā)展，本文構(gòu)建了一種可用于男西服規(guī)格尺寸設(shè)計的改進型BP神經(jīng)網(wǎng)絡(luò)模型，并探討和分析了隱含層神經(jīng)元數(shù)、傳遞函數(shù)、動量因子等影響神經(jīng)網(wǎng)絡(luò)性能的關(guān)鍵因素，經(jīng)過多次仿真測試，表明利用改進型BP網(wǎng)絡(luò)可以實現(xiàn)由人體關(guān)鍵部位的凈體數(shù)據(jù)自動生成男西服成衣規(guī)格尺寸。若經(jīng)過進一步完善，此方法還能應(yīng)用于其他服裝品種的規(guī)格尺寸設(shè)計，有利于提高服裝企業(yè)的制板效率和成衣的適體率。

男西服；規(guī)格尺寸；BP神經(jīng)網(wǎng)絡(luò)；自適應(yīng)學(xué)習(xí)率的BP算法

男西服的合體性和板型很大程度上取決于其規(guī)格尺寸[1]。而男西服規(guī)格尺寸設(shè)計對制板師的經(jīng)驗依賴度很高。一旦有經(jīng)驗的制板師離職，勢必會對企業(yè)產(chǎn)品產(chǎn)生不同程度的影響。人工神經(jīng)網(wǎng)絡(luò)是一種模擬人類大腦活動的人工智能技術(shù)，具有良好的非線性、輸入輸出映射、自適應(yīng)性等性能。目前人工神經(jīng)網(wǎng)絡(luò)在紡織服裝領(lǐng)域的應(yīng)用主要是在：纖維分類、紗線與織物生產(chǎn)、紗線與織物性能預(yù)測、織物疵點、可縫性、縫口性能等性能預(yù)測、服裝合體度和舒適性預(yù)測等[2, 3]。然而，目前利用人工神經(jīng)網(wǎng)絡(luò)實現(xiàn)由人體數(shù)據(jù)自動直接生成服裝樣板尺寸的研究尚比較少。本文運用改進型BP神經(jīng)模型來學(xué)習(xí)和模擬制板師進行男西服結(jié)構(gòu)設(shè)計的經(jīng)驗，以實現(xiàn)男西服規(guī)格尺寸的計算機自動生成，提高制板效率和服裝適體性。

1 改進型BP神經(jīng)網(wǎng)絡(luò)的算法原理

1.1 BP神經(jīng)網(wǎng)絡(luò)的標準訓(xùn)練算法

標準的BP網(wǎng)絡(luò)沿著誤差性能函數(shù)梯度的反方向修改權(quán)值，屬于最速下降法。對于實值函數(shù)，如果在某點x處有定義且可微，則函數(shù)在該點處沿著梯度相反下降最快。所以，使用梯度下降法時，先要計算函數(shù)在某點的梯度，再沿梯度的反方向以一定步長調(diào)整自變量的值。

F(x)<F(x) （1）

因此，只需給定一個初始值x和步長，根據(jù)

反復(fù)迭代，就可得到函數(shù)的最小值。對于可微函數(shù)，最速下降法是求最小值或極小值最有效的一種方法。

但是，最速下降BP法的缺陷主要表現(xiàn)在：如果最小值附近比較平坦，算法將會收斂緩慢；如果函數(shù)包含多個極小值，算法容易陷入局部極小值，而沒有達到全局最小值。因此，本研究采用一種改進的最速下降BP法對網(wǎng)絡(luò)進行訓(xùn)練，即自適應(yīng)學(xué)習(xí)率并附加動量因子的BP算法。

1.2 改進型BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法

在標準的最速下降BP法中，學(xué)習(xí)率是一個常數(shù)，對網(wǎng)絡(luò)性能影響巨大，如果學(xué)習(xí)率過小，則收斂速度慢；如果學(xué)習(xí)率過大，則容易出現(xiàn)震蕩。而自適應(yīng)學(xué)習(xí)率的BP法是通過觀察誤差的增減來判斷的。當(dāng)誤差以減小的方式趨于目標時，說明修正的方向是正確的，可增加學(xué)習(xí)率；反之，說明前一步修正進行得不正確，應(yīng)該減小學(xué)習(xí)率，并撤銷前一步修正過程。學(xué)習(xí)率的增減通過乘以一個增/減量因子實現(xiàn)：

同時，在標準BP算法的權(quán)值更新階段引入動量因子（0<α<1），使權(quán)值修正值變?yōu)椋?/p>

2 BP神經(jīng)網(wǎng)絡(luò)的設(shè)計

2.1 神經(jīng)網(wǎng)絡(luò)的層數(shù)

理論上，BP神經(jīng)網(wǎng)絡(luò)屬于多層前向型神經(jīng)網(wǎng)絡(luò)，可包含多個隱含層，但在大多數(shù)實際應(yīng)用的場合，1個隱含層即可滿足要求。此外，過多的隱含層會增加網(wǎng)絡(luò)的復(fù)雜性，降低神經(jīng)網(wǎng)絡(luò)的推廣性。因此，本文所構(gòu)建的是具有3層網(wǎng)絡(luò)結(jié)構(gòu)BP神經(jīng)網(wǎng)絡(luò)。

2.2 輸入層和輸出層神經(jīng)元

選擇男西服樣板設(shè)計所需的人體凈體數(shù)據(jù)作為輸入神經(jīng)元，即：全臂長、肩峰間隔、頸圍、背長、腹圍、腰圍、胸圍、上臂圍。為保證數(shù)據(jù)的精確性，這8個部位的數(shù)據(jù)均是通過三維人體掃描技術(shù)所采集。

在BP神經(jīng)網(wǎng)絡(luò)中，通常輸入層與輸出層的神經(jīng)元數(shù)不宜相差過大，否則容易導(dǎo)致網(wǎng)絡(luò)收斂速度變慢，網(wǎng)絡(luò)輸出誤差增加。因此，本文取后衣長、頸圍、胸圍、中腰、袖肥、肩寬、袖長等7個部位的男西服成衣規(guī)格尺寸作為輸出神經(jīng)元。

2.3 訓(xùn)練樣本集和仿真測試樣本集

本文通過三維人體測量獲取成年男性樣本中選取30個人體樣本，其背長、胸圍、全臂長等8個人體部位的凈體數(shù)據(jù)作為輸入，其對應(yīng)的后衣長、胸圍、袖長等7個部位的男西服成衣規(guī)格尺寸為輸出，組成樣本集。而后在樣本集中，抽取14個典型樣本作為訓(xùn)練樣本集，訓(xùn)練神經(jīng)網(wǎng)絡(luò)，最后將剩余的16個樣本輸入網(wǎng)絡(luò)進行測試，檢驗BP神經(jīng)網(wǎng)絡(luò)模型的性能。

2.4 數(shù)據(jù)的歸一化

為了消除由于不同量綱對BP網(wǎng)絡(luò)訓(xùn)練誤差影響差異。本文首先對訓(xùn)練樣本集的數(shù)據(jù)進行歸一化處理，公式為：

其中，y為標準化的數(shù)據(jù)，x為原始數(shù)據(jù)。

3 影響B(tài)P神經(jīng)網(wǎng)絡(luò)模型性能的因素分析

3.1 隱含層神經(jīng)元數(shù)

隱含層神經(jīng)元的個數(shù)對BP網(wǎng)絡(luò)的性能有很大的影響。通常采用經(jīng)驗公式給出估計值：

表1 不同隱含層神經(jīng)元數(shù)的神經(jīng)網(wǎng)絡(luò)性能

由表2可知，隨著隱含層神經(jīng)元個數(shù)的越多，網(wǎng)絡(luò)訓(xùn)練的誤差總體呈現(xiàn)下降的趨勢，當(dāng)隱含層神經(jīng)元的個數(shù)達到14時，BP神經(jīng)網(wǎng)絡(luò)的誤差最小。

3.2 傳遞函數(shù)

BP網(wǎng)絡(luò)的傳遞函數(shù)必須可微，所以BP網(wǎng)絡(luò)一般使用Sigmoid函數(shù)或線性函數(shù)作為傳遞函數(shù)。根據(jù)輸出值是否包含負值，Sigmoid函數(shù)又可分為tansig函數(shù)和logsig函數(shù)。根據(jù)本文所設(shè)計BP神經(jīng)網(wǎng)絡(luò)模型的3層結(jié)構(gòu)，可有4種不同的傳遞函數(shù)組合方式，即：tansig，tansig；logsig，tansig；tansig，logsig；logsig，logsig。表3為不同傳遞函數(shù)組合方式下的神經(jīng)網(wǎng)絡(luò)性能。

表2 不同傳遞函數(shù)組合的神經(jīng)網(wǎng)絡(luò)性能

由上表可看出，在最優(yōu)隱層節(jié)點數(shù)為14的函數(shù)模型下，傳遞函數(shù)組合tansig，logsig，能使誤差控制到最小，且步驟最少所需時間最短。

表3 不同動量因子的神經(jīng)網(wǎng)絡(luò)性能

圖1 改進型BP神經(jīng)網(wǎng)絡(luò)性能曲線

3.3 動量因子

本文采用自適應(yīng)學(xué)習(xí)率并附加動量因子的BP算法訓(xùn)練神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)率由網(wǎng)絡(luò)自行決定，而動量因子則需要人為設(shè)定，在具體應(yīng)用，通常根據(jù)經(jīng)驗取0.1-0.8。為更好評析動量因子對網(wǎng)絡(luò)性能的影響程度，確定最佳的動量因子，設(shè)計如下一個動量因子可變的神經(jīng)網(wǎng)絡(luò)，通過網(wǎng)絡(luò)的性能對比，確定最佳的動量因子，并檢驗動量因子對網(wǎng)絡(luò)性能的影響。不同動量因子的神經(jīng)網(wǎng)絡(luò)性能如表3所示。

由表3對比可知，當(dāng)動量因子為0.5時，在所設(shè)定訓(xùn)練步數(shù)內(nèi)達到了網(wǎng)絡(luò)設(shè)定的精度，網(wǎng)絡(luò)誤差值最小，且相比較而言所需時間并不算長，因此本課題將動量因子α值定為0.5最佳。

圖1為隱含層神經(jīng)元數(shù)為14，傳遞函數(shù)組合方式為“tansig, logsig”，動量因子為0.5時所構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)的性能曲線。

4 結(jié)語

本文針對男西服，提出了一種基于改進型BP神經(jīng)網(wǎng)絡(luò)模型的男西服規(guī)格尺寸設(shè)計方法。通過對數(shù)據(jù)進行多次訓(xùn)練測試，及對影響神經(jīng)網(wǎng)絡(luò)性能的因素進行多重對比分析，有不同隱層節(jié)點數(shù)的分析、不同傳遞函數(shù)的分析、不同動量因子的分析等，從而找到誤差最小、性能最優(yōu)的參數(shù)關(guān)系，實現(xiàn)了由人體關(guān)鍵部位的凈體數(shù)據(jù)自動生成男西服成衣規(guī)格尺寸，結(jié)果初步顯示，本文所建立的神經(jīng)網(wǎng)絡(luò)模型具有較高的精確度，能提高打板效率和精度，為大規(guī)模量身定制生產(chǎn)探索了一條新的思路。同時，相信經(jīng)過更多的科學(xué)實驗和數(shù)據(jù)訓(xùn)練，該方法將得到進一步的完善，也可應(yīng)用于其他服裝品種的規(guī)格尺寸設(shè)計。

[1] 謝紅，余言麗．女襯衫大規(guī)模定制系統(tǒng)的成衣參數(shù)設(shè)計研究[J]．上海紡織科技，2012，40（3）：37-39．

[2] 朱江暉，閻玉秀．女套裝上衣尺寸自動生成系統(tǒng)的建立與實現(xiàn)[J]．紡織學(xué)報，2011，32（9）：142-146．

[3] Kenji S．Artificial neural networks-industrial and engineering applications[M]．InTech: India．2011．1-30．

[4] Haykin S． Neural networks and Learning Machines[M]．Pearson Education Inc：New Jersey．2009．1-46．

[5] 黃海嶠，莫碧賢，郭綺蓮，等．從三維人體掃描生成服裝樣板[J]． 紡織學(xué)報，2010，31（9）：132-136，142．

[6] 庹武，陳謙．基于改進BP神經(jīng)網(wǎng)絡(luò)的西服肩袖造型研究[J]．紡織學(xué)報，2010，31（8）：113-116．

[7] 吳俊，溫盛軍．BP神經(jīng)網(wǎng)絡(luò)在西服樣板設(shè)計中的應(yīng)用[J]．紡織學(xué)報，2008，29（9）：113-116．

[8] 胡覺亮，董建明，何瑛，等．基于人工神經(jīng)網(wǎng)絡(luò)的服裝結(jié)構(gòu)設(shè)計[J]，紡織學(xué)報，2006，（2）：49-52．

[9] 夏明，張文斌．定制服裝樣板快速生成技術(shù)研究[J]．紡織科技進展，2006，（1）：83-85．

[10]吳俊，王東云，溫盛軍．基于神經(jīng)網(wǎng)絡(luò)的褲裝樣板設(shè)計[J]．紡織學(xué)報，2004，（8）：102-104．

Application of An Innovative BP Neural Network on Auto-generating Specifications of Men’s Suit

WANG Zhu-jun, LI Ting-yu , XING Ying-mei, YE Hui-yuan

(College of Textile and Apparel, Anhui Polytechnic University, Wuhu Anhui 241000, China)

The fitness and pattern shape of men’s suit depend on the design of its specification. In apparel enterprises of modern times, the design of specifications of men’s suit relies on the experience of pattern makers, and the quality of men’s suit may be influenced easily by dismission of experienced pattern makers. With the development of artificial intelligence and its application in textile industry, an innovative BP neural network model was built to auto-generate specifications of men’s suit. Afterwards, the factors influencing the performances of BP neural network model, such as the numbers of neurons in hidden layer, the transfer function and momentum terms, were analyzed. After simulation testing, it was indicated that it was feasible to auto-generate specifications of men’s suit by an innovative BP neural network model. And this method could also be applied to design specifications of other varieties of clothing, which is conducive to improving work efficiency of pattern-making and apter rate of men’s suit.

Men’s Suit; Specification; BP Neural Network; Variable Learning Rate BP Algorithm

王竹君（1982-），男，講師，碩士，研究方向：數(shù)字化服裝與服飾品設(shè)計.

國家級大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練計劃項目（201210363124）；安徽省高等學(xué)校省級優(yōu)秀青年人才基金項目（2012SQRL089）；安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目（AH201310363304）；教育部教育信息管理中心計算機輔助技術(shù)教育課題（CAXC-13A-33）；安徽工程大學(xué)青年科研基金項目（2007YQ050）；安徽工程大學(xué)校級本科教學(xué)質(zhì)量提升計劃項目（2014jyxm21）.

TS941.718

A

2095－414X(2014)06－0036－04