CN106937774B - 一种基于深度学习的鞋楦尺码预测方法及预测装置 - Google Patents

一种基于深度学习的鞋楦尺码预测方法及预测装置 Download PDF

Info

Publication number
CN106937774B
CN106937774B CN201710201424.8A CN201710201424A CN106937774B CN 106937774 B CN106937774 B CN 106937774B CN 201710201424 A CN201710201424 A CN 201710201424A CN 106937774 B CN106937774 B CN 106937774B
Authority
CN
China
Prior art keywords
size
parameters
shoe tree
foot
neural network
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201710201424.8A
Other languages
English (en)
Other versions
CN106937774A (zh
Inventor
李文谦
张水发
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Individual
Original Assignee
Individual
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Individual filed Critical Individual
Priority to CN201710201424.8A priority Critical patent/CN106937774B/zh
Publication of CN106937774A publication Critical patent/CN106937774A/zh
Application granted granted Critical
Publication of CN106937774B publication Critical patent/CN106937774B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A43—FOOTWEAR
    • A43D—MACHINES, TOOLS, EQUIPMENT OR METHODS FOR MANUFACTURING OR REPAIRING FOOTWEAR
    • A43D1/00—Foot or last measuring devices; Measuring devices for shoe parts
    • A43D1/04—Last-measuring devices
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种基于深度学习的鞋楦尺码预测方法，包括以下步骤:S1、采集测试者足部参数及对应鞋楦参数；S2、对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；S3、使用递归神经网络，得到并输出鞋楦参数预测模型；S4、采集消费者足部参数；S5、将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数。针对当前鞋楦制作过于依赖经验的问题，设计出基于深度学习的鞋楦尺码自动预测方法与预测装置，能够通过采集消费者足部参数，自动、快速、准确的为消费者定制合适的鞋子。

Description

一种基于深度学习的鞋楦尺码预测方法及预测装置
技术领域
本发明涉及一种鞋楦尺码预测方法及预测装置，特别涉及一种基于深度学习的鞋楦尺码预测方法及预测装置。
背景技术
近年来，电子商务越来越火，C2B，B2B，C2C，B2C，O2O等模式层出不穷，给人们的消费带来了遍历，同时也减少了消费链条，降低成本。但对于鞋子定做来说，价格却居高不下，原因在于：1、市场上鞋子大多是标准码，按过往经验设计，如果不试穿，往往无法选择真正合适的鞋子；2、如果想在家就定制合适的鞋子，需要商家提供上门服务，而现今，人工费居高不下，这也是导致定制鞋价格较高的重要原因。
因此，如何让消费者在家就能买到价格适中、合适的鞋子，成为鞋子定制领域的迫切需求。
发明内容
为了解决现有技术的不足，本发明的目的是提供一种能够快速、便捷、准确的鞋楦尺码预测方法及预测装置。
为了实现上述目的，本发明提供了一种基于深度学习的鞋楦尺码预测方法，包括如下步骤：
S1、采集测试者足部参数及对应鞋楦参数；
S2、对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；
S3、使用递归神经网络，得到并输出鞋楦参数预测模型；
S4、采集消费者足部参数；
S5、将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数。
优选地，所述步骤S3包括如下步骤：
S31、初始化递归神经网络的权重，在初始化的基础上进行学习参数；
S32、将目标函数加入递归神经网络的相同尺码内约束函数和不同尺码间约束函数；
S33、将去噪后的足部参数输入神经网络中，在神经网络中做前传计算，得到预测的鞋楦参数；
S34、将所述(S1)中真实的鞋楦参数与所述步骤(S33)中预测的鞋楦参数计算误差，反向传播误差，更新神经网络参数；
S35、计算新的尺码聚类中心，以新的尺码聚类中心代替相同尺码内约束函数和不同尺码间约束函数的聚类中心，输出鞋楦参数预测模型。
优选地，所述步骤S3包括如下步骤：
有利地，所述步骤S31中的递归神经网络为由长短时记忆模型(LSTM)组成的递归神经网络。
有利地，所述步骤S5中，所述消费者鞋楦参数预测，首先得到预测尺码的第一维特征，然后作为下一步输入，获得预测尺码的第二维特征，得到指定数量的特征维数后停止，获取最终鞋楦尺码。
本发明还提供了一种基于深度学习的鞋楦尺码自动预测装置，包括：
训练模块，用于训练递归神经网络的鞋楦参数预测模型；
输入模块，用于为消费者输入足部参数提供接口；
自动预测模块，用于将消费者足部参数传入递归神经网络的鞋楦参数预测模型，自动预测鞋楦尺码；
输出模块，用于根据自动预测模块预测的鞋楦尺码，自动生成鞋楦参数，并输出给消费者。
优选地，所述训练模块包括基于长短时记忆模型(LSTM)组成的递归神经网络训练单元。
针对当前鞋楦尺码测量不够准确，并且主观性强的问题，设计出基于深度学习的鞋楦尺码预测方法与预测装置，能够根据消费者的足部参数快速、准确预测对应的鞋楦尺码。
附图说明
图1是本发明所提供的预测方法流程图；
图2是本发明所提供的递归神经网络的展开图；
图3是本发明提供的预测装置的结构示意图。
具体实施方式
如图1所示，本发明提供的一种基于深度学习的鞋楦尺码预测方法，包括如下步骤：
S1、采集测试者足部参数及对应鞋楦参数；
S2、对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；
S3、使用递归神经网络，得到并输出鞋楦参数预测模型；
S4、采集消费者足部参数；
S5、将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数。
上述S1步骤中，采集测试者足部参数，具体包括脚长、脚跖围G2、脚跗围G3、脚兜跟围G4、脚宽、掌宽、拇指外突点轮廓里宽、小趾外突点轮廓外宽、第一跖趾轮廓里宽、第五跖趾轮廓外宽、腰窝轮廓外宽、踵心轮廓全宽、拇指高度、脚型G2高、脚型G3高、脚型G4高、脚投影底面积、G2面积、G3面积、G4面积、G4前中截面面积、脚前部体积、整脚体积，对应鞋楦尺码，包括两维特征，其中一维为码数，具体为：35,35.5,36,36.5，37,37.5,38,38.5,39,39.5,40,40.5,41,41.5,42,42.5,43,43.5,44,44.5,45,45.5,46，另外一维为大小，具体为xs，s，m，l，xl，xxl，鞋楦尺码对应的参数，具体包括楦底样长度、楦底长度、楦鞋长、楦后身长、鞋楦后容差、统口长度、基本宽度、掌宽、踵心全宽、统口宽度、楦体宽度、前跷高、后跷高、后身高、头厚、G1、G2、G3、G4、放余量、G2高、G3高、G4高、底心凹度、前掌凸度、蹱心凸度、脚趾端点全宽、拇指外突点里宽、小趾外突点外宽、第一跖趾关节点里宽、第五跖趾关节点外宽、腰窝部位点外宽、踵心部位全宽、G2面积、G3面积、G4面积、楦底板面积、G4前中截面面积、G2前体积、整鞋体积。
优选地，所述步骤S3包括如下步骤：
S31、初始化递归神经网络的权重，在初始化的基础上进行学习参数；
S32、将目标函数加入递归神经网络的相同尺码内约束函数和不同尺码间约束函数；
S33、将去噪后的足部参数输入神经网络中，在神经网络中做前传计算，得到预测的鞋楦参数；
S34、将所述(S1)中真实的鞋楦参数与所述步骤(S33)中预测的鞋楦参数计算误差，反向传播误差，更新神经网络参数；
S35、计算新的尺码聚类中心，以新的尺码聚类中心代替相同尺码内约束函数和不同尺码间约束函数的聚类中心，输出鞋楦参数预测模型。
S36、循环迭代学习过程，直到误差小于一定阈值，得到并输出最终的鞋楦参数预测模型。
递归神经网络是一种具有固定的权值、外部的输入和内部的状态的神经网络，可将其看作以权值和外部输入为参数的，关于内部状态的行为动力学。长短期记忆网络——通常简称“LSTMs”——是一种特殊的RNN，能够学习长期依赖关系。它们由Hochreiter和Schmidhuber(1997)提出，在后期工作中又由许多人进行了调整和普及(除了原始作者之外，许多人为现代LSTM做出了贡献。它们在大量问题上效果异常出色，现在正在广泛使用。LSTMs明确设计成能够避免长期依赖关系问题。记住信息很长一段时间几乎是它们固有的行为，而不是努力去学习！
所述步骤S31中的递归神经网络结构设计包含以下子步骤：
S311、令P为足部参数，C为对应尺码聚类中心，E为结束的足部参数向量，则
P＝(p1,p2,…,pn),pi∈APi,i∈[1,n]
C＝(c1,c2,…,cm),ci∈ACi,i∈[1,m]
其中，P由n个参数组成，对应的尺码有m维；假设共有S个尺码，尺码包含的特征集合数量为N，sj为第j个特征，Pi为第i步预测的基于尺码特征的softmax分布，Pi(sj)为sj的概率，预测出的尺码特征为Oi，则：
Oi＝argmaxsjPi(sj),j∈[1,N]
S312、设预测第i个特征的损失函数为-logPi(sj)-λ||xi-sj||，其中xi为每次预测结束后计算得到的尺码聚类中心的第i维特征。并采用高斯分布初始化网络参数。
上述S5步骤中，所述消费者鞋楦参数预测，首先得到预测尺码的第一维特征，然后作为下一步输入，获得预测尺码的第二维特征，得到指定数量的特征维数后停止，获取最终鞋楦尺码。
本发明还提供了一种基于深度学习的鞋楦尺码预测装置，包括训练模块，用于训练递归神经网络的鞋楦参数预测模型；输入模块，用于为消费者输入足部参数提供接口；自动预测模块，用于将消费者足部参数传入递归神经网络的鞋楦参数预测模型，自动预测鞋楦尺码；输出模块，用于根据自动预测模块预测的鞋楦尺码，自动生成鞋楦参数，并输出给消费者。优选地，所述训练模块包括基于长短时记忆模型(LSTM)组成的递归神经网络训练单元。
针对当前定制鞋子，需要人工参与，主观性强，价格居高不下的问题，设计出基于深度学习的鞋楦尺码预测方法与预测装置，能够根据消费者的足部数据快速准确的设计出合适的鞋子。
以上详细描述了本发明的优选的具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的设计构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的设计构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在本发明的范围之内和/或由权利要求书所确定的保护范围内。

Claims (5)

1.一种基于深度学习的鞋楦尺码预测方法，其特征在于,包括以下步骤:
(S1)采集测试者足部参数及对应鞋楦参数；
(S2)对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；
(S3)使用递归神经网络，得到并输出鞋楦参数预测模型；
(S4)采集消费者足部参数；
(S5)将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数；
所述步骤(S3)包括如下步骤：
(S31)初始化递归神经网络的权重，在初始化的基础上进行学习参数；
(S32)将目标函数加入递归神经网络的相同尺码内约束函数和不同尺码间约束函数；
(S33)将去噪后的足部参数输入神经网络中，在神经网络中做前传计算，得到预测的鞋楦参数；
(S34)将所述(S1)中真实的鞋楦参数与所述步骤(S33)中预测的鞋楦参数计算误差，反向传播误差，更新神经网络参数；
(S35)计算新的尺码聚类中心，以新的尺码聚类中心代替相同尺码内约束函数和不同尺码间约束函数的聚类中心，输出鞋楦参数预测模型。
2.根据权利要求1所述的一种基于深度学习的鞋楦尺码预测方法，其特征在于，所述步骤(S3)包括如下步骤：
(S36)循环迭代学习过程，直到误差小于一定阈值，得到并输出最终的鞋楦参数预测模型。
3.根据权利要求2所述的一种基于深度学习的鞋楦尺码预测方法，其特征在于，所述步骤(S31)中的递归神经网络为由长短时记忆模型(LSTM)组成的递归神经网络。
4.根据权利要求3所述的一种基于深度学习的鞋楦尺码预测方法，其特征在于,所述步骤(S31)中的递归神经网络结构设计包含以下子步骤：
(S311)令P为足部参数，C为对应尺码聚类中心，E为结束的足部参数向量，则
P＝(p1,p2,…,pn),pi∈APi,i∈[1,n]
C＝(c1,c2,…,cm),ci∈ACi,i∈[1,m]
其中，P由n个参数组成，对应的尺码有m维；假设共有S个尺码，尺码包含的特征集合数量为N，sj为第j个特征，Pi为第i步预测的基于尺码特征的softmax分布，Pi(sj)为sj的概率，预测出的尺码特征为Oi，则：
Oi＝argmaxsjPi(sj),j∈[1,N]
(S312)设预测第i个特征的损失函数为-logPi(sj)-λ||xi-sj||，其中xi为每次预测结束后计算得到的尺码聚类中心的第i维特征。
5.根据权利要求4所述的一种基于深度学习的鞋楦尺码预测 方法，其特征在于,所述步骤(S5)中，所述消费者鞋楦参数预测，首先得到预测尺码的第一维特征，然后作为下一步输入，获得预测尺码的第二维特征，得到指定数量的特征维数后停止，获取最终鞋楦尺码。
CN201710201424.8A 2017-03-30 2017-03-30 一种基于深度学习的鞋楦尺码预测方法及预测装置 Active CN106937774B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710201424.8A CN106937774B (zh) 2017-03-30 2017-03-30 一种基于深度学习的鞋楦尺码预测方法及预测装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710201424.8A CN106937774B (zh) 2017-03-30 2017-03-30 一种基于深度学习的鞋楦尺码预测方法及预测装置

Publications (2)

Publication Number Publication Date
CN106937774A CN106937774A (zh) 2017-07-11
CN106937774B true CN106937774B (zh) 2022-05-20

Family

ID=59464803

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710201424.8A Active CN106937774B (zh) 2017-03-30 2017-03-30 一种基于深度学习的鞋楦尺码预测方法及预测装置

Country Status (1)

Country Link
CN (1) CN106937774B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107609933B (zh) * 2017-08-24 2020-06-23 深圳市云智数据服务有限公司 一种基于门店成交记录的量脚定制方法、系统
CN110179204B (zh) * 2018-02-22 2022-06-24 意礴数字科技(深圳)有限公司 推荐鞋楦的系统及方法和预测鞋楦舒适度的系统和方法
EP3786855A1 (en) * 2019-08-30 2021-03-03 Accenture Global Solutions Limited Automated data processing and machine learning model generation
CN111175973A (zh) * 2019-12-31 2020-05-19 Oppo广东移动通信有限公司 头箍调节方法及调节装置、计算机存储介质及头戴式设备

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1952962A (zh) * 2006-02-23 2007-04-25 大连海事大学 职业服装号型智能归类的模糊神经网络方法
CN101458733A (zh) * 2008-12-26 2009-06-17 东华大学 一种服装结构设计的集成智能优化方法
CN104484816A (zh) * 2014-12-19 2015-04-01 常州飞寻视讯信息科技有限公司 基于大数据分析的服装导购系统和方法
CN104899299A (zh) * 2015-06-10 2015-09-09 丁刚 一种根据用户信息推荐商品尺码的方法
CN104921410A (zh) * 2015-07-10 2015-09-23 李文谦 一种基于双模型的鞋楦参数自动预测方法及预测装置
CN106235525A (zh) * 2016-08-23 2016-12-21 深圳市云智数据服务有限公司 一种鞋码预测方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204838260U (zh) * 2015-07-10 2015-12-09 李文谦 一种基于双模型的鞋楦参数自动预测装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1952962A (zh) * 2006-02-23 2007-04-25 大连海事大学 职业服装号型智能归类的模糊神经网络方法
CN101458733A (zh) * 2008-12-26 2009-06-17 东华大学 一种服装结构设计的集成智能优化方法
CN104484816A (zh) * 2014-12-19 2015-04-01 常州飞寻视讯信息科技有限公司 基于大数据分析的服装导购系统和方法
CN104899299A (zh) * 2015-06-10 2015-09-09 丁刚 一种根据用户信息推荐商品尺码的方法
CN104921410A (zh) * 2015-07-10 2015-09-23 李文谦 一种基于双模型的鞋楦参数自动预测方法及预测装置
CN106235525A (zh) * 2016-08-23 2016-12-21 深圳市云智数据服务有限公司 一种鞋码预测方法及系统

Also Published As

Publication number Publication date
CN106937774A (zh) 2017-07-11

Similar Documents

Publication Publication Date Title
CN106937774B (zh) 一种基于深度学习的鞋楦尺码预测方法及预测装置
US20200272913A1 (en) Recommendation Method and Apparatus
CN108256907A (zh) 一种客户分群模型的构建方法和计算设备
JP6884116B2 (ja) 情報処理装置、情報処理方法、およびプログラム
CN108898476A (zh) 一种贷款客户信用评分方法和装置
WO2018219201A1 (zh) 用于风险测评的数据采集方法及装置和电子设备
CN111882517B (zh) 一种基于图卷积神经网络的骨龄评测方法、系统、终端及存储介质
CN111340380B (zh) 客户资源分配方法、装置以及存储介质
US20210073628A1 (en) Deep neural network training method and apparatus, and computer device
CN107767152A (zh) 产品购买倾向分析方法及服务器
US20230351153A1 (en) Knowledge graph reasoning model, system, and reasoning method based on bayesian few-shot learning
CN112785441A (zh) 数据处理方法、装置、终端设备及存储介质
CN110704706B (zh) 分类模型的训练方法、分类方法及相关设备、分类系统
CN112084825B (zh) 烹饪评价方法、烹饪推荐方法、计算机设备及存储介质
CN111626844A (zh) 基于大数据分析的企业信用评估方法及装置
EP2851851A1 (en) A computer implemented tool and method for automating the forecasting process
CN113010931A (zh) 一种服装设计优化方法及系统
JP6744633B2 (ja) 物品判定装置、システム、学習方法及びプログラム
CN115271282A (zh) 基于模糊逻辑的客户价值确定方法及装置
CN111695625A (zh) 一种基于多级注意力机制网络的移动应用流行度预测方法
CN117077653A (zh) 一种可控生成的方法及其装置
CN116340643A (zh) 对象推荐的调整方法及装置、存储介质、电子设备
CN110717787A (zh) 一种用户的分类方法及装置
CN112766350B (zh) 二分类模型构建方法、装置、设备及计算机可读存储介质
CN113850653A (zh) 一种基于卷积神经网络的产品推荐方法及相关设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant