基于BP神經(jīng)網(wǎng)絡(luò)的西裝樣板參數(shù)生成方法

安琪　陳靜雯

摘 要：結(jié)合BP神經(jīng)網(wǎng)絡(luò)對西裝樣板繪制方法進行研究。將客戶的量體數(shù)據(jù)作為輸入?yún)?shù)，將西裝樣板繪制的關(guān)鍵尺寸作為期望輸出參數(shù)，建立BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型。使用樣本數(shù)據(jù)驗證模型，結(jié)果表明：使用神經(jīng)網(wǎng)絡(luò)模型生成西裝樣板繪制參數(shù)，具有較高的精確度和靈活性，有很好地應(yīng)用價值。

關(guān)鍵詞：西裝樣板；預(yù)測模型；BP神經(jīng)網(wǎng)絡(luò)

傳統(tǒng)西裝樣板制作過程周期較長。考慮使用BP神經(jīng)網(wǎng)絡(luò)技術(shù)，建立預(yù)測模型，將量體數(shù)據(jù)通過網(wǎng)絡(luò)模型計算得到樣板繪制參數(shù)，實現(xiàn)西裝樣板參數(shù)的自動生成。

一、BP神經(jīng)網(wǎng)絡(luò)原理

BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)是1986年由Rumelhart和McCelland提出的，是目前應(yīng)用最廣泛的神經(jīng)網(wǎng)絡(luò)模型之一。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，僅通過自身的訓(xùn)練，學(xué)習(xí)某種規(guī)則，在給定輸入值時得到最接近期望輸出值的結(jié)果。它利用梯度搜索反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，以期使網(wǎng)絡(luò)的實際輸出值和期望輸出值的誤差均方差為最小。

BP神經(jīng)網(wǎng)絡(luò)分為輸入層和輸出層，兩層之間還可以包含若干個隱含層。一般來說，使用帶有一個隱含層的三層BP就可以完成任意m維到n維的映射，如圖1所示。

BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程分為兩部分：

1.正向傳遞得到預(yù)測數(shù)據(jù)

正向傳遞的過程，即數(shù)據(jù)從輸入層輸入，經(jīng)過隱含層、輸出層的計算得到預(yù)測值，預(yù)測值為輸出層的輸出結(jié)果。輸出結(jié)果即：該層中所有節(jié)點（神經(jīng)元）的輸出值的集合。

2.反向傳播更新權(quán)重

根據(jù)樣本的真實目標(biāo)數(shù)據(jù)，計算模型預(yù)測的結(jié)果與真實目標(biāo)結(jié)果的誤差，然后將該誤差反向傳播到各個隱含層，計算出各層的誤差，再根據(jù)各層的誤差，更新權(quán)重。

正向傳遞過程，網(wǎng)絡(luò)結(jié)構(gòu)為三層BP神經(jīng)網(wǎng)絡(luò)，設(shè)輸入層、隱含層、輸出層的神經(jīng)元數(shù)量分別為m、h、n，在BP神經(jīng)網(wǎng)絡(luò)中，輸入層和輸出層的節(jié)點個數(shù)都是確定的，而隱含層節(jié)點個數(shù)不確定，而隱含層節(jié)點個數(shù)的多少對神經(jīng)網(wǎng)絡(luò)的性能是有影響的，可以根據(jù)經(jīng)驗公式來確定隱含層節(jié)點個數(shù)：，其中a為1-10之間的調(diào)節(jié)常數(shù)，這只能確定出隱含層節(jié)點個數(shù)的大致范圍，具體還要根據(jù)神經(jīng)網(wǎng)絡(luò)訓(xùn)練效果來調(diào)整。

設(shè)節(jié)點i與節(jié)點j之間的權(quán)值為wij，節(jié)點j的閾值為bj，該節(jié)點的輸出值為xj，而每個節(jié)點的輸出值是根據(jù)上層所有節(jié)點的輸出值、當(dāng)前節(jié)點與上一層所有節(jié)點的權(quán)值和當(dāng)前節(jié)點的閥值還有激活函數(shù)來實現(xiàn)的。

二、基于BP神經(jīng)網(wǎng)絡(luò)的西裝樣板參數(shù)快速生產(chǎn)方法

樣本數(shù)據(jù)來源于100組不同款式不同號型的西服上裝樣板，以及各個樣板所對應(yīng)西裝試穿者的量體數(shù)據(jù)。其中80組數(shù)據(jù)訓(xùn)練神經(jīng)網(wǎng)路，剩余20組數(shù)據(jù)對訓(xùn)練好的模型進行驗證。

BP神經(jīng)網(wǎng)絡(luò)的輸入層參數(shù)選擇基本量體數(shù)據(jù)為：肩寬、胸圍、袖長、身長、袖口，輸出層為繪制西裝樣板時的關(guān)鍵部位控制尺寸為：衣長、胸圍線、腰圍線、背寬、前胸寬、前肩寬、肩線、前袖窿深、后袖窿深、前片胸圍、腋下胸圍、腋下片下擺、袖長、袖肘線、袖山高、袖上線、袖口、小袖袖肥，如圖2所示。

神經(jīng)網(wǎng)絡(luò)的輸入層使用5個量體數(shù)據(jù)，輸出層使用19個繪制關(guān)鍵尺寸，隱含層節(jié)點數(shù)為8，構(gòu)成了一個5×8×19的BP神經(jīng)網(wǎng)絡(luò)模型。

使用Matlab2016中nntool神經(jīng)網(wǎng)絡(luò)工具箱訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)，先將樣本數(shù)據(jù)導(dǎo)入Matlab中，網(wǎng)絡(luò)選擇Feed-forward backprop；訓(xùn)練函數(shù)選TRAINSCG函數(shù)；性能函數(shù)選MSE平均平方和誤差函數(shù)；網(wǎng)絡(luò)層數(shù)選擇2層；第1層隱含層的節(jié)點數(shù)為8；激活函數(shù)為TANSIG即雙極性Sigmoid函數(shù)。

開始訓(xùn)練，得到訓(xùn)練結(jié)果，經(jīng)過120步訓(xùn)練，誤差平方和達到了約0.0007，如圖3所示。

三、結(jié)果驗證與分析

BP神經(jīng)網(wǎng)絡(luò)已訓(xùn)練完成。將另外剩余數(shù)據(jù)作為網(wǎng)絡(luò)模型的輸入層數(shù)據(jù)，使用已經(jīng)訓(xùn)練好模型進行仿真，將其中的三組與原始數(shù)據(jù)對比，如圖4所示。

可以看出，訓(xùn)練過后的網(wǎng)絡(luò)模型仿真得到的數(shù)據(jù)與原始數(shù)據(jù)基本吻合，最大誤差在0.05左右，在實際情況下，幾乎不會對樣板繪制產(chǎn)生影響。因此，通過建立BP神經(jīng)網(wǎng)絡(luò)來預(yù)測并根據(jù)量體數(shù)據(jù)生成西裝樣板數(shù)據(jù)，可以達到較為理想的效果，能夠在保證準(zhǔn)確度的前提下，提高西裝樣板制作的效率。

四、結(jié)語

本文將BP神經(jīng)網(wǎng)絡(luò)應(yīng)用于西裝樣板的繪制過程中。實現(xiàn)了通過較少的客戶量體數(shù)據(jù)生產(chǎn)較多的樣板繪制需要的具體參數(shù)，建立的模型具有較高的精確度。為數(shù)字化的服裝樣板設(shè)計提供了可借鑒的思路。

參考文獻：

[1] 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（09）：113-116.

[2] 朱慶艷. EMTM背景下生活裝旗袍的樣板自動生成系統(tǒng)研究[D].浙江理工大學(xué)，2017.

[3] 石云.Bp神經(jīng)網(wǎng)絡(luò)的Matlab實現(xiàn)[J].湘南學(xué)院學(xué)報，2010，31（05）：86-88+111.

[4] 楊魯景，武進，石鵬飛.改進BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型實證分析[J].山西大同大學(xué)學(xué)報（自然科學(xué)版），2015，31（04）：14-16+37.

作者簡介：安琪（1990-4-），性別：男，籍貫：陜西西安，單位：西安工業(yè)大學(xué)，學(xué)歷（15級碩士），研究方向：制造業(yè)信息化與系統(tǒng)集技術(shù)。