劉 芳,羅戎蕾,樊萌麗
(1.浙江理工大學(xué) 服裝學(xué)院,浙江 杭州 310018; 2.浙江理工大學(xué) 國際教育學(xué)院,浙江 杭州 310018)
目前國內(nèi)在服裝生產(chǎn)過程中一般以號型規(guī)格作為服裝制版的依據(jù)[1],這往往會忽略不同消費(fèi)者個體間的體型差異,降低服裝的合體性,經(jīng)驗(yàn)制版更是限制了服裝產(chǎn)業(yè)技術(shù)結(jié)構(gòu)的優(yōu)化。目前服裝尺寸自動推導(dǎo)的方法主要有BP神經(jīng)網(wǎng)絡(luò)法[2-3]、非線性主成分分析法[4]。針對BP神經(jīng)網(wǎng)絡(luò)存在的局限性,本文通過三維人體掃描儀[TC]2采集人體尺寸作為實(shí)驗(yàn)數(shù)據(jù),通過Matlab軟件構(gòu)建粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型來學(xué)習(xí)制版師制版的經(jīng)驗(yàn),以實(shí)現(xiàn)人體尺寸到合體女西裝樣板尺寸的自動映射。
BP神經(jīng)網(wǎng)絡(luò)是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò),由輸入信息的正向傳播和誤差信息的反向傳播2個傳播過程組成。正向傳播為輸入信息經(jīng)由輸入層神經(jīng)元向隱含層神經(jīng)元傳遞,最終由輸出層神經(jīng)元得到輸出結(jié)果。若輸出結(jié)果與實(shí)際結(jié)果不相同,輸出結(jié)果與實(shí)際結(jié)果間的誤差向輸出層神經(jīng)元、隱含層神經(jīng)元、輸入層神經(jīng)元方向反向傳播,在傳播的過程中,不斷修正調(diào)整各層連接的權(quán)值,使得誤差值減小。正向傳播和反向傳播交替進(jìn)行,直至算法收斂,達(dá)到期望誤差[5-6]。3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖見圖1。
圖1 3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖
BP神經(jīng)網(wǎng)絡(luò)算法雖然可以表達(dá)任意復(fù)雜的非線性映射,但其本身也存在著一定的不足。由于BP神經(jīng)網(wǎng)絡(luò)算法的初始權(quán)值是隨機(jī)產(chǎn)生的,網(wǎng)絡(luò)收斂速度較慢,訓(xùn)練時間較長,易陷入局部最優(yōu)[7],影響輸出結(jié)果的穩(wěn)定性和精確性。為了彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)算法的不足,采用粒子群算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法。
粒子群算法(Particle Swarm Optimization,PSO)是一種模擬鳥類覓食過程的優(yōu)化算法[8]。PSO算法中每個粒子都能夠當(dāng)作被優(yōu)化問題的一個潛在解,所有粒子都有一個根據(jù)目標(biāo)函數(shù)計算的適應(yīng)度值,粒子位置的好壞由適應(yīng)度值的大小來表達(dá)[9]。
每個粒子可以通過對自身位置的更新調(diào)整達(dá)到尋優(yōu)目標(biāo),找到個體最優(yōu)和全局最優(yōu)。粒子更新速度和位置計算公式分別為:
(1)
(2)
粒子群優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的實(shí)質(zhì)是經(jīng)過PSO算法優(yōu)化賦予BP神經(jīng)網(wǎng)絡(luò)更優(yōu)的初始權(quán)值和閾值。當(dāng)PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)算法時,在權(quán)值、閾值的可解空間中初始化一群粒子,訓(xùn)練樣本各輸出結(jié)果的均方誤差作為粒子群的目標(biāo)函數(shù),依據(jù)目標(biāo)函數(shù)計算適應(yīng)度值用以判斷粒子位置的好壞[10-11]。通過粒子位置的更新獲取個體最優(yōu)位置和全局最優(yōu)位置,從而獲得BP神經(jīng)網(wǎng)絡(luò)最優(yōu)初始化權(quán)值和閾值。PSO-BP算法流程圖見圖2。
圖2 PSO-BP算法流程圖
采用三維人體掃描儀[TC]2測量220組人體的三維尺寸,由經(jīng)驗(yàn)豐富的制版師依據(jù)220組三維人體尺寸進(jìn)行合體女西裝的樣板設(shè)計,得到對應(yīng)的合體女西裝的樣板尺寸數(shù)據(jù)。選取180組人體數(shù)據(jù)及其對應(yīng)的樣板尺寸數(shù)據(jù)作為POS-BP神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練樣本,40組人體尺寸數(shù)據(jù)及其對應(yīng)的樣板尺寸數(shù)據(jù)作為POS-BP神經(jīng)網(wǎng)絡(luò)模型的測試樣本。
通過構(gòu)建BP神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)合體女西裝實(shí)際生產(chǎn)過程中制版師的經(jīng)驗(yàn),實(shí)現(xiàn)合體女西裝樣板尺寸的自動生成。采用3層結(jié)構(gòu)的BP神經(jīng)網(wǎng)絡(luò),對合體女西裝款式及結(jié)構(gòu)進(jìn)行分析,輸入層節(jié)點(diǎn)選用身高、胸圍、腰圍、臀圍、頸圍、總肩寬、背長、腰長、乳間距、乳位高、前腰節(jié)長、后腰節(jié)長、全臂長、上臂長、腕圍等15個人體尺寸數(shù)據(jù);輸出層節(jié)點(diǎn)選用后衣長、前衣長、前袖窿深、后袖窿深、胸圍、腰圍、臀圍、前胸寬、后背寬、前領(lǐng)寬、后領(lǐng)寬、肩寬、腰長、背長、乳間距、乳位高、前腰節(jié)長、后腰節(jié)長、袖長、袖山高、肘線長、袖口、后中省量、后腰省量、側(cè)縫省量、前腰省量等26個女西裝樣板尺寸數(shù)據(jù);隱含層節(jié)點(diǎn)數(shù)的確定可以通過經(jīng)驗(yàn)公式和試值的方式確定,最終確定隱含層節(jié)點(diǎn)數(shù)為15;構(gòu)成了一個15×15×26的BP神經(jīng)網(wǎng)絡(luò)模型。學(xué)習(xí)率為0.1,目標(biāo)精度為0.001,Tansig為隱含層的傳遞函數(shù),purelin為輸出層的傳遞函數(shù),trainlm為訓(xùn)練函數(shù)。合體女西裝的款式結(jié)構(gòu)圖見圖3、4。
圖3 合體女西裝的款式
圖4 合體女西裝的結(jié)構(gòu)圖
采用PSO算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò),因?yàn)锽P神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)模型為15×15×26,依據(jù)經(jīng)驗(yàn)公式可得粒子的維數(shù)為656,經(jīng)過反復(fù)實(shí)驗(yàn),設(shè)計種群規(guī)模為50,學(xué)習(xí)因子c1、c2都為2,慣性權(quán)重ω采用線性遞減方式從0.9減小到0.4。
將歸一化處理過的180組訓(xùn)練樣本分別對BP神經(jīng)網(wǎng)絡(luò)、POS-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練過程圖見圖5??梢钥闯鯞P神經(jīng)網(wǎng)絡(luò)經(jīng)過476次訓(xùn)練后收斂,POS-BP神經(jīng)網(wǎng)絡(luò)經(jīng)過173次訓(xùn)練后收斂,POS-BP算法提高了BP算法的收斂速度。
圖5 訓(xùn)練過程圖
將40組測試樣本導(dǎo)入,對訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)、PSO-BP神經(jīng)網(wǎng)絡(luò)進(jìn)行測試,其部分輸出結(jié)果與實(shí)際樣本對比如表1所示??梢钥闯鰷y試結(jié)果與實(shí)際樣本數(shù)據(jù)基本吻合,采用PSO-BP神經(jīng)網(wǎng)絡(luò)預(yù)測女西裝尺寸的誤差明顯小于采用BP神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差。實(shí)驗(yàn)表明:采用PSO-BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測合體女西裝的樣板尺寸,可以達(dá)到較為理想的預(yù)測效果。
結(jié)合粒子群算法與BP神經(jīng)網(wǎng)絡(luò)的特性,彌補(bǔ)BP神經(jīng)網(wǎng)絡(luò)收斂速度慢、易陷入局部最優(yōu)的缺陷,本文構(gòu)建了粒子群優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)模型,加快了通過傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)來推導(dǎo)服裝尺寸的收斂速度,也提高了服裝尺寸的預(yù)測精度。實(shí)驗(yàn)結(jié)果表明所構(gòu)建的PSO-BP神經(jīng)網(wǎng)絡(luò)模型具有較為理想的預(yù)測效果,為實(shí)現(xiàn)服裝的大規(guī)模量身定制提供了思路。
表1 輸出結(jié)果與實(shí)際結(jié)果對比 cm