基于神经网络集成的女下装号型归档模型构建

孙 洁，金娟凤，倪世明，叶 玲，刘 焘，邹奉元，3

(1.浙江理工大学服装学院，浙江杭州 310018;2.嘉兴学院设计学院，浙江嘉兴 314000;3.浙江理工大学浙江省服装工程技术研究中心，浙江杭州 310018)

服装号型是服装生产销售过程中的重要依据和参考。但是个体体型对标准体型的离散性使服装的合体性难以满足消费者的要求，而批量定制成为解决这一矛盾的重要途径。在细化服装控制部位的基础上，实现号型自动归档正是服装批量定制的关键技术之一［1］。目前，在服装号型自动归档的相关研究中，主要采用线性规划算法［2］、择近原则［3］、LBG算法［4］、建立多层前馈 BP 神经网络模型［5］、模糊神经网络模型［6］等方法，在一定程度上克服了传统归档过程中工作量大，效率低，且经常会出现漏归、错归、重复归档的问题［3，7］。但是，以上算法过于复杂，影响运算速度，并且未对各控制部位权重给出科学设置;通过构建结构复杂的神经网络模型以提升精度时，易发生过拟合现象，使得神经网络的泛化能力大大减弱。服装号型归档是一个大样本归档过程，要求归档模型同时具备运算速度快，运算精度高和泛化能力强的特点。近年来，神经网络集成(neural network ensemble，NNE)方法的提出为解决神经网络的结构选择和过度拟合等问题提供了新的途径［8］。Hansen等［9］证明，通过训练多个神经网络并将其结果合成输出，可以显著提高神经网络的泛化能力。

本文采用平均影响值(MIV)的方法，对号型归档模型的输入变量进行筛选，通过Adaboost算法集成多个简单BP神经网络，构建神经网络集成归档模型，实现快速、精确自动归档，为服装批量定制的数字化过程奠定关键技术基础。

1 实验部分

1.1 数据采集

实验以18～25岁的在青年女性为研究对象。运用美国TC2三维人体扫描与测量系统及马丁测量仪进行人体数据采集。本文是在GB/T 1335.2—2008《服装号型女子》的基础上进行研究，因此主要测试部位也是根据国家号型中的控制部位进行设定。此外，根据下装的特点，选择相应的人体控制部位作为其合体性的评价因素［10］。我国国家标准号型下装的主要控制部位为身高、腰围高、腰围、臀围，根据服装结构设计的需要，增加腹围、腰长、前裆长、后裆长、大腿围、膝盖高作为新增控制部位，各测量项目定义见表1。

选取某品牌的合体女裤装为穿着实验样衣，如图1所示。该款下装为基本款裤装，放松量设计主要考虑生理卫生和体型变化2个方面，款式设计松量很少，不同号型的穿着效果对比明显，有利于本文号型归档的研究。测试者通过试穿确定穿着效果最佳的裤装号型，从而构建由控制部位参数集合到下装号型的映射。

表1 测量项目Tab.1 M easurem ent item s

图1 160/68A裤装试穿效果Fig.1 Wearing rendering of160/68A pant

1.2 数据预处理

对510个样本进行三维人体测量，运用点变量频数分布对数据进行归类整理，剔除异常数据后得到样本量为500个，样本数据10个控制部位参数的基本统计信息如表2所示。统计结果显示，样本身高、腰围、腰围高接近国标中M码，控制部位数值为:身高160 cm，腰围高98.0 cm，腰围64.0 cm;样本臀围众数比国家标准数值小2.5 cm;身高、腰围、臀围平均值均大于国家标准中相应部位数值。可见青年女性中存在多数个体体形特征与国家标准相符合，但整体样本离散性较大，与国家标准控制部位数值存在差异，以臀部差异最为明显。

表2 控制部位参数基本统计信息Tab.2 Statistical in formation of control position parameters cm

2 建模变量筛选

2.1 M IV算法原理

神经网络在处理多重共线性(multicollinearity)数据时，易发生过度拟合现象，即回归模型中自变量之间由于存在精确相关关系或高度相关关系而使模型估计失真或难以估计准确。本文在构建回归模型时，运用平均影响值(mean impact value，MIV)对构建归档模型的变量进行筛选，进而构建自变量更少，效果更好的神经网络模型。

MIV是用于确定输入神经元影响大小的一个指标，其符号代表相关的方向，绝对值大小代表影响的相对重要性［11－12］。具体计算过程为:在网络训练终止后，将样本P中的每个自变量特征在其原值的基础上分别增加和减少10%，构成新的训练样本P1和P2;将P1和P2分别作为仿真样本利用已建成的网络进行训练，得到仿真结果A1和A2;得出A1与A2的差值即为变动该变量后对输出产生的影响变化值(Ⅳ)，最后将Ⅳ按观测例数取平均值得出自变量对于应变量的MIV。通过以上步骤依次计算各个网络输出影响的相对重要性位次，从而判断输入变量对于网络结构的影响程度，即实现了变量筛选。

2.2 简单BP神经网络模型构建

本文共有500组人体数据，随机选取450个样本作为训练集，50个样本作为测试集。BP神经网络输入层为10维，代表10项控制部位参数;输出层为服装号型，根据下装号型模式，选取160/68A号型，其中包含身高和腰围2个数值项。为得到各控制部位参数分别对身高和腰围的影响，将输出节点确定为1，分别训练身高和腰围。根据经验公式(1)，确定隐含层节点数。

式中:n为输入层节点数;m为输出层节点数;α为1～10之间的常数。

在经验值附近寻找最优节点数值，经实验比较网络的收敛速度和性能，最终确定隐含层节点数为6。运用MatLab(R2010a)软件神经网络工具箱构建模型，其程序设计步骤如图2所示。

图2 变量筛选程序步骤Fig.2 Procedure steps of variable selection

2.3 变量筛选

根据MIV值对变量进行筛选，各控制部位的MIV值如表3所示。在确定模型输入层变量时，在满足高精度的同时尽量保留较少的控制部位参数，以使模型结构更为简单，提升网络的泛化能力。通过实验对比，剔除MIV值小于0.1的控制部位，确定身高、腰围、臀围、腰围高、后裆长5个变量作为身高归档模型的输入变量，腰围、臀围、大腿围、腰长、身高5个变量作为腰围归档模型的输入变量。

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

3 集成归档模型构建

3.1 Adaboost算法原理

Adaboost算法的思想是合成多个“弱”神经网络输出以产生有效预测结论，它具有算法结构简单，易于实现的特点，学习得到的集成网络一般具有较高的准确率和泛化能力［14］。其主要步骤为:首先给出弱学习算法和样本空间(x，y)，从样本中随机找出m组训练数据，每组训练数据的权重为1/m;然后用弱学习算法迭代运算T次，每次运算后都按照预测结果更新训练数据权重分布，增加预测误差超过阀值的样本权重，下一次迭代运算时更加关注这些训练个体，弱神经网络通过迭代得到一个预测函数序列f1，f2，…fT，每个预测函数赋予一个权重，预测结果越好的函数，其对应权重越大;T次迭代后，最后集成神经网络的输出函数F由弱预测函数加权得到。

3.2 集成归档模型构建

本文实验把BP神经网络作为弱预测器，将筛选得到的5个控制部位参数作为输入层，通过Adaboost算法生成10个简单BP神经网络集成的强预测器。训练曲线见图3、4。

图3 身高预测模型训练曲线Fig.3 Heightmodel's training curve

图4 腰围预测模型训练曲线Fig.4 Waist circumferencemodel's training curve

由图3可知，经过4代训练后身高预测均方误差达到最小值为0.049 063;由图4可知，经过6代训练腰围预测均方差达到最小值为0.050 67。50个测试样本的身高预测值误差结果如图5所示，腰围预测值误差结果如图6所示。

图5 身高预测误差Fig.5 Heightmodel's prediction errors

图6 腰围预测误差Fig.6 Waist circumferencemodel's prediction errors

根据 GB/T 1335.2—2008《服装号型 女子》，5.4号型系列和5.2号型系列中身高档差为5 cm，确定其预测值可接受误差范围为(－2.5，2.5)，腰围档差分别为4 cm和2 cm，确定其预测值可接受误差范围分别为(－2，2)和(－1，1)，根据图5和图6中误差绝对值分布统计50个测试集的误差，测试集归档准确率如表4所示，可见运用集成方法后精度得到明显提高。

表4 归档准确率比较Tab.4 Comparison of filing accuracy

4 结论

1)通过MIV算法得到女下装归档模型中各控制部位的影响度位序，并将模型的输入变量由10维降为5维，即将身高、腰围、臀围、腰围高、后裆长作为身高归档模型的输入变量，将腰围、臀围、大腿围、腰长、身高作为腰围归档模型的输入变量。在变量筛选的基础上进一步简化神经网络预测模型，提升模型的泛化能力。

2)将Adaboost算法运用于服装号型归档问题，通过集成10个简单BP神经网络获得高精度的号型归档模型。

此外，神经网络集成方法不仅可以运用于BP神经网络，还可与支持向量机、概率神经网络等结合以提升神经网络的预测精度。

［1］ 张欣，张恒.基于批量定制的服装号型归档方法［J］.东华大学学报:自然科学版，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，李月丽，喻芳.基于择近原则的服装号型数字化归档方法［J］.纺织学报，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］ 董丽.基于MC的号型规格库建立及自动归档算法的研究［D］.杭州:浙江理工大学，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.基于服装MTM的男体数据库的建立及其在号型归档中的应用［D］.上海:东华大学，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］ 东苗，郝矿荣，丁永生.基于模糊神经网络的服装号型推荐专家系统［J］.微型电脑应用，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］ 徐继红，张向辉，张文斌.定制服装号型归档与裁剪方案数字化研究［J］.东华大学学报:自然科学版，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，贾则.混沌搜索神经网络集成求解广义异或分类问题［J］.微电子学与计算机，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］ 卢勇艳，王维国.财务困境预测中的变量筛选:基于平均影响值的 SVM方法［J］.系统工程，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］ 徐富强，刘相国.基于优化的BRF神经网络的变量筛选方法［J］.计算机系统应用，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］ 王俭，胡筱敏，郑龙熙，等.基于BP模型的大气污染预报方法的研究［J］.环境科学研究，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］ 张伟松，高智英.快速多分类器集成算法研究［J］.计算机工程，2012，38(2):178－180.ZHANG Weisong， GAO Zhiying. Research on fast multi-classifier ensemble algorithm ［J］. Computer Engineering，2012，38(2):178－180.