RBF神经网络在估算男西服用料长度中的应用

邢英梅，王竹君，袁萌萌，李世伟，杜飞飞

（安徽工程大学 纺织服装学院，安徽 芜湖 241000）

RBF神经网络在估算男西服用料长度中的应用

邢英梅，王竹君*，袁萌萌，李世伟，杜飞飞

（安徽工程大学 纺织服装学院，安徽 芜湖 241000）

快速而准确地估算服装的排料长度，不仅有利于服装企业核算成本，也有利于企业缩短快速响应时间，把握更多商机，创造更多价值。基于此，以男西服为例，在利用NAC服装CAD系统制板、推板和排料的基础上，采集影响男西服排料长度的相关数据，进而构建出用于估算男西服排料长度的RBF神经网络模型，探讨和分析影响RBF神经网络的诸因素，经过多次仿真测试，表明该RBF网络模型具有良好的预测性能。若将企业实际生产数据导入模型中，通过适当样本训练可进一步提高预测精度，为企业实现快速准确地估算面料消耗提供指导。

男西服；排料；排料长度；RBF神经网络

0　引言

快速、准确地估算服装用料，在服装企业的成本估算、贸易谈判、原料采购等方面均具有十分积极的意义。目前，常用的服装用料估算方法主要有两种，即经验估计法和电脑排料估算法。两种方法优点突出，但又都有无法克服的不足。经验估计法是建立在工作人员多年工作经验积累的基础之上，根据面料的幅宽、服装的号型组合、服装规格尺寸等参数估算出大致的用料量。这种方法效率比较高，但不够准确，且对人员的经验依赖度较大，若遇到比较新颖的款式，估算的效率和准确性都会有所下降。电脑排料估算法，是综合利用服装CAD系统的打板、推板和排料功能，计算出服装用料量，估值的准确性较之经验法大为提高，但由于需经过打板、推板和排料等步骤，估算的效率不如经验法，不方便在贸易谈判等需要快速得到结果的场合使用[1]。张恒等提出了利用BP神经网络进行服装用料估算的方法，既免除了估算前打板套排等一系列的繁琐过程，又提高了估算的精度[2]。但BP神经网络也存在收敛速度慢、容易陷入局部极值的缺点，影响了其的推广使用。

RBF神经网络可以根据具体问题确定相应的网络拓扑结构，具有自学习、自组织、自适应功能，它对非线性连续函数具有一致逼近性，学习速度快，可以进行大范围的数据融合，并行高速地处理数据。RBF神经网络的优良特性使得其显示出比BP神经网络更强的生命力，正在越来越多的领域内替代BP神经网络。本文以男西服为例，提出采用RBF神经网络来估算用料长度，该方法除了兼具BP神经网络的用料估值法的优点外，还克服了BP神经网络的一些缺点，相对于传统的估算方法也有简单、直接、有效的优势，具有良好的可行性，较强的实用性。

1　男西服用料数据的收集

1.1 男西服的打板和推板

本文选择NAC服装CAD系统作为制板平台，先利用系统提供的打板模块，按表1所示的尺寸规格表绘制出基础板，而后在推板模块中，推放出其他号型的样板，并将给净样添加缝份，形成裁剪所需的样板。

表1　男西服尺寸规格表　单位：cm

1.2 男西服用料数据的采集

在服装CAD系统的排料模块中，设定布料幅宽分别为144cm和120cm，按照影响布料利用率的关键因素，如套排服装的件数、套排服装号型的组合方式、套排服装号型之间关系等，对待排的样板进行全自动排料，并记录布料的排料长度等数据。

表2　幅宽144cm时典型的排料实验结果

2　基于RBF神经网络的男西服排料长度估算模型设计

2.1 RBF神经网络的基本原理

RBF神经网络，即径向基函数（Radial Basis Function，RBF）神经网络，是一种结构简单、收敛速度快、能逼近任意非线性函数的网络，由于其具有结构自适应确定、输出与初始权值无关的优良特性，在模式分类和函数逼近上有着卓越的性能表现，故在多维自由曲面拟合、自由曲面重构和设备故障诊断等领域应用比较广泛。

RBF神经网络是由输入层、隐含层和输出层构成的三层前向网络，如图1所示。隐含层采用径向基函数作为激励函数（也称为传递函数），该径向基函数以高斯函数最为常见，如式（1）：

图1　RBF神经网络结构

式中：Xi为第i个节点的中心，σ为控制接收域大小的参数；为欧式范数。

RBF网络的隐含层可将低维的输入向量变换到高维空间内，使得在低维空间内不可分或难分的问题在高维空间内可分。

2.2 输入层和输出层的设计

影响男西服用料长度的因素众多，主要有：布料的幅宽、排料的号型数、号型的组合、服装规格长度之和以及服装规格围度之和等。本文中，号型的组合方式用混排标号的欧氏距离之和来表示；服装规格长度之和指的是各号型服装衣长与袖长之和；服装规格围度之和指的是各号型服装胸围之和。

本文所设计的RBF神经网络模型以号型个数、混排标号的欧氏距离之和、服装规格长度之和、服装规格围度之和作为输入向量。网络模型的输出向量为用料的长度。

用MATLAB代码表示为：

2.3 训练样本集和测试样本集的划分

在所采集的用料数据中，随机选取46个样本组成训练样本集，选择10个样本组成测试样本集。代码为：

2.4 数据的归一化和反归一化

为了消除由于不同量纲对神经网络训练误差的影响，在进行神经网络的训练前，有必要对数据进行归一化处理，本文调用MATLAB提供的mapminmax函数进行数据归一化，调用格式为：

函数将X中的值归一化到[-1,1]区间，X可以是矩阵或细胞数组。归一化结果保存在Y中，settings则保存了归一化信息。

反归一化目的是将神经网络的输出数据还原为归一化前的数据形式，调用的函数及其格式为：

Y是按settings进行归一化的结果，X1_again返回归一化前的数据形式。

2.5 RBF神经网络的创建与仿真测试

MATLAB自带的神经网络工具箱提供了newrb函数，可以创建一个RBF神经网络。它的调用格式为：

调用格式中各参数含义如下：

net=newrb，定义一个为newrb的设计神经网络。此函数设计的神经网络net可用于函数逼近。

P：Q组输入向量组成的R×Q维矩阵。

T：Q组目标分类向量组成的S×Q维矩阵。

GOAL：建立一个目标误差，默认值为0。

MN：神经元的最大数目，默认为Q。

DF：两次显示之间所添加的神经元数目，默认为25。

net：返回值，一个RBF函数网络。

tr：返回值，训练记录。

SPREAD：RBF函数的扩展速度，默认值为1。

本文中，用于创建RBF神经网络的代码为：

net=newrb(P_train,T_train,0,spread,40,2);

RBF神经网络一经创建，不需要训练就可以直接使用。输入向量首先与权值向量相乘，再输入到隐含层节点中，计算样本与节点中心的距离。该距离值经过径向基函数（通常为高斯型函数）的映射后形成隐含层的输出，再输出到输出层，各个隐含层节点的线性组合形成了最终的网络输出。

可利用仿真函数进行实际的应用，调用格式为：

其中，Yt为仿真测试的网络输出，net为训练好的神经网络，Pt为仿真测试样本的输入矩阵。

3　影响男西服排料长度RBF神经网络估算模型的因素分析

3.1 扩展速度SPREAD

RBF函数的扩展速度，默认值为1。RBF函数的扩展速度越大，函数的拟合就越平滑。可是，若扩展速度越大就意味着需要越多的神经元来适应函数的快速变化；若扩展速度越小，就意味着需要许多神经元以适应函数的缓慢变化。设计的网络性能就不会很好。因此，在网络的设计过程中，需要设定不同的扩展速度值进行实验，以确定一个最优值。

在幅宽为144cm条件下，进行了不同SPREAD值下的网络性能测试，结果如表3所示。

表3　不同spread值的RBF神经网络的预测值与期望值的对比

如表3所示，在扩展速度spread取不同数值时，RBF神经网络输出的预测值与期望目标值的误差不尽相同，同时，对于不同测试样本，误差的大小也有所区别。当扩展速度取0.1时，RBF神经网络的预测值与目标值相对最接近。

3.2 幅宽

幅宽是影响男西服排料长度的关键因素之一，在前述RBF神经网络模型的基础上，将幅宽也作为输入向量，构建新的RBF网络模型估算男西服排料长度，并比较扩展速度spread取值为0.1时，前后两种模型的估算误差，如表4所示。

表4　两种RBF神经网络模型估算误差对比　单位：cm

由表4，通过对比可知，RBF神经网络模型的输入向量中是否含有幅宽，对网络模型的输出值会产生显著的影响。输入向量中不含幅宽的模型估算误差要明显小于输入向量中含有幅宽的。

4　结语

本文以男西服为例，提出了一种基于RBF人工神经网络的估算服装用料长度的新方法。利用NAC服装CAD系统进行男西服制板、推板和排料，记录、采集幅宽、号型组合方式、用料长度等有关数据后，构建训练样本集和测试样本集，通过对RBF神经网络模型的训练与仿真测试，以及影响RBF神经网络模型的主要因素（如扩展速度spread、输入向量等）的分析，结果初步显示，本文所建立的神经网络模型可用于男西服用料长度的估算，是一种直接、简单、高效的新方法。当然，经过更多的科学实验和数据训练，该方法将得到进一步的完善，可在其他服装品类中推广。

[1] 王晓梅．服装订单生产中用料的管理研究[J]．纺织导报，2013，（2）：82-84．

[2] 张恒，张欣，贺兴时．应用BP神经网络估算服装铺料长度[J]．上海毛麻科技，2010，（2）：6-11．

[3] 杨威，刘俊峰，冯峰．基于动态服装结构的服装快速估料报价系统设计构想[J]．浙江纺织服装职业技术学院学报，2011，（2）：22-24．

[4] 刘瑞洲．服装生产中实际用料量的快速测算方法[J]．广西轻工业，2009，122（1）：102．160．

[5] 高岩．基于经验基础上的非线性规划法在服装排料技术中的应用研究[D]．苏州：苏州大学，2007．

[6] 罗正文．探讨服装生产用料量的计算技术[J]．科技资讯，2014，（15）：102.

[7] Kenji S., editor. Artificial neural networks-industrial and engineering applications[M]．India: InTech.，2011．1-30.

[8] Haykin S．Neural networks and Learning Machines[M]．New Jersey: Pearson Education Inc.，2009．1-46.

[9] 裘玉英．服装加工快速报价系统的建立与应用[D]．上海：东华大学，2003.

[10] 薛广洲，姚晓林．外贸针织服装面料预估计算方法[J]．天津工业大学学报，2002，21（4）：72-75.

Application of RBF Artificial Neural Networks in Estimating Spreading Length of Man Suit

XING Ying-mei, WANG Zhu-jun, YUAN Meng-meng, LI Shi-wei, DU Fei-fei
(College of Textile and Apparel, Anhui Polytechnic University, Wuhu Anhui 241000, China)

It is vital to estimate fabric costs fast and accurately for the apparel enterprises. In order to present a new approach with the advantages of fast and accuracy for estimating fabric costs, in this paper, man suit was taken for instance, and an innovative approach for estimating the length of man suit marking by RBF artificial neural network was put forward. Through series of experiments, the results showed that it was feasible for estimating fabric costs by the method of RBF artificial neural networks although there were some drawbacks, such as the accuracy was not inadequate. But if the RBF ANN model was trained by more typical data set and suitable algorithm, the properties of ANN model would be better.

man suit; marking; spreading length; RBF artificial neural networks

TP183

A

2095－414X(2016)03－0043－05

王竹君（1982-），男，副教授，研究方向：数字化服装与服饰品设计.

安徽省大学生创新创业训练项目（AH201410363211、201510363192）；教育部教育信息管理中心计算机辅助技术教育课题（CAXC-13A-33）；安徽工程大学青年科研基金项目（2007YQ050）；安徽工程大学校级本科教学质量提升计划项目（2014jyxm21、2015jyxm24）；安徽工程大学人文社科重点研究基地项目（校科字［2014］6 号）.