本發(fā)明涉及一種鞋楦尺碼預(yù)測(cè)方法及預(yù)測(cè)裝置，特別涉及一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)方法及預(yù)測(cè)裝置。

背景技術(shù)：

近年來，電子商務(wù)越來越火，c2b，b2b，c2c，b2c，o2o等模式層出不窮，給人們的消費(fèi)帶來了遍歷，同時(shí)也減少了消費(fèi)鏈條，降低成本。但對(duì)于鞋子定做來說，價(jià)格卻居高不下，原因在于：1、市場(chǎng)上鞋子大多是標(biāo)準(zhǔn)碼，按過往經(jīng)驗(yàn)設(shè)計(jì)，如果不試穿，往往無法選擇真正合適的鞋子；2、如果想在家就定制合適的鞋子，需要商家提供上門服務(wù)，而現(xiàn)今，人工費(fèi)居高不下，這也是導(dǎo)致定制鞋價(jià)格較高的重要原因。

因此，如何讓消費(fèi)者在家就能買到價(jià)格適中、合適的鞋子，成為鞋子定制領(lǐng)域的迫切需求。

技術(shù)實(shí)現(xiàn)要素：

為了解決現(xiàn)有技術(shù)的不足，本發(fā)明的目的是提供一種能夠快速、便捷、準(zhǔn)確的鞋楦尺碼預(yù)測(cè)方法及預(yù)測(cè)裝置。

為了實(shí)現(xiàn)上述目的，本發(fā)明提供了一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)方法，包括如下步驟：

s1、采集測(cè)試者足部參數(shù)及對(duì)應(yīng)鞋楦參數(shù)；

s2、對(duì)所述(s1)中采集到的足部參數(shù)進(jìn)行聚類，剔除明顯離群的噪聲數(shù)據(jù)，計(jì)算每個(gè)尺碼的聚類中心；

s3、使用遞歸神經(jīng)網(wǎng)絡(luò)，得到并輸出鞋楦參數(shù)預(yù)測(cè)模型；

s4、采集消費(fèi)者足部參數(shù)；

s5、將所述(s4)中的足部參數(shù)輸入到所述(s3)訓(xùn)練好的所述鞋楦參數(shù)預(yù)測(cè)模型中，得到鞋楦尺碼和鞋楦參數(shù)。

優(yōu)選地，所述步驟s3包括如下步驟：

s31、初始化遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重，在初始化的基礎(chǔ)上進(jìn)行學(xué)習(xí)參數(shù)；

s32、將目標(biāo)函數(shù)加入遞歸神經(jīng)網(wǎng)絡(luò)的相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)；

s33、將去噪后的足部參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)中做前傳計(jì)算，得到預(yù)測(cè)的鞋楦參數(shù)；

s34、將所述(s1)中真實(shí)的鞋楦參數(shù)與所述步驟(s33)中預(yù)測(cè)的鞋楦參數(shù)計(jì)算誤差，反向傳播誤差，更新神經(jīng)網(wǎng)絡(luò)參數(shù)；

s35、計(jì)算新的尺碼聚類中心，以新的尺碼聚類中心代替相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)的聚類中心，輸出鞋楦參數(shù)預(yù)測(cè)模型。

優(yōu)選地，所述步驟s3包括如下步驟：

有利地，所述步驟s31中的遞歸神經(jīng)網(wǎng)絡(luò)為由長(zhǎng)短時(shí)記憶模型(lstm)組成的遞歸神經(jīng)網(wǎng)絡(luò)。

有利地，所述步驟s5中，所述消費(fèi)者鞋楦參數(shù)預(yù)測(cè)，首先得到預(yù)測(cè)尺碼的第一維特征，然后作為下一步輸入，獲得預(yù)測(cè)尺碼的第二維特征，得到指定數(shù)量的特征維數(shù)后停止，獲取最終鞋楦尺碼。

本發(fā)明還提供了一種基于深度學(xué)習(xí)的鞋楦尺碼自動(dòng)預(yù)測(cè)裝置，包括：

訓(xùn)練模塊，用于訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)的鞋楦參數(shù)預(yù)測(cè)模型；

輸入模塊，用于為消費(fèi)者輸入足部參數(shù)提供接口；

自動(dòng)預(yù)測(cè)模塊，用于將消費(fèi)者足部參數(shù)傳入遞歸神經(jīng)網(wǎng)絡(luò)的鞋楦參數(shù)預(yù)測(cè)模型，自動(dòng)預(yù)測(cè)鞋楦尺碼；

輸出模塊，用于根據(jù)自動(dòng)預(yù)測(cè)模塊預(yù)測(cè)的鞋楦尺碼，自動(dòng)生成鞋楦參數(shù)，并輸出給消費(fèi)者。

優(yōu)選地，所述訓(xùn)練模塊包括基于長(zhǎng)短時(shí)記憶模型(lstm)組成的遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元。

針對(duì)當(dāng)前鞋楦尺碼測(cè)量不夠準(zhǔn)確，并且主觀性強(qiáng)的問題，設(shè)計(jì)出基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)方法與預(yù)測(cè)裝置，能夠根據(jù)消費(fèi)者的足部參數(shù)快速、準(zhǔn)確預(yù)測(cè)對(duì)應(yīng)的鞋楦尺碼。

附圖說明

圖1是本發(fā)明所提供的預(yù)測(cè)方法流程圖；

圖2是本發(fā)明所提供的遞歸神經(jīng)網(wǎng)絡(luò)的展開圖；

圖3是本發(fā)明提供的預(yù)測(cè)裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

如圖1所示，本發(fā)明提供的一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)方法，包括如下步驟：

s1、采集測(cè)試者足部參數(shù)及對(duì)應(yīng)鞋楦參數(shù)；

s2、對(duì)所述(s1)中采集到的足部參數(shù)進(jìn)行聚類，剔除明顯離群的噪聲數(shù)據(jù)，計(jì)算每個(gè)尺碼的聚類中心；

s3、使用遞歸神經(jīng)網(wǎng)絡(luò)，得到并輸出鞋楦參數(shù)預(yù)測(cè)模型；

s4、采集消費(fèi)者足部參數(shù)；

s5、將所述(s4)中的足部參數(shù)輸入到所述(s3)訓(xùn)練好的所述鞋楦參數(shù)預(yù)測(cè)模型中，得到鞋楦尺碼和鞋楦參數(shù)。

上述s1步驟中，采集測(cè)試者足部參數(shù)，具體包括腳長(zhǎng)、腳跖圍g2、腳跗圍g3、腳兜跟圍g4、腳寬、掌寬、拇指外突點(diǎn)輪廓里寬、小趾外突點(diǎn)輪廓外寬、第一跖趾輪廓里寬、第五跖趾輪廓外寬、腰窩輪廓外寬、踵心輪廓全寬、拇指高度、腳型g2高、腳型g3高、腳型g4高、腳投影底面積、g2面積、g3面積、g4面積、g4前中截面面積、腳前部體積、整腳體積，對(duì)應(yīng)鞋楦尺碼，包括兩維特征，其中一維為碼數(shù)，具體為：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，另外一維為大小，具體為xs，s，m，l，xl，xxl，鞋楦尺碼對(duì)應(yīng)的參數(shù)，具體包括楦底樣長(zhǎng)度、楦底長(zhǎng)度、楦鞋長(zhǎng)、楦后身長(zhǎng)、鞋楦后容差、統(tǒng)口長(zhǎng)度、基本寬度、掌寬、踵心全寬、統(tǒng)口寬度、楦體寬度、前蹺高、后蹺高、后身高、頭厚、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、腳趾端點(diǎn)全寬、拇指外突點(diǎn)里寬、小趾外突點(diǎn)外寬、第一跖趾關(guān)節(jié)點(diǎn)里寬、第五跖趾關(guān)節(jié)點(diǎn)外寬、腰窩部位點(diǎn)外寬、踵心部位全寬、g2面積、g3面積、g4面積、楦底板面積、g4前中截面面積、g2前體積、整鞋體積。

優(yōu)選地，所述步驟s3包括如下步驟：

s31、初始化遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重，在初始化的基礎(chǔ)上進(jìn)行學(xué)習(xí)參數(shù)；

s32、將目標(biāo)函數(shù)加入遞歸神經(jīng)網(wǎng)絡(luò)的相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)；

s33、將去噪后的足部參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)中做前傳計(jì)算，得到預(yù)測(cè)的鞋楦參數(shù)；

s34、將所述(s1)中真實(shí)的鞋楦參數(shù)與所述步驟(s33)中預(yù)測(cè)的鞋楦參數(shù)計(jì)算誤差，反向傳播誤差，更新神經(jīng)網(wǎng)絡(luò)參數(shù)；

s35、計(jì)算新的尺碼聚類中心，以新的尺碼聚類中心代替相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)的聚類中心，輸出鞋楦參數(shù)預(yù)測(cè)模型。

s36、循環(huán)迭代學(xué)習(xí)過程，直到誤差小于一定閾值，得到并輸出最終的鞋楦參數(shù)預(yù)測(cè)模型。

遞歸神經(jīng)網(wǎng)絡(luò)是一種具有固定的權(quán)值、外部的輸入和內(nèi)部的狀態(tài)的神經(jīng)網(wǎng)絡(luò)，可將其看作以權(quán)值和外部輸入為參數(shù)的，關(guān)于內(nèi)部狀態(tài)的行為動(dòng)力學(xué)。長(zhǎng)短期記憶網(wǎng)絡(luò)——通常簡(jiǎn)稱“l(fā)stms”——是一種特殊的rnn，能夠?qū)W習(xí)長(zhǎng)期依賴關(guān)系。它們由hochreiter和schmidhuber(1997)提出，在后期工作中又由許多人進(jìn)行了調(diào)整和普及(除了原始作者之外，許多人為現(xiàn)代lstm做出了貢獻(xiàn)。它們?cè)诖罅繂栴}上效果異常出色，現(xiàn)在正在廣泛使用。lstms明確設(shè)計(jì)成能夠避免長(zhǎng)期依賴關(guān)系問題。記住信息很長(zhǎng)一段時(shí)間幾乎是它們固有的行為，而不是努力去學(xué)習(xí)！

所述步驟s31中的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)包含以下子步驟：

s311、令p為足部參數(shù)，c為對(duì)應(yīng)尺碼聚類中心，e為結(jié)束的足部參數(shù)向量，則

p＝(p1,p2,…,pn),pi∈api,i∈[1,n]

c＝(c1,c2,…,cm),ci∈aci,i∈[1,m]

其中，p由n個(gè)參數(shù)組成，對(duì)應(yīng)的尺碼有m維；假設(shè)共有s個(gè)尺碼，尺碼包含的特征集合數(shù)量為n，sj為第j個(gè)特征，pi為第i步預(yù)測(cè)的基于尺碼特征的softmax分布，pi(sj)為sj的概率，預(yù)測(cè)出的尺碼特征為oi，則：

oi＝argmaxsjpi(sj),j∈[1,n]

s312、設(shè)預(yù)測(cè)第i個(gè)特征的損失函數(shù)為-logpi(sj)-λ||xi-sj||，其中xi為每次預(yù)測(cè)結(jié)束后計(jì)算得到的尺碼聚類中心的第i維特征。并采用高斯分布初始化網(wǎng)絡(luò)參數(shù)。

上述s5步驟中，所述消費(fèi)者鞋楦參數(shù)預(yù)測(cè)，首先得到預(yù)測(cè)尺碼的第一維特征，然后作為下一步輸入，獲得預(yù)測(cè)尺碼的第二維特征，得到指定數(shù)量的特征維數(shù)后停止，獲取最終鞋楦尺碼。

本發(fā)明還提供了一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)裝置，包括訓(xùn)練模塊，用于訓(xùn)練遞歸神經(jīng)網(wǎng)絡(luò)的鞋楦參數(shù)預(yù)測(cè)模型；輸入模塊，用于為消費(fèi)者輸入足部參數(shù)提供接口；自動(dòng)預(yù)測(cè)模塊，用于將消費(fèi)者足部參數(shù)傳入遞歸神經(jīng)網(wǎng)絡(luò)的鞋楦參數(shù)預(yù)測(cè)模型，自動(dòng)預(yù)測(cè)鞋楦尺碼；輸出模塊，用于根據(jù)自動(dòng)預(yù)測(cè)模塊預(yù)測(cè)的鞋楦尺碼，自動(dòng)生成鞋楦參數(shù)，并輸出給消費(fèi)者。優(yōu)選地，所述訓(xùn)練模塊包括基于長(zhǎng)短時(shí)記憶模型(lstm)組成的遞歸神經(jīng)網(wǎng)絡(luò)訓(xùn)練單元。

針對(duì)當(dāng)前定制鞋子，需要人工參與，主觀性強(qiáng)，價(jià)格居高不下的問題，設(shè)計(jì)出基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測(cè)方法與預(yù)測(cè)裝置，能夠根據(jù)消費(fèi)者的足部數(shù)據(jù)快速準(zhǔn)確的設(shè)計(jì)出合適的鞋子。

以上詳細(xì)描述了本發(fā)明的優(yōu)選的具體實(shí)施例。應(yīng)當(dāng)理解，本領(lǐng)域的普通技術(shù)人員無需創(chuàng)造性勞動(dòng)就可以根據(jù)本發(fā)明的設(shè)計(jì)構(gòu)思做出諸多修改和變化。因此，凡本技術(shù)領(lǐng)域中技術(shù)人員依本發(fā)明的設(shè)計(jì)構(gòu)思在現(xiàn)有技術(shù)的基礎(chǔ)上通過邏輯分析、推理或者有限的實(shí)驗(yàn)可以得到的技術(shù)方案，皆應(yīng)在本發(fā)明的范圍之內(nèi)和/或由權(quán)利要求書所確定的保護(hù)范圍內(nèi)。