基于集成神經網絡的織物主觀風格預測研究

趙偉榮，李 慧

(北京服裝學院，北京100029)

隨著時代的進步，服飾產品面料體感是否舒適已經成為消費者確定其檔次和價位的主要因素之一，所以正確、有效、客觀地對織物風格做出定量的評價已成為迫切的需要[1]。本文采用的織物數據集為510塊來自中國國際紡織面料及輔料博覽會的面料，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、復雜組織，還有聯合組織、大提花組織，其適用范圍廣，可用于各個季節服飾的制作。

織物的風格會受到紗線的成分、號數，織物的組織、密度、幅寬、重量的影響，通過構建合理的模型，尋找出織物風格與織物的基本結構參數之間的關系是現在很多科研人員正在研究的問題。織物風格的預測現在一般以主因子分析法、模糊綜合評價法以及BP神經網絡預測法為主[2]。主因子分析法不適用于樣本量較大的數據集；模糊綜合評價法由于對指標權重矢量的確定主觀性加權，常出現超模糊現象；而BP神經網絡有時會產生局部最小化問題。上述方法在進行織物風格評價時各有其局限性，僅適用于單一風格和同種成分的織物風格評價，不適用于對多種織物的不同風格進行評價。本文提出了基于D-S證據理論的集成神經網絡織物主觀風格預測模型。

織物主觀風格預測系統結構如圖1所示。織物樣本通過分類器進行分類，將子數據集輸入對應的子集成神經網絡中進行訓練。當需要預測某一種或者某幾種主觀風格時，將織物結構參數輸入對應的子集成神經網絡中即可獲得對應的主觀風格評分。

圖1 基于集成神經網絡的預測系統結構圖

1 基于D-S證據理論的集成神經網絡

1.1 預測模型

基于D-S證據理論的集成神經網絡織物主觀風格預測的方法是:把織物的每一種主觀風格評分看作一個信息系統，通過子神經網絡的基本概率賦值函數計算出每一組子神經網絡處理之后的數據所對應的基本概率賦值，作為D-S證據理論的證據源，再運用D-S證據理論組合規則對得到的概率值進行數據融合，就得到融合之后的綜合概率值，根據最終的融合結果做出預測結果[3]。神經網絡屬于局部融合，D-S證據理論的再次融合是全局融合，預測模型如圖2所示。

圖2 子集成神經網絡的預測模型

1.2 影響織物結構的主要因素

織物結構就是織物經緯紗相互配置的構造情況[4]。紗線細度、紗線密度和織物組織是決定織物結構的三大要素，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種織物基本結構參數進行分析，分別是織物的經緯紗支數、經緯紗密度、織物組織、重量以及幅寬。

不同織物結構參數的單位有多種表示方式，根據式(1)～式(8)對織物數據統一量綱:將紗支單位統一為tex，密度單位統一為根/inch，重量的單位統一為g/m2，幅寬單位統一為cm。

織物的經緯紗線細度、經緯紗密度、織物重量和幅寬均為連續的數值，統一量綱后可以直接根據式(9)使用最大-最小標準化的方法對數據進行歸一化。

由于織物組織是標稱型屬性，無法像數值型屬性一樣使用式(9)進行歸一化處理，決定使用one-hot編碼方式對其進行歸一化處理。

1.3 織物主觀風格的評價因素

織物的主觀風格是由多種織物基本結構參數的綜合作用形成的。選取了8種織物主觀風格進行評價，分別是主色調、肌理、花型、光滑、光澤、柔軟、懸垂、透明。所使用的織物數據集是來自中國國際紡織面料及輔料博覽會的510塊面料，交由專業人員進行主觀風格評測。由于測評結果會因為測試者的不同而產生一定的差異，因此測試由2人進行，如2人所得結果相差一級以內，最終結果取其平均值；如2人所得結果相差一級以上則由第3人來評定。最終，除主色調以10分制進行評測，其余主觀風格均以5分制進行評測。

1.4 神經網絡的訓練方法

將歸一化后的織物結構參數作為神經網絡的輸入特征向量，分別輸入BP神經網絡和RBF神經網絡進行訓練，織物的各項主觀風格評分作為輸出。

選用rule函數作為隱含層的傳遞函數，softmax函數作為輸出層的傳遞函數構建BP神經網絡。其預測織物柔軟風格準確率為53.23%，部分織物的預測如圖3所示；其預測織物肌理風格準確率為72.58%，部分織物的預測對比如圖4所示。

選用高斯核函數作為隱含層的傳遞函數，sigmod函數作為輸出層的傳遞函數構建RBF神經網絡，其預測織物柔軟風格準確率為50.00%，部分織物的預測對比如圖5所示；其預測織物肌理風格準確率為76.61%，部分織物的預測對比如圖6所示。

通過比較圖3和圖5可知，預測柔軟風格時，BP神經網絡整體預測效果更好一些；通過比較圖4和圖6可知，預測織物肌理風格時，RBF神經網絡整體預測效果較好。但是也有例外，如C5-5-1200(即圖4和圖6的第7個點)，RBF神經網絡預測錯誤，而BP神經網絡預測正確。2種神經網絡在預測不同風格時的準確率不一樣，通過神經網絡集成的方法，糾正單一神經網絡的預測錯誤，提高預測準確率。

圖3 BP神經網絡預測織物柔軟風格

圖4 BP神經網絡預測織物肌理風格

圖5 RBF神經網絡預測織物柔軟風格

圖6 RBF神經網絡預測織物肌理風格

1.5 D-S證據理論的算法融合規則[6]

由于多種神經網絡的方法均達不到所期望的準確率，決定從拓撲結構的角度出發，搭建集成神經網絡進行預測。引入D-S證據理論對子神經網絡進行數據融合從而提高預測系統的準確性。

若Θ={θ1，θ2，…，θN}是由N個兩兩互斥元素組成的有限完備集合，則稱其為辨識框架。對于Θ，Θ的冪集2Θ構成命題集合2Θ，?A?Θ，若函數m:2Θ→[0，1]滿足以下2個條件:

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，被視為準確分配給A的信度。

依據相同事件的不同證據，求出樣本空間n的2個信任函數Bel1和Bel2，得到BPA為M1和M2。M1和M2融合得到新的M。假設Ai為BP神經網絡對樣本的預測結果，BJ為RBF神經網絡對樣本的預測結果，且M1(AI)＞0，M2(Bj)＞0，則有

注:K為歸一化常數，如果K≠1，M是一個BPA；如果K=1，正交矩陣M不存在，則不能融合。織物數據樣本在經過神經網絡的處理之后，輸出織物主觀風格評分。如果神經網絡輸出向量中某種風格評分的輸出值大，則相應的評分發生概率就大。使用D-S證據理論進行融合的基本條件是各評分的基本概率賦值滿足式(11)。通過對網絡輸出值進行歸一化處理[7]，可以將神經網絡輸出值轉換成對應該網絡的各種風格評分的BPA，公式為:

應用Dempster組合規則時，會出現高度沖突的證據無法有效地融合，針對這個問題，目前有兩種思路:一是修改組合規則，二是修改原始數據。根據上述兩種思路分別建立了基于算術平均法的D-S模型和基于證據關聯系數的加權平均組合模型去預測織物結構主觀風格評分。

1.5.1 基于算術平均法的D-S模型[8]

在兩個證據融合之前計算沖突因子K，當K小于等于某一閾值Q(Q一般可取大于0.5)時，說明沖突較小，則可采用Demspster組合規則；當K大于Q時，說明沖突較大，則采用算術平均法。其定義如下:設M1和M2是兩個概率分配函數，則其正交和

1.5.2 基于證據關聯系數的加權平均組合模型[9]

該方法的核心思想是，不同分類器收集到的證據應該具有不同的權重。如果一個證據與所有證據的平均值的關聯系數越大，則認為該證據受其他證據的支持程度越大，從而具有較高的可信度，因此給其分配較高的權重。通過判斷證據的可信度，對證據的基本概率指派進行加權平均后，再利用Dempster組合規則進行融合。

設預測系統的證據源個數n，首先計算證據mi和平均值間的關聯系數的計算公式為:

然后將證據之間的關聯系數作為支持度，即

顯然若mi和ˉm之間的沖突越小，關聯系數就越大，相互支持程度也就越高。反之，認為相互支持程度比較低，將支持度歸一化后就得到可信度。如果一個證據幾乎不被其他證據所支持，則認為該證據的可信程度較低。從而定義證據mi的可信度

然后將可信度Crd(mi)作為證據mi的權重，根據各個證據的權重對各證據進行加權平均，最后利用Dempster組合規則進行數據融合。該方法可以有效解決數據間的高度沖突問題。

1.5.3 應用研究

以不同肌理風格評分的2塊織物進行分析，編號C-16-13-0998的織物記為樣本1，編號C-11-57-1633的織物記為樣本2。樣本1是專業人員評測后織物肌理風格評分為1的織物，樣本2是專業人員評測后織物肌理風格評分為4的織物。樣本1結構參數為紗支:9.7×9.7 tex，密度:940/472根/10 cm，幅寬:148 cm，重量:136 g/m2。樣本2結構參數為紗支:14.6×14.6 tex，密度:394×295根/10 cm，幅寬:148 cm，重量:112 g/m2。使用不同的神經網絡模型分別對樣本1、樣本2的主觀風格進行預測，根據概率最大原則輸出預測結果，肌理預測結果如表1、表2所示。

表1 樣本1的基本概率賦值、融合結果和期望值

對于樣本1，BP神經網絡錯誤預測評分為2，RBF神經網絡預測正確評分為1，融合后的3種集成神經網絡均輸出正確評分1。對BP神經網絡錯誤的預測結果進行了校正。

對于樣本2，BP神經網絡預測正確評分為4，RBF神經網絡錯誤預測評分為2，融合后3種集成神經網絡均輸出正確評分4。對RBF神經網絡的預測結果進行了校正。

表2 樣本2的基本概率賦值、融合結果和期望值

使用每種方法訓練10次神經網絡，保留準確率最高的模型。各個神經網絡模型的準確率見表3。

表3 各種神經網絡模型預測準確率表單位:%

由表3可知，2種集成神經網絡模型都可以有效地提高神經網絡預測準確率。織物光滑風格評分的預測基于證據關聯系數的D-S模型集成后的神經網絡相比于BP神經網絡準確率提高了17.74%，提升幅度最明顯。除懸垂外，其他織物主觀風格評分的預測準確率均有不同程度的提高。說明了運用基于神經網絡和D-S證據理論的綜合評判策略比單獨使用某一種神經網絡的準確率更高，通過融合可以更好地預測出需要預測的參數。總的來看，基于證據關聯系數的D-S模型對織物數據集的處理效果最好，預測織物主觀風格平均準確率最高。分析可得，懸垂[10]、光澤[11]、主色調不論使用哪種方法準確度均不是很高，說明現在的評分方式不適合這3種織物風格的評定，應該使用更合適的方法對這2種風格進行評定。

2 基于成分分類的集成神經網絡織物主觀風格預測模型

由于纖維成分的不同對織物主觀風格評價會產生較大的影響[12]，試驗發現，將纖維成分接近的織物劃分在同一個數據集中，這樣每一個子數據集中的織物成分類似，可以減小預測系統的誤差。同時通過分類的方式將織物成分這一基本結構參數加入到預測系統中，提高預測系統的精確度。在織物預處理階段增加一個織物成分分類器，它可以根據每種織物中含量最大的纖維成分對織物數據集進行劃分，最終將總的織物數據集分成4個子數據集進行數據處理，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機化學纖維，則將其剔除。因為這類織物數量過少，不足以訓練神經網絡。數據統計表見表4。

圖7 成分分類器示意圖

表4 數據集統計表

使用基于證據關聯系數的集成神經網絡分別對總的織物數據集和分類后的子數據集進行8種織物主觀風格預測，分別得到其準確率見表5。

表5 織物主觀風格預測準確率單位:%

由表5數據可知，將集中的數據按照織物最大纖維成分進行分類，再進行神經網絡處理，集成神經網絡對于植物纖維類織物和人造纖維類織物的評分預測能力明顯增強，對于動物纖維類織物和合成纖維類織物的評分預測能力有所降低，對于后兩類織物進行預測時，可以使用全部織物訓練而成的神經網絡進行預測。分析原因可能有:動物纖維數量較少，驗證模型時，由于數據缺失導致準確率偏低；合成纖維之間性質差異較大；手工評測織物評分時產生誤差。

3 結語

不論單一BP神經網絡還是RBF神經網絡應用于織物主觀風格預測中，都具有一定的不穩定性、不可靠性。BP神經網絡對織物的柔軟、懸垂2種風格預測準確率較高，RBF對其他6種主觀風格預測準確率較高。

通過D-S證據理論對集成神經網絡進行數據融合和決策，正確的預測評分的信任度極大地增加，從而很好地提高預測系統的精度。但是還有部分的織物風格評價沒有達到80%以上，網絡的拓撲結構還有進一步優化的余地。

部分織物風格評價通過五分制評測無法充分地展示其性能，需要使用更合適的方法對織物進行重新評測，然后搭建適合的預測系統。

通過將織物成分先分類，再訓練神經網絡可以有效地提高神經網絡預測正確率。

在未來各行業的計算機預測方法中，多手段多方法相互融合必將成為趨勢。