基于 LVQ 神經(jīng)網(wǎng)絡(luò)的青年女性胸部識(shí)別模型構(gòu)建

沙莎 李詩(shī)怡 遲誠(chéng) 萬(wàn)亞如 江學(xué)為

摘 要：為提高青年女性胸部形態(tài)分類的準(zhǔn)確率，填補(bǔ)文胸號(hào)型分類體系存在的缺陷，結(jié)合青年女性胸部體型特征構(gòu)建了一種基于LVQ神經(jīng)網(wǎng)絡(luò)的青年女性胸部識(shí)別模型。研究運(yùn)用非接觸式激光三維技術(shù)共采集216個(gè)青年女大學(xué)生胸部數(shù)據(jù)，將因子分析提取的9個(gè)胸部特征指標(biāo)采用K-means 聚類法，通過(guò)手肘圖、輪廓系數(shù)圖確定K值，最終將胸型分為4類。在此基礎(chǔ)上構(gòu)建LVQ神經(jīng)網(wǎng)絡(luò)胸型識(shí)別模型，以9項(xiàng)胸部特征指標(biāo)為輸入，4種胸型為輸出，進(jìn)行LVQ神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。研究結(jié)果表明：模型經(jīng)訓(xùn)練及測(cè)試后，識(shí)別精度達(dá)到95%，Kappa系數(shù)為0.932。與BP、PNN神經(jīng)網(wǎng)絡(luò)模型相比，在運(yùn)算效率、模型精度和穩(wěn)定性方面， LVQ神經(jīng)網(wǎng)絡(luò)模型的表現(xiàn)要明顯優(yōu)于其他兩種神經(jīng)網(wǎng)絡(luò)。

關(guān)鍵詞：三維人體測(cè)量；胸部特征；胸部形態(tài)分類；胸型識(shí)別；LVQ神經(jīng)網(wǎng)絡(luò)

中圖分類號(hào)：TS 941.17?? 文獻(xiàn)標(biāo)志碼：A? 文章編號(hào)：2097-2911-（2024）01-0069-11

Establishment of Recognition Model for Young Females' Breast Shapes Based on LVQ Neural Network

SHAShaa，LI Shiyib，CHIChengb，c，WAN Yarub，JIANG Xueweib，c*

（a.Institute of Design Innovation and Fiber Science；b.School of Fashion Design， Wuhan Textile University；c.Wuhan Textile and Apparel Digital Engineering Technology Research Center， Wuhan 430073， China）

Abstract： In order to improve the accuracy of young women's chest morphology classification and fill the de- fects of the bra number classification system， this paper constructs a young women's chest recognition model based on LVQ neural network by combining the young women's chest body shape features. The study uses non- contact laser 3D technology to collect a total of 216 young female college students' chest data， and the nine chest feature indicators extracted by factor analysis are clustered by K-means clustering method， and the K value is determined by elbow diagram and contour coefficient diagram， and the chest type is finally classified into four categories. On this basis， the LVQ neural network chest type recognition model was constructed， and the LVQ neural network was trained with the 9 chest feature indicators as input and 4 chest types as output. The re- sults show that the model is trained and tested with a recognition accuracy of 95% and a Kappa coefficient of 0.932. Compared with the BP and PNN neural network models， the LVQ neural network model significantly out- performs the other two neural networks in terms of computational efficiency， model accuracy and stability.

Key words：3-D anthropometry; chest features; chest morphology classification; chest shape recognition; LVQ neural network

0 引言

文胸對(duì)女性胸部健康的影響非常重要，需要準(zhǔn)確的數(shù)據(jù)來(lái)支撐文胸制作工藝的設(shè)計(jì)。北服-愛(ài)慕人體工程學(xué)研究所的報(bào)告中顯示有75.8%的人計(jì)測(cè)文胸號(hào)型與真實(shí)的文胸號(hào)型存在差異[1]。目前的文胸號(hào)型標(biāo)準(zhǔn)反映了我國(guó)女性胸部圍度方面大小的變化規(guī)律，不能充分考慮不同的體型和年齡特點(diǎn)，缺少對(duì)胸型的劃分[2]。這導(dǎo)致許多消費(fèi)者在購(gòu)買內(nèi)衣時(shí)，通常需要反復(fù)試穿來(lái)確定最適合的文胸號(hào)型。為了提高文胸的舒適性和合體性，國(guó)內(nèi)外學(xué)者進(jìn)行了大量的研究，分別從不同方面進(jìn)行了胸部分類。ZHENG等[3]以乳房體積、乳房?jī)?nèi)外側(cè)形態(tài)等8項(xiàng)指標(biāo)來(lái)描述乳房形態(tài)的分類；PEI 等[4]以乳房側(cè)面輪廓的形式進(jìn)行可視化聚類；劉羽等[5]從乳房細(xì)部和人體側(cè)面兩個(gè)方面將乳房立體形態(tài)分為9類。

在人體局部體型的劃分中主要有：主成分因子分析法[6]、聚類分析法[7]等。神經(jīng)網(wǎng)絡(luò)等技術(shù)由于其在數(shù)據(jù)挖掘、學(xué)習(xí)能力等方面的優(yōu)勢(shì)，已逐漸成為目前國(guó)內(nèi)外學(xué)者在局部體型識(shí)別方面的主要研究方向。王靜靜等[8]為了提高胸部體型分類的準(zhǔn)確率，在胸部體型細(xì)分基礎(chǔ)上構(gòu)建了基于長(zhǎng)短記憶神經(jīng)網(wǎng)絡(luò)的胸部體型識(shí)別模型。辛意云[9]通過(guò)聚類計(jì)算和偽F統(tǒng)計(jì)量將胸型分類結(jié)果作為輸出層，構(gòu)建了基于 LVQ 神經(jīng)網(wǎng)絡(luò)的胸部識(shí)別模型，所獲得的模型識(shí)別準(zhǔn)確度已達(dá)到了98%。LVQ神經(jīng)網(wǎng)絡(luò)是一種用于模式分類的有監(jiān)督的神經(jīng)網(wǎng)絡(luò)，該神經(jīng)網(wǎng)絡(luò)采用了競(jìng)爭(zhēng)學(xué)習(xí)與監(jiān)督學(xué)習(xí)相結(jié)合的方法，在發(fā)現(xiàn)了獲勝神經(jīng)元之后，對(duì)神經(jīng)元間的權(quán)向量進(jìn)行不斷地修正，以確定模型類型。目前，LVQ神經(jīng)網(wǎng)絡(luò)因其獨(dú)特的優(yōu)勢(shì)已被廣泛地應(yīng)用于各個(gè)領(lǐng)域中。王艷等[10]提出一種基于LVQ神經(jīng)網(wǎng)絡(luò)的人臉檢測(cè)算法。李木子[11]提出了一種應(yīng)用LVQ神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)手勢(shì)識(shí)別的方法。王彰[12]在研究指紋識(shí)別技術(shù)的過(guò)程中同時(shí)運(yùn)用了BP神經(jīng)網(wǎng)絡(luò)與LVQ神經(jīng)網(wǎng)絡(luò)，并經(jīng)過(guò)比較發(fā)現(xiàn)LVQ神經(jīng)網(wǎng)絡(luò)模型的各項(xiàng)識(shí)別率都優(yōu)于BP神經(jīng)網(wǎng)絡(luò)模型。

本文基于 LVQ 神經(jīng)網(wǎng)絡(luò)建立胸部識(shí)別模型，進(jìn)一步深入研究青年女性的胸部形態(tài)，并且解決如何正確區(qū)分胸部形態(tài)、提高胸型識(shí)別精度等問(wèn)題，以填補(bǔ)目前文胸號(hào)型分類體系存在的缺陷，并為文胸的個(gè)性化設(shè)計(jì)提供一定的參考價(jià)值。

1 研究對(duì)象與方法

1.1 樣本容量

對(duì)青年女大學(xué)生進(jìn)行人體數(shù)據(jù)采集，參照國(guó)家服裝號(hào)型標(biāo)準(zhǔn)中規(guī)定的成年人體各部位尺寸最大允許誤差、標(biāo)準(zhǔn)差和樣本量，得出近似公式計(jì)算最低限度的樣本量N為：

N =[（μ? s/σ）]2

式中：N 為測(cè)量樣本的最小值；μ是α置信水平的概率；s為測(cè)量項(xiàng)目的標(biāo)準(zhǔn)差；σ為測(cè)量項(xiàng)目的允許誤差。

在所有的指標(biāo)中，腰圍的標(biāo)準(zhǔn)差與最大允許誤差之比是最大的，腰圍要求的精確度是最高的，因此，用腰圍的比值來(lái)計(jì)算最小的樣本量。即在理論上，將樣本量設(shè)為173就可以達(dá)到要求，但由于在測(cè)量過(guò)程中會(huì)出現(xiàn)一些無(wú)效的樣本，故將樣本量適當(dāng)?shù)靥岣?，最后得?16個(gè)樣本。

1.2 儀器與條件

本次測(cè)量采用武漢紡織大學(xué)的非接觸式激光三維人體掃描儀，如圖1、圖2所示。要求測(cè)量室內(nèi)不透光；被測(cè)者均為赤身或穿著一般的內(nèi)衣；頭上戴一頂白色游泳帽；不準(zhǔn)佩帶首飾；被測(cè)者自然的站立，雙腳踩在掃描臺(tái)的腳印上，雙臂向下，手肘微微向上抬起，肘點(diǎn)朝外，兩只手與大腿的距離大約8-10 cm 。測(cè)量時(shí)，保持自然的呼吸，直視前方，并盡可能地避免搖晃[13]。

1.3 測(cè)量項(xiàng)目

依據(jù)王方圓等[14]提取胸圍、胸厚等9項(xiàng)參數(shù)作為特征指標(biāo)，將青年女性胸部形態(tài)細(xì)分為5類，馬靜[15]給出了與胸部尺寸關(guān)系最大的3項(xiàng)指標(biāo)，再結(jié)合影響胸部形態(tài)的主要因素和文胸號(hào)型制定規(guī)則，將測(cè)量項(xiàng)目劃分為：胸部整體形態(tài)（高度、圍度、寬度、厚度、長(zhǎng)度、角度、深度）和乳房細(xì)部尺寸的詳細(xì)測(cè)量。共選出17個(gè)測(cè)量項(xiàng)目，見(jiàn)表1。

2 實(shí)驗(yàn)

2.1 數(shù)據(jù)處理與分析

為了保證胸部數(shù)據(jù)是真實(shí)、準(zhǔn)確的，應(yīng)對(duì)其進(jìn)行預(yù)處理，判斷是否有異常值或缺失值。如圖3所示采用 SPSS軟件中的箱盒圖，在胸圍的測(cè)量結(jié)果中有4個(gè)奇異值和1個(gè)極值，應(yīng)該剔除樣本102、42、18、87、74。其余部位也是如此。最后發(fā)現(xiàn)216個(gè)樣本的某些測(cè)量項(xiàng)目存在異常值，經(jīng)預(yù)處理后，剔除16個(gè)樣本，將其余200個(gè)樣本再進(jìn)行重新編號(hào)。

2.1.1 正態(tài)性檢驗(yàn)

如圖4所示以胸圍為例，利用P-P概率圖對(duì)樣本分布進(jìn)行正態(tài)性檢驗(yàn)，以確定其分布是否與隨機(jī)抽樣的正態(tài)分布相一致。由圖可知，胸圍數(shù)據(jù)的散點(diǎn)分布近似于一條直線，表明排除異常值后所得到的數(shù)據(jù)均為正態(tài)分布。結(jié)果表明：樣本分布服從隨機(jī)抽樣數(shù)據(jù)規(guī)律，也就是數(shù)據(jù)有效。2.1.2 描述性統(tǒng)計(jì)分析

利用 SPSS的描述性分析功能對(duì)數(shù)據(jù)的整體特性進(jìn)行分析，結(jié)果見(jiàn)表2。

結(jié)果顯示：（1）青年女性被測(cè)的胸圍在75.6-96.5 cm 之間，下胸圍在62.7-86.2 cm 之間，胸差在2.6-20.8 cm 之間，胸部尺寸覆蓋范圍較廣，選樣合理；（2）胸圍的均值為84.047 cm，下胸圍的均值為74.679 cm，胸差的均值為9.368 cm，本文青年女性被測(cè)的平均胸部尺寸偏??；（3）胸差的變異系數(shù)最大，下乳杯弧長(zhǎng)次之，說(shuō)明兩個(gè)部位的離散程度較大，其余部位的離散程度均較小[16]。

2.1.3 國(guó)標(biāo)文胸號(hào)型對(duì)比分析

根據(jù)國(guó)標(biāo)文胸號(hào)型分類標(biāo)準(zhǔn)，對(duì)本文青年女性樣本進(jìn)行胸部分類，號(hào)型范圍劃分結(jié)果如圖5所示。從圖中可以看出，“型”主要分布在 AA、 A、B 和 C，占93.9%；“號(hào)”以65、70、75和80為主，占91.9%。D、E和F罩杯的數(shù)量在總數(shù)中所占的比重非常小，其中D型8個(gè)，E型4個(gè)，F(xiàn)型沒(méi)有。60、85、90號(hào)的情況也一樣。結(jié)果表明，由于國(guó)家標(biāo)準(zhǔn)號(hào)型中樣本的年齡分布很廣，不適合用來(lái)分析未婚未育的青年女性的胸部形態(tài)。在青年女性群體中，以國(guó)家標(biāo)準(zhǔn)號(hào)型（下胸圍和胸差[17]）為基礎(chǔ)的胸型分類不能很好地涵蓋所有，這也進(jìn)一步證實(shí)了目前的文胸號(hào)型標(biāo)準(zhǔn)不能反映青年女性的胸部形態(tài)，需要對(duì)青年女性的胸部進(jìn)行更加詳細(xì)的劃分。

2.2 胸部形態(tài)分類

2.2.1 相關(guān)性分析

本節(jié)通過(guò)對(duì)測(cè)量部位的數(shù)據(jù)進(jìn)行相關(guān)性分析，得到了各尺寸間的相關(guān)系數(shù)如圖6所示。從圖中可以得出以下幾點(diǎn)結(jié)論：（1）人體高度尺寸與胸部的尺寸相關(guān)程度較??；（2）胸圍與乳房細(xì)部特征尺寸之間有較大的相關(guān)性；下胸圍與胸圍、胸差、胸寬、胸厚、乳根圍、乳深的相關(guān)程度較高；胸差與下胸圍、胸寬、胸點(diǎn)間距的關(guān)系緊密，與其他測(cè)量數(shù)據(jù)均無(wú)太大聯(lián)系；（3）背寬與胸厚、胸凸角與外乳杯弧長(zhǎng)、胸厚與下乳杯弧長(zhǎng)、外乳杯弧長(zhǎng)與乳橫寬，這些兩兩之間均有較大的相關(guān)性。

分析結(jié)果表明：部分部位與胸部形態(tài)的相關(guān)性不大，刪除身高等幾個(gè)與胸部形態(tài)相關(guān)較小的測(cè)量項(xiàng)目，最終得到11個(gè)測(cè)量項(xiàng)目（胸圍、胸寬、下胸圍、胸凸角、胸厚、胸點(diǎn)間距、下乳杯弧長(zhǎng)、外乳杯弧長(zhǎng)、乳根圍、前頸點(diǎn)至胸點(diǎn)距、乳橫寬）作為后續(xù)研究的基礎(chǔ)變量。

2.2.2 胸部特征指標(biāo)提取

對(duì)11個(gè)胸部測(cè)量項(xiàng)目進(jìn)行因子分析，得到總方差解釋表，見(jiàn)表3。特征值大于1的共計(jì)3個(gè)，當(dāng)提取3個(gè)因子后，其累計(jì)貢獻(xiàn)率達(dá)到了65.08%，即表示3個(gè)因子可以解釋原有變量中65.08%的胸部信息，結(jié)果較理想。因此，用這3個(gè)因子代替11個(gè)原始測(cè)量項(xiàng)目。

表4是旋轉(zhuǎn)經(jīng)5次迭代后收斂的成分矩陣。可以得到因子的類別，共劃分為3類。第1類因子中，胸寬、下胸圍、乳根圍、胸厚、下乳杯弧長(zhǎng)的載荷系數(shù)較大，該類參數(shù)反映的是圍度方向的指標(biāo)，定義為乳房圍度因子；第2類因子中，胸圍、胸點(diǎn)間距、前頸點(diǎn)至胸點(diǎn)距、乳橫寬的載荷系數(shù)較大，該類參數(shù)反映的是乳房位置方向的指標(biāo)，定義為乳房定位因子；第3類因子中，外乳杯弧長(zhǎng)的載荷系數(shù)較大、胸凸角的負(fù)的載荷系數(shù)較大，該類參數(shù)反映的是乳房豐滿程度方向的指標(biāo)，定義為乳房立體形態(tài)因子。

選擇每一因子中載荷系數(shù)較大、有代表性、容易測(cè)得的變量作為該類的代表性指標(biāo)。第1因子可以提取胸厚、乳根圍、胸寬、下胸圍作為指標(biāo)；第2因子中，可以提取乳橫寬、胸點(diǎn)間距、胸圍作為指標(biāo)；第3因子中，可以提取胸凸角、外乳杯弧長(zhǎng)作為指標(biāo)。因此，影響青年女性胸部形態(tài)的主要特征指標(biāo)有胸點(diǎn)間距、胸圍、乳橫寬、胸凸角、外乳杯弧長(zhǎng)、胸寬、下胸圍、胸厚、乳根圍9個(gè)指標(biāo)，這些指標(biāo)可以反映青年女性胸部形態(tài)的圍度、寬度、厚度、角度及胸部立體形態(tài)。

2.2.3 胸部類型劃分

將9個(gè)胸部特征部位作為聚類變量，進(jìn)行K- means 聚類分析，綜合手肘圖、輪廓系數(shù)圖來(lái)確定最佳聚類數(shù)目。如圖7手肘圖、圖8輪廓系數(shù)圖所示，結(jié)果顯示分類數(shù)量在4類時(shí)最佳。此時(shí)隨著分類數(shù)的增加，當(dāng)K=4時(shí)，SSE值變化幅度很小，輪廓系數(shù)SC值最大、最接近于1，代表聚類效果最好。

根據(jù)聚類分析結(jié)果最終將200個(gè)樣本分為4類，各類樣本占比分別為27%、35%、18%和20%，樣本的最終聚類中心見(jiàn)表5。

為了更清晰地展示聚類結(jié)果，對(duì)接近4類胸型聚類中心的樣本進(jìn)行相應(yīng)的截面形狀描述，表6為分類獲得的4類胸型對(duì)應(yīng)的截面形態(tài)。因此，青年女性胸部形態(tài)可以分為4類，分別為正方形、橢圓形、五邊形和矩形，將它們分別命名為 S型，O型，P型，R型。

3 基于LVQ的胸部識(shí)別模型構(gòu)建

LVQ神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)主要由LVQ1和LVQ2兩部分組成。本文選擇了LVQ1算法，如圖9所示。LVQ1網(wǎng)絡(luò)是一種由有監(jiān)督和無(wú)監(jiān)督學(xué)習(xí)構(gòu)成的混合神經(jīng)網(wǎng)絡(luò)。LVQ1網(wǎng)絡(luò)的學(xué)習(xí)將會(huì)使用 Kohonen規(guī)則的一種變化形式來(lái)進(jìn)行訓(xùn)練，該算法具有良好的線性分類能力。

P是包含R個(gè)特征量的輸入向量，IW1為競(jìng)爭(zhēng)層權(quán)矩陣，n 1為競(jìng)爭(zhēng)層凈輸入，a1為競(jìng)爭(zhēng)層輸出，IW2為線性層權(quán)值矩陣，n2為線性層凈輸入，a2為線性層輸出；競(jìng)爭(zhēng)層傳遞函數(shù)compet（）為競(jìng)爭(zhēng)函數(shù)，線性層傳遞函數(shù)為線性函數(shù) a = n（a是神經(jīng)元的輸出，n是神經(jīng)元的凈輸入）[17]。

3.1 訓(xùn)練測(cè)試結(jié)果分析

神經(jīng)網(wǎng)絡(luò)的每一個(gè)輸入神經(jīng)元對(duì)應(yīng)著一個(gè)特征值。將提取的胸部特征指標(biāo)作為識(shí)別胸型的特征值，包括胸寬、下胸圍、胸厚、乳根圍、胸點(diǎn)間距、胸圍、乳橫寬、胸凸角、外乳杯弧長(zhǎng)9個(gè)胸部特征指標(biāo)，即為輸入層的9個(gè)神經(jīng)元。青年女性的胸型分為4類，即為輸出層的4個(gè)神經(jīng)元。構(gòu)造的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖10所示。

神經(jīng)網(wǎng)絡(luò)的性能與隱藏層神經(jīng)元的數(shù)目密切相關(guān)，在確定了網(wǎng)絡(luò)的收斂精度后，經(jīng)過(guò)反復(fù)的調(diào)整，網(wǎng)絡(luò)中競(jìng)爭(zhēng)層的神經(jīng)元數(shù)定為300個(gè)。學(xué)習(xí)速率的經(jīng)驗(yàn)取值范圍為0.01-0.8，通過(guò)多次調(diào)整，選擇0.1的學(xué)習(xí)速率來(lái)盡量減少訓(xùn)練時(shí)間，同時(shí)保持較高的識(shí)別精度。

本文將各種類別樣本量的80%作為訓(xùn)練樣本，即160例樣本；剩余的20%作為測(cè)試樣本，即40例樣本。以9項(xiàng)胸部特征指標(biāo)為輸入，以4種胸型為輸出，進(jìn)行 LVQ 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。在完成網(wǎng)絡(luò)訓(xùn)練后，將40個(gè)測(cè)試樣本輸入到網(wǎng)絡(luò)中，即可獲得相應(yīng)的輸出結(jié)果。通過(guò)對(duì)網(wǎng)絡(luò)模擬的結(jié)果進(jìn)行分析，得出總體識(shí)別率和Kappa系數(shù)，并以此來(lái)評(píng)估模型的預(yù)測(cè)效果。

訓(xùn)練樣本結(jié)果顯示僅R型中有3個(gè)樣本被錯(cuò)分為S、O、P型，該類的識(shí)別率為90.625%，其余類別的識(shí)別率均為100%，總體識(shí)別率為98.125%， Kappa系數(shù)為0.973。由此可見(jiàn)，識(shí)別模型訓(xùn)練效果好且精度高。由表7可知，O型中有1個(gè)樣本被錯(cuò)分為R型，該類的識(shí)別率為92.9%，第R類中有1個(gè)樣本被錯(cuò)分為 S型，該類的識(shí)別率為87.5%，其余類別的識(shí)別率均為100%，總體識(shí)別率為95%，Kappa系數(shù)為0.965。由此可見(jiàn)，識(shí)別模型的測(cè)試精度高并且具有高度的一致性。

3.2 識(shí)別模型精度對(duì)比分析

為進(jìn)一步驗(yàn)證LVQ神經(jīng)網(wǎng)絡(luò)胸型識(shí)別模型的有效性，本節(jié)將LVQ神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)和PNN概率神經(jīng)網(wǎng)絡(luò)進(jìn)行比較[18]，以精度、穩(wěn)定性和運(yùn)算效率為指標(biāo)，在此基礎(chǔ)上，精度用各類胸型識(shí)

別的準(zhǔn)確率來(lái)表示，穩(wěn)定性用總體識(shí)別準(zhǔn)確率來(lái)表示，運(yùn)算效率用模型訓(xùn)練時(shí)間來(lái)表示。為了確保比較的有效性和公平性，三種模型訓(xùn)練測(cè)試數(shù)據(jù)以及操作環(huán)境是一致的。

圖11直觀地展示了LVQ、BP和PNN神經(jīng)網(wǎng)絡(luò)的各類胸型識(shí)別準(zhǔn)確率的對(duì)比情況，表8給出了三種神經(jīng)網(wǎng)絡(luò)在實(shí)驗(yàn)中的總體識(shí)別準(zhǔn)確率以及運(yùn)算時(shí)間。在運(yùn)算效率方面，PNN模型耗時(shí)最長(zhǎng)，LVQ模型表現(xiàn)最好。在模型精度和穩(wěn)定性方面，三種模型均表現(xiàn)出良好的識(shí)別效果和穩(wěn)定性。其中LVQ神經(jīng)網(wǎng)絡(luò)模型的總體識(shí)別準(zhǔn)確率高達(dá)95%，表現(xiàn)要明顯好于BP與PNN神經(jīng)網(wǎng)絡(luò)。

綜上結(jié)果表明：在三種神經(jīng)網(wǎng)絡(luò)胸型識(shí)別模型中，LVQ神經(jīng)網(wǎng)絡(luò)在各個(gè)方面均要優(yōu)于其他兩種神經(jīng)網(wǎng)絡(luò)。因此，在胸型識(shí)別預(yù)測(cè)中用 LVQ 神經(jīng)網(wǎng)絡(luò)更合適。

4結(jié)論

本文運(yùn)用三維人體掃描儀采集了216名女大學(xué)生的胸部數(shù)據(jù)，選取了與青年女性胸部形態(tài)相關(guān)的測(cè)量項(xiàng)目。在對(duì)所有數(shù)據(jù)的進(jìn)行預(yù)處理后，依次進(jìn)行相關(guān)性分析，因子分析，從而提取胸部特征指標(biāo)，并且用于聚類分析從而將胸型分為4類?；谇罢碌臄?shù)據(jù)分析及胸型分類結(jié)果，構(gòu)建了LVQ神經(jīng)網(wǎng)絡(luò)胸型識(shí)別模型。研究結(jié)論：

（1）通過(guò)分析得到了青年女性胸部數(shù)據(jù)在國(guó)標(biāo)號(hào)型中的分布情況：“型”主要分布在AA、A、B 和C；“號(hào)”主要分布在65、70、75和80。其中絕大部分胸部號(hào)型為80AA 。由此印證了現(xiàn)行的文胸號(hào)型標(biāo)準(zhǔn)無(wú)法體現(xiàn)青年女性胸部形態(tài)，因此需要對(duì)青年女性胸部形態(tài)進(jìn)行更為細(xì)致的劃分。

（2）將因子分析提取的9個(gè)胸部特征指標(biāo)作為胸部形態(tài)分類的標(biāo)準(zhǔn)，采用K-means聚類法，通過(guò)手肘圖、輪廓系數(shù)圖確定K值，最終將胸型分為4類，區(qū)分了各類胸型的差異。

（3）對(duì)構(gòu)建的 LVQ 神經(jīng)網(wǎng)絡(luò)胸型識(shí)別模型進(jìn)行訓(xùn)練及測(cè)試，模型總體識(shí)別率為95%，Kappa 系數(shù)為0.932。與 BP、PNN 神經(jīng)網(wǎng)絡(luò)模型相比，在運(yùn)算效率、模型精度和穩(wěn)定性方面，LVQ神經(jīng)網(wǎng)絡(luò)模型的表現(xiàn)要明顯好于 BP 與 PNN，表明LVQ神經(jīng)網(wǎng)絡(luò)模型在胸型識(shí)別方面的準(zhǔn)確性。

參考文獻(xiàn)：

[1]段笑娟.乳房形態(tài)與文胸罩杯結(jié)構(gòu)的適用性研究[D].北京：北京服裝學(xué)院， 2007.

DUAN Xiaojuan. A Study on the relationships of breast shapes and cup constructions of bras[D]. Beijing：Beijing Institute of Fashion Technology， 2007.

[2]樸江玉.遼寧地區(qū)女性胸部體型特征及文胸號(hào)型設(shè)計(jì)[D].蘇州：蘇州大學(xué)， 2006.

PU Jiangyu. The figure of breast and the desigh of the type and size of brassiera [D]. Suzhou： Sooch-ow University， 2006.

[3]ZHENG R，YU W， FAN J . Development of a new chinese bra sizing system based on breast anthro-pometric measurements[J]. International Journal of Industrial Ergonomics， 2007， 37（8）.

[4]PEI J ， PARK H ， ASHDOWN P S . Female breast shape categorization based on analysis of CAE- SAR 3D body scan data[J]. Textile Research Jour- nal，2019，89（4）.

[5]劉羽， 王建萍.基于乳房角度的乳房形態(tài)分類[J].絲綢， 2017， 54（8）：31-37.

LIU Yu，WANG Jianping. Research on breast shape classification based on breast angle[J].Jour- nal of Silk，2017，54（8）：31-37.

[6]高琳， 徐軍.西北地區(qū)青年女性胸部體型特征與分類[J].天津紡織科技， 2021（3）：16-19.

GAO Lin， XU Jun. Chest somatotype characteris- tics and classification of young women in North- west China[J]. Tianjin Textile Science & Technolo- gy， 2021（3）：16-19.

[7]沙莎， 曹瑞琦， 田潤(rùn)雨， 等.基于神經(jīng)網(wǎng)絡(luò)的湖北省女大學(xué)生體型分類研究[J].服飾導(dǎo)刊， 2022， 11（5）：15-20+2.

SHA Sha， CAO Ruiqi， TIAN Runyu， et al. Study on body type classification of female college stu- dents in hubei province based on neural network [J]. Fashion Guide， 2022， 11（5）：15-20+2.

[8]王靜靜， 陳敏之.基于LSTM神經(jīng)網(wǎng)絡(luò)的青年女性胸部識(shí)別模型構(gòu)建[J].現(xiàn)代紡織技術(shù)， 2020， 28（6）：55-61.

WANG Jingjing， CHEN Minzhi. Establishment of recognition model for young females' breast shapes based on lstm neural network[J]. Advanced Textile Technology， 2020， 28（6）：55-61.

[9]辛意云.青年女性胸型分類及文胸號(hào)型推薦[D].杭州：浙江理工大學(xué)， 2016.

XIN Yifyun. Classification of young female breast shape and bra size recommendation[D]. Hang-zhou：Zhejiang Sci-Tech Univeristy， 2016.

[10]王艷， 祁萌.一種基于 LVQ 神經(jīng)網(wǎng)絡(luò)模型的人臉檢測(cè)方法[J].液晶與顯示， 2021， 36（7）：1027-1034.

WANG Yan， QI Meng. Face detection algorithm based on LVQ neural network model[J]. Chinese Journal of Liquid Crystals and Displays， 2021，36（7）：1027-1034.

[11]李木子.基于神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別技術(shù)研究[D].石家莊：河北地質(zhì)大學(xué)， 2021.

LI Muzi. Research on gesture recognition tech- nology based on neural network[D]. Hebei GEOUniversity， 2021.

[12]王彰.基于LVQ與神經(jīng)網(wǎng)絡(luò)的指紋分類對(duì)比研究[D].西安：西安石油大學(xué)， 2020.

WANG Zhang. Comparative study of fingerprint classification based on lvq and neural net- work[D]. Xi'an： Xi'an Shiyou University， 2020.

[13]王麗， 李月， 庫(kù)茨米切夫·維克多，等.基于胸部形態(tài)的青年男性體型分類研究[J].服飾導(dǎo)刊， 2019，8（4）：43-47.

WANG Li， LI Yue， Kuzmichev Victor， et al. Re- search on young male body classification based on breast shape[J]. Fashion Guide， 2019，8（4）：43-47.

[14]王方圓，羅洋，王建萍.上海地區(qū)青年女性胸部形態(tài)的分類[J].紡織科技進(jìn)展， 2012（4）：73-76.

WANG Fangyuan， LUO Yang， WANG Jianping. Research on subdividing of female breast shape in Shanghai area[J]. Progress in Textile Science & Technology， 2012（4）：73-76.

[15]馬靜.基于胸部特征參數(shù)的個(gè)性化文胸樣板研究[D].杭州：浙江理工大學(xué)， 2018.

MA Jing. Study on the individual bra pattern of young women based on chest characteristic pa- rameters[D]. Hangzhou： Zhejiang Sci-Tech Uni- versity， 2018.

[16]KIM K M， NAM J Y. Classification of lower body types of female adults aged 18 to 69 based on 3d body scan data - focusing on the front type， lateral-front type， and lateral-back type[J]. Fashion & Textile Research Journal，2016， 18（1）.

[17]陳慧蓉， 張欣， 陶娜.基于三維人體測(cè)量的青年女性胸部形態(tài)特征分析[J].西安工程大學(xué)學(xué)報(bào)， 2008（2）：146-152.

CHEN Huirong， ZHANG Xin， TAO Na. Re- search on the breast shapes of young females based on 3D body measurement[J]. Journal of Xi'an Polytechnic University， 2008（2）：146-152.

[18]王雅紅.基于LVQ神經(jīng)網(wǎng)絡(luò)數(shù)字圖像邊緣檢測(cè)算法的研究[D].太原：太原理工大學(xué)， 2005.

WANG Yahong. A study on algorithm of edge de- tection of digital image based on lvq neural net- works[D]. Taiyuan：Taiyuan University of Tech- nology， 2005.

（責(zé)任編輯：周莉）