CN115953804A - 一种基于改进qpso-bp神经网络的人体尺寸预测方法 - Google Patents
一种基于改进qpso-bp神经网络的人体尺寸预测方法 Download PDFInfo
- Publication number
- CN115953804A CN115953804A CN202310003982.9A CN202310003982A CN115953804A CN 115953804 A CN115953804 A CN 115953804A CN 202310003982 A CN202310003982 A CN 202310003982A CN 115953804 A CN115953804 A CN 115953804A
- Authority
- CN
- China
- Prior art keywords
- human body
- prediction
- body size
- data
- model
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 23
- 238000005259 measurement Methods 0.000 claims abstract description 28
- 239000002245 particle Substances 0.000 claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000012417 linear regression Methods 0.000 claims abstract description 11
- 238000002790 cross-validation Methods 0.000 claims abstract description 9
- 230000004927 fusion Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 22
- 210000002569 neuron Anatomy 0.000 claims description 11
- 238000012546 transfer Methods 0.000 claims description 10
- 238000005457 optimization Methods 0.000 claims description 7
- 230000003068 static effect Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000000556 factor analysis Methods 0.000 claims description 3
- 238000000691 measurement method Methods 0.000 claims description 2
- 230000007547 defect Effects 0.000 abstract description 8
- 238000013461 design Methods 0.000 description 12
- 210000003127 knee Anatomy 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 5
- 210000001015 abdomen Anatomy 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 210000000689 upper leg Anatomy 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000009958 sewing Methods 0.000 description 3
- 230000003187 abdominal effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于改进QPSO‑BP神经网络的人体尺寸预测方法，本发明通过收集人体静态的净体数据并进行数据预处理，构造出人体尺寸的数据。采用分层协作进化量子粒子群算法以优化BP‑ANN模型的权值和阈值。将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据，建立各主要特征参数与各部位尺寸的相关性关系。使用多元线性回归模型对不易测量部位进行预测，再利用诱导有序加权平均算子对预测模型权重进行线性加权融合并进行重新分配，从而估算出预设部位精确的人体尺寸信息预测结果。本发明能更加精准、有效地提供服装制版相关的人体尺寸预测，有效避免单一预测人体尺寸方法中的缺陷。
Description
技术领域
本发明属于智能化服装设计技术领域，涉及一种基于改进QPSO-BP神经网络的人体尺寸预测方法。
背景技术
当前，人们对服装个性化定制需求和合体性要求越来越高，服装工业生产方式倾向于智能化、定制合体服装。众所周知，服装制造商需要消费者准确的人体测量数据信息才能生产出合体、舒适、美观的个性化服装。
传统的获取人体长度/围度等一维尺寸的软卷尺、马丁式人体形态测量尺等工具对人体进行接触式测量，这种方法的主要缺陷是测量尺寸的准确度在主观上取决于测量师傅的经验。因而，非接触式三维人体测量仪被广泛应用于服装智能制造领域，但对于中小型企业和消费者来说其价格昂贵、体积过大；测量过程中需要受试者穿着紧身衣，这可能使他们感到不舒服并导致拒绝被测量。随着人工神经网络和智能计算技术的发展，数据驱动的智能预测方法如人工神经网络(artificial neural networks,ANN)，作为一种可用于非线性关联映射的强大工具被越来越多地应用于准确和详细的服装制版相关的人体尺寸预测，从而大大降低了测量成本、提升了服装定制中的客户舒适度。
在人体尺寸预测中，考虑到部分人体尺寸的测量较容易，如身高、腰围和臀围，而其他人体尺寸却难以精确测量，如裆宽、上裆围长等。采用人工神经网络构建人体尺寸组合预测模型，并在此基础上建立各主要特征参数与各部位尺寸的相关性关系，从而能够进一步智能地分析服装设计中的定制尺寸，并在降低服装设计与制作成本、提高服装设计的效率和智能化水平等方面具有重要意义。
在组合预测模型中，人工神经网络通常利用大量简单神经元相互连接构成一个适应环境学习规则的神经网络，其用数学模型能够反映生物神经元处理和信息传递过程；BP-ANN神经网络则是目前应用最广泛的人工神经网络。然而，BP-ANN人工神经网络的全局搜索能力较差，其容易陷入局部极值点、收敛速度慢、训练测试鲁棒性差等缺陷，这些缺陷将大大影响其预测的精度。
发明内容
为了克服传统手工测量人体尺寸的准确度在主观上取决于测量师傅的经验，以及商业非接触式三维人体扫描仪价格昂贵、操作复杂，且测量时需要受试者穿着紧身衣进行测量等不舒适体验，本发明提供一种基于改进QPSO-BP神经网络(改进量子粒子群优化BP神经网络)的人体尺寸组合预测方法，以降低服装设计与制作成本，同时提高服装设计的效率和智能化水平；该方法能有效避免单一预测方法的缺陷，并能够更加精准预测服装制版相关的人体尺寸。
本方法具体包括以下步骤：
步骤一、收集人体静态的净体数据并进行数据预处理，构造出人体尺寸的数据。
步骤二、采用分层协作进化量子粒子群算法以优化BP-ANN模型的权值和阈值。
步骤三、将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据，建立各主要特征参数与各部位尺寸的相关性关系。
步骤四、使用多元线性回归模型(MLR)对不易测量部位进行预测，再利用诱导有序加权平均算子(IOWA)对预测模型权重进行线性加权融合并进行重新分配，从而估算出预设部位精确的人体尺寸信息预测结果。
在步骤一中，采用非接触式三维人体测量方法以及对采集样本数据采用方差最大正交旋转法进行因子分析，并构建人体尺寸测量数据集，同时将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据。
在步骤二中，使用动态多子群划分方法将种群分为F个子种群，其每个子种群大小为Ng的子群并对每个子群独立寻优，从而选取每个子群的最优解
进入顶层并形成一个新种群。在顶层寻找该种群的最优解Gj(t)并更新所有顶层粒子的位置，再将
传入到底层每个子种群，并通过不断地引导子群以寻求最优解，从而使底层的各个子群体能够达到全局最优并引入莱维(Levy)飞行策略进一步扩大局部吸引子搜索范围。基于分层协作进化量子粒子群算法优化BP-ANN模型的权值和阈值，其输入层神经元节点数am＝3，隐含层神经元节点数bu＝13，输出层神经元节点数cn＝10。隐含层传递函数为tansig函数(正切S型传递函数)，输出层传递函数为purelin函数(线性传递函数)，训练函数选取trainlm函数(Levenberg-Marquardt网络训练算法)，BP-ANN网络学习率η＝0.001，动量因子mc＝0.01，总共训练次数Emax＝1000，BP-ANN模型的权值和阈值优化的种群规模为50个粒子，粒子的搜索范围[-1,1]。设隐含层节点数计算式为
构建的改进BP-ANN网络结构为3-13-10。在该步骤中，使用改进BP-ANN网络模型的输入层为易测的关键人体特征参数，包括人体身高(ST)、腰围(WG)和臀围(HG)；模型的输出层为裤装制版不易测量的详细部位人体尺寸，包括裆高(CH)、腰围高(WH)、腹围高(AH)、上裆围长(TCL)、裆宽(CW)、臀围高(HH)、膝围高(KH)、大腿围(TG)、腹围(AG)和膝围(KG)。
在步骤四中，通过最小二乘法求解多元线性回归模型(MLR)，其输入易于测量的部位尺寸并输出不易测量的部位尺寸；然后，通过引入有序加权平均算子并对预测模型的权重进行再分配。其中，有序加权平均算子(IOWA)根据各个单项预测方法在不同时间点的预测准确度而确定其权重ωj以及组合预测值
其中，r(b)ij为根据输入关键特征参数预测得到第j种第i个部位的人体数据，一共有n个预测部位，ωj是第j种预测方法的权重。
本发明通过对人体静态净体数据的收集，对其进行数据预处理，从而构造出人体尺寸的数据；构建基于分层协作进化量子粒子群算法优化BP-ANN模型的权值和阈值；将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据，建立各主要特征参数与各部位尺寸的相关性关系；使用多元线性回归模型对不易测量部位进行预测，再利用诱导有序加权平均算子对预测模型权重进行线性加权融合并进行重新分配，从而估算出预设部位精确的人体尺寸信息预测结果。
本发明克服传统手工测量人体尺寸的准确度在主观上取决于测量师傅的经验，以及商业非接触式三维人体扫描仪价格昂贵、操作复杂，且测量时需要受试者穿着紧身衣进行测量等不舒适体验，转向利用人工神经网络构建人体测量组合预测模型，并针对人体尺寸预测部位之间的复杂关联性、单一预测方法的缺陷，采用组合预测方法更加准确、有效地提供服装制版相关的人体尺寸预测，对研究智能化服装结构和合体性评估，在降低服装设计与制作成本，同时提高服装设计的效率和智能化水平方面均具有重要意义。
附图说明
图1是本发明中人体尺寸组合预测的总体流程图。
图2是本发明中与人体尺寸估算相关的测量部位示意图；
图3是本发明中基于分层协作进化的量子粒子群BP-ANN网络优化的流程图。
图4是本发明构建的组合预测模型预测人体尺寸下的服装三维缝合效果。
具体实施方式
下面结合附图对本发明的技术方法和基于人体尺寸预测的服装三维缝合效果作进一步描述和说明。
如图1所示，一种基于改进QPSO-BP神经网络的人体尺寸预测方法，具体包括如下步骤：
步骤一、通过对人体的静态净体数据的收集，对其进行预处理，构造出人体尺寸的数据；
本实施采用Vitus三维人体扫描测量仪对120名年龄在在20～28岁之间的在校青年女大学生数据采集，如图2所示，对每个人体提取与下身裤装结构设计相关的11个人体测量部位，即身高(ST)、腰围(WG)、臀围(HG)、裆高(CH)、腰围高(WH)、腹围高(AH)、臀围高(HH)、膝围高(KH)、上裆围长(TCL)、裆宽(CW)、大腿围(TG)、腹围(AG)和膝围(KG)。根据统计学知识与要求，通常在科学研究和工业生产中采取95％的可信度是被采纳的，从而估算样本容量：N≥1.962×MAX(CV2)/A2，其中N是最小样本容量，CV是每个测量项目的变异系数；为了减少误差，本实施例中A的取值1.6％，变异系数中腰围变异系数最大为7.14，因此，样本容量至少为100。
为了检测出数据中离群值，与“平均差±3σ”范围以外的数据被视为离群值并排除在分析范围之外。数据中存在特殊的体型将可能导致分析结果不准确，因而这里排除这些异常值。这些离群值仅占总体样本的8％左右，并利用剩下的106个样本构建小样本人体尺寸测量数据，其中σ表示数据方差。
对采集样本数据采用方差最大正交旋转法进行因子分析，第一个因子主要包括身高、裆高、臀围高、腹围高和膝围高，表示下体相应部位的高度，将第一个因子称为“高度因子”。第二个因子主要包括裆宽、腰围、腹围和膝围，表示下半身相应部位的厚度和周长，将第二个因子称为“围度因子”。第三个因子主要包括上裆围长，表示胯部的形状，将其表示为“胯部因子”。第四个因子主要包括臀腰差因子，表示下体的体型，将其表示为“臀腰差因子”。本实施例中依据因子总方差累计贡献率，选择贡献率较大前两个因子；同时将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据。
步骤二、如图3所示，构建基于分层协作进化量子粒子群算法优化BP-ANN模型的人体尺寸预测模型，建立各主要特征参数与各部位尺寸的相关性关系；
本实施通过构建改进分层协作进化量子粒子群算法应用于BP-ANN中可以保证权值和阈值的筛选是一个优化过程。
使用动态多子群划分方法将种群分为F个子种群，其每个子种群大小为Ng的子群并对每个子群独立寻优，从而选取每个子群的最优解
进入顶层并形成一个新种群；在顶层寻找该种群的最优解Gj(t)并更新所有顶层粒子的位置，再将
传入到底层每个子种群，通过不断地引导子群来寻求最优解，从而使底层的各个子群体能够达到全局最优，并引入莱维飞行策略进一步的扩大局部吸引子搜索范围。
量子粒子群算法QPSO通过蒙特卡罗方法模拟得出粒子位置更新进化方程为：
β(t)＝w1+(w2-w1)(Tmax-t)/Tmax；
其中，xij(t)为第t次迭代后粒子i的第j维位置，j＝1,2,…,D，D为粒子的维度(即搜索空间维数)，N为种群大小；μij(t+1)为服从[0,1]范围内的均匀概率分布；Lai(t)为粒子i第t次迭代后的局部吸引子，pbesti(t)为粒子i第t次迭代后的最优位置，pbestij(t)为第t次迭代后粒子i的第j维个体最优位置；gbest(t)为整个种群第t次迭代后的全局最优位置；mbestj(t+1)为第t次迭代后整个种群的第j维平均最优位置，
和μ为服从[0,1]范围内的均匀概率分布，rand为[0,1]区间上的一个随机数；β(t)为收缩-扩张系数；w1＝0.5，w2＝1，t为当前迭代次数，Tmax为最大迭代次数。
本实施进一步提出局部吸引子更新改进策略，并采用莱维飞行策略扩大局部吸引子搜索范围以提高改进QPSO算法局部搜索能力。
步骤三、将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据，用训练样本数据对所述的改进BP-ANN模型进行训练和测试；
本实施在基于分层协作进化量子粒子群算法优化BP-ANN网络的权值和阈值，构建具有3层结构的BP-ANN网络模型对人体尺寸进行估算，其输入层神经元节点数am＝3，隐含层神经元节点数bu＝13，输出层神经元节点数cn＝10。隐含层传递函数为tansig函数(正切S型传递函数)，输出层传递函数为purelin函数(线性传递函数)，训练函数选取trainlm函数(Levenberg-Marquardt网络训练算法)，BP-ANN网络学习率η＝0.001，动量因子mc＝0.01，总共训练次数Emax＝1000，BP-ANN模型的权值和阈值优化的种群规模为50个粒子，粒子的搜索范围[-1,1]。设隐含层节点数计算式为
其构建的BP-ANN网络结构为3-13-10。
将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数。本实施改进QPSO-BP人工神经网络训练流程，输入训练样本数据分别计算隐藏层的输出、计算输出层的输出、计算网络的误差、反向传播过程中输出层的权值和阈值更新、反向传播过程中隐藏层的权值和阈值更新、当网络输出结果不断逼近期望值，即当网络预测误差达到设计所需阈值时，改进QPSO-BP人工神经网络模型训练终止；否则，返回计算隐藏层的输出重新训练，直至预测误差达到可接受范围。BP-ANN网络训练后，可以输入测试样本数据，BP-ANN网络预测输出相应各个不易测量部位尺寸。
步骤四、使用多元线性回归模型(MLR)对不易测量部位进行预测，再利用诱导有序加权平均算子(IOWA)对预测模型权重进行线性加权融合并进行重新分配，从而估算出预设部位精确的人体尺寸信息预测结果。具体地说：
步骤1、构建MLR多元线性回归模型：r(b)＝β0+β1b1+…+βkbk+ξ；其中，r(b)为多元线性回归模型预测值，β0,β1,…,βk为自变量系数，ξ为随机误差，b1,b2,…,bk为输入的自变量；通过最小二乘法求解多元线性回归模型，其输入易于测量的部位尺寸，并输出不易测量的部位尺寸。
步骤2、IOWA算子的组合预测：
组合预测模型的准确性取决于加权因子的设计和分配，由于人体尺寸测量部位众多，部位之间关键复杂，若采用单一方法预测数据，不可避免产生较大的误差。诱导有序加权平均算子IOWA是根据各个单项预测方法在不同时间点的预测准确度而确定的权值ωj以及组合预测值
其中，r(b)ij为根据输入关键特征参数预测得到第j种第i个部位的人体数据，一共有n个预测部位，ωj是第j种预测方法的权重。其中，m取2并分别采用MLR多元线性回归预测方法和QPSO-BP非线性预测方法来组合预测。
本实施例中，IOWA计算流程如下：
首先，设ait为第i种预测模型在第t个样本的预测精度，ait∈[0,1]为预测值xit的诱导值，IOWA由a1t,a2t,…,amt所产生的m维有序加权平均算子如下：
其中，在第i种单项预测方法第t个样本预测精度及其对应预测值xmt，则构成了m个二维数组<a1t,x1t>,<a2t,x2t>,…,<amt,xmt>，a-index(it)是第i个大的预测精度的下标，Wi是第i种预测方法的权重系数。
其次，设ea-index(it)＝xt-xa-index(it)，ea-index(it)为第t个样本的组合预测误差、xt为真实值；则N个样本预测误差平方和S为：
IOWA诱导有序加权平均组合预测模型最小化N个样本预测误差平方和表示为：
最后，利用Matlab最优化工具箱计算上式约束优化问题，得到组合预测模型最优权系数。
如图4所示，为利用本发明构建的组合预测模型预测人体尺寸下的服装三维缝合效果，首先通过模型输入的关键部位人体特征参数预测得到其它部位的人体尺寸，然后通过三维虚拟缝合技术缝合生成三维立体紧身裤并在三维模特身上进行试穿验证。由图4可知，依据本发明提出的人体尺寸预测得到的人体部位尺寸与无松量贴体裤相关尺寸相当接近，在三维虚拟环境中可以直观展示三维模特试穿效果，验证了本实施方案预测精度以及在实际服装制版设计中的可行性。
Claims (4)
1.一种基于改进QPSO-BP神经网络的人体尺寸预测方法，其特征在于：具体包括以下步骤：
步骤一、收集人体静态的净体数据并进行数据预处理，构造出人体尺寸的数据；
步骤二、采用分层协作进化量子粒子群算法以优化BP-ANN模型的权值和阈值；
步骤三、将人体尺寸测量数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据，建立各主要特征参数与各部位尺寸的相关性关系；
步骤四、使用多元线性回归模型MLR对不易测量部位进行预测，再利用诱导有序加权平均算子IOWA对预测模型权重进行线性加权融合并进行重新分配，从而估算出预设部位精确的人体尺寸信息预测结果。
2.如权利要求1所述的基于改进QPSO-BP神经网络的人体尺寸预测方法，其特征在于：所述步骤一采用非接触式三维人体测量方法以及对采集样本数据采用方差最大正交旋转法进行因子分析，并构建人体尺寸测量数据集，同时将人体尺寸数据集中的数据采用K折交叉验证划分为训练样本数据和测试样本数据。
3.如权利要求1所述的基于改进QPSO-BP神经网络的人体尺寸预测方法，其特征在于：所述步骤二使用动态多子群划分方法将种群分为F个子种群，其每个子种群大小为Ng的子群并对每个子群独立寻优，从而选取每个子群的最优解
进入顶层并形成一个新种群；在顶层寻找该种群的最优解Gj(t)并更新所有顶层粒子的位置，再将
传入到底层每个子种群，并通过不断地引导子群以寻求最优解，从而使底层的各个子群体能够达到全局最优并引入莱维(Levy)飞行策略进一步扩大局部吸引子搜索范围；基于分层协作进化量子粒子群算法优化BP-ANN模型的权值和阈值，其输入层神经元节点数am＝3，隐含层神经元节点数bu＝13，输出层神经元节点数cn＝10；隐含层传递函数为tansig函数，输出层传递函数为purelin函数，训练函数选取trainlm函数，BP-ANN网络学习率η＝0.001，动量因子mc＝0.01，总共训练次数Emax＝1000，BP-ANN模型的权值和阈值优化的种群规模为50个粒子，粒子的搜索范围[-1,1]；设隐含层节点数计算式为
构建的改进BP-ANN网络模型为3-13-10结构；改进BP-ANN网络模型的输入层为易测的关键人体特征参数。
4.如权利要求1所述的基于改进QPSO-BP神经网络的人体尺寸预测方法，其特征在于：所述步骤四通过最小二乘法求解多元线性回归模型MLR，其输入易于测量的部位尺寸并输出不易测量的部位尺寸；然后，通过引入有序加权平均算子并对预测模型的权重进行再分配；诱导有序加权平均算子IOWA是根据各个单项预测方法在不同时间点的预测准确度而确定的权重ωj以及组合预测值
其中，r(b)ij为根据输入关键特征参数预测得到第j种第i个部位的人体数据，一共有n个预测部位，ωj是第j种预测方法的权重。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003982.9A CN115953804B (zh) | 2023-01-03 | 2023-01-03 | 基于改进qpso-bp神经网络的人体尺寸预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310003982.9A CN115953804B (zh) | 2023-01-03 | 2023-01-03 | 基于改进qpso-bp神经网络的人体尺寸预测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115953804A true CN115953804A (zh) | 2023-04-11 |
| CN115953804B CN115953804B (zh) | 2024-06-25 |
Family
ID=87296556
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310003982.9A Active CN115953804B (zh) | 2023-01-03 | 2023-01-03 | 基于改进qpso-bp神经网络的人体尺寸预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115953804B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN111882120A (zh) * | 2020-07-14 | 2020-11-03 | 西安工业大学 | 基于VMD-MQPSO-BPn网络的电力负荷预测方法 |
| CN113570165A (zh) * | 2021-09-03 | 2021-10-29 | 中国矿业大学 | 基于粒子群算法优化的煤储层渗透率智能预测方法 |
| US20220358367A1 (en) * | 2021-04-28 | 2022-11-10 | North China Electric Power University | Prediction method and device for clearing price of auxiliary service for peak regulation based on deep learning |
-
2023
- 2023-01-03 CN CN202310003982.9A patent/CN115953804B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359738A (zh) * | 2018-10-19 | 2019-02-19 | 西南交通大学 | 一种基于qpso-bp神经网络的滑坡危险性评估方法 |
| CN111814804A (zh) * | 2020-05-25 | 2020-10-23 | 武汉纺织大学 | 基于ga-bp-mc神经网络的人体三维尺寸信息预测方法及装置 |
| CN111882120A (zh) * | 2020-07-14 | 2020-11-03 | 西安工业大学 | 基于VMD-MQPSO-BPn网络的电力负荷预测方法 |
| US20220358367A1 (en) * | 2021-04-28 | 2022-11-10 | North China Electric Power University | Prediction method and device for clearing price of auxiliary service for peak regulation based on deep learning |
| CN113570165A (zh) * | 2021-09-03 | 2021-10-29 | 中国矿业大学 | 基于粒子群算法优化的煤储层渗透率智能预测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 何晓云;许江淳;陈文绪;: "基于混沌量子粒子群BP算法的研究", 自动化仪表, no. 12, 20 December 2019 (2019-12-20) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115953804B (zh) | 2024-06-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN101793887B (zh) | 大菱鲆养殖水质评价的模糊神经网络专家系统的构建方法 | |
| CN109857835A (zh) | 一种基于认知诊断理论的自适应网络安全知识测评方法 | |
| Zakaria et al. | Apparel sizing: existing sizing systems and the development of new sizing systems | |
| CN111125908A (zh) | 基于极限学习机的面包生产建模及决策参数优化方法 | |
| CN103637800B (zh) | 基于八段阻抗模型的人体成分分析的方法 | |
| Zhang et al. | Multi-attribute decision making: An innovative method based on the dynamic credibility of experts | |
| CN103838963A (zh) | 一种文胸压力舒适性评价方法 | |
| CN108460462A (zh) | 一种基于区间参数优化的区间神经网络学习方法 | |
| CN110991478B (zh) | 热舒适感模型建立方法和用户偏好温度的设定方法及系统 | |
| CN110289987B (zh) | 基于表征学习的多智能体系统网络抗攻击能力评估方法 | |
| Zhang et al. | Hybridization of cognitive computing for food services | |
| CN101458733A (zh) | 一种服装结构设计的集成智能优化方法 | |
| CN115953804A (zh) | 一种基于改进qpso-bp神经网络的人体尺寸预测方法 | |
| CN115147768B (zh) | 一种跌倒风险评估方法及系统 | |
| Cheng et al. | Fast clustering of male lower body based on GA-BP neural network | |
| Chan et al. | Wearing comfort of two construction work uniforms | |
| 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 | |
| CN105224808B (zh) | 基于三维坐标的投影积分函数皮肤状态综合评价方法 | |
| Xue et al. | Artificial intelligence applied to multisensory studies of textile products | |
| Yang et al. | An improved probabilistic neural network with ga optimization | |
| Ahmad et al. | Comparison of forecasting methodologies using egg price as a test case | |
| Liu et al. | A novel evaluation technique for human body perception of clothing fit | |
| CN110879914A (zh) | 一种基于anfis的裤装虚拟试穿合体性评估方法 | |
| Sano et al. | Automatic feature extraction of channel gains of wireless body area network using convolutional neural networks | |
| Shuaishuai et al. | Prediction model of transpiration rate of strawberry in closed cultivation based on DBN-LSSVM algorithm |
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 |