基于BP神经网络算法对服装设计过程建模策略的研究_王玲.pdf

基于B P神经网络算法对服装设计过程建模策略的研究王 玲(安庆职业技术学院,安徽 安庆 2 4 6 0 0 3)摘 要:本文针对服装制造领域为了满足民众的定制穿衣需求,在科技与生产的结合中探索新的定制设计方法。利用B P神经网络技术对服装的尺寸进行物理模型设定,然后结合C l o3 D软件与B P神经网络算法对服装进行打板设计,缩短了设计周期,降低了生产成本,提高了时间效率,满足服装行业在快消品市场中庞大的需求量,满足服装的功能各向异性,季节更迭的穿衣习性,时尚潮流与流行的引领,专业运动服饰的柔性定制等有着极大的助益。关键词:B P神经网络;物理建模;c l o 3 D;服装生产中图分类号:T S9 4 1.2 6 文献标志码:A 文章编号:2 0 9 5 9 6 9 9(2 0 2 2)0 6 0 0 3 1 0 51 文献综述反向传播(B a c kP r o p a g a t i o n,B P)神经网络算法其原理为符合函数链,计算过程包括输入数据的正向传播和输出误差的反向传播1。B P神经网络神经算法是人工智能发展过程出现的算法,B P算法出现时间较早,但因为计算机性能等多重问题导致该算法的实用性较低,随着计算机科学的发展和人工智能领域的发展使B P神经网络算法得到了重视2。B P神经网络算法属于计算机深入学习的一种方法,根据样本数量和设定点,通过迭代计算来实现学习的目的,对自变量与因变量之间的关系进行图1 神经元模型图描述3。例如,本文研究中设定模特的身高尺寸为自变量,而所需要设计服装的尺寸为因变量,通过B P神经网络算法的迭代计算获得所需要的设计。具体神经元模型图如图1所示。在图2中Xi表示输入层,Yi表示隐含层,而Wi表示为输入层与输出层之间的权值,当Wi为正时表示激活,当Wi为负时表示抑制。F代表着B P神经网络算法中输入层到输出层之间的激活函数,其作用为限定输出的范围。在使用B P神经网络算法时,需要设定一个阈值,该阈值可以输入函数。B P网络神经算法是多元神经组合,以三层B P神经网络为例,其中包含输入层、隐含层和输出层,具体的结构如图2所示。图2 B P网络神经算法结构图图2中X表示为输入层,在输入层中有n个神第3 7卷 第6期2 0 2 2年1 2月 景德镇学院学报J o u r n a l o f J i n g D e Z h e nU n i v e r s i t y V o l.3 7N o.6D c e.2 0 2 2收稿日期:2 0 2 2 0 9 2 0基金项目:省 级教 学 示范 课(2 0 2 0 J J X S F 1 5 8 9);省 级 教 学 示 范 课(2 0 2 0 S J J X S F K 1 5 8 8);省 级 自 然 科 学 研 究 重 点 项 目(K J 2 0 2 1 A 1 4 3 5)作者简介:王 玲(1 9 7 9),女,安徽安庆人。讲师,本科,从事服装设计与工艺研究。经元,每个神经元与隐含层Y相连,在隐含层中有m个神经元,输入层向隐含层传送的为网络权重值,使用V来表示。隐含层Y通过网络权重值W向输出层O传递。在B P网络神经算法中隐含层第Yj节点的输出表达为式所示:n e tj=ni=1(Vi jxi+j)yj=f(n e tj),j=1,2,m 输出层第Ok节点的表达式为式所示:n e tk=mj=1(Wj kyj+k)Ok=f(n e tk),k=1,2,r 在B P神经网络算法中激活函数f(x)具备单极性与双极性函数,单极性函数用l o gs i g(x)=11+e-x;双极性函数用t a ns i g(x)=1-e-x1+e-x。对输出层神经元向量设定为O=(O1,O2,Or)T,在计算前的预期神经元向量设为dk,实际结果与预期结果不符时存在误差E,误差E的表达式如式所示:E=12rk=1(dk-Ok)2 为了确保B P神经网络算法计算出的数据与预期值接近,减低误差值过大而导致的计算不准,需要使用梯度下降法来规范,具体的表达式如、式所示:Vi j=-Evi j,i=1,2,n;j=1,2,m Vj k=-Ewj k,j=1,2,m;k=1,2,r 在和式中的符号代表着误差值的降低,代表B P神经网络学习效率,带入权值后得到和式:Vi j(t+1)=Vi j(t)-Evi jWj k(t+1)=Wi j(t)-Ewj k2 实验方法使用B P神经网络需要使用MAT L A B软件,在软件中对设定输入层数据和输出层数据,通过软件建立模型并进行迭代计算,在软件中可以实现函数逼近、数据类别规划、模式识别、数据压缩等功能4。通过深入学习再进行迭代计算后得到最终仿真模拟的数据,在软件执行前设定好相应阈值,确定数据模型和迭代计算次数,最终得到服装样式及尺寸5。运用B P神经网络算法进行服装打板设计一共需要七个步骤:第一:收集样本数据,是根据设计需求进行的,这个需求也就是算法中所说的阈值,这个阈值决定着算法结果与预期结果之间的误差。例如设计修身的衣服,样本数据要采用标准类型的进行设计,如果以休闲运动为主,则需要扩大样本数据的范围。在样本采集中样本数据越多,最终得到的结果与预期误差越小;第二:在静体尺寸上加入今年的流行元素,例如叶子图案、条形图案等,制作成为纸质样板;第三:使用读图仪器对纸质样板进行采样,将采样后的数据导入到c l o3 D软件中,采集的数据精确到小数点后两位即可;第四:静体尺寸数据录入到软件中作为输入层数据,纸质样本尺寸录入到软件中作为输出参考,根据上述数据建立B P神经网络模型;第五:使用MAT L A B对数据进行迭代计算,通过B P网络神经算法对输入层与输出层数据进行计算,得到输入层与输出层数据之间的影射关系;第六:将采集到的样本数据导入到B P网络神经模型中进行仿真模拟;第七:将仿真模拟后的结果进行输出,与预期的数据进行对比,通过对比确定B P网络神经模型的可靠性。3 实验过程3.1 B P神经网络算法模型设定B P神经网络算法属于多元神经组成,其中设置若干神经元,尤其是服装设计中包括很多组数据组成,在本文研究中以女性长裤为例。在运用B P神经网络算法时,需要对其中数据进行归一化处理,将所有的数据单位调整为统一单位并控制在-1,1或者是0,1,算法中归一公式如式所示:xi=xi-xm i nxm a x-xm i n 女性长裤的输入变量共有十二项,分别是:脚踝围度、小腿围度、膝盖围度、大腿围度、下档围度、上档前后长度、腰高、裤长、腰长、立裆、臀围度、腰围23 景德镇学院学报 2 0 2 2年第6期度。输出变量共有十四项,分别是:后省收量、后下档长、后臀围线长、后下档线长、后膝盖围度、后裤口长度、前省收量、前下挡长、立裆、裤长、前臀围度、前下档线、前膝盖围度、裤口长度6。女裤具体结构如图3所示:B P神经网络算法模型分为输入层、隐含层、输入层和激活函数。在输出层中还需要设定具体的节点数量,在隐含层中需要设定具体的层数。确定输入变量和输出变量可以得知此次模型的输入变量为1 2个,输出变量为1 4个。本文研究的复杂性相对较低,在隐含层中设定一层即可完成实验,隐含层中的节点数量可以在算法训练期间进行调整,经过实验最终将隐含层中节点设定为1 0个,根据上述变量建立B P网络神经模型,学习率取值为0.1 5,训练次数为5 0 0次,训练结果误差的平方在0.0 0 1时停止训练,如果无法达到0.0 0 1继续训练。图3 女裤结构图3.2 B P神经网络算法模型变量筛选为了使算法模型稳定有几种降维方法,其中包括M I V平均影响值分析法、因子分析法和主成分分析法等7。通过对变量中影响较小且相关性较高的变量来提升算法模型的精确度和稳定性。上述的三种分析法都有很好的降维效果,具体使用哪种分析法需要根据运算的复杂性、变量的种类、隐含层的层数等条件进行判断。主成分分析法的运算量在三种分析法中属于中间级别,影响因素中第一主成分影响大,不需要假设,各个主变量之间需要线性组合,筛选条件较好;因子分析法的运算量在三种分析法中属于最大的,影响因素是因子数,需要假设,变量因子之间需要线性组合,筛选情况一般;M I V平均影响值分析法的运算量在三种分析法中最小,影响因素较少,无线性约束,不需要假设,筛选情况最优,鉴于本次研究复杂性较低,所以采用M I V平均影响值分析法对算法模型进行筛选。M I V平均影响值分析法筛选变量需要在B P神经网络算法训练结束进行使用,如果原本算法模型准确度高且稳定的情况下不需要进行筛选,直接使用即可,当训练后发现结果与预期差别较大使用M I V平均影响值分析法8。使用方法是原有的变量中按照一定比例放大和缩小,在训练样本中重新得到样本1和样本2,在仿真实验结果中同理得到仿真结果1和仿真结果2,两组结果的差值可以反映出数据的影响率,这个数值便是M I V平均影响值。使用原有的变量在进行学习后发现,计算的结果与理想有些出入,使用M I V平均影响值分析法对十二个输入变量进行分析,并对十二个输入变量的M I V平均影响值分析法结果进行比对,其中不重要的因素将会被剔除,具体的数值由表1所示:表1 M I V平均影响值分析法变量筛选表输入变量M I V平均影响值脚踝围度0.0 0 2 9小腿围度0.9 0 1 4膝盖围度0.8 7 3 2大腿围度0.1 9 9 4下档围度0.8 4 3 3上档前后长度0.2 0 0 1腰高0.3 0 1 4裤长2.7 3 1 4腰长0.1 8 0 3立裆0.6 0 3 3臀围度2.0 0 0腰围度1.0 2 4 1通过表1中M I V平均影响值看出,关键变量有裤长(2.7 3 1 4)、臀围度(2.0 0 0)、腰围度(1.0 2 4 1)等,影响值最小的是脚踝围度和大腿维度,这两者除了特定的紧身服饰外几乎没有影响,鉴于这种情况,在后续的B P网络神经算法模型中将上述的变量删除,来提升模型的精确度和稳定性。4 实验结果及分析 B P神经网络算法在计算中有两种终止模式,一种是达到了训练的次数自动终止,会将最优解进行输出,如图4所示。在图4中看到在训练到第1 3次的时候终止了训练,在B P神经网络算法训练中看到将整个训练过程分为三个模块,分别是训练模块(T r a i n i n g)、验证模块(V a l i d a t i o n)和测试模块(T e s t),在每个模块上访都有相应的R值记录,在第1 3次的训练中三332 0 2 2年第6期 王 玲:基于B P神经网络算法对服装设计过程建模策略的研究 个模块中的R0.9 9,具体数据如图5所示,通过图5看出所有的样本基本在拟合线上,这表明此次的训练结果最佳。在B P网络神经算法中R值越接近1说明情况越好,具体的训练结果如表2所示(为了方便表达截取小数点后两位)。经过B P神经网络算法与纸质模板的误差仅为0.2 4%。图4 最终训练结果图图5 训练数据图表2 算法结果对比表/c m部位样本1仿真1样本2仿真2样本3仿真3样本4仿真4样本5仿真5后省收量2 0.1 2 2 0.4 3 2 5.0 2 2 4.4 7 2 0.4 8 2 0.5 2 2 1.4 5 2 2.3 0 2 1.9 2 1.9 4后下档长2 2.0 8 2 2.6 3 2 7.0 3 2 6.7 6 2 2.5 5 2 2.5 8 2 5.4 9 2 5.0 1 2 4.0 0 2 4.6 7后臀围线长2 8.0 5 2 7.8 0 3 3.4 9 3 2.9 4 2 7.2 5 2 7.8 2 3 0.7 5 3 1.3 6 3 0.4 6 3 0.4 4后下档线长2 4.0 0 2 4.0 1 2 8.6 3 2 8.2 3 2 3.4 7 2 3.7 6 2 6.0 0 2 7.2 6 2 5.8 4 2 6.1 3后膝盖围度1 0 1.4 9 1 0 0.7 0 1 0 8.1 6 1 0 7.8 99 1.1 1 9 2.7 8 9 7.3 5 9 7.0 1 9 7.