CN112131711B - 一种基于概率神经网络的运动紧身服合体性水平预测方法 - Google Patents
一种基于概率神经网络的运动紧身服合体性水平预测方法 Download PDFInfo
- Publication number
- CN112131711B CN112131711B CN202010876336.XA CN202010876336A CN112131711B CN 112131711 B CN112131711 B CN 112131711B CN 202010876336 A CN202010876336 A CN 202010876336A CN 112131711 B CN112131711 B CN 112131711B
- Authority
- CN
- China
- Prior art keywords
- sports
- fitting
- tights
- close
- fitness level
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 title claims abstract description 25
- 239000004744 fabric Substances 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 11
- 230000000386 athletic effect Effects 0.000 claims description 7
- 230000037237 body shape Effects 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 5
- 239000013598 vector Substances 0.000 claims description 5
- 238000013461 design Methods 0.000 description 8
- 238000005452 bending Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000002452 interceptive effect Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 210000001624 hip Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000003062 neural network model Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012938 design process Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 210000001699 lower leg Anatomy 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001953 sensory effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 239000011449 brick Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004570 mortar (masonry) Substances 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000013068 supply chain management Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 239000011800 void material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/12—Cloth
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Probability & Statistics with Applications (AREA)
- Professional, Industrial, Or Sporting Protective Garments (AREA)
Abstract
本发明涉及一种基于概率神经网络的运动紧身服合体性水平预测方法，包括以下步骤：收集真实试穿运动紧身服的感性评估数据；收集虚拟试穿下的运动紧身服的松量、数字压力和面料数据；构建一个基于概率神经网络的运动紧身服合体性水平预测模型，该预测模型包括若干个子模型和一个综合模型，所述若干个子模型分别预测不同特征部位的局部合体性水平，所述综合模型对若干个子模型预测的局部合体性水平进行汇总形成运动紧身服的整体合体性水平；对构建的运动紧身服合体性水平预测模型进行训练，并采用训练好的预测模型对新数据进行预测。本发明能精确、自动地预测和控制运动紧身服的合体性水平。
Description
技术领域
本发明涉及服装结构设计领域，特别是涉及一种基于概率神经网络的运动紧身服合体性水平预测方法。
背景技术
当前，创新的数字技术，例如大数据、虚拟现实、云计算和物联网(IoT)，已逐渐改变了我们的日常生活。由于具有共享便利，折扣优惠和省时等许多优势，世界各国的消费者越来越倾向于电子商店中在线购买服装，而不再是实体商店。这种趋势为服装业提供了新的机会。不幸的是，高退货率(接近30％)，尤其是与服装合身性差有关的，是服装网络购物中最重要的缺点之一，这种情况需要品牌公司用额外的时间和金钱来处理退回的服装。与时尚风格、轮廓、面料和颜色等其他设计属性相比，合体性是消费者最重要的购买标准之一。一份报告着重指出，超过50％的消费者承认寻找正确的尺码是他们购买服装时面临的最大挑战之一。在实体店购物时，大多数消费者可以通过多次试穿来找到合身的服装。但是，在电子商店中，由于缺乏实际的试穿，消费者难以找到最合体的服装。消费者可以使用他们以前的经验粗略估计合身效果，但这并不可靠，因为不同的品牌通常使用不同的服装号型系统来满足各自目标人群的需求，这可能会导致衣服的不合适。与此同时，近年来，随着人们健康意识的增强，越来越多的消费者通过跑步、瑜伽、骑行、游泳等形式多样的运动来提高身体素质。运动紧身服作为运动服的重要品类，受到愈来愈多消费者、运动爱好者的青睐。通常，消费者会通过真实试穿来购买合体的运动紧身服。然而，多数运动紧身服为贴身穿着，真实试穿会带来不可避免的卫生问题。因此，综合上述两个方面，基于虚拟试穿的运动紧身服合体性的有效评估是至关重要且需要解决的问题。
目前，用于服装合身性评估的最常用方法是根据专家的专业知识基于照片或视频进行视觉分析。这种主观方法在准确性和可靠性上的局限性是显而易见的。因此，许多研究人员在这方面尝试了以3D人体扫描为代表的先进技术，引入线性距离，接触面积以及人体与衣服扫描之间的空隙体积等客观指标进行服装合体性的定量分析。但是，该方法具有设备昂贵、成本高、操作复杂和费时等缺点。这些缺点阻碍了其在服装网上购物中的应用。在电子购物场景中，消费者通常会在很短的时间内做出大量服装的购买决策。因此，开发一种快速，准确和自动地预测服装合体性的方法是必不可少的。
近年来，基于人工智能(AI)的机器学习(ML)技术，如人工神经网络(ANN)，模糊逻辑和遗传算法，已在时尚行业中得到广泛应用，例如：服装和面料产品评估，时尚预测，服装穿着舒适性评估，服装制造，时装零售，以及服装供应链管理等。然而，尚未有学者使用概率神经网络应用于预测服装(特别是运动紧身服)的合体性水平。
发明内容
本发明所要解决的技术问题是提供一种基于概率神经网络的运动紧身服合体性水平预测方法，精确、自动地预测和控制运动紧身服的合体性水平。
本发明解决其技术问题所采用的技术方案是：提供一种基于概率神经网络的运动紧身服合体性水平预测方法，包括以下步骤：
(1)收集真实试穿运动紧身服的感性评估数据，并采集相应的人体体型数据；
(2)基于所述人体体型数据构建三维人体模型，并进行运动紧身服的虚拟试穿，采集运动紧身服的松量、数字压力和面料数据；
(3)构建一个基于概率神经网络的运动紧身服合体性水平预测模型，所述运动紧身服合体性水平预测模型包括若干个子模型和一个综合模型，所述若干个子模型分别预测不同特征部位的局部合体性水平，所述综合模型对若干个子模型预测的局部合体性水平进行汇总形成运动紧身服的整体合体性水平；其中，每个子模型的输入为运动紧身服特征部位的数字压力或松量，以及面料参数，输出为特征部位的局部合体性水平预测值；
(4)采用步骤(1)的感性评估数据和步骤(2)中的运动紧身服的松量、数字压力和面料数据对构建的运动紧身服合体性水平预测模型进行训练，并采用训练好的运动紧身服合体性水平预测模型对新数据进行预测。
所述步骤(1)中采集相应的人体体型数据时通过三维人体扫描的方式实现。
所述步骤(3)中综合模型通过
得到运动紧身服的整体合体性水平，其中，
是指采用面料fi制作的j号型紧身裤特征部位的局部合体性水平预测值，
是指采用面料fi制作的j号型紧身裤特征部位的整体合体性水平预测值，i为紧身裤的面料序号，j为号型序号，r为特征部位序号，sl为真实试穿者，wr为第r个特征部位的权重。
所述步骤(3)中的子模型包括1个输入层、1个模式层、1个求和层和1个输出层，所述输入层用于接收输入向量；所述模式层中输入和合体性水平之间的匹配关系由欧几里得距离来计算，所述模式层的神经元输出由径向高斯函数激活；所述求和层中对于每个合体性水平的模式层输出进行汇总，并输出第i个样本属于第j个合体性水平的概率；所述输出层对模式层的输出求取argmax函数。
所述步骤(4)中采用交叉十折法对构建的运动紧身服合体性水平预测模型进行训练。
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：本发明采用概率神经网络的方法，通过对输入层、输出层神经元等网络参数的设计，再对模型进行训练和仿真测试，不仅可以快速、精确、自动地预测服装的整体合体性水平，而且可以预测服装的局部合体性水平，同时，该模型提供了一种可行且有效的解决方案，无需进行实际试穿即可感知服装的合体程度，可用于在线和实体店购物，以提高消费者的满意度，此外，模型的性能可以通过学习新的数据集来持续提高。
附图说明
图1是本发明的流程图；
图2是本发明实施方式的三维人体模型图；
图3是本发明实施方式中数字压力采集示意图；
图4是所构建的运动紧身裤合体性水平预测模型的总体框架图；
图5是所构建的运动紧身裤局部合体性水平预测模型的结构图；
图6是所构建的运动紧身裤合体性水平预测模型应用流程图；
图7是基于所构建的合体性水平预测模型的交互式运动裤设计流程图。
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概率神经网络的运动紧身服合体性水平预测方法，如图1所示，包括以下步骤：在采集运动紧身服合体性水平感性评估数据、松量(余量)、数字压力及其相关的面料参数等数据基础上，得到运动紧身服合体性水平预测数据集；再基于概率神经网络构建一个智能模型，该模型由若干子模型构成，每个子模型均具有4层结构，其输入层均为运动紧身服特征部位的松量(余量)或数字压力及其相关的面料参数，而输出层分别为该特征部位的局部合体性水平。
本实施方式利用概率神经网络的方法，通过对输入层、输出层神经元等模型参数的设计，再对智能模型进行训练和仿真测试，从而快速，精确，自动地预测运动紧身服整体和局部的合体性水平。
本实施方式的具体步骤如下：
(1)志愿者的召集
本实施方式通过运动紧身裤合体性水平的感性评估实验来定量表征运动紧身裤在不同位置上的合体性水平。首先，随机召集200名成年男性志愿者，再从中筛选出17位具有代表性体型特征的成年男性志愿者参加本实验，他们的体型分别为155/76A，155/80A，155/84A，160/80A，160/84A，160/88A，165/84A，165/88A，165/92A，170/84A，170/88A，170/92A，175/84A，175/88A，175/92A，180/88A和185/92A。根据中国国家标准(GB/T 1335.1-2008)，这些体型覆盖了中国总人口的绝大多数。
(2)人体数据采集及三维人体建模
为了准确快速地测量人体测量数据，本实施方式使用Vitus Bodyscan采集了志愿者的人体测量数据。进而使用CLO 3D软件生成与志愿者相对应的三维人体模型(如图2)。
(3)实验样衣
考虑到服装号型、面料对合体性水平的影响，本实施方式选用了同一款式，5种号型，5种面料的运动紧身裤进行实验。紧身裤特征部位尺寸如表1所示，面料信息如表2和表3所示。
表1运动紧身裤特征部位尺寸(单位:cm).
| 样衣号 | 裤长 | 腰围 | 臀围 | 膝围 | 小腿围 |
| 1 | 82.5 | 58 | 76 | 27 | 25 |
| 2 | 84 | 62 | 80 | 28 | 26 |
| 3 | 85.5 | 66 | 84 | 29 | 27 |
| 4 | 87 | 70 | 88 | 30 | 28 |
| 5 | 88.5 | 74 | 92 | 31 | 29 |
表2运动紧身裤面料信息
表3 3D虚拟设计环境中对应的面料性能缩写的含义
| 缩写 | 含义 | 缩写 | 含义 |
| TH | 厚度 | BR1 | 纬向弯曲率 |
| SW1 | 纬向弹性 | BR2 | 经向弯曲率 |
| SW2 | 经向弹性 | BS1 | 纬向弯曲刚度 |
| SH | 剪切性能 | BS2 | 经向弯曲刚度 |
| BW1 | 纬向弯曲性能 | DE | 密度 |
| BW2 | 经向弯曲性能 |
(3)运动紧身服合体性水平评估量表和语义描述
使用语义差分量表评估运动紧身服的合体性水平，包括由{1,2,3,4,5}表示的五个评估得分，分别对应于语义值{“太紧/太短(1)”，“紧/短(2))”，“合体(3)”，“松/长(4)”，“太松/太长(5)”}。
(4)采集运动紧身服合体性水平的感性评估数据
一个基于真实试穿的感性评估实验用以采集运动紧身服合体性水平的感性评估数据。详细步骤为：
1)通过访谈10位专业服装制板师，确定运动紧身裤的6个特征部位，即：腰围、臀围、大腿围、膝围、小腿围、裤长；
2)在恒温(20±2℃)和相对湿度(65±5％)的实验室中，具有不同代表性体型的17位志愿者分别对实验样衣进行试穿，在静态、动态场景中感知样衣各特征部位的合体性水平，记录感性评估数据。
(5)采集三维虚拟设计环境中运动紧身服的松量(余量)和数字压力
由于其先进的仿真技术和对真实服装和面料的高准确率(>95％)，本实施方式基于CLO 3D软件，通过虚拟试穿实验，以获取三维虚拟设计环境中运动紧身服的松量(余量)和数字压力。具体步骤为：
1)在紧身裤样板设定数字压力采集点的位置(如图3(a)和(b))；
2)采集虚拟试穿状态下裤长数据，进而计算出裤长余量。
(6)构建运动紧身裤合体性水平预测模型
1)模型的总体框架
所提出的模型(见图4)由6个子模型和一个综合模型组成。首先，分别通过6个子模型预测局部合体性水平。之后，根据公式(1)汇总计算出整体合体性水平。
其中，
是指采用面料fi制作的j号型紧身裤特征部位的局部合体性水平预测值，
是指采用面料fi制作的j号型紧身裤特征部位的整体合体性水平预测值，i为紧身裤的面料序号，j为号型序号，r为特征部位序号，sl为真实试穿者，wr为第r个特征部位的权重。
子模型结构如图5所示，其计算过程如下：
步骤1：输入向量分布到PNN模型的输入层；
步骤2：在模式层中，输入和合体性水平之间的匹配关系由欧几里得距离来计算(如公式(2))。模式层的神经元输出由径向高斯函数(如公式(3))激活。
其中，xi是第i个输入向量；cj指的是第j个合体性水平flj(j∈[1,5])的中心；Edij指的是第i个输入向量xi与第j个合体性水平中心cj的欧式距离；σ指的是扩散系数。
步骤3：在求和层中，对于每一个合体性水平flj，模式层输出将根据公式(4)汇总：
其中，l指的是属于合体性水平flj的样本的数量。
接下来，求和层的输出，即第i个样本属于第j个合体性水平的概率，根据公式(5)得出：
步骤4：在输出层，第i个样本的合体性水平有公式(6)确定
2)基于数字压力和松量(余量)的运动紧身裤合体性水平预测模型的构建
步骤1：构建运动紧身裤局部合体性水平预测模型
模型的输入为数字压力、裤长余量(如表4)和面料参数(如表2)，其中，裤长余量可根据公式(7)求得，
为服装松量(余量)，在本实施方式中指的是裤长余量，
为三维设计环境中采集的采用j号型面料制作的紧身裤特征部位fi的尺寸，此处指的是裤长，
为志愿者sl人体特征部位尺寸，此处指的是腿长。
模型的输出为局部合体性水平的预测值。进而，以9:1的比例分配训练集和测试集，采用交叉十折法，训练测试所构建的概率神经网络模型。
表4运动紧身裤特征部位的数字压力(单位：kpa)与松量(单位：cm).
步骤2：构建运动紧身裤整体合体性水平预测模型
表5所示的各特征部位的权重值是通过主成分分析法计算获得的。
表5运动紧身裤各特征部位权重值.
则，运动紧身裤整体合体性水平可根据公式(8)得出。
(7)基于概率神经网络的运动紧身裤合体性水平预测模型的性能评价
将提出的概率神经模型(PNN)的性能与其他典型分类器，包括支持向量机模型(SVM)，径向基神经网络模型(RBF_ANN)和BP神经网络模型(BP_ANN)进行了比较。性能比较结果如表6所示。从表6可以看出，从均值，即平均预测精度可以看出，所提出的PNN模型的平均精度达到了97.67％，远高于其他三个模型。而从标准差的角度，所提出的模型仅为1.47％，也远小于其他三个模型。综合上述两个方面，可得出结论：相对于其他三个模型，所提出的基于概率神经网络的运动紧身裤合体性水平预测模型性能最佳。
表6运动紧身裤合体性水平预测模型性能比较
(8)基于概率神经网络的运动紧身裤合体性水平预测模型的应用
所提出的运动紧身裤合体性水平预测模型可用于线上或线下购物场景中，为消费者快速、准确地推荐符合其合体性需求的运动紧身裤，具体应用流程(见图6)为：首先，根据消费者的人体数据，在三维虚拟环境中，建立与消费者体型相对应的三维人体模型；第二，根据消费者的需求选择面料、制板，进行虚拟试衣、展示；第三，采集数字压力、裤长余量和面料性能参数等数据，导入所构建的运动紧身裤合体性水平预测模型，得到该紧身裤整体和局部的合体性水平，并结合虚拟试衣效果的彩图(如压力分布图)，为消费者进行推荐；第四，如果消费者对所预测的整体和局部的合体性水平均满意，则推荐购买；如果消费者对整体效果满意，但对某些局部合体性水平不满意，则有针对性地修改样板，再次进行虚拟试衣，通过不断执行“虚拟试衣——展示——合体性水平评估——调节”的步骤，直至得到令消费者满意的紧身裤。
同时，所提出的运动紧身裤合体性水平预测模型可以与现有的经典的三维服装设计软件相结合，构建一种新的交互式运动紧身裤设计流程(如图7)。总体的交互式设计流程由三个不可或缺的模块和一个可选择的模块构成。三个不可或缺的模块包括：运动紧身裤需求获取、运动紧身裤的推荐、虚拟试衣和展示、运动紧身裤合体性评估(如图7左侧)。在进行合体性评估以及与消费者进行互动交流后，如果消费者对紧身裤的任意局部合体性水平不满意，将激活运动紧身裤样板调节模块。通过不断执行“推荐——展示——评估——调节”的步骤，最终获得满足消费者合体性需求的运动紧身裤产品。
综上所述，本发明提出了一种基于概率神经网络的运动紧身服合体性水平预测模型。该模型具有以下优点：(1)不仅可以快速、准确、自动地预测运动紧身服整体的合体性水平，还能预测紧身服局部的合体性水平；(2)该模型提供了一种可行且有效的解决方案，无需真实试穿即可感知服装的合身程度，可用于在线和实体店购物，以提高消费者的满意度；(3)所提出的模型可以与现有的经典的三维服装设计软件相结合，形成一种新的交互式运动紧身服设计流程，提升运动紧身服的设计效率和准确度；(4)通过不断输入新的学习数据，所提出模型的功能可以持续拓展，性能可以不断提升。
Claims (4)
1.一种基于概率神经网络的运动紧身服合体性水平预测方法，其特征在于，包括以下步骤：
(1)收集真实试穿运动紧身服的感性评估数据，并采集相应的人体体型数据；
(2)基于所述人体体型数据构建三维人体模型，并进行运动紧身服的虚拟试穿，采集运动紧身服的松量、数字压力和面料数据；
(3)构建一个基于概率神经网络的运动紧身服合体性水平预测模型，所述运动紧身服合体性水平预测模型包括若干个子模型和一个综合模型，所述若干个子模型分别预测不同特征部位的局部合体性水平，所述综合模型对若干个子模型预测的局部合体性水平进行汇总形成运动紧身服的整体合体性水平；其中，每个子模型的输入为运动紧身服特征部位的数字压力或松量，以及面料参数，输出为特征部位的局部合体性水平预测值；其中，综合模型通过
得到运动紧身服的整体合体性水平，其中，
是指采用面料fi制作的j号型紧身裤特征部位的局部合体性水平预测值，
是指采用面料fi制作的j号型紧身裤特征部位的整体合体性水平预测值，i为紧身裤的面料序号，j为号型序号，r为特征部位序号，sl为真实试穿者，wr为第r个特征部位的权重
(4)采用步骤(1)的感性评估数据和步骤(2)中的运动紧身服的松量、数字压力和面料数据对构建的运动紧身服合体性水平预测模型进行训练，并采用训练好的运动紧身服合体性水平预测模型对新数据进行预测。
2.根据权利要求1所述的基于概率神经网络的运动紧身服合体性水平预测方法，其特征在于，所述步骤(1)中采集相应的人体体型数据时通过三维人体扫描的方式实现。
3.根据权利要求1所述的基于概率神经网络的运动紧身服合体性水平预测方法，其特征在于，所述步骤(3)中的子模型包括1个输入层、1个模式层、1个求和层和1个输出层，所述输入层用于接收输入向量；所述模式层中输入和合体性水平之间的匹配关系由欧几里得距离来计算，所述模式层的神经元输出由径向高斯函数激活；所述求和层中对于每个合体性水平的模式层输出进行汇总，并输出第i个样本属于第j个合体性水平的概率；所述输出层对模式层的输出求取argmax函数。
4.根据权利要求1所述的基于概率神经网络的运动紧身服合体性水平预测方法，其特征在于，所述步骤(4)中采用交叉十折法对构建的运动紧身服合体性水平预测模型进行训练。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876336.XA CN112131711B (zh) | 2020-08-27 | 2020-08-27 | 一种基于概率神经网络的运动紧身服合体性水平预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010876336.XA CN112131711B (zh) | 2020-08-27 | 2020-08-27 | 一种基于概率神经网络的运动紧身服合体性水平预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112131711A CN112131711A (zh) | 2020-12-25 |
| CN112131711B true CN112131711B (zh) | 2023-04-07 |
Family
ID=73847362
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010876336.XA Active CN112131711B (zh) | 2020-08-27 | 2020-08-27 | 一种基于概率神经网络的运动紧身服合体性水平预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112131711B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117009876B (zh) * | 2023-10-07 | 2024-01-09 | 长春光华学院 | 基于人工智能的运动状态量评估方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937645A (zh) * | 2012-11-12 | 2013-02-20 | 东华大学 | 一种基于双对数模型的紧身无缝内衣压力评测方法 |
| CN110276121A (zh) * | 2019-06-18 | 2019-09-24 | 浙江理工大学 | 一种动态着装间隙量的测量方法 |
| CN110399656A (zh) * | 2019-07-08 | 2019-11-01 | 东华大学 | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
| CN111426668A (zh) * | 2020-04-28 | 2020-07-17 | 华夏安健物联科技(青岛)有限公司 | 一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法 |
-
2020
- 2020-08-27 CN CN202010876336.XA patent/CN112131711B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102937645A (zh) * | 2012-11-12 | 2013-02-20 | 东华大学 | 一种基于双对数模型的紧身无缝内衣压力评测方法 |
| CN110276121A (zh) * | 2019-06-18 | 2019-09-24 | 浙江理工大学 | 一种动态着装间隙量的测量方法 |
| CN110399656A (zh) * | 2019-07-08 | 2019-11-01 | 东华大学 | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
| CN111426668A (zh) * | 2020-04-28 | 2020-07-17 | 华夏安健物联科技(青岛)有限公司 | 一种利用三维荧光光谱特征信息对污染水体溯源分类识别的方法 |
Non-Patent Citations (3)
| Title |
|---|
| "基于人体局部热需求差异的室内热环境与被褥微气候匹配研究";王兴卫;《万方数据库》;20170616;第1-3章 * |
| "基于知识的服装设计与合体性评估系统的研究及应用";刘凯旋;《万方数据库》;20181219;第1-7章 * |
| "概率神经网络（PNN）";Jaster_wisdom;《CSDN》;20170407;第1页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112131711A (zh) | 2020-12-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Fit evaluation of virtual garment try-on by learning from digital pressure data | |
| Liu et al. | An evaluation of garment fit to improve customer body fit of fashion design clothing | |
| CN107180375B (zh) | 一种基于多层神经网络的服装号型推荐系统 | |
| CN110110181A (zh) | 一种基于用户风格和场景偏好的服装搭配推荐方法 | |
| Kim et al. | An exploratory study of users’ evaluations of the accuracy and fidelity of a three-dimensional garment simulation | |
| Chen et al. | A new method of ease allowance generation for personalization of garment design | |
| US20200257976A1 (en) | Algorithmic apparel recommendation | |
| Hong et al. | Design and evaluation of personalized garment block for atypical morphology using the knowledge-supported virtual simulation method | |
| Chen et al. | Optimisation of garment design using fuzzy logic and sensory evaluation techniques | |
| McKinney et al. | Building patternmaking theory: a case study of published patternmaking practices for pants | |
| Chen et al. | Control and optimization of human perception on virtual garment products by learning from experimental data | |
| Vuruskan et al. | Intelligent fashion styling using genetic search and neural classification | |
| CN112131711B (zh) | 一种基于概率神经网络的运动紧身服合体性水平预测方法 | |
| Gu et al. | Predicting human dimensions in body images for automatic generation of female pants patterns | |
| Hong et al. | Sensory evaluation based fuzzy AHP approach for material selection in customized garment design and development process | |
| Hong et al. | Evaluation of fashion design using artificial intelligence tools | |
| KR20220135526A (ko) | ３ｄ 아바타를 이용한 시착 서비스 제공 시스템 | |
| Chen et al. | A perceptual image prediction model of professional dress style based on PSO-BP neural network | |
| CN112016608A (zh) | 基于卷积神经网络的服装感性意图分类方法、分类模型及其构建方法 | |
| Zhang et al. | A new consumer profile definition method based on fuzzy technology and fuzzy AHP | |
| Shashank et al. | Factors influencing recommendations for women's clothing satisfaction: A latent dirichlet allocation approach using online reviews | |
| Su et al. | Personalized clothing recommendation fusing the 4-season color system and users’ biological characteristics | |
| CN110879914B (zh) | 一种基于anfis的裤装虚拟试穿合体性评估方法 | |
| Fengyi et al. | 3D Garment Design Model Based on Convolution Neural Network and Virtual Reality | |
| CN110399656B (zh) | 基于模糊逻辑与神经网络的下装腰省参数设计方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |