合体女西装样板尺寸的自动生成

刘 芳，罗戎蕾，樊萌丽

(1.浙江理工大学 服装学院，浙江 杭州 310018； 2.浙江理工大学 国际教育学院，浙江 杭州 310018)

目前国内在服装生产过程中一般以号型规格作为服装制版的依据[1]，这往往会忽略不同消费者个体间的体型差异，降低服装的合体性，经验制版更是限制了服装产业技术结构的优化。目前服装尺寸自动推导的方法主要有BP神经网络法[2-3]、非线性主成分分析法[4]。针对BP神经网络存在的局限性，本文通过三维人体扫描仪[TC]2采集人体尺寸作为实验数据，通过Matlab软件构建粒子群优化的BP神经网络模型来学习制版师制版的经验，以实现人体尺寸到合体女西装样板尺寸的自动映射。

1 算法概述

1.1 BP神经网络

BP神经网络是一种按误差逆传播算法训练的多层前馈网络，由输入信息的正向传播和误差信息的反向传播2个传播过程组成。正向传播为输入信息经由输入层神经元向隐含层神经元传递，最终由输出层神经元得到输出结果。若输出结果与实际结果不相同，输出结果与实际结果间的误差向输出层神经元、隐含层神经元、输入层神经元方向反向传播，在传播的过程中，不断修正调整各层连接的权值，使得误差值减小。正向传播和反向传播交替进行，直至算法收敛，达到期望误差[5-6]。3层BP神经网络结构图见图1。

图1 3层BP神经网络结构图

BP神经网络算法虽然可以表达任意复杂的非线性映射，但其本身也存在着一定的不足。由于BP神经网络算法的初始权值是随机产生的，网络收敛速度较慢，训练时间较长，易陷入局部最优[7]，影响输出结果的稳定性和精确性。为了弥补BP神经网络算法的不足，采用粒子群算法来优化BP神经网络算法。

1.2 粒子群算法

粒子群算法(Particle Swarm Optimization，PSO)是一种模拟鸟类觅食过程的优化算法[8]。PSO算法中每个粒子都能够当作被优化问题的一个潜在解，所有粒子都有一个根据目标函数计算的适应度值，粒子位置的好坏由适应度值的大小来表达[9]。

每个粒子可以通过对自身位置的更新调整达到寻优目标，找到个体最优和全局最优。粒子更新速度和位置计算公式分别为：

(1)

(2)

1.3 PSO-BP神经网络

粒子群优化BP神经网络的实质是经过PSO算法优化赋予BP神经网络更优的初始权值和阈值。当PSO算法优化BP神经网络算法时，在权值、阈值的可解空间中初始化一群粒子，训练样本各输出结果的均方误差作为粒子群的目标函数，依据目标函数计算适应度值用以判断粒子位置的好坏[10-11]。通过粒子位置的更新获取个体最优位置和全局最优位置，从而获得BP神经网络最优初始化权值和阈值。PSO-BP算法流程图见图2。

图2 PSO-BP算法流程图

2 PSO-BP神经网络的尺寸预测模型

2.1 样本数据采集

采用三维人体扫描仪[TC]2测量220组人体的三维尺寸，由经验丰富的制版师依据220组三维人体尺寸进行合体女西装的样板设计，得到对应的合体女西装的样板尺寸数据。选取180组人体数据及其对应的样板尺寸数据作为POS-BP神经网络模型的训练样本，40组人体尺寸数据及其对应的样板尺寸数据作为POS-BP神经网络模型的测试样本。

2.2 PSO-BP神经网络的结构设计

通过构建BP神经网络来学习合体女西装实际生产过程中制版师的经验，实现合体女西装样板尺寸的自动生成。采用3层结构的BP神经网络，对合体女西装款式及结构进行分析，输入层节点选用身高、胸围、腰围、臀围、颈围、总肩宽、背长、腰长、乳间距、乳位高、前腰节长、后腰节长、全臂长、上臂长、腕围等15个人体尺寸数据；输出层节点选用后衣长、前衣长、前袖窿深、后袖窿深、胸围、腰围、臀围、前胸宽、后背宽、前领宽、后领宽、肩宽、腰长、背长、乳间距、乳位高、前腰节长、后腰节长、袖长、袖山高、肘线长、袖口、后中省量、后腰省量、侧缝省量、前腰省量等26个女西装样板尺寸数据；隐含层节点数的确定可以通过经验公式和试值的方式确定，最终确定隐含层节点数为15；构成了一个15×15×26的BP神经网络模型。学习率为0.1，目标精度为0.001，Tansig为隐含层的传递函数，purelin为输出层的传递函数，trainlm为训练函数。合体女西装的款式结构图见图3、4。

图3 合体女西装的款式

图4 合体女西装的结构图

采用PSO算法优化BP神经网络，因为BP神经网络的结构模型为15×15×26，依据经验公式可得粒子的维数为656，经过反复实验，设计种群规模为50，学习因子c1、c2都为2，惯性权重ω采用线性递减方式从0.9减小到0.4。

2.3 实验结果分析

将归一化处理过的180组训练样本分别对BP神经网络、POS-BP神经网络进行训练，训练过程图见图5。可以看出BP神经网络经过476次训练后收敛，POS-BP神经网络经过173次训练后收敛，POS-BP算法提高了BP算法的收敛速度。

图5 训练过程图

将40组测试样本导入，对训练好的BP神经网络、PSO-BP神经网络进行测试，其部分输出结果与实际样本对比如表1所示。可以看出测试结果与实际样本数据基本吻合，采用PSO-BP神经网络预测女西装尺寸的误差明显小于采用BP神经网络的预测误差。实验表明：采用PSO-BP神经网络模型预测合体女西装的样板尺寸，可以达到较为理想的预测效果。

3 结束语

结合粒子群算法与BP神经网络的特性，弥补BP神经网络收敛速度慢、易陷入局部最优的缺陷，本文构建了粒子群优化的BP神经网络模型，加快了通过传统BP神经网络来推导服装尺寸的收敛速度，也提高了服装尺寸的预测精度。实验结果表明所构建的PSO-BP神经网络模型具有较为理想的预测效果，为实现服装的大规模量身定制提供了思路。

表1 输出结果与实际结果对比 cm