吳懋剛，潘永惠，范 蕤

(江陰職業(yè)技術學院 計算機科學系，江蘇 無錫 214405)

服裝縫紉平整度是影響服裝外觀質量的重要因素，隨著服裝生產(chǎn)自動化程度的加強和市場對服裝生產(chǎn)企業(yè)快速反應能力要求的日益提高，服裝縫紉性能的客觀評價也逐步成為紡織服裝界關注和研究的重點[1-2].目前在大多數(shù)商業(yè)行為中仍然以主觀評定法AATCC—88B作為服裝縫紉平整性能的主要評價標準.該評價方法的特點是直接、簡單、投入少、易掌握，然而這種方法是在參考樣品的基礎上目視評級，易受到評價者個人的不確定因素的影響而有失客觀性.隨著計算機技術的飛速發(fā)展，圖像處理及計算機模擬技術開始應用于縫紉外觀的識別和評價模型[3-4].由于絲織物縫紉對小負荷區(qū)域的力學性能很敏感，其在低應力下的各項力學性能與加工生產(chǎn)有著密切的關系.本文主要研究了絲織物的各項FAST力學性能指標與縫紉平整度等級之間的關系，并提出了一種基于優(yōu)化RBF神經(jīng)網(wǎng)絡的絲織物縫紉平整度客觀評價方法.

1 RBF神經(jīng)網(wǎng)絡

1.1 RBF神經(jīng)網(wǎng)絡學習算法

RBF神經(jīng)網(wǎng)絡的結構如圖1所示.它由輸入層、隱層和輸出層三層結構組成[4].網(wǎng)絡的輸出按如下公式計算：

(1)

其中，x∈Rn是一個輸入向量，φk(·)是從R+(所有正實數(shù)的集合)到R的函數(shù).wik是輸出層權值，N是隱含層的神經(jīng)元數(shù)目，ck是輸入向量空間的RBFNN中心.公式(1)可以寫為：

(2)

其中，‖·‖2表示歐幾里德范數(shù).對于隱含層的節(jié)點神經(jīng)元，需要計算與它相關的中心和網(wǎng)絡輸入之間的歐幾里德距離.隱含層節(jié)點的輸出是距離的一個非線性函數(shù).網(wǎng)絡的最后輸出為隱含層每個節(jié)點輸出的加權和.

RBF神經(jīng)網(wǎng)絡隱層節(jié)點的非線性函數(shù)φk(·)的取值一般為高斯徑向基函數(shù)：

φk(x)=exp(-‖x-vk‖2/ 2σk2)

(3)

其中vk和σk分別是第k個隱層節(jié)點的中心向量和寬度.由于高斯函數(shù)是一中徑向對稱函數(shù)，當輸入信號越靠近基函數(shù)中心時，隱層節(jié)點的輸出值就越大，越遠離中心時，節(jié)點的輸出就越小.從第k個隱層節(jié)點輸出的最大值到最小值的收斂半徑也稱為基函數(shù)的寬度是由σk控制的.

RBF神經(jīng)網(wǎng)絡隱層節(jié)點非線性函數(shù)的特點很好模擬了人類大腦皮層中局部調節(jié)和交疊的感受野的反應特點，使網(wǎng)絡的輸入信號可以在局部產(chǎn)生響應，因此，RBF神經(jīng)網(wǎng)絡具有局部逼近能力[5].

φi(xk)=φ(‖xk-vi‖)

圖1 RBF神經(jīng)網(wǎng)絡結構

1.2 優(yōu)化RBF神經(jīng)網(wǎng)絡算法

在RBF神經(jīng)網(wǎng)絡中隱層節(jié)點的基函數(shù)確定后，重要的就是確定基函數(shù)的中心vk(中心向量)、基函數(shù)的寬度σk和輸出層權值wik[6].經(jīng)典的RBF神經(jīng)網(wǎng)絡的中心確定有三種常見的方法，即根據(jù)經(jīng)驗選擇可以代表訓練樣本分布性能的基函數(shù)中心、利用聚類的方法選擇基函數(shù)中心和運用誤差糾正算法進行可監(jiān)督學習.當中心確定好之后，經(jīng)典徑向基網(wǎng)絡的基函數(shù)寬度σ通常按如下公式計算：

(4)

其中，其中dmax是選擇的中心之間最大歐幾里德距離，K是中心的數(shù)目.

本文在對經(jīng)典的RBF徑向基網(wǎng)絡運用的過程中對其進行優(yōu)化，以改善神經(jīng)網(wǎng)絡對絲織物縫紉性能預測的效果.優(yōu)化神經(jīng)網(wǎng)絡算法如圖2所示.

使用MATLAB實現(xiàn)算法的基本步驟如下：

1)初始化.運用模糊核聚類算法(KFCM)計算得到模糊聚類中心和模糊分割矩陣，將其作為RBF網(wǎng)絡的基函數(shù)中心和寬度調節(jié)的輸入.

2)利用高斯函數(shù)公式(3)計算隱層節(jié)點的輸出權值.

3)運用偽逆算法計算隱層節(jié)點到輸出層的連接權值.

4)計算網(wǎng)絡的輸出結果，即縫紉性能客觀評價等級值.

優(yōu)化的徑向基神經(jīng)網(wǎng)絡運用聚類算法(KFCM)得到基函數(shù)的中心C和模糊分割矩陣μ，并將μ作為RBF網(wǎng)絡控制基函數(shù)寬度的調節(jié)參數(shù)，從而使網(wǎng)絡隱層節(jié)點具有更好的受控感受野.

圖2 RBF神經(jīng)網(wǎng)絡算法

2 實驗結果

本文采用FAST(Fabric Assurance by Simple Testing)一起對絲織物25項物理力學性能進行測試，對其成形性、加工型和尺寸穩(wěn)定性等性能進行預測.選用了30塊常用薄型絲織物作為試驗樣品，基本規(guī)格參數(shù)如表1所示.

將測試樣品裁成尺寸為30cm×6cm的縫條，上下縫條沿同一絲縷方向從中間進行縫紉，僅考慮上下縫條為同絲縷方向時的縫紉平整度評級.

表1 實驗樣品的基本參數(shù)

本文主要考察薄型絲織物的力學性能參數(shù)對縫紉性能的影響關系[3]，不考慮縫紉條件的變化對面料的縫紉性能的影響.樣品的縫制由服裝廠的熟練技術工人采用相應的工業(yè)平縫機進行縫制，所采用的各項縫制條件見表2所示.

表2 樣品縫制時針、線配用標準

表3 經(jīng)典RBF與優(yōu)化RBF神經(jīng)網(wǎng)絡預測結果

在對樣品縫條進行縫紉時，根據(jù)工廠實際生產(chǎn)經(jīng)驗，采用相應縫紉條件對不同縫條進行縫制加工.對縫紉好的樣品經(jīng)過標準洗滌晾干后參照AATCC-88B標準由兩位專家對每塊縫條進行主觀評級，取其平均值.分別沿5個不同方向(經(jīng)向到緯向：0°，30°，45°，60°，90°)進行縫紉評級，并測量計算相應的力學性能指標值，每類面料得到150組實驗數(shù)據(jù)，其中120組作為網(wǎng)絡訓練建模，另外30組用于模型精度檢驗.分別采用經(jīng)典RBF網(wǎng)絡和優(yōu)化RBF網(wǎng)絡對絲織物面料縫紉平整性能的主客觀評價結果進行分析，如表3所示.

為了更清楚表示兩種網(wǎng)絡預測的效果，對表3中的實驗結果進行相關性分析，如圖3所示.

圖3 優(yōu)化RBFNN的主客觀評價相關性分析

圖中顯示基于優(yōu)化RBF神經(jīng)網(wǎng)絡對絲織物面料縫紉性能的主客觀預測的相關性數(shù)據(jù)，該方法的整體預測精度達到96.4%，表明本文所提出的基于優(yōu)化RBF神經(jīng)網(wǎng)絡具有較好的預測能力.

3 結束語

本文綜合運用聚類的模式識別方法和徑向基神經(jīng)網(wǎng)絡學習算法提出了一種優(yōu)化的RBF神經(jīng)網(wǎng)絡模型.該模型在對絲織物面料的縫紉平整度客觀評價系統(tǒng)應用中，體現(xiàn)出其客觀、快速、高效的評價性能.但是，由于本文實驗所用試樣的數(shù)量仍不夠豐富和全面，絲織物材料種類眾多，結構復雜，選樣時不可能做到面面俱到，大多數(shù)試樣為常用材料和常用結構，所建系統(tǒng)的應用范圍也僅局限于和測試用面料同類或相近的面料，因此如何提高本文模糊辯識系統(tǒng)的泛化能力，將是今后進一步研究工作的重點.

參考文獻：

[1]劉侃.面料縫紉平整度客觀評價新方法[J].紡織導報，2007(12)：96-97.

[2]Pan Y H，Bao F，Wang S T.Objective evaluation of seam pucker using SFC-RBFNN[J].DCABES 2007 Proceedings，2007，1:592-596.

[3]楊建忠，王善元.輕薄織物斜向力學性能與縫紉起皺關系的研究[J].西北紡織工學院學報，2001，15(3):15-20.

[4]Yang Y P，Xu X M，Zhang W Y.Design neural networks based fuzzy logic[J].Fuzzy Sets and Systems，2000，114:325-328.

[5]沈謙，王濤.結構優(yōu)化的RBF神經(jīng)網(wǎng)絡學習算法[J].微電子學與計算機，2000(4)：14-18.

[6]Yan S，MaSaHaru Mizumoto.A new approach of neuro-fuzzy learning algorithm for tunning fuzzy rules[J].Fuzzy Sets and Systems，2000，112:99-116.