CN108741342A - 一种基于因子分析和概率神经网络的人体体型聚类方法 - Google Patents
一种基于因子分析和概率神经网络的人体体型聚类方法 Download PDFInfo
- Publication number
- CN108741342A CN108741342A CN201810332983.7A CN201810332983A CN108741342A CN 108741342 A CN108741342 A CN 108741342A CN 201810332983 A CN201810332983 A CN 201810332983A CN 108741342 A CN108741342 A CN 108741342A
- Authority
- CN
- China
- Prior art keywords
- neural network
- probabilistic neural
- human
- human somatotype
- factorial analysis
- 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.)
- Pending
Links
Classifications
-
- A—HUMAN NECESSITIES
- A41—WEARING APPAREL
- A41H—APPLIANCES OR METHODS FOR MAKING CLOTHES, e.g. FOR DRESS-MAKING OR FOR TAILORING, NOT OTHERWISE PROVIDED FOR
- A41H1/00—Measuring aids or methods
- A41H1/02—Devices for taking measurements on the human body
Abstract
本发明涉及一种基于因子分析和概率神经网络的人体体型聚类方法，包括以下步骤：采集静态人体净体数据，并构建人体数据库；根据服装业的实际及研究需要，确定27个基础变量；利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；基于因子得分与概率神经网络对人体体型进行聚类。本发明能够直接有效地对人体体型进行分类。
Description
技术领域
本发明涉及服装结构设计技术领域，特别是涉及一种基于因子分析和概率神经网络的人体体型聚类方法。
背景技术
未来数字化服装生产的重要趋势之一就是基于数字技术和网络技术的量身定制。数字化的服装量身定制技术，是通过分析三维人体扫描仪所获取的人体数据，利用聚类分析的方法对人体体型进行细分，为消费者推荐适合其体型的服装号型和尺寸，既方便消费者选择服装，也有利于生产企业有的放矢地开展生产，节约成本。可见，准确的体型聚类是实现数字化服装量身定制的重要环节。当前，我国服装业划分成年男女体型的依据主要是胸腰差、前后腰节差或胸/腰/臀型等三种。这些划分依据要么指标过于笼统，难以全面反应个体体型差异，要么采寸不便，不利于推广使用。因此，探索一种新型、智能、准确而便捷的人体体型聚类方法就显得势在必行。
发明内容
本发明所要解决的技术问题是提供一种基于因子分析和概率神经网络的人体体型聚类方法，能够直接有效地对人体体型进行分类。
本发明解决其技术问题所采用的技术方案是：提供一种基于因子分析和概率神经网络的人体体型聚类方法，包括以下步骤：
(1)采集静态人体净体数据，并构建人体数据库；
(2)根据服装业的实际及研究需要，确定27个基础变量；
(3)利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；
(4)构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；
(5)基于因子得分与概率神经网络对人体体型进行聚类。
所述步骤(1)中采用三维人体扫描的方式采集静态人体净体数据。
所述步骤(2)中27个基础变量分别为：身高、颈椎点高、肩峰高、胸高、腰高、腹高、臀高、裆底高、背长、前腰节长、后腰节长、全臂长、颈根围、胸围、腰围、腹围、臀围、胸宽、背宽、总肩宽、腰宽、腹宽、臀宽、胸厚、腰厚、腹厚和臀厚。
所述步骤(3)中在因子分析时，根据方差最大矩阵旋转法，得到若干主成分，提取累积贡献率超过80％的主成分的因子得分。
所述步骤(4)中的人体体型聚类的概率神经网络模型包括一个输入层，一个模式层，一个求和层和一个输出层；所述输入层的神经元为所提取主成分的因子得分，神经元的数量为N个；模式层的神经元数量等于输入的样本数；求和层的神经元数量等于所聚类类别的数量；输出层为人体体型的类别代号。
所述模式层用于计算所输入神经元与聚类中心的欧氏距离矩阵和初始概率矩阵；所述求和层用于计算每个样本属于某一类别的概率和矩阵。
所述步骤(5)具体为：将所采集的样本分为训练样本集和测试样本集，用训练样本集对概率神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，比较网络输出值与期望值以评估所构建的概率神经网络的性能。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用统计学中的因子分析和概率神经网络相结合的方法，对表征人体体型的参数进行简化，同时又全面有效地表征人体体型，从而智能、准确而便捷地对人体体型进行聚类。因此，本发明可以用于对大量人体进行数据采集，直接应用于人体体型聚类，既可了解某地区人体体型，对实现真正意义的数字化、网络化、智能化服装量身定制具有积极地促进作用。
附图说明
图1是本发明的流程图；
图2是与人体体型聚类相关的人体测定点示意图，其中，图2A为正面测定点示意图，图2B为侧面测定点示意图，图2C为背面测定点示意图；
图3是与人体体型聚类相关的人体测量部位示意图，其中，图3A为正面测量部位示意图，图3B为侧面测量部位示意图，图3C为背面测量部位示意图；
图4是因子分析碎石图；
图5是所构建的人体体型聚类概率神经网络模型结构图；
图6是所构建的人体体型聚类概率神经网络模型聚类示意图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。
本发明的实施方式涉及一种基于因子分析和概率神经网络的人体体型聚类方法，如图1所示，包括以下步骤：采集静态人体净体数据，并构建人体数据库；根据服装业的实际及研究需要，确定27个基础变量；利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；基于因子得分与概率神经网络对人体体型进行聚类。
本发明利用统计学中的因子分析和概率神经网络相结合的方法，对表征人体体型的参数进行简化，同时又全面有效地表征人体体型，从而智能、准确而便捷地对人体体型进行聚类。
下面以对200名成年男性人体体型聚类的实施例对本发明进行详细的说明。
(1)人体数据采集
将人体测量项目定义为体型整体形态(高度、围度、宽度、体表长度、角度)项目56个。采用德国Techmath三维人体扫描仪对200名年龄在25-55岁之间的成年男性进行人体数据采集，对每个人体提取56个测量项目的数据，建立人体体型数据库；
(2)研究基础变量的选取
根据服装业的实际及研究需要，如图2和图3所示，初步筛选出以下27个测量项目进行分析：身高、颈椎点高、肩峰高、胸高、腰高、腹高、臀高、裆底高、背长、前腰节长、后腰节长、全臂长、颈根围、胸围、腰围、腹围、臀围、胸宽、背宽、总肩宽、腰宽、腹宽、臀宽、胸厚、腰厚、腹厚、臀厚。
(3)因子分析
200个实验者，每个实验者有27个变量，构成200×27阶的人体数据矩阵：
在进行因子分析前，需对27个变量进行KMO和Bartlett球形度检验，以确认其是否适合进行因子分析及分析效果是否好。若发现不合适，则需要返回上一步骤重新选择基础变量。
如表1所示，由KMO系数和巴氏球形检验结果可知，所测各部位间KMO系数达到0.921，根据数理统计理论，对于所测部位，十分适合进行因子分析。
表1 KMO和Bartlett球形度检验结果表
接着，对27个变量进行因子分析，得到旋转后的总方差解释表和因子载荷表如表2、表3所示：
表2旋转后的因子载荷表
表3总方差解释表
从表2、表3和图4可知，第1个和第2个因子对总变异的贡献率分别约为41.2％和26.7％，主要解释了人体水平和垂直方向的信息；第3个因子对总变异的贡献率显著下降，为5.32％，主要解释的是人体背面的有关信息；第4个因子的贡献率与第3个因子比较接近，主要包含的是人体从胸部到臀部这段躯干部位的信息；而第5个因子主要补充阐释的是肩背部的信息。本实施例中前5个因子的累积贡献率达到了80.313％，即包含了原始变量80.313％的信息。因此，选择前5个因子的得分作为概率神经网络的输入神经元。根据因子得分，采用K-means快速聚类法将200个样本的体型聚为4类，将聚类结果作为概率神经网络的输出神经元。
(4)基于概率神经网络的人体体型聚类
原始的、包括200个样本的数据集，被分为训练样本集和测试样本集。训练样本集包括了160个样本数据，其中每一类体型样本的数量是相等的，均为40个。测试样本集则由剩余的40个样本构成。
本实施例所构建的人体体型聚类概率神经网络模型结构图如图5所示。
1)构建输入层
先将160个训练样本的因子得分向量集D导入概率神经网络的输入层中：
再将输入层的输入直接输出给模式层。
2)在模式层中计算所输入神经元与聚类中心的欧氏距离矩阵E
在模式层中，计算输入向量集D与聚类中心向量集C的欧氏距离，得到所有神经元的欧氏距离矩阵E。
3)在模式层中计算初始概率矩阵P
模式层中输出由一个高斯函数G激活：
其中，σ指的是平滑系数，也叫扩散系数。
经计算，初始概率矩阵P，即模式层的输出为：
4)在求和层中计算概率和矩阵S
收到模式层的输出后，在求和层中计算每个样本属于某一类别的概率和，得到概率和矩阵S：
5)计算第i个样本属于第j个类别的概率
6)输出体型聚类的结果
在输出层，根据贝叶斯分类原则，选择probij值最大的类别，作为样本的类别。
至此，面向人体体型聚类的概率神经网络训练完毕，聚类过程如图6所示。
7)概率神经网络的仿真测试
从测试样本集中，随机选取20个样本进行仿真测试，考察其输出类别与期望输出类别的差异，以表征所建神经网络的性能，仿真测试结果如表4所示。
表4概率神经网络仿真测试结果
从表4可知，所构建的神经网络分类的正确率高达90％，令人满意。由此可见，本发明只需对人体进行三维扫描，通过因子分析计算其5个因子得分，即可利用概率神经网络对其进行体型聚类。本发明可以对大量人体进行数据采集，直接应用本发明所述方法的人体体型进行分类，既可了解所测地区当代体型特点，又可对数字化、网络化、智能化服装量身定制有促进和推动作用。
Claims (7)
1.一种基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，包括以下步骤：
(1)采集静态人体净体数据，并构建人体数据库；
(2)根据服装业的实际及研究需要，确定27个基础变量；
(3)利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；
(4)构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；
(5)基于因子得分与概率神经网络对人体体型进行聚类。
2.根据权利要求1所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述步骤(1)中采用三维人体扫描的方式采集静态人体净体数据。
3.根据权利要求1所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述步骤(2)中27个基础变量分别为：身高、颈椎点高、肩峰高、胸高、腰高、腹高、臀高、裆底高、背长、前腰节长、后腰节长、全臂长、颈根围、胸围、腰围、腹围、臀围、胸宽、背宽、总肩宽、腰宽、腹宽、臀宽、胸厚、腰厚、腹厚和臀厚。
4.根据权利要求1所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述步骤(3)中在因子分析时，根据方差最大矩阵旋转法，得到若干主成分，提取累积贡献率超过80％的主成分的因子得分。
5.根据权利要求1所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述步骤(4)中的人体体型聚类的概率神经网络模型包括一个输入层，一个模式层，一个求和层和一个输出层；所述输入层的神经元为所提取主成分的因子得分，神经元的数量为N个；模式层的神经元数量等于输入的样本数；求和层的神经元数量等于所聚类类别的数量；输出层为人体体型的类别代号。
6.根据权利要求5所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述模式层用于计算所输入神经元与聚类中心的欧氏距离矩阵和初始概率矩阵；所述求和层用于计算每个样本属于某一类别的概率和矩阵。
7.根据权利要求1所述的基于因子分析和概率神经网络的人体体型聚类方法，其特征在于，所述步骤(5)具体为：将所采集的样本分为训练样本集和测试样本集，用训练样本集对概率神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，比较网络输出值与期望值以评估所构建的概率神经网络的性能。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810332983.7A CN108741342A (zh) | 2018-04-13 | 2018-04-13 | 一种基于因子分析和概率神经网络的人体体型聚类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810332983.7A CN108741342A (zh) | 2018-04-13 | 2018-04-13 | 一种基于因子分析和概率神经网络的人体体型聚类方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108741342A true CN108741342A (zh) | 2018-11-06 |
Family
ID=64010790
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810332983.7A Pending CN108741342A (zh) | 2018-04-13 | 2018-04-13 | 一种基于因子分析和概率神经网络的人体体型聚类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108741342A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741149A (zh) * | 2019-01-09 | 2019-05-10 | 杭州觅潮科技有限公司 | 一种服装号型生成方法及系统 |
| CN109801328A (zh) * | 2019-01-18 | 2019-05-24 | 东华大学 | 一种基于径向基神经网络的人体尺寸估算方法 |
| CN112446325A (zh) * | 2020-11-26 | 2021-03-05 | 厦门理工学院 | 一种面向老年人的2d-3d非接触式人体测量方法 |
-
2018
- 2018-04-13 CN CN201810332983.7A patent/CN108741342A/zh active Pending
Non-Patent Citations (3)
| Title |
|---|
| 刘祥等: "基于三维人体测量的青年女性体型分类研究", 《山东纺织经济》 * |
| 金娟凤: "基于概率神经网络的青年女性体型识别及特征参数研究", 《万方学位论文》 * |
| 雷玲玲: "基于三维人体扫描的青年女子体型分析", 《山东纺织经济》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109741149A (zh) * | 2019-01-09 | 2019-05-10 | 杭州觅潮科技有限公司 | 一种服装号型生成方法及系统 |
| CN109801328A (zh) * | 2019-01-18 | 2019-05-24 | 东华大学 | 一种基于径向基神经网络的人体尺寸估算方法 |
| CN112446325A (zh) * | 2020-11-26 | 2021-03-05 | 厦门理工学院 | 一种面向老年人的2d-3d非接触式人体测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109119167A (zh) | 基于集成模型的脓毒症死亡率预测系统 | |
| CN105956382B (zh) | 一种中医体质优化分类方法 | |
| CN107977671A (zh) | 一种基于多任务卷积神经网络的舌象分类方法 | |
| CN107748871A (zh) | 一种基于多尺度协方差描述子与局部敏感黎曼核稀疏分类的三维人脸识别方法 | |
| CN106683081A (zh) | 基于影像组学的脑胶质瘤分子标记物无损预测方法和预测系统 | |
| CN108257673A (zh) | 患病风险值预测方法及电子设备 | |
| CN107230113A (zh) | 一种多模型融合的房产评估方法 | |
| CN107066934A (zh) | 胃部肿瘤细胞图像识别判定装置、方法及胃部肿瘤切片识别判定设备 | |
| Liu et al. | Fuzzy classification of young women's lower body based on anthropometric measurement | |
| CN108732172A (zh) | 中药材质量评定方法、设备及介质 | |
| CN108741342A (zh) | 一种基于因子分析和概率神经网络的人体体型聚类方法 | |
| CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
| CN108038513A (zh) | 一种肝脏超声图像的特征分类方法 | |
| CN109919177A (zh) | 基于层次化深度网络的特征选择方法 | |
| CN107507197A (zh) | 一种基于聚类算法和卷积神经网络的肺实质提取方法 | |
| CN106340000A (zh) | 骨龄评估方法 | |
| CN109993230A (zh) | 一种面向脑功能磁共振图像分类的tsk模糊系统建模方法 | |
| CN107491734A (zh) | 基于多核融合与空间Wishart LapSVM的半监督极化SAR图像分类方法 | |
| CN108304887A (zh) | 基于少数类样本合成的朴素贝叶斯数据处理系统及方法 | |
| CN101667289A (zh) | 基于nsct特征提取和监督分类的视网膜图像分割方法 | |
| CN111090764A (zh) | 基于多任务学习和图卷积神经网络的影像分类方法及装置 | |
| CN108847285A (zh) | 基于机器学习的孕前期及孕中期唐氏综合征筛查方法 | |
| CN109091126A (zh) | 一种基于多传感器的人体生理状态判别可视化方法及设备 | |
| CN109087317A (zh) | 一种肺结节图像分割方法 | |
| CN101013481A (zh) | 一种女体体型分类和识别方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181106 |
|
| RJ01 | Rejection of invention patent application after publication |