CN1952962A - 职业服装号型智能归类的模糊神经网络方法 - Google Patents

Abstract

本发明属于职业服装号型归类技术领域，涉及到采用模糊神经网络模型对职业服装号型进行智能归类的方法。其特征是采用了单位BP算法、加入动量项、引入陡度因子和进化规划四种改进策略进行改进，根据不同的情况调用相应的策略，利用模糊逻辑和神经网络的关联性和互补性，针对服装号型数据难以精确归类的特点，引入模糊规则建立模糊神经网络来进行样本训练，实现归类过程的智能化。本发明的效果和益处是把模糊神经网络应用到职业服装号型归类上，实现了职业服装号型归类的智能化，大大节省了传统服装领域花在服装号型归类上的人力、物力和财力；解决了目前职业服装样衣套穿成本高、周期长、分档要求高及量体师的测量误差导致分档不合理等问题。

Description

职业服装号型智能归类的模糊神经网络方法

技术领域

本发明属于职业服装号型归类技术领域，涉及到采用模糊神经网络模型对职业服装号型进行智能归类的方法。

背景技术

目前，在服装领域中存在着一些问题，用传统的方法一直没能得到很好的解决，已经成为制约服装企业发展的主要因素。这些问题主要表现在：1.样衣套穿成本高、周期长。目前国内普遍使用的服装量体方法还是传统的样衣套穿。用这种方法要先准备足够的样衣，有时甚至要准备几套样衣以便量体师分散到着装单位测量。样衣的制作费工、费料、不便携带，使得生产准备的投入大、周期长，严重影响了企业承揽服装的能力。2.号型归档要求高。为了克服样衣套穿的不足，企业也曾尝试使用净体测量尺寸归档生成成衣号型的方法进行服装量体。这种方法是根据每个着装者测得的十几个净体尺寸归出一个成衣号型。虽然克服了制作样衣的弊端，但是由于每一号型的归档都是量体师根据测得的着装者的十几个净体数据由一定的换算方法得来，里面还参考了量体师多年裁剪服装的经验。由于工作量大、要求高，使得这种方法没能在生产实际中得以推行。3.测量误差造成归类号型不合体。目前，我国净体测量还都是采用手工方法完成，由于手工测量时会因测量人员疲劳、测量经验和习惯不同而造成数据误差，因此对于同一个人来说，不同的量体师可能会给出不同的量体数据和服装号型。

随着服装工业的发展，服装生产呈现出了多品种、小批量、高质量的特点。因此传统的职业服装归类方法无法满足不同顾客群对服装的要求，特别是现在由于在职业服装的定制这个方面，由于大量的服装订单，客户体型各异，服装厂往往求教于经验丰富的裁剪师傅来为每个客户“定制”合适的衣服。这造成了重复工作，效果不是很理想。

发明内容

本发明的目的是提供一种实现职业服装号型归类智能化、科学化，并最终达到较高合体率的应用模型，解决了服装企业迫切希望的运用智能技术实现职业服装号型归类的方法。

本发明的技术方案是使用改进标准BP网络与模糊逻辑模型相结合职业对服装号型进行智能归类的方法，包括以下二个方面内容：

一、标准BP网络的改进

标准BP网络就是指BP网络的学习算法，由四个过程组成：

1.输入模式由输入层经中间层向输出层的“前向传播”过程；

2.网络的希望输出与网络实际输出之差的误差信号由输出层经中间层向输入层逐层修正连接权的“误差反向传播”过程；

3.由“前向传播”与“误差反向传播”的反复交替进行的网络“记忆训练”过程；

4.网络趋向收敛即网络的全局误差趋向极小值的“学习收敛”过程。

标准BP神经网络存在收敛速度慢、易于陷入局部极小点的缺点，其发明采用了下面的方法对标准BP神经网络进行改进：

(1)单位BP算法：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{ij}}=\frac{-\mathrm{\λ}\∂E_{\mathrm{ij}}/\∂{\mathrm{\ω}}_{\mathrm{ij}}}{B{\left(k\right)}_{\mathrm{\ω}}}=\frac{-\mathrm{\λ}\∂E_k/\∂{\mathrm{\ω}}_{\mathrm{ij}}}{\sqrt{\underset{i-1}{\overset{{\mathrm{ij}}_2}{\mathrm{\Σ}}}\underset{j-1}{\overset{{\mathrm{ij}}_3}{\mathrm{\Σ}}}[\frac{\∂E_k}{\∂{\mathrm{\ω}}_{\mathrm{ij}}}{]}^2}}$

这种算法在常规的BP算法权值修改量的基础上，添加了分母上的基量函数，可以克服收敛速度过慢的特点。

(2)动量项方法：

在实际应用中，学习速率^lr的选择很重要，^lr大则收敛快，但过大则可能引起不稳定，^lr过小可避免震荡，但是收敛速度慢，解决这一矛盾最简单的方法是加入动量项，如下式所示。

Δw^m _(k+1)＝mrΔw^m _(k)-lr×s^m×(α^m-1)^T

(3)陡度因子方法：

在原激励函数中引入一个陡度因子^λ： ，当发现ΔE接近于零而^(t-y)仍较大时，可判断训练已经进入平坦区，此时令^λ＞1；当退出平坦区后，再令^λ＝1。

(4)进化规划(Evolutionary Programming，EP)技术方法：

这是遗传算法中进化计算的一种算法。具体公式如下：

x¹＝x+σ·N(0，1)                                   (1)

$\mathrm{\σ}=\sqrt{\mathrm{\β}\·\mathrm{\Φ}\left(x\right)+r}---\left(2\right)$

式(1)中^N(0，1)表示对每个重新采样且具有期望值为0、标准偏差为1的正态分布随机变量，式(2)中系数^β，r是特定参数，一般将^β和r分别置为1和0。当处于局部极小点时，对学习速率进行进化规划，直到产生能保证误差平方和减少为止，退出进化规划过程。

本发明进行职业服装号型智能归类时采用了只含有一层隐层的BP神经网络模型。由于输入的服装数据都包含8个量，所以输入层节点数为8，把每个规格数据例如规格身高、胸围、腰围等分开训练生成，因此输出层节点数为1，采用多次尝试的取优值的方法选取隐含层节点数，本发明最终采用10个隐含层节点。

二、模糊逻辑模型的改进

在改进BP神经网络的基础上，增加改进BP神经网络模型的输出层节点数，转换成模糊逻辑层，本发明模糊逻辑层采用10个节点。在模糊逻辑层使用隶属度函数来进行处理，最后得到网络的输出，详细流程如附图所示。

根据要处理的号型数据本身带有精确性差或模糊性、从已知的人体指标数据到要决策的合体号型之间存在复杂的非线性映射关系、存在多个输入和多个输出这三个典型特点，提出应用模糊神经网络的方法解决服装号型的分档归类问题。

本发明的效果和益处是建立了基于改进标准BP网络和模糊逻辑两种方法智能归类模型，采用了单位BP算法、加入动量项、引入陡度因子和进化规划四种改进神经网络策略，在不同的时间调用不同的策略，从而克服了神经网络自身存在的缺点，加快了收敛速度，克服了易于陷入局部极小点的缺点，完成了对神经网络模型的改进。同时根据模糊逻辑和神经网络的关联性和互补性，针对服装号型数据难以精确归类的特点，引入模糊规则建立模糊神经网络来进行样本训练，实现归类过程的人性化、智能化。直接根据人体数据给出号型智能归类的号型，不再需要很多非常有经验的裁剪师进行归档，节省了大量人力物力，提高了工作效率和质量，同时能够应用科学的容错方法来克服量体数据的误差。

附图说明

附图是本发明的流程图。

图中：

0.0数据采集

收集、整理六千多条制服生产记录。

0.1数据处理

去除脏数据，对样本数据的丢失数值、不合理个数值进行处理。

0.2属性拆分

衣号型形如175/80B拆分为3个属性，分别为号型之身高，号型之胸围，号型之体型。其中，号型之体型中的A，B，C分别用数字1，2，3来表示。

0.3数据字符串属性→数值型数据

衣号型形如175/80B(175表示上衣号型之身高，80表示号型之胸围，B表示号型之体型)，号型之体型中的A，B，C分别用数字1，2，3来表示。

1.1权值和参数的初始化

网络权值和阈值使用(-1，1)之间的随机数，也可以使用上次训练保存的值。学习速率lr，动量系数，陡度因子，采用多次尝试取最满意的方法选取，训练精度err，训练次数N。

1.2服装号型指标神经元

服装号型目前使用身高、胸围、腰围以及号型来归类，表示体型的每个输入样本变量有8项：

身高shg，胸围xw，腰围yw，臂长bc，腰围点高ywdg，总肩宽zjk，颈围jw，臀围tw，输入层使用8个神经元。

2.1确定节点数

输入隐层结点数，进行网络训练，根据不同结点数所达到的精度和所需要的训练次数，确定最满意的隐层结点数。根据服装样本数据的特点，本发明最终确定的最满意隐层数为10。

2.2改进的传输函数

隐层采用的传输函数为Sigmoid函数，即f(x)＝1/(1+e^(-x/d))

3.1确定节点数

选择三个神经元，以便在模糊聚类层进行模糊化处理

3.2传输函数

传输函数使用线性函数y＝ax+b，通过多次尝试法进行训练，最终选取a＝1，b＝0，已经达到要求。

4.1确定隶属度函数

选用高斯函数作为隶属度函数，μ(x)＝g(x，σ，c)＝e^{(-(x-c)2/2σ2)}，进行模糊化处理。

4.2输出值的确定

输出值O＝∑μ(x_i)*x_i/∑μ(x_i)。x_i为常规输出层1个神经元的输出。

具体实施方式

以下结合技术方案和附图详细叙述本发明的具体实施方式。

从职业服装的6000多条职业服装数据记录中，抽取得到670条记录作为目标样本数据，然后把所有体型数据除以1000进行数据预处理，保证所有网络输入数据的值都在0到1之间，得到净化数据；把转换后净化数据作为训练样本数据；通过采用单位BP算法和动量项方法改进后的标准BP网络进行训练，如果进入平坦区，调用陡度因子方法，跳出平坦区后，退出陡度因子方法；如果陷入局部极小点，调用进化规划技术方法，跳出局部极小点后，退出陡度因子方法；最终误差值满足要求停止训练，保存模糊神经网络训练的最终权值矩阵和阈值，得到本发明的模糊神经网络模型。模糊神经网络模型得到以后，再从职业服装企业随机收集200条职业服装数据，作为测试数据进行测试，测试合体率达到83％，满足了日常需求；而使用相同的训练样本数据建立了基于职业服装号型归类的多元回归模型，使用与本发明相同的测试数据进行测试，得到测试的合体率为53.5％；对比本发明与多元回归模型对预测数据产生的结果，本发明的合格率远远高于多元回归模型的测试结果。

Claims (1)

1.一种职业服装号型智能归类的模糊神经网络方法，是改进的标准BP网络和模糊逻辑模型相结合，实现计算机进行职业服装号型的智能归类；其特征在于标准BP网络的改进，包括

(1)单位BP算法：

$\mathrm{\Δ}{\mathrm{\ω}}_{\mathrm{ij}}=\frac{-\mathrm{\λ}\∂E_k/\∂{\mathrm{\ω}}_{\mathrm{ij}}}{B{\left(K\right)}_{\mathrm{\ω}}}=\frac{-\mathrm{\λ}\∂E_k/\∂{\mathrm{\ω}}_{\mathrm{ij}}}{\sqrt{\underset{i=1}{\overset{x_2}{\mathrm{\Σ}}}\underset{j=1}{\overset{x_3}{\mathrm{\Σ}}}{\[\frac{\∂E_k}{\∂{\mathrm{\ω}}_{\mathrm{ij}}}\]}^2}\stackrel{}{}}$

(2)动量项方法：

Δw^m _(k+1)＝mrΔw^m _(k)-lr×s^m×(a^m-1)^T

(3)陡度因子方法：

在原激励函数中引入一个陡度因子λ：

当发现ΔE接近于零而(t-y)仍较大时，可判断训练已经进入平坦区，此时令λ＞1；当退出平坦区后，再令λ＝1；

(4)进化规划技术方法：

x’＝x+σ·N(0，1)    (1)

$\mathrm{\σ}=\sqrt{\mathrm{\β}\·\mathrm{\Φ}\left(x\right)+r}$ (2)

式(1)中N(0，1)表示对每个重新采样且具有期望值为0、标准偏差为1的正态分布随机变量，式(2)中系数β，γ是特定参数，一般将β和γ分别置为1和0。

Images