趙偉榮，李 慧

(北京服裝學(xué)院，北京100029)

隨著時(shí)代的進(jìn)步，服飾產(chǎn)品面料體感是否舒適已經(jīng)成為消費(fèi)者確定其檔次和價(jià)位的主要因素之一，所以正確、有效、客觀地對(duì)織物風(fēng)格做出定量的評(píng)價(jià)已成為迫切的需要[1]。本文采用的織物數(shù)據(jù)集為510塊來(lái)自中國(guó)國(guó)際紡織面料及輔料博覽會(huì)的面料，這些面料屬性差異較大，包含了混紡織物、化纖織物、棉織物等；不僅有三原組織、復(fù)雜組織，還有聯(lián)合組織、大提花組織，其適用范圍廣，可用于各個(gè)季節(jié)服飾的制作。

織物的風(fēng)格會(huì)受到紗線的成分、號(hào)數(shù)，織物的組織、密度、幅寬、重量的影響，通過(guò)構(gòu)建合理的模型，尋找出織物風(fēng)格與織物的基本結(jié)構(gòu)參數(shù)之間的關(guān)系是現(xiàn)在很多科研人員正在研究的問(wèn)題?？椢镲L(fēng)格的預(yù)測(cè)現(xiàn)在一般以主因子分析法、模糊綜合評(píng)價(jià)法以及BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)法為主[2]。主因子分析法不適用于樣本量較大的數(shù)據(jù)集；模糊綜合評(píng)價(jià)法由于對(duì)指標(biāo)權(quán)重矢量的確定主觀性加權(quán)，常出現(xiàn)超模糊現(xiàn)象；而BP神經(jīng)網(wǎng)絡(luò)有時(shí)會(huì)產(chǎn)生局部最小化問(wèn)題。上述方法在進(jìn)行織物風(fēng)格評(píng)價(jià)時(shí)各有其局限性，僅適用于單一風(fēng)格和同種成分的織物風(fēng)格評(píng)價(jià)，不適用于對(duì)多種織物的不同風(fēng)格進(jìn)行評(píng)價(jià)。本文提出了基于D-S證據(jù)理論的集成神經(jīng)網(wǎng)絡(luò)織物主觀風(fēng)格預(yù)測(cè)模型。

織物主觀風(fēng)格預(yù)測(cè)系統(tǒng)結(jié)構(gòu)如圖1所示?？椢飿颖就ㄟ^(guò)分類器進(jìn)行分類，將子數(shù)據(jù)集輸入對(duì)應(yīng)的子集成神經(jīng)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。當(dāng)需要預(yù)測(cè)某一種或者某幾種主觀風(fēng)格時(shí)，將織物結(jié)構(gòu)參數(shù)輸入對(duì)應(yīng)的子集成神經(jīng)網(wǎng)絡(luò)中即可獲得對(duì)應(yīng)的主觀風(fēng)格評(píng)分。

圖1 基于集成神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)系統(tǒng)結(jié)構(gòu)圖

1 基于D-S證據(jù)理論的集成神經(jīng)網(wǎng)絡(luò)

1.1 預(yù)測(cè)模型

基于D-S證據(jù)理論的集成神經(jīng)網(wǎng)絡(luò)織物主觀風(fēng)格預(yù)測(cè)的方法是:把織物的每一種主觀風(fēng)格評(píng)分看作一個(gè)信息系統(tǒng)，通過(guò)子神經(jīng)網(wǎng)絡(luò)的基本概率賦值函數(shù)計(jì)算出每一組子神經(jīng)網(wǎng)絡(luò)處理之后的數(shù)據(jù)所對(duì)應(yīng)的基本概率賦值，作為D-S證據(jù)理論的證據(jù)源，再運(yùn)用D-S證據(jù)理論組合規(guī)則對(duì)得到的概率值進(jìn)行數(shù)據(jù)融合，就得到融合之后的綜合概率值，根據(jù)最終的融合結(jié)果做出預(yù)測(cè)結(jié)果[3]。神經(jīng)網(wǎng)絡(luò)屬于局部融合，D-S證據(jù)理論的再次融合是全局融合，預(yù)測(cè)模型如圖2所示。

圖2 子集成神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型

1.2 影響織物結(jié)構(gòu)的主要因素

織物結(jié)構(gòu)就是織物經(jīng)緯紗相互配置的構(gòu)造情況[4]。紗線細(xì)度、紗線密度和織物組織是決定織物結(jié)構(gòu)的三大要素，決定著織物的緊密程度、織物厚度、重量以及幅寬，也決定著織物的性能與外觀。選取了7種織物基本結(jié)構(gòu)參數(shù)進(jìn)行分析，分別是織物的經(jīng)緯紗支數(shù)、經(jīng)緯紗密度、織物組織、重量以及幅寬。

不同織物結(jié)構(gòu)參數(shù)的單位有多種表示方式，根據(jù)式(1)～式(8)對(duì)織物數(shù)據(jù)統(tǒng)一量綱:將紗支單位統(tǒng)一為tex，密度單位統(tǒng)一為根/inch，重量的單位統(tǒng)一為g/m2，幅寬單位統(tǒng)一為cm。

織物的經(jīng)緯紗線細(xì)度、經(jīng)緯紗密度、織物重量和幅寬均為連續(xù)的數(shù)值，統(tǒng)一量綱后可以直接根據(jù)式(9)使用最大-最小標(biāo)準(zhǔn)化的方法對(duì)數(shù)據(jù)進(jìn)行歸一化。

由于織物組織是標(biāo)稱型屬性，無(wú)法像數(shù)值型屬性一樣使用式(9)進(jìn)行歸一化處理，決定使用one-hot編碼方式對(duì)其進(jìn)行歸一化處理。

1.3 織物主觀風(fēng)格的評(píng)價(jià)因素

織物的主觀風(fēng)格是由多種織物基本結(jié)構(gòu)參數(shù)的綜合作用形成的。選取了8種織物主觀風(fēng)格進(jìn)行評(píng)價(jià)，分別是主色調(diào)、肌理、花型、光滑、光澤、柔軟、懸垂、透明。所使用的織物數(shù)據(jù)集是來(lái)自中國(guó)國(guó)際紡織面料及輔料博覽會(huì)的510塊面料，交由專業(yè)人員進(jìn)行主觀風(fēng)格評(píng)測(cè)。由于測(cè)評(píng)結(jié)果會(huì)因?yàn)闇y(cè)試者的不同而產(chǎn)生一定的差異，因此測(cè)試由2人進(jìn)行，如2人所得結(jié)果相差一級(jí)以內(nèi)，最終結(jié)果取其平均值；如2人所得結(jié)果相差一級(jí)以上則由第3人來(lái)評(píng)定。最終，除主色調(diào)以10分制進(jìn)行評(píng)測(cè)，其余主觀風(fēng)格均以5分制進(jìn)行評(píng)測(cè)。

1.4 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法

將歸一化后的織物結(jié)構(gòu)參數(shù)作為神經(jīng)網(wǎng)絡(luò)的輸入特征向量，分別輸入BP神經(jīng)網(wǎng)絡(luò)和RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，織物的各項(xiàng)主觀風(fēng)格評(píng)分作為輸出。

選用rule函數(shù)作為隱含層的傳遞函數(shù)，softmax函數(shù)作為輸出層的傳遞函數(shù)構(gòu)建BP神經(jīng)網(wǎng)絡(luò)。其預(yù)測(cè)織物柔軟風(fēng)格準(zhǔn)確率為53.23%，部分織物的預(yù)測(cè)如圖3所示；其預(yù)測(cè)織物肌理風(fēng)格準(zhǔn)確率為72.58%，部分織物的預(yù)測(cè)對(duì)比如圖4所示。

選用高斯核函數(shù)作為隱含層的傳遞函數(shù)，sigmod函數(shù)作為輸出層的傳遞函數(shù)構(gòu)建RBF神經(jīng)網(wǎng)絡(luò)，其預(yù)測(cè)織物柔軟風(fēng)格準(zhǔn)確率為50.00%，部分織物的預(yù)測(cè)對(duì)比如圖5所示；其預(yù)測(cè)織物肌理風(fēng)格準(zhǔn)確率為76.61%，部分織物的預(yù)測(cè)對(duì)比如圖6所示。

通過(guò)比較圖3和圖5可知，預(yù)測(cè)柔軟風(fēng)格時(shí)，BP神經(jīng)網(wǎng)絡(luò)整體預(yù)測(cè)效果更好一些；通過(guò)比較圖4和圖6可知，預(yù)測(cè)織物肌理風(fēng)格時(shí)，RBF神經(jīng)網(wǎng)絡(luò)整體預(yù)測(cè)效果較好。但是也有例外，如C5-5-1200(即圖4和圖6的第7個(gè)點(diǎn))，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)錯(cuò)誤，而BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確。2種神經(jīng)網(wǎng)絡(luò)在預(yù)測(cè)不同風(fēng)格時(shí)的準(zhǔn)確率不一樣，通過(guò)神經(jīng)網(wǎng)絡(luò)集成的方法，糾正單一神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)錯(cuò)誤，提高預(yù)測(cè)準(zhǔn)確率。

圖3 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)織物柔軟風(fēng)格

圖4 BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)織物肌理風(fēng)格

圖5 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)織物柔軟風(fēng)格

圖6 RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)織物肌理風(fēng)格

1.5 D-S證據(jù)理論的算法融合規(guī)則[6]

由于多種神經(jīng)網(wǎng)絡(luò)的方法均達(dá)不到所期望的準(zhǔn)確率，決定從拓?fù)浣Y(jié)構(gòu)的角度出發(fā)，搭建集成神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。引入D-S證據(jù)理論對(duì)子神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合從而提高預(yù)測(cè)系統(tǒng)的準(zhǔn)確性。

若Θ={θ1，θ2，…，θN}是由N個(gè)兩兩互斥元素組成的有限完備集合，則稱其為辨識(shí)框架。對(duì)于Θ，Θ的冪集2Θ構(gòu)成命題集合2Θ，?A?Θ，若函數(shù)m:2Θ→[0，1]滿足以下2個(gè)條件:

則稱m為BPA(basic probability assignment基本概率指派)，m(A)為命題A的基本概率數(shù)，被視為準(zhǔn)確分配給A的信度。

依據(jù)相同事件的不同證據(jù)，求出樣本空間n的2個(gè)信任函數(shù)Bel1和Bel2，得到BPA為M1和M2。M1和M2融合得到新的M。假設(shè)Ai為BP神經(jīng)網(wǎng)絡(luò)對(duì)樣本的預(yù)測(cè)結(jié)果，BJ為RBF神經(jīng)網(wǎng)絡(luò)對(duì)樣本的預(yù)測(cè)結(jié)果，且M1(AI)＞0，M2(Bj)＞0，則有

注:K為歸一化常數(shù)，如果K≠1，M是一個(gè)BPA；如果K=1，正交矩陣M不存在，則不能融合?？椢飻?shù)據(jù)樣本在經(jīng)過(guò)神經(jīng)網(wǎng)絡(luò)的處理之后，輸出織物主觀風(fēng)格評(píng)分。如果神經(jīng)網(wǎng)絡(luò)輸出向量中某種風(fēng)格評(píng)分的輸出值大，則相應(yīng)的評(píng)分發(fā)生概率就大。使用D-S證據(jù)理論進(jìn)行融合的基本條件是各評(píng)分的基本概率賦值滿足式(11)。通過(guò)對(duì)網(wǎng)絡(luò)輸出值進(jìn)行歸一化處理[7]，可以將神經(jīng)網(wǎng)絡(luò)輸出值轉(zhuǎn)換成對(duì)應(yīng)該網(wǎng)絡(luò)的各種風(fēng)格評(píng)分的BPA，公式為:

應(yīng)用Dempster組合規(guī)則時(shí)，會(huì)出現(xiàn)高度沖突的證據(jù)無(wú)法有效地融合，針對(duì)這個(gè)問(wèn)題，目前有兩種思路:一是修改組合規(guī)則，二是修改原始數(shù)據(jù)。根據(jù)上述兩種思路分別建立了基于算術(shù)平均法的D-S模型和基于證據(jù)關(guān)聯(lián)系數(shù)的加權(quán)平均組合模型去預(yù)測(cè)織物結(jié)構(gòu)主觀風(fēng)格評(píng)分。

1.5.1 基于算術(shù)平均法的D-S模型[8]

在兩個(gè)證據(jù)融合之前計(jì)算沖突因子K，當(dāng)K小于等于某一閾值Q(Q一般可取大于0.5)時(shí)，說(shuō)明沖突較小，則可采用Demspster組合規(guī)則；當(dāng)K大于Q時(shí)，說(shuō)明沖突較大，則采用算術(shù)平均法。其定義如下:設(shè)M1和M2是兩個(gè)概率分配函數(shù)，則其正交和

1.5.2 基于證據(jù)關(guān)聯(lián)系數(shù)的加權(quán)平均組合模型[9]

該方法的核心思想是，不同分類器收集到的證據(jù)應(yīng)該具有不同的權(quán)重。如果一個(gè)證據(jù)與所有證據(jù)的平均值的關(guān)聯(lián)系數(shù)越大，則認(rèn)為該證據(jù)受其他證據(jù)的支持程度越大，從而具有較高的可信度，因此給其分配較高的權(quán)重。通過(guò)判斷證據(jù)的可信度，對(duì)證據(jù)的基本概率指派進(jìn)行加權(quán)平均后，再利用Dempster組合規(guī)則進(jìn)行融合。

設(shè)預(yù)測(cè)系統(tǒng)的證據(jù)源個(gè)數(shù)n，首先計(jì)算證據(jù)mi和平均值間的關(guān)聯(lián)系數(shù)的計(jì)算公式為:

然后將證據(jù)之間的關(guān)聯(lián)系數(shù)作為支持度，即

顯然若mi和ˉm之間的沖突越小，關(guān)聯(lián)系數(shù)就越大，相互支持程度也就越高。反之，認(rèn)為相互支持程度比較低，將支持度歸一化后就得到可信度。如果一個(gè)證據(jù)幾乎不被其他證據(jù)所支持，則認(rèn)為該證據(jù)的可信程度較低。從而定義證據(jù)mi的可信度

然后將可信度Crd(mi)作為證據(jù)mi的權(quán)重，根據(jù)各個(gè)證據(jù)的權(quán)重對(duì)各證據(jù)進(jìn)行加權(quán)平均，最后利用Dempster組合規(guī)則進(jìn)行數(shù)據(jù)融合。該方法可以有效解決數(shù)據(jù)間的高度沖突問(wèn)題。

1.5.3 應(yīng)用研究

以不同肌理風(fēng)格評(píng)分的2塊織物進(jìn)行分析，編號(hào)C-16-13-0998的織物記為樣本1，編號(hào)C-11-57-1633的織物記為樣本2。樣本1是專業(yè)人員評(píng)測(cè)后織物肌理風(fēng)格評(píng)分為1的織物，樣本2是專業(yè)人員評(píng)測(cè)后織物肌理風(fēng)格評(píng)分為4的織物。樣本1結(jié)構(gòu)參數(shù)為紗支:9.7×9.7 tex，密度:940/472根/10 cm，幅寬:148 cm，重量:136 g/m2。樣本2結(jié)構(gòu)參數(shù)為紗支:14.6×14.6 tex，密度:394×295根/10 cm，幅寬:148 cm，重量:112 g/m2。使用不同的神經(jīng)網(wǎng)絡(luò)模型分別對(duì)樣本1、樣本2的主觀風(fēng)格進(jìn)行預(yù)測(cè)，根據(jù)概率最大原則輸出預(yù)測(cè)結(jié)果，肌理預(yù)測(cè)結(jié)果如表1、表2所示。

表1 樣本1的基本概率賦值、融合結(jié)果和期望值

對(duì)于樣本1，BP神經(jīng)網(wǎng)絡(luò)錯(cuò)誤預(yù)測(cè)評(píng)分為2，RBF神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確評(píng)分為1，融合后的3種集成神經(jīng)網(wǎng)絡(luò)均輸出正確評(píng)分1。對(duì)BP神經(jīng)網(wǎng)絡(luò)錯(cuò)誤的預(yù)測(cè)結(jié)果進(jìn)行了校正。

對(duì)于樣本2，BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確評(píng)分為4，RBF神經(jīng)網(wǎng)絡(luò)錯(cuò)誤預(yù)測(cè)評(píng)分為2，融合后3種集成神經(jīng)網(wǎng)絡(luò)均輸出正確評(píng)分4。對(duì)RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果進(jìn)行了校正。

表2 樣本2的基本概率賦值、融合結(jié)果和期望值

使用每種方法訓(xùn)練10次神經(jīng)網(wǎng)絡(luò)，保留準(zhǔn)確率最高的模型。各個(gè)神經(jīng)網(wǎng)絡(luò)模型的準(zhǔn)確率見(jiàn)表3。

表3 各種神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)準(zhǔn)確率表單位:%

由表3可知，2種集成神經(jīng)網(wǎng)絡(luò)模型都可以有效地提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)準(zhǔn)確率?？椢锕饣L(fēng)格評(píng)分的預(yù)測(cè)基于證據(jù)關(guān)聯(lián)系數(shù)的D-S模型集成后的神經(jīng)網(wǎng)絡(luò)相比于BP神經(jīng)網(wǎng)絡(luò)準(zhǔn)確率提高了17.74%，提升幅度最明顯。除懸垂外，其他織物主觀風(fēng)格評(píng)分的預(yù)測(cè)準(zhǔn)確率均有不同程度的提高。說(shuō)明了運(yùn)用基于神經(jīng)網(wǎng)絡(luò)和D-S證據(jù)理論的綜合評(píng)判策略比單獨(dú)使用某一種神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確率更高，通過(guò)融合可以更好地預(yù)測(cè)出需要預(yù)測(cè)的參數(shù)。總的來(lái)看，基于證據(jù)關(guān)聯(lián)系數(shù)的D-S模型對(duì)織物數(shù)據(jù)集的處理效果最好，預(yù)測(cè)織物主觀風(fēng)格平均準(zhǔn)確率最高。分析可得，懸垂[10]、光澤[11]、主色調(diào)不論使用哪種方法準(zhǔn)確度均不是很高，說(shuō)明現(xiàn)在的評(píng)分方式不適合這3種織物風(fēng)格的評(píng)定，應(yīng)該使用更合適的方法對(duì)這2種風(fēng)格進(jìn)行評(píng)定。

2 基于成分分類的集成神經(jīng)網(wǎng)絡(luò)織物主觀風(fēng)格預(yù)測(cè)模型

由于纖維成分的不同對(duì)織物主觀風(fēng)格評(píng)價(jià)會(huì)產(chǎn)生較大的影響[12]，試驗(yàn)發(fā)現(xiàn)，將纖維成分接近的織物劃分在同一個(gè)數(shù)據(jù)集中，這樣每一個(gè)子數(shù)據(jù)集中的織物成分類似，可以減小預(yù)測(cè)系統(tǒng)的誤差。同時(shí)通過(guò)分類的方式將織物成分這一基本結(jié)構(gòu)參數(shù)加入到預(yù)測(cè)系統(tǒng)中，提高預(yù)測(cè)系統(tǒng)的精確度。在織物預(yù)處理階段增加一個(gè)織物成分分類器，它可以根據(jù)每種織物中含量最大的纖維成分對(duì)織物數(shù)據(jù)集進(jìn)行劃分，最終將總的織物數(shù)據(jù)集分成4個(gè)子數(shù)據(jù)集進(jìn)行數(shù)據(jù)處理，分類示意圖如圖7所示。如果織物含量最大的纖維是礦物纖維和無(wú)機(jī)化學(xué)纖維，則將其剔除。因?yàn)檫@類織物數(shù)量過(guò)少，不足以訓(xùn)練神經(jīng)網(wǎng)絡(luò)。數(shù)據(jù)統(tǒng)計(jì)表見(jiàn)表4。

圖7 成分分類器示意圖

表4 數(shù)據(jù)集統(tǒng)計(jì)表

使用基于證據(jù)關(guān)聯(lián)系數(shù)的集成神經(jīng)網(wǎng)絡(luò)分別對(duì)總的織物數(shù)據(jù)集和分類后的子數(shù)據(jù)集進(jìn)行8種織物主觀風(fēng)格預(yù)測(cè)，分別得到其準(zhǔn)確率見(jiàn)表5。

表5 織物主觀風(fēng)格預(yù)測(cè)準(zhǔn)確率單位:%

由表5數(shù)據(jù)可知，將集中的數(shù)據(jù)按照織物最大纖維成分進(jìn)行分類，再進(jìn)行神經(jīng)網(wǎng)絡(luò)處理，集成神經(jīng)網(wǎng)絡(luò)對(duì)于植物纖維類織物和人造纖維類織物的評(píng)分預(yù)測(cè)能力明顯增強(qiáng)，對(duì)于動(dòng)物纖維類織物和合成纖維類織物的評(píng)分預(yù)測(cè)能力有所降低，對(duì)于后兩類織物進(jìn)行預(yù)測(cè)時(shí)，可以使用全部織物訓(xùn)練而成的神經(jīng)網(wǎng)絡(luò)進(jìn)行預(yù)測(cè)。分析原因可能有:動(dòng)物纖維數(shù)量較少，驗(yàn)證模型時(shí)，由于數(shù)據(jù)缺失導(dǎo)致準(zhǔn)確率偏低；合成纖維之間性質(zhì)差異較大；手工評(píng)測(cè)織物評(píng)分時(shí)產(chǎn)生誤差。

3 結(jié)語(yǔ)

不論單一BP神經(jīng)網(wǎng)絡(luò)還是RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用于織物主觀風(fēng)格預(yù)測(cè)中，都具有一定的不穩(wěn)定性、不可靠性。BP神經(jīng)網(wǎng)絡(luò)對(duì)織物的柔軟、懸垂2種風(fēng)格預(yù)測(cè)準(zhǔn)確率較高，RBF對(duì)其他6種主觀風(fēng)格預(yù)測(cè)準(zhǔn)確率較高。

通過(guò)D-S證據(jù)理論對(duì)集成神經(jīng)網(wǎng)絡(luò)進(jìn)行數(shù)據(jù)融合和決策，正確的預(yù)測(cè)評(píng)分的信任度極大地增加，從而很好地提高預(yù)測(cè)系統(tǒng)的精度。但是還有部分的織物風(fēng)格評(píng)價(jià)沒(méi)有達(dá)到80%以上，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)還有進(jìn)一步優(yōu)化的余地。

部分織物風(fēng)格評(píng)價(jià)通過(guò)五分制評(píng)測(cè)無(wú)法充分地展示其性能，需要使用更合適的方法對(duì)織物進(jìn)行重新評(píng)測(cè)，然后搭建適合的預(yù)測(cè)系統(tǒng)。

通過(guò)將織物成分先分類，再訓(xùn)練神經(jīng)網(wǎng)絡(luò)可以有效地提高神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)正確率。

在未來(lái)各行業(yè)的計(jì)算機(jī)預(yù)測(cè)方法中，多手段多方法相互融合必將成為趨勢(shì)。