改進型BP網絡在男西服規(guī)格尺寸自動生成上的應用

王竹君，李婷玉，邢英梅，葉匯元

?

改進型BP網絡在男西服規(guī)格尺寸自動生成上的應用

王竹君，李婷玉，邢英梅，葉匯元

（安徽工程大學 紡織服裝學院，安徽 蕪湖 241000）

男西服規(guī)格尺寸設計對成衣的合體性和板型有著直接的影響，在現今的服裝企業(yè)中，這項工作對制板師的經驗依賴程度比較高，容易因人員流動影響成衣質量。隨著人工神經網絡等人工智能技術的發(fā)展，本文構建了一種可用于男西服規(guī)格尺寸設計的改進型BP神經網絡模型，并探討和分析了隱含層神經元數、傳遞函數、動量因子等影響神經網絡性能的關鍵因素，經過多次仿真測試，表明利用改進型BP網絡可以實現由人體關鍵部位的凈體數據自動生成男西服成衣規(guī)格尺寸。若經過進一步完善，此方法還能應用于其他服裝品種的規(guī)格尺寸設計，有利于提高服裝企業(yè)的制板效率和成衣的適體率。

男西服；規(guī)格尺寸；BP神經網絡；自適應學習率的BP算法

男西服的合體性和板型很大程度上取決于其規(guī)格尺寸[1]。而男西服規(guī)格尺寸設計對制板師的經驗依賴度很高。一旦有經驗的制板師離職，勢必會對企業(yè)產品產生不同程度的影響。人工神經網絡是一種模擬人類大腦活動的人工智能技術，具有良好的非線性、輸入輸出映射、自適應性等性能。目前人工神經網絡在紡織服裝領域的應用主要是在：纖維分類、紗線與織物生產、紗線與織物性能預測、織物疵點、可縫性、縫口性能等性能預測、服裝合體度和舒適性預測等[2, 3]。然而，目前利用人工神經網絡實現由人體數據自動直接生成服裝樣板尺寸的研究尚比較少。本文運用改進型BP神經模型來學習和模擬制板師進行男西服結構設計的經驗，以實現男西服規(guī)格尺寸的計算機自動生成，提高制板效率和服裝適體性。

1 改進型BP神經網絡的算法原理

1.1 BP神經網絡的標準訓練算法

標準的BP網絡沿著誤差性能函數梯度的反方向修改權值，屬于最速下降法。對于實值函數，如果在某點x處有定義且可微，則函數在該點處沿著梯度相反下降最快。所以，使用梯度下降法時，先要計算函數在某點的梯度，再沿梯度的反方向以一定步長調整自變量的值。

F(x)<F(x) （1）

因此，只需給定一個初始值x和步長，根據

反復迭代，就可得到函數的最小值。對于可微函數，最速下降法是求最小值或極小值最有效的一種方法。

但是，最速下降BP法的缺陷主要表現在：如果最小值附近比較平坦，算法將會收斂緩慢；如果函數包含多個極小值，算法容易陷入局部極小值，而沒有達到全局最小值。因此，本研究采用一種改進的最速下降BP法對網絡進行訓練，即自適應學習率并附加動量因子的BP算法。

1.2 改進型BP神經網絡的訓練算法

在標準的最速下降BP法中，學習率是一個常數，對網絡性能影響巨大，如果學習率過小，則收斂速度慢；如果學習率過大，則容易出現震蕩。而自適應學習率的BP法是通過觀察誤差的增減來判斷的。當誤差以減小的方式趨于目標時，說明修正的方向是正確的，可增加學習率；反之，說明前一步修正進行得不正確，應該減小學習率，并撤銷前一步修正過程。學習率的增減通過乘以一個增/減量因子實現：

同時，在標準BP算法的權值更新階段引入動量因子（0<α<1），使權值修正值變?yōu)椋?/p>

2 BP神經網絡的設計

2.1 神經網絡的層數

理論上，BP神經網絡屬于多層前向型神經網絡，可包含多個隱含層，但在大多數實際應用的場合，1個隱含層即可滿足要求。此外，過多的隱含層會增加網絡的復雜性，降低神經網絡的推廣性。因此，本文所構建的是具有3層網絡結構BP神經網絡。

2.2 輸入層和輸出層神經元

選擇男西服樣板設計所需的人體凈體數據作為輸入神經元，即：全臂長、肩峰間隔、頸圍、背長、腹圍、腰圍、胸圍、上臂圍。為保證數據的精確性，這8個部位的數據均是通過三維人體掃描技術所采集。

在BP神經網絡中，通常輸入層與輸出層的神經元數不宜相差過大，否則容易導致網絡收斂速度變慢，網絡輸出誤差增加。因此，本文取后衣長、頸圍、胸圍、中腰、袖肥、肩寬、袖長等7個部位的男西服成衣規(guī)格尺寸作為輸出神經元。

2.3 訓練樣本集和仿真測試樣本集

本文通過三維人體測量獲取成年男性樣本中選取30個人體樣本，其背長、胸圍、全臂長等8個人體部位的凈體數據作為輸入，其對應的后衣長、胸圍、袖長等7個部位的男西服成衣規(guī)格尺寸為輸出，組成樣本集。而后在樣本集中，抽取14個典型樣本作為訓練樣本集，訓練神經網絡，最后將剩余的16個樣本輸入網絡進行測試，檢驗BP神經網絡模型的性能。

2.4 數據的歸一化

為了消除由于不同量綱對BP網絡訓練誤差影響差異。本文首先對訓練樣本集的數據進行歸一化處理，公式為：

其中，y為標準化的數據，x為原始數據。

3 影響B(tài)P神經網絡模型性能的因素分析

3.1 隱含層神經元數

隱含層神經元的個數對BP網絡的性能有很大的影響。通常采用經驗公式給出估計值：

表1 不同隱含層神經元數的神經網絡性能

由表2可知，隨著隱含層神經元個數的越多，網絡訓練的誤差總體呈現下降的趨勢，當隱含層神經元的個數達到14時，BP神經網絡的誤差最小。

3.2 傳遞函數

BP網絡的傳遞函數必須可微，所以BP網絡一般使用Sigmoid函數或線性函數作為傳遞函數。根據輸出值是否包含負值，Sigmoid函數又可分為tansig函數和logsig函數。根據本文所設計BP神經網絡模型的3層結構，可有4種不同的傳遞函數組合方式，即：tansig，tansig；logsig，tansig；tansig，logsig；logsig，logsig。表3為不同傳遞函數組合方式下的神經網絡性能。

表2 不同傳遞函數組合的神經網絡性能

由上表可看出，在最優(yōu)隱層節(jié)點數為14的函數模型下，傳遞函數組合tansig，logsig，能使誤差控制到最小，且步驟最少所需時間最短。

表3 不同動量因子的神經網絡性能

圖1 改進型BP神經網絡性能曲線

3.3 動量因子

本文采用自適應學習率并附加動量因子的BP算法訓練神經網絡，學習率由網絡自行決定，而動量因子則需要人為設定，在具體應用，通常根據經驗取0.1-0.8。為更好評析動量因子對網絡性能的影響程度，確定最佳的動量因子，設計如下一個動量因子可變的神經網絡，通過網絡的性能對比，確定最佳的動量因子，并檢驗動量因子對網絡性能的影響。不同動量因子的神經網絡性能如表3所示。

由表3對比可知，當動量因子為0.5時，在所設定訓練步數內達到了網絡設定的精度，網絡誤差值最小，且相比較而言所需時間并不算長，因此本課題將動量因子α值定為0.5最佳。

圖1為隱含層神經元數為14，傳遞函數組合方式為“tansig, logsig”，動量因子為0.5時所構建的BP神經網絡的性能曲線。

4 結語

本文針對男西服，提出了一種基于改進型BP神經網絡模型的男西服規(guī)格尺寸設計方法。通過對數據進行多次訓練測試，及對影響神經網絡性能的因素進行多重對比分析，有不同隱層節(jié)點數的分析、不同傳遞函數的分析、不同動量因子的分析等，從而找到誤差最小、性能最優(yōu)的參數關系，實現了由人體關鍵部位的凈體數據自動生成男西服成衣規(guī)格尺寸，結果初步顯示，本文所建立的神經網絡模型具有較高的精確度，能提高打板效率和精度，為大規(guī)模量身定制生產探索了一條新的思路。同時，相信經過更多的科學實驗和數據訓練，該方法將得到進一步的完善，也可應用于其他服裝品種的規(guī)格尺寸設計。

[1] 謝紅，余言麗．女襯衫大規(guī)模定制系統的成衣參數設計研究[J]．上海紡織科技，2012，40（3）：37-39．

[2] 朱江暉，閻玉秀．女套裝上衣尺寸自動生成系統的建立與實現[J]．紡織學報，2011，32（9）：142-146．

[3] Kenji S．Artificial neural networks-industrial and engineering applications[M]．InTech: India．2011．1-30．

[4] Haykin S． Neural networks and Learning Machines[M]．Pearson Education Inc：New Jersey．2009．1-46．

[5] 黃海嶠，莫碧賢，郭綺蓮，等．從三維人體掃描生成服裝樣板[J]． 紡織學報，2010，31（9）：132-136，142．

[6] 庹武，陳謙．基于改進BP神經網絡的西服肩袖造型研究[J]．紡織學報，2010，31（8）：113-116．

[7] 吳俊，溫盛軍．BP神經網絡在西服樣板設計中的應用[J]．紡織學報，2008，29（9）：113-116．

[8] 胡覺亮，董建明，何瑛，等．基于人工神經網絡的服裝結構設計[J]，紡織學報，2006，（2）：49-52．

[9] 夏明，張文斌．定制服裝樣板快速生成技術研究[J]．紡織科技進展，2006，（1）：83-85．

[10]吳俊，王東云，溫盛軍．基于神經網絡的褲裝樣板設計[J]．紡織學報，2004，（8）：102-104．

Application of An Innovative BP Neural Network on Auto-generating Specifications of Men’s Suit

WANG Zhu-jun, LI Ting-yu , XING Ying-mei, YE Hui-yuan

(College of Textile and Apparel, Anhui Polytechnic University, Wuhu Anhui 241000, China)

The fitness and pattern shape of men’s suit depend on the design of its specification. In apparel enterprises of modern times, the design of specifications of men’s suit relies on the experience of pattern makers, and the quality of men’s suit may be influenced easily by dismission of experienced pattern makers. With the development of artificial intelligence and its application in textile industry, an innovative BP neural network model was built to auto-generate specifications of men’s suit. Afterwards, the factors influencing the performances of BP neural network model, such as the numbers of neurons in hidden layer, the transfer function and momentum terms, were analyzed. After simulation testing, it was indicated that it was feasible to auto-generate specifications of men’s suit by an innovative BP neural network model. And this method could also be applied to design specifications of other varieties of clothing, which is conducive to improving work efficiency of pattern-making and apter rate of men’s suit.

Men’s Suit; Specification; BP Neural Network; Variable Learning Rate BP Algorithm

王竹君（1982-），男，講師，碩士，研究方向：數字化服裝與服飾品設計.

國家級大學生創(chuàng)新創(chuàng)業(yè)訓練計劃項目（201210363124）；安徽省高等學校省級優(yōu)秀青年人才基金項目（2012SQRL089）；安徽省大學生創(chuàng)新創(chuàng)業(yè)訓練項目（AH201310363304）；教育部教育信息管理中心計算機輔助技術教育課題（CAXC-13A-33）；安徽工程大學青年科研基金項目（2007YQ050）；安徽工程大學校級本科教學質量提升計劃項目（2014jyxm21）.

TS941.718

A

2095－414X(2014)06－0036－04