劉 芳,羅戎蕾,樊萌麗
(1.浙江理工大學 服裝學院,浙江 杭州 310018; 2.浙江理工大學 國際教育學院,浙江 杭州 310018)
目前國內在服裝生產過程中一般以號型規(guī)格作為服裝制版的依據(jù)[1],這往往會忽略不同消費者個體間的體型差異,降低服裝的合體性,經驗制版更是限制了服裝產業(yè)技術結構的優(yōu)化。目前服裝尺寸自動推導的方法主要有BP神經網(wǎng)絡法[2-3]、非線性主成分分析法[4]。針對BP神經網(wǎng)絡存在的局限性,本文通過三維人體掃描儀[TC]2采集人體尺寸作為實驗數(shù)據(jù),通過Matlab軟件構建粒子群優(yōu)化的BP神經網(wǎng)絡模型來學習制版師制版的經驗,以實現(xiàn)人體尺寸到合體女西裝樣板尺寸的自動映射。
BP神經網(wǎng)絡是一種按誤差逆?zhèn)鞑ニ惴ㄓ柧毜亩鄬忧梆伨W(wǎng)絡,由輸入信息的正向傳播和誤差信息的反向傳播2個傳播過程組成。正向傳播為輸入信息經由輸入層神經元向隱含層神經元傳遞,最終由輸出層神經元得到輸出結果。若輸出結果與實際結果不相同,輸出結果與實際結果間的誤差向輸出層神經元、隱含層神經元、輸入層神經元方向反向傳播,在傳播的過程中,不斷修正調整各層連接的權值,使得誤差值減小。正向傳播和反向傳播交替進行,直至算法收斂,達到期望誤差[5-6]。3層BP神經網(wǎng)絡結構圖見圖1。
圖1 3層BP神經網(wǎng)絡結構圖
BP神經網(wǎng)絡算法雖然可以表達任意復雜的非線性映射,但其本身也存在著一定的不足。由于BP神經網(wǎng)絡算法的初始權值是隨機產生的,網(wǎng)絡收斂速度較慢,訓練時間較長,易陷入局部最優(yōu)[7],影響輸出結果的穩(wěn)定性和精確性。為了彌補BP神經網(wǎng)絡算法的不足,采用粒子群算法來優(yōu)化BP神經網(wǎng)絡算法。
粒子群算法(Particle Swarm Optimization,PSO)是一種模擬鳥類覓食過程的優(yōu)化算法[8]。PSO算法中每個粒子都能夠當作被優(yōu)化問題的一個潛在解,所有粒子都有一個根據(jù)目標函數(shù)計算的適應度值,粒子位置的好壞由適應度值的大小來表達[9]。
每個粒子可以通過對自身位置的更新調整達到尋優(yōu)目標,找到個體最優(yōu)和全局最優(yōu)。粒子更新速度和位置計算公式分別為:
(1)
(2)
粒子群優(yōu)化BP神經網(wǎng)絡的實質是經過PSO算法優(yōu)化賦予BP神經網(wǎng)絡更優(yōu)的初始權值和閾值。當PSO算法優(yōu)化BP神經網(wǎng)絡算法時,在權值、閾值的可解空間中初始化一群粒子,訓練樣本各輸出結果的均方誤差作為粒子群的目標函數(shù),依據(jù)目標函數(shù)計算適應度值用以判斷粒子位置的好壞[10-11]。通過粒子位置的更新獲取個體最優(yōu)位置和全局最優(yōu)位置,從而獲得BP神經網(wǎng)絡最優(yōu)初始化權值和閾值。PSO-BP算法流程圖見圖2。
圖2 PSO-BP算法流程圖
采用三維人體掃描儀[TC]2測量220組人體的三維尺寸,由經驗豐富的制版師依據(jù)220組三維人體尺寸進行合體女西裝的樣板設計,得到對應的合體女西裝的樣板尺寸數(shù)據(jù)。選取180組人體數(shù)據(jù)及其對應的樣板尺寸數(shù)據(jù)作為POS-BP神經網(wǎng)絡模型的訓練樣本,40組人體尺寸數(shù)據(jù)及其對應的樣板尺寸數(shù)據(jù)作為POS-BP神經網(wǎng)絡模型的測試樣本。
通過構建BP神經網(wǎng)絡來學習合體女西裝實際生產過程中制版師的經驗,實現(xiàn)合體女西裝樣板尺寸的自動生成。采用3層結構的BP神經網(wǎng)絡,對合體女西裝款式及結構進行分析,輸入層節(jié)點選用身高、胸圍、腰圍、臀圍、頸圍、總肩寬、背長、腰長、乳間距、乳位高、前腰節(jié)長、后腰節(jié)長、全臂長、上臂長、腕圍等15個人體尺寸數(shù)據(jù);輸出層節(jié)點選用后衣長、前衣長、前袖窿深、后袖窿深、胸圍、腰圍、臀圍、前胸寬、后背寬、前領寬、后領寬、肩寬、腰長、背長、乳間距、乳位高、前腰節(jié)長、后腰節(jié)長、袖長、袖山高、肘線長、袖口、后中省量、后腰省量、側縫省量、前腰省量等26個女西裝樣板尺寸數(shù)據(jù);隱含層節(jié)點數(shù)的確定可以通過經驗公式和試值的方式確定,最終確定隱含層節(jié)點數(shù)為15;構成了一個15×15×26的BP神經網(wǎng)絡模型。學習率為0.1,目標精度為0.001,Tansig為隱含層的傳遞函數(shù),purelin為輸出層的傳遞函數(shù),trainlm為訓練函數(shù)。合體女西裝的款式結構圖見圖3、4。
圖3 合體女西裝的款式
圖4 合體女西裝的結構圖
采用PSO算法優(yōu)化BP神經網(wǎng)絡,因為BP神經網(wǎng)絡的結構模型為15×15×26,依據(jù)經驗公式可得粒子的維數(shù)為656,經過反復實驗,設計種群規(guī)模為50,學習因子c1、c2都為2,慣性權重ω采用線性遞減方式從0.9減小到0.4。
將歸一化處理過的180組訓練樣本分別對BP神經網(wǎng)絡、POS-BP神經網(wǎng)絡進行訓練,訓練過程圖見圖5。可以看出BP神經網(wǎng)絡經過476次訓練后收斂,POS-BP神經網(wǎng)絡經過173次訓練后收斂,POS-BP算法提高了BP算法的收斂速度。
圖5 訓練過程圖
將40組測試樣本導入,對訓練好的BP神經網(wǎng)絡、PSO-BP神經網(wǎng)絡進行測試,其部分輸出結果與實際樣本對比如表1所示??梢钥闯鰷y試結果與實際樣本數(shù)據(jù)基本吻合,采用PSO-BP神經網(wǎng)絡預測女西裝尺寸的誤差明顯小于采用BP神經網(wǎng)絡的預測誤差。實驗表明:采用PSO-BP神經網(wǎng)絡模型預測合體女西裝的樣板尺寸,可以達到較為理想的預測效果。
結合粒子群算法與BP神經網(wǎng)絡的特性,彌補BP神經網(wǎng)絡收斂速度慢、易陷入局部最優(yōu)的缺陷,本文構建了粒子群優(yōu)化的BP神經網(wǎng)絡模型,加快了通過傳統(tǒng)BP神經網(wǎng)絡來推導服裝尺寸的收斂速度,也提高了服裝尺寸的預測精度。實驗結果表明所構建的PSO-BP神經網(wǎng)絡模型具有較為理想的預測效果,為實現(xiàn)服裝的大規(guī)模量身定制提供了思路。
表1 輸出結果與實際結果對比 cm