專利名稱：職業(yè)服裝號(hào)型智能歸類的模糊神經(jīng)網(wǎng)絡(luò)方法
技術(shù)領(lǐng)域：
本發(fā)明屬于職業(yè)服裝號(hào)型歸類技術(shù)領(lǐng)域，涉及到采用模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)職業(yè)服裝號(hào)型進(jìn)行智能歸類的方法。
背景技術(shù)：
目前，在服裝領(lǐng)域中存在著一些問題，用傳統(tǒng)的方法一直沒能得到很好的解決，已經(jīng)成為制約服裝企業(yè)發(fā)展的主要因素。這些問題主要表現(xiàn)在1.樣衣套穿成本高、周期長(zhǎng)。目前國(guó)內(nèi)普遍使用的服裝量體方法還是傳統(tǒng)的樣衣套穿。用這種方法要先準(zhǔn)備足夠的樣衣，有時(shí)甚至要準(zhǔn)備幾套樣衣以便量體師分散到著裝單位測(cè)量。樣衣的制作費(fèi)工、費(fèi)料、不便攜帶，使得生產(chǎn)準(zhǔn)備的投入大、周期長(zhǎng)，嚴(yán)重影響了企業(yè)承攬服裝的能力。2.號(hào)型歸檔要求高。為了克服樣衣套穿的不足，企業(yè)也曾嘗試使用凈體測(cè)量尺寸歸檔生成成衣號(hào)型的方法進(jìn)行服裝量體。這種方法是根據(jù)每個(gè)著裝者測(cè)得的十幾個(gè)凈體尺寸歸出一個(gè)成衣號(hào)型。雖然克服了制作樣衣的弊端，但是由于每一號(hào)型的歸檔都是量體師根據(jù)測(cè)得的著裝者的十幾個(gè)凈體數(shù)據(jù)由一定的換算方法得來(lái)，里面還參考了量體師多年裁剪服裝的經(jīng)驗(yàn)。由于工作量大、要求高，使得這種方法沒能在生產(chǎn)實(shí)際中得以推行。3.測(cè)量誤差造成歸類號(hào)型不合體。目前，我國(guó)凈體測(cè)量還都是采用手工方法完成，由于手工測(cè)量時(shí)會(huì)因測(cè)量人員疲勞、測(cè)量經(jīng)驗(yàn)和習(xí)慣不同而造成數(shù)據(jù)誤差，因此對(duì)于同一個(gè)人來(lái)說(shuō)，不同的量體師可能會(huì)給出不同的量體數(shù)據(jù)和服裝號(hào)型。
隨著服裝工業(yè)的發(fā)展，服裝生產(chǎn)呈現(xiàn)出了多品種、小批量、高質(zhì)量的特點(diǎn)。因此傳統(tǒng)的職業(yè)服裝歸類方法無(wú)法滿足不同顧客群對(duì)服裝的要求，特別是現(xiàn)在由于在職業(yè)服裝的定制這個(gè)方面，由于大量的服裝訂單，客戶體型各異，服裝廠往往求教于經(jīng)驗(yàn)豐富的裁剪師傅來(lái)為每個(gè)客戶“定制”合適的衣服。這造成了重復(fù)工作，效果不是很理想。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種實(shí)現(xiàn)職業(yè)服裝號(hào)型歸類智能化、科學(xué)化，并最終達(dá)到較高合體率的應(yīng)用模型，解決了服裝企業(yè)迫切希望的運(yùn)用智能技術(shù)實(shí)現(xiàn)職業(yè)服裝號(hào)型歸類的方法。
本發(fā)明的技術(shù)方案是使用改進(jìn)標(biāo)準(zhǔn)BP網(wǎng)絡(luò)與模糊邏輯模型相結(jié)合職業(yè)對(duì)服裝號(hào)型進(jìn)行智能歸類的方法，包括以下二個(gè)方面內(nèi)容一、標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的改進(jìn)標(biāo)準(zhǔn)BP網(wǎng)絡(luò)就是指BP網(wǎng)絡(luò)的學(xué)習(xí)算法，由四個(gè)過(guò)程組成1.輸入模式由輸入層經(jīng)中間層向輸出層的“前向傳播”過(guò)程；2.網(wǎng)絡(luò)的希望輸出與網(wǎng)絡(luò)實(shí)際輸出之差的誤差信號(hào)由輸出層經(jīng)中間層向輸入層逐層修正連接權(quán)的“誤差反向傳播”過(guò)程；3.由“前向傳播”與“誤差反向傳播”的反復(fù)交替進(jìn)行的網(wǎng)絡(luò)“記憶訓(xùn)練”過(guò)程；4.網(wǎng)絡(luò)趨向收斂即網(wǎng)絡(luò)的全局誤差趨向極小值的“學(xué)習(xí)收斂”過(guò)程。
標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)存在收斂速度慢、易于陷入局部極小點(diǎn)的缺點(diǎn)，其發(fā)明采用了下面的方法對(duì)標(biāo)準(zhǔn)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn)(1)單位BP算法Δωij=-λ∂Eij/∂ωijB(k)ω=-λ∂Ek/∂ωijΣi-1ij2Σj-1ij3[∂Ek∂ωij]2]]>這種算法在常規(guī)的BP算法權(quán)值修改量的基礎(chǔ)上，添加了分母上的基量函數(shù)，可以克服收斂速度過(guò)慢的特點(diǎn)。
(2)動(dòng)量項(xiàng)方法在實(shí)際應(yīng)用中，學(xué)習(xí)速率lr的選擇很重要，lr大則收斂快，但過(guò)大則可能引起不穩(wěn)定，lr過(guò)小可避免震蕩，但是收斂速度慢，解決這一矛盾最簡(jiǎn)單的方法是加入動(dòng)量項(xiàng)，如下式所示。
Δwm(k+1)＝mrΔwm(k)-lr×sm×(αm-1)T(3)陡度因子方法在原激勵(lì)函數(shù)中引入一個(gè)陡度因子λ ，當(dāng)發(fā)現(xiàn)ΔE接近于零而(t-y)仍較大時(shí)，可判斷訓(xùn)練已經(jīng)進(jìn)入平坦區(qū)，此時(shí)令λ＞1；當(dāng)退出平坦區(qū)后，再令λ＝1。
(4)進(jìn)化規(guī)劃(Evolutionary Programming，EP)技術(shù)方法這是遺傳算法中進(jìn)化計(jì)算的一種算法。具體公式如下x1＝x+σ·N(0，1) (1)σ=β·Φ(x)+r---(2)]]>式(1)中N(0，1)表示對(duì)每個(gè)重新采樣且具有期望值為0、標(biāo)準(zhǔn)偏差為1的正態(tài)分布隨機(jī)變量，式(2)中系數(shù)β，r是特定參數(shù)，一般將β和r分別置為1和0。當(dāng)處于局部極小點(diǎn)時(shí)，對(duì)學(xué)習(xí)速率進(jìn)行進(jìn)化規(guī)劃，直到產(chǎn)生能保證誤差平方和減少為止，退出進(jìn)化規(guī)劃過(guò)程。
本發(fā)明進(jìn)行職業(yè)服裝號(hào)型智能歸類時(shí)采用了只含有一層隱層的BP神經(jīng)網(wǎng)絡(luò)模型。由于輸入的服裝數(shù)據(jù)都包含8個(gè)量，所以輸入層節(jié)點(diǎn)數(shù)為8，把每個(gè)規(guī)格數(shù)據(jù)例如規(guī)格身高、胸圍、腰圍等分開訓(xùn)練生成，因此輸出層節(jié)點(diǎn)數(shù)為1，采用多次嘗試的取優(yōu)值的方法選取隱含層節(jié)點(diǎn)數(shù)，本發(fā)明最終采用10個(gè)隱含層節(jié)點(diǎn)。
二、模糊邏輯模型的改進(jìn)在改進(jìn)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，增加改進(jìn)BP神經(jīng)網(wǎng)絡(luò)模型的輸出層節(jié)點(diǎn)數(shù)，轉(zhuǎn)換成模糊邏輯層，本發(fā)明模糊邏輯層采用10個(gè)節(jié)點(diǎn)。在模糊邏輯層使用隸屬度函數(shù)來(lái)進(jìn)行處理，最后得到網(wǎng)絡(luò)的輸出，詳細(xì)流程如附圖所示。
根據(jù)要處理的號(hào)型數(shù)據(jù)本身帶有精確性差或模糊性、從已知的人體指標(biāo)數(shù)據(jù)到要決策的合體號(hào)型之間存在復(fù)雜的非線性映射關(guān)系、存在多個(gè)輸入和多個(gè)輸出這三個(gè)典型特點(diǎn)，提出應(yīng)用模糊神經(jīng)網(wǎng)絡(luò)的方法解決服裝號(hào)型的分檔歸類問題。
本發(fā)明的效果和益處是建立了基于改進(jìn)標(biāo)準(zhǔn)BP網(wǎng)絡(luò)和模糊邏輯兩種方法智能歸類模型，采用了單位BP算法、加入動(dòng)量項(xiàng)、引入陡度因子和進(jìn)化規(guī)劃四種改進(jìn)神經(jīng)網(wǎng)絡(luò)策略，在不同的時(shí)間調(diào)用不同的策略，從而克服了神經(jīng)網(wǎng)絡(luò)自身存在的缺點(diǎn)，加快了收斂速度，克服了易于陷入局部極小點(diǎn)的缺點(diǎn)，完成了對(duì)神經(jīng)網(wǎng)絡(luò)模型的改進(jìn)。同時(shí)根據(jù)模糊邏輯和神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)性和互補(bǔ)性，針對(duì)服裝號(hào)型數(shù)據(jù)難以精確歸類的特點(diǎn)，引入模糊規(guī)則建立模糊神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行樣本訓(xùn)練，實(shí)現(xiàn)歸類過(guò)程的人性化、智能化。直接根據(jù)人體數(shù)據(jù)給出號(hào)型智能歸類的號(hào)型，不再需要很多非常有經(jīng)驗(yàn)的裁剪師進(jìn)行歸檔，節(jié)省了大量人力物力，提高了工作效率和質(zhì)量，同時(shí)能夠應(yīng)用科學(xué)的容錯(cuò)方法來(lái)克服量體數(shù)據(jù)的誤差。


附圖是本發(fā)明的流程圖。
圖中0.0數(shù)據(jù)采集收集、整理六千多條制服生產(chǎn)記錄。
0.1數(shù)據(jù)處理去除臟數(shù)據(jù)，對(duì)樣本數(shù)據(jù)的丟失數(shù)值、不合理個(gè)數(shù)值進(jìn)行處理。
0.2屬性拆分衣號(hào)型形如175/80B拆分為3個(gè)屬性，分別為號(hào)型之身高，號(hào)型之胸圍，號(hào)型之體型。其中，號(hào)型之體型中的A，B，C分別用數(shù)字1，2，3來(lái)表示。
0.3數(shù)據(jù)字符串屬性→數(shù)值型數(shù)據(jù)衣號(hào)型形如175/80B(175表示上衣號(hào)型之身高，80表示號(hào)型之胸圍，B表示號(hào)型之體型)，號(hào)型之體型中的A，B，C分別用數(shù)字1，2，3來(lái)表示。
1.1權(quán)值和參數(shù)的初始化網(wǎng)絡(luò)權(quán)值和閾值使用(-1，1)之間的隨機(jī)數(shù)，也可以使用上次訓(xùn)練保存的值。學(xué)習(xí)速率lr，動(dòng)量系數(shù)，陡度因子，采用多次嘗試取最滿意的方法選取，訓(xùn)練精度err，訓(xùn)練次數(shù)N。
1.2服裝號(hào)型指標(biāo)神經(jīng)元服裝號(hào)型目前使用身高、胸圍、腰圍以及號(hào)型來(lái)歸類，表示體型的每個(gè)輸入樣本變量有8項(xiàng)身高shg，胸圍xw，腰圍yw，臂長(zhǎng)bc，腰圍點(diǎn)高ywdg，總肩寬zjk，頸圍jw，臀圍tw，輸入層使用8個(gè)神經(jīng)元。
2.1確定節(jié)點(diǎn)數(shù)輸入隱層結(jié)點(diǎn)數(shù)，進(jìn)行網(wǎng)絡(luò)訓(xùn)練，根據(jù)不同結(jié)點(diǎn)數(shù)所達(dá)到的精度和所需要的訓(xùn)練次數(shù)，確定最滿意的隱層結(jié)點(diǎn)數(shù)。根據(jù)服裝樣本數(shù)據(jù)的特點(diǎn)，本發(fā)明最終確定的最滿意隱層數(shù)為10。
2.2改進(jìn)的傳輸函數(shù)隱層采用的傳輸函數(shù)為Sigmoid函數(shù)，即f(x)＝1/(1+e^(-x/d))3.1確定節(jié)點(diǎn)數(shù)選擇三個(gè)神經(jīng)元，以便在模糊聚類層進(jìn)行模糊化處理3.2傳輸函數(shù)傳輸函數(shù)使用線性函數(shù)y＝ax+b，通過(guò)多次嘗試法進(jìn)行訓(xùn)練，最終選取a＝1，b＝0，已經(jīng)達(dá)到要求。
4.1確定隸屬度函數(shù)選用高斯函數(shù)作為隸屬度函數(shù)，μ(x)＝g(x，σ，c)＝e(-(x-c)2/2σ2)，進(jìn)行模糊化處理。
4.2輸出值的確定輸出值O＝∑μ(xi)*xi/∑μ(xi)。xi為常規(guī)輸出層1個(gè)神經(jīng)元的輸出。
具體實(shí)施例方式
以下結(jié)合技術(shù)方案和附圖詳細(xì)敘述本發(fā)明的具體實(shí)施方式
。
從職業(yè)服裝的6000多條職業(yè)服裝數(shù)據(jù)記錄中，抽取得到670條記錄作為目標(biāo)樣本數(shù)據(jù)，然后把所有體型數(shù)據(jù)除以1000進(jìn)行數(shù)據(jù)預(yù)處理，保證所有網(wǎng)絡(luò)輸入數(shù)據(jù)的值都在0到1之間，得到凈化數(shù)據(jù)；把轉(zhuǎn)換后凈化數(shù)據(jù)作為訓(xùn)練樣本數(shù)據(jù)；通過(guò)采用單位BP算法和動(dòng)量項(xiàng)方法改進(jìn)后的標(biāo)準(zhǔn)BP網(wǎng)絡(luò)進(jìn)行訓(xùn)練，如果進(jìn)入平坦區(qū)，調(diào)用陡度因子方法，跳出平坦區(qū)后，退出陡度因子方法；如果陷入局部極小點(diǎn)，調(diào)用進(jìn)化規(guī)劃技術(shù)方法，跳出局部極小點(diǎn)后，退出陡度因子方法；最終誤差值滿足要求停止訓(xùn)練，保存模糊神經(jīng)網(wǎng)絡(luò)訓(xùn)練的最終權(quán)值矩陣和閾值，得到本發(fā)明的模糊神經(jīng)網(wǎng)絡(luò)模型。模糊神經(jīng)網(wǎng)絡(luò)模型得到以后，再?gòu)穆殬I(yè)服裝企業(yè)隨機(jī)收集200條職業(yè)服裝數(shù)據(jù)，作為測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，測(cè)試合體率達(dá)到83％，滿足了日常需求；而使用相同的訓(xùn)練樣本數(shù)據(jù)建立了基于職業(yè)服裝號(hào)型歸類的多元回歸模型，使用與本發(fā)明相同的測(cè)試數(shù)據(jù)進(jìn)行測(cè)試，得到測(cè)試的合體率為53.5％；對(duì)比本發(fā)明與多元回歸模型對(duì)預(yù)測(cè)數(shù)據(jù)產(chǎn)生的結(jié)果，本發(fā)明的合格率遠(yuǎn)遠(yuǎn)高于多元回歸模型的測(cè)試結(jié)果。
權(quán)利要求
1.一種職業(yè)服裝號(hào)型智能歸類的模糊神經(jīng)網(wǎng)絡(luò)方法，是改進(jìn)的標(biāo)準(zhǔn)BP網(wǎng)絡(luò)和模糊邏輯模型相結(jié)合，實(shí)現(xiàn)計(jì)算機(jī)進(jìn)行職業(yè)服裝號(hào)型的智能歸類；其特征在于標(biāo)準(zhǔn)BP網(wǎng)絡(luò)的改進(jìn)，包括(1)單位BP算法Δωij=-λ∂Ek/∂ωijB(K)ω=-λ∂Ek/∂ωijΣi=1x2Σj=1x3[∂Ek∂ωij]2]]>(2)動(dòng)量項(xiàng)方法Δwm(k+1)＝mrΔwm(k)-lr×sm×(am-1)T(3)陡度因子方法在原激勵(lì)函數(shù)中引入一個(gè)陡度因子λ 當(dāng)發(fā)現(xiàn)ΔE接近于零而(t-y)仍較大時(shí)，可判斷訓(xùn)練已經(jīng)進(jìn)入平坦區(qū)，此時(shí)令λ＞1；當(dāng)退出平坦區(qū)后，再令λ＝1；(4)進(jìn)化規(guī)劃技術(shù)方法x’＝x+σ·N(0，1)(1)σ=β·Φ(x)+r]]>(2)式(1)中N(0，1)表示對(duì)每個(gè)重新采樣且具有期望值為0、標(biāo)準(zhǔn)偏差為1的正態(tài)分布隨機(jī)變量，式(2)中系數(shù)β，γ是特定參數(shù)，一般將β和γ分別置為1和0。
全文摘要
本發(fā)明屬于職業(yè)服裝號(hào)型歸類技術(shù)領(lǐng)域，涉及到采用模糊神經(jīng)網(wǎng)絡(luò)模型對(duì)職業(yè)服裝號(hào)型進(jìn)行智能歸類的方法。其特征是采用了單位BP算法、加入動(dòng)量項(xiàng)、引入陡度因子和進(jìn)化規(guī)劃四種改進(jìn)策略進(jìn)行改進(jìn)，根據(jù)不同的情況調(diào)用相應(yīng)的策略，利用模糊邏輯和神經(jīng)網(wǎng)絡(luò)的關(guān)聯(lián)性和互補(bǔ)性，針對(duì)服裝號(hào)型數(shù)據(jù)難以精確歸類的特點(diǎn)，引入模糊規(guī)則建立模糊神經(jīng)網(wǎng)絡(luò)來(lái)進(jìn)行樣本訓(xùn)練，實(shí)現(xiàn)歸類過(guò)程的智能化。本發(fā)明的效果和益處是把模糊神經(jīng)網(wǎng)絡(luò)應(yīng)用到職業(yè)服裝號(hào)型歸類上，實(shí)現(xiàn)了職業(yè)服裝號(hào)型歸類的智能化，大大節(jié)省了傳統(tǒng)服裝領(lǐng)域花在服裝號(hào)型歸類上的人力、物力和財(cái)力；解決了目前職業(yè)服裝樣衣套穿成本高、周期長(zhǎng)、分檔要求高及量體師的測(cè)量誤差導(dǎo)致分檔不合理等問題。
文檔編號(hào)G06N3/00GK1952962SQ20061020016
公開日2007年4月25日 申請(qǐng)日期2006年2月23日 優(yōu)先權(quán)日2006年2月23日
發(fā)明者陳燕, 李桃迎, 屈莉莉, 崔勁柏 申請(qǐng)人:大連海事大學(xué)