基于神經(jīng)網(wǎng)絡(luò)集成的女下裝號型歸檔模型構(gòu)建

孫 潔，金娟鳳，倪世明，葉 玲，劉 燾，鄒奉元，3

(1.浙江理工大學(xué)服裝學(xué)院，浙江杭州 310018;2.嘉興學(xué)院設(shè)計學(xué)院，浙江嘉興 314000;3.浙江理工大學(xué)浙江省服裝工程技術(shù)研究中心，浙江杭州 310018)

服裝號型是服裝生產(chǎn)銷售過程中的重要依據(jù)和參考。但是個體體型對標(biāo)準(zhǔn)體型的離散性使服裝的合體性難以滿足消費者的要求，而批量定制成為解決這一矛盾的重要途徑。在細(xì)化服裝控制部位的基礎(chǔ)上，實現(xiàn)號型自動歸檔正是服裝批量定制的關(guān)鍵技術(shù)之一［1］。目前，在服裝號型自動歸檔的相關(guān)研究中，主要采用線性規(guī)劃算法［2］、擇近原則［3］、LBG算法［4］、建立多層前饋 BP 神經(jīng)網(wǎng)絡(luò)模型［5］、模糊神經(jīng)網(wǎng)絡(luò)模型［6］等方法，在一定程度上克服了傳統(tǒng)歸檔過程中工作量大，效率低，且經(jīng)常會出現(xiàn)漏歸、錯歸、重復(fù)歸檔的問題［3，7］。但是，以上算法過于復(fù)雜，影響運算速度，并且未對各控制部位權(quán)重給出科學(xué)設(shè)置;通過構(gòu)建結(jié)構(gòu)復(fù)雜的神經(jīng)網(wǎng)絡(luò)模型以提升精度時，易發(fā)生過擬合現(xiàn)象，使得神經(jīng)網(wǎng)絡(luò)的泛化能力大大減弱。服裝號型歸檔是一個大樣本歸檔過程，要求歸檔模型同時具備運算速度快，運算精度高和泛化能力強的特點。近年來，神經(jīng)網(wǎng)絡(luò)集成(neural network ensemble，NNE)方法的提出為解決神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)選擇和過度擬合等問題提供了新的途徑［8］。Hansen等［9］證明，通過訓(xùn)練多個神經(jīng)網(wǎng)絡(luò)并將其結(jié)果合成輸出，可以顯著提高神經(jīng)網(wǎng)絡(luò)的泛化能力。

本文采用平均影響值(MIV)的方法，對號型歸檔模型的輸入變量進(jìn)行篩選，通過Adaboost算法集成多個簡單BP神經(jīng)網(wǎng)絡(luò)，構(gòu)建神經(jīng)網(wǎng)絡(luò)集成歸檔模型，實現(xiàn)快速、精確自動歸檔，為服裝批量定制的數(shù)字化過程奠定關(guān)鍵技術(shù)基礎(chǔ)。

1 實驗部分

1.1 數(shù)據(jù)采集

實驗以18～25歲的在青年女性為研究對象。運用美國TC2三維人體掃描與測量系統(tǒng)及馬丁測量儀進(jìn)行人體數(shù)據(jù)采集。本文是在GB/T 1335.2—2008《服裝號型女子》的基礎(chǔ)上進(jìn)行研究，因此主要測試部位也是根據(jù)國家號型中的控制部位進(jìn)行設(shè)定。此外，根據(jù)下裝的特點，選擇相應(yīng)的人體控制部位作為其合體性的評價因素［10］。我國國家標(biāo)準(zhǔn)號型下裝的主要控制部位為身高、腰圍高、腰圍、臀圍，根據(jù)服裝結(jié)構(gòu)設(shè)計的需要，增加腹圍、腰長、前襠長、后襠長、大腿圍、膝蓋高作為新增控制部位，各測量項目定義見表1。

選取某品牌的合體女褲裝為穿著實驗樣衣，如圖1所示。該款下裝為基本款褲裝，放松量設(shè)計主要考慮生理衛(wèi)生和體型變化2個方面，款式設(shè)計松量很少，不同號型的穿著效果對比明顯，有利于本文號型歸檔的研究。測試者通過試穿確定穿著效果最佳的褲裝號型，從而構(gòu)建由控制部位參數(shù)集合到下裝號型的映射。

表1 測量項目Tab.1 M easurem ent item s

圖1 160/68A褲裝試穿效果Fig.1 Wearing rendering of160/68A pant

1.2 數(shù)據(jù)預(yù)處理

對510個樣本進(jìn)行三維人體測量，運用點變量頻數(shù)分布對數(shù)據(jù)進(jìn)行歸類整理，剔除異常數(shù)據(jù)后得到樣本量為500個，樣本數(shù)據(jù)10個控制部位參數(shù)的基本統(tǒng)計信息如表2所示。統(tǒng)計結(jié)果顯示，樣本身高、腰圍、腰圍高接近國標(biāo)中M碼，控制部位數(shù)值為:身高160 cm，腰圍高98.0 cm，腰圍64.0 cm;樣本臀圍眾數(shù)比國家標(biāo)準(zhǔn)數(shù)值小2.5 cm;身高、腰圍、臀圍平均值均大于國家標(biāo)準(zhǔn)中相應(yīng)部位數(shù)值。可見青年女性中存在多數(shù)個體體形特征與國家標(biāo)準(zhǔn)相符合，但整體樣本離散性較大，與國家標(biāo)準(zhǔn)控制部位數(shù)值存在差異，以臀部差異最為明顯。

表2 控制部位參數(shù)基本統(tǒng)計信息Tab.2 Statistical in formation of control position parameters cm

2 建模變量篩選

2.1 M IV算法原理

神經(jīng)網(wǎng)絡(luò)在處理多重共線性(multicollinearity)數(shù)據(jù)時，易發(fā)生過度擬合現(xiàn)象，即回歸模型中自變量之間由于存在精確相關(guān)關(guān)系或高度相關(guān)關(guān)系而使模型估計失真或難以估計準(zhǔn)確。本文在構(gòu)建回歸模型時，運用平均影響值(mean impact value，MIV)對構(gòu)建歸檔模型的變量進(jìn)行篩選，進(jìn)而構(gòu)建自變量更少，效果更好的神經(jīng)網(wǎng)絡(luò)模型。

MIV是用于確定輸入神經(jīng)元影響大小的一個指標(biāo)，其符號代表相關(guān)的方向，絕對值大小代表影響的相對重要性［11－12］。具體計算過程為:在網(wǎng)絡(luò)訓(xùn)練終止后，將樣本P中的每個自變量特征在其原值的基礎(chǔ)上分別增加和減少10%，構(gòu)成新的訓(xùn)練樣本P1和P2;將P1和P2分別作為仿真樣本利用已建成的網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到仿真結(jié)果A1和A2;得出A1與A2的差值即為變動該變量后對輸出產(chǎn)生的影響變化值(Ⅳ)，最后將Ⅳ按觀測例數(shù)取平均值得出自變量對于應(yīng)變量的MIV。通過以上步驟依次計算各個網(wǎng)絡(luò)輸出影響的相對重要性位次，從而判斷輸入變量對于網(wǎng)絡(luò)結(jié)構(gòu)的影響程度，即實現(xiàn)了變量篩選。

2.2 簡單BP神經(jīng)網(wǎng)絡(luò)模型構(gòu)建

本文共有500組人體數(shù)據(jù)，隨機選取450個樣本作為訓(xùn)練集，50個樣本作為測試集。BP神經(jīng)網(wǎng)絡(luò)輸入層為10維，代表10項控制部位參數(shù);輸出層為服裝號型，根據(jù)下裝號型模式，選取160/68A號型，其中包含身高和腰圍2個數(shù)值項。為得到各控制部位參數(shù)分別對身高和腰圍的影響，將輸出節(jié)點確定為1，分別訓(xùn)練身高和腰圍。根據(jù)經(jīng)驗公式(1)，確定隱含層節(jié)點數(shù)。

式中:n為輸入層節(jié)點數(shù);m為輸出層節(jié)點數(shù);α為1～10之間的常數(shù)。

在經(jīng)驗值附近尋找最優(yōu)節(jié)點數(shù)值，經(jīng)實驗比較網(wǎng)絡(luò)的收斂速度和性能，最終確定隱含層節(jié)點數(shù)為6。運用MatLab(R2010a)軟件神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建模型，其程序設(shè)計步驟如圖2所示。

圖2 變量篩選程序步驟Fig.2 Procedure steps of variable selection

2.3 變量篩選

根據(jù)MIV值對變量進(jìn)行篩選，各控制部位的MIV值如表3所示。在確定模型輸入層變量時，在滿足高精度的同時盡量保留較少的控制部位參數(shù)，以使模型結(jié)構(gòu)更為簡單，提升網(wǎng)絡(luò)的泛化能力。通過實驗對比，剔除MIV值小于0.1的控制部位，確定身高、腰圍、臀圍、腰圍高、后襠長5個變量作為身高歸檔模型的輸入變量，腰圍、臀圍、大腿圍、腰長、身高5個變量作為腰圍歸檔模型的輸入變量。

表3 各控制部位M IV值Tab.3 M IV values of each control position

3 集成歸檔模型構(gòu)建

3.1 Adaboost算法原理

Adaboost算法的思想是合成多個“弱”神經(jīng)網(wǎng)絡(luò)輸出以產(chǎn)生有效預(yù)測結(jié)論，它具有算法結(jié)構(gòu)簡單，易于實現(xiàn)的特點，學(xué)習(xí)得到的集成網(wǎng)絡(luò)一般具有較高的準(zhǔn)確率和泛化能力［14］。其主要步驟為:首先給出弱學(xué)習(xí)算法和樣本空間(x，y)，從樣本中隨機找出m組訓(xùn)練數(shù)據(jù)，每組訓(xùn)練數(shù)據(jù)的權(quán)重為1/m;然后用弱學(xué)習(xí)算法迭代運算T次，每次運算后都按照預(yù)測結(jié)果更新訓(xùn)練數(shù)據(jù)權(quán)重分布，增加預(yù)測誤差超過閥值的樣本權(quán)重，下一次迭代運算時更加關(guān)注這些訓(xùn)練個體，弱神經(jīng)網(wǎng)絡(luò)通過迭代得到一個預(yù)測函數(shù)序列f1，f2，…fT，每個預(yù)測函數(shù)賦予一個權(quán)重，預(yù)測結(jié)果越好的函數(shù)，其對應(yīng)權(quán)重越大;T次迭代后，最后集成神經(jīng)網(wǎng)絡(luò)的輸出函數(shù)F由弱預(yù)測函數(shù)加權(quán)得到。

3.2 集成歸檔模型構(gòu)建

本文實驗把BP神經(jīng)網(wǎng)絡(luò)作為弱預(yù)測器，將篩選得到的5個控制部位參數(shù)作為輸入層，通過Adaboost算法生成10個簡單BP神經(jīng)網(wǎng)絡(luò)集成的強預(yù)測器。訓(xùn)練曲線見圖3、4。

圖3 身高預(yù)測模型訓(xùn)練曲線Fig.3 Heightmodel's training curve

圖4 腰圍預(yù)測模型訓(xùn)練曲線Fig.4 Waist circumferencemodel's training curve

由圖3可知，經(jīng)過4代訓(xùn)練后身高預(yù)測均方誤差達(dá)到最小值為0.049 063;由圖4可知，經(jīng)過6代訓(xùn)練腰圍預(yù)測均方差達(dá)到最小值為0.050 67。50個測試樣本的身高預(yù)測值誤差結(jié)果如圖5所示，腰圍預(yù)測值誤差結(jié)果如圖6所示。

圖5 身高預(yù)測誤差Fig.5 Heightmodel's prediction errors

圖6 腰圍預(yù)測誤差Fig.6 Waist circumferencemodel's prediction errors

根據(jù) GB/T 1335.2—2008《服裝號型 女子》，5.4號型系列和5.2號型系列中身高檔差為5 cm，確定其預(yù)測值可接受誤差范圍為(－2.5，2.5)，腰圍檔差分別為4 cm和2 cm，確定其預(yù)測值可接受誤差范圍分別為(－2，2)和(－1，1)，根據(jù)圖5和圖6中誤差絕對值分布統(tǒng)計50個測試集的誤差，測試集歸檔準(zhǔn)確率如表4所示，可見運用集成方法后精度得到明顯提高。

表4 歸檔準(zhǔn)確率比較Tab.4 Comparison of filing accuracy

4 結(jié)論

1)通過MIV算法得到女下裝歸檔模型中各控制部位的影響度位序，并將模型的輸入變量由10維降為5維，即將身高、腰圍、臀圍、腰圍高、后襠長作為身高歸檔模型的輸入變量，將腰圍、臀圍、大腿圍、腰長、身高作為腰圍歸檔模型的輸入變量。在變量篩選的基礎(chǔ)上進(jìn)一步簡化神經(jīng)網(wǎng)絡(luò)預(yù)測模型，提升模型的泛化能力。

2)將Adaboost算法運用于服裝號型歸檔問題，通過集成10個簡單BP神經(jīng)網(wǎng)絡(luò)獲得高精度的號型歸檔模型。

此外，神經(jīng)網(wǎng)絡(luò)集成方法不僅可以運用于BP神經(jīng)網(wǎng)絡(luò)，還可與支持向量機、概率神經(jīng)網(wǎng)絡(luò)等結(jié)合以提升神經(jīng)網(wǎng)絡(luò)的預(yù)測精度。

［1］ 張欣，張恒.基于批量定制的服裝號型歸檔方法［J］.東華大學(xué)學(xué)報:自然科學(xué)版，2009，35(4):436－440.ZHANG Xin，ZHANG Heng.The type filing for garment size type based on the lot custom-made ［J］.Journal of Donghua University:Natural Science Edition，2009，35(4):436－440.

［2］ GUPTA D.Developing body measurement charts for garment manufacture based on a linear programming approach［J］. Technology and Management，2006，5(1):1－13.

［3］ 王建萍，李月麗，喻芳.基于擇近原則的服裝號型數(shù)字化歸檔方法［J］.紡織學(xué)報，2007，28(11):106－110.WANG Jianping， LI Yueli， YU Fang. Digitalized categorization for garment size designation based on the approaching principle［J］.Journal of Textile Research，2007，28(11):106－110.

［4］ 董麗.基于MC的號型規(guī)格庫建立及自動歸檔算法的研究［D］.杭州:浙江理工大學(xué)，2007:35－41.DONG Li.Garment size database establishment and research of automatic size classify approach based on Mass customization［D］.Hangzhou:Zhejiang Sci-Tech University，2007:35 －41.

［5］ 任天亮.基于服裝MTM的男體數(shù)據(jù)庫的建立及其在號型歸檔中的應(yīng)用［D］.上海:東華大學(xué)，2009:52－74.REN Tianliang.Establishment of male body database and the application in garment size categorization based on MTM［D］.Shanghai:Donghua University，2009:52－74.

［6］ 東苗，郝礦榮，丁永生.基于模糊神經(jīng)網(wǎng)絡(luò)的服裝號型推薦專家系統(tǒng)［J］.微型電腦應(yīng)用，2010，26(3):.21－26.DONG Miao， HAO Kuangrong，DING Yongsheng.Garment size recommendation based on fuzzy neural network expertsystem［J］.Microcomputer Applications，2010，26(3):21－26.

［7］ 徐繼紅，張向輝，張文斌.定制服裝號型歸檔與裁剪方案數(shù)字化研究［J］.東華大學(xué)學(xué)報:自然科學(xué)版，2003，29(1):37－42.XU Jihong，ZHANG Xianghui，ZHANGWenbin.Study on the digitalization of filing custom-made garments'types and cutting plan［J］. Journal of Donghua University:Natural Science Edition，2003，29(1):37－42.

［8］ 朱人杰，田雨波，賈則.混沌搜索神經(jīng)網(wǎng)絡(luò)集成求解廣義異或分類問題［J］.微電子學(xué)與計算機，2009，26(5):99－102.ZHU Renjie，TIAN Yubo，JIA Ze.Generalized XOR classification solution using neural networks ensemble based on chaos searching［J］.Microelectronics and Computer，2009，26(5):99 －102.

［9］ HANSEN L K， SALAMON P. Neural network ensembles［C］//IEEE Transaction on Pattern Analysis and Machine Intelligence，1990，12(10):993－1001.

［10］ ALEXANDER M， LENDA J C P. Clothing fit preferences of young female adult consumers［J］.Journal of Clothing Science and Techonogy，2005，17(1):52－64.

［11］ 盧勇艷，王維國.財務(wù)困境預(yù)測中的變量篩選:基于平均影響值的 SVM方法［J］.系統(tǒng)工程，2011，29(8):73－78.LU Yongyan，WANG Weiguo.Filtration of variables in the prediction of financial:SVM method based on mean impact values［J］.Systems Engineering，2011，29(8):73－78.

［12］ 徐富強，劉相國.基于優(yōu)化的BRF神經(jīng)網(wǎng)絡(luò)的變量篩選方法［J］.計算機系統(tǒng)應(yīng)用，2012，21(3):206－208.XU Fuqiang， LIU Xiangguo. Variables screening methods based on the optimization of RBF neural network［J］.Computer Systems Applications，2012，21(3):206－208.

［13］ 王儉，胡筱敏，鄭龍熙，等.基于BP模型的大氣污染預(yù)報方法的研究［J］.環(huán)境科學(xué)研究，2002，15(5):62－63.WANG Jian，HU Xiaomin，ZHENG Longxi，et al.Study on forecasting of air pollution based on BP model［J］.Research of Environmental Sciences，2002，15(5):62－63.

［14］ 張偉松，高智英.快速多分類器集成算法研究［J］.計算機工程，2012，38(2):178－180.ZHANG Weisong， GAO Zhiying. Research on fast multi-classifier ensemble algorithm ［J］. Computer Engineering，2012，38(2):178－180.