（服装设计与工程专业论文）基于神经网络的服装纸样设计系统智能化研究.pdf

a b s t r a c t g a r m e n tp a t t e r nd e s i g n i n gi sa k e yl i n k i nt h e p r o d u c t i o n c h a i no f i n d u s t r i a l i z a t i o n ，w h i c hh a sh i g hd e p e n d e n c eo nt h es k i l l sa n de x p e r i e n c e so ft h e o p e r a t o r t h et e c h n i c a ll e v e lo fp r o f e s s i o n a ld e s i g n e ri st h ek e yf a c t o rt h a td e c i d e s w h e t h e rt h es t y l ea n dq u a l i t yo fp r o d u c t sa r eg o o do rn o t i no r d e rt oe n h a n c et h e w o r k i n ge f f i c i e n c ya n dq u a l i t yo ft h eg a r m e n tp a t t e r nd e s i g na n dr e d u c et h e d e p e n d e n c eo ns k i l l sa n de x p e r i e n c eo ft h eo p e r a t o r ，t h es u b j e c tp u tu pan e wm e t h o d t h a tu s ea r t i f i c i a ln e u r a ln e t w o r kt h e o r yt o g u i d ei n t e l l i g e n tc l o t h i n gp a r e r nd e s i g n t e c h n o l o g yr e s e a r c ha n dd e v e l o p m e n t ，t h r o u g hi n v e s t i g a t i o na n dr e s e a r c ho ft n e e x i s t i n gt e c h n o l o g ya n dt h es t a t u s i tu s e sa r t i f i c i a ln e u r a ln e t w o r ks e l f - l e a r n i n g ， s e l f - o r g a n i z i n g ，a d a p t i v ea n dn o n - l i n e a rm a p p i n gf u n c t i o n st or e s e a r c ha n dd e v e l o p i n t e l l i g e n tc l o t h i n gp a t t e r nd e s i g ns o f t w a r es y s t e m t h r o u g ht h ee x p l o r a t i o n ，a n a l y s i sa n dr e s e a r c ho na r t i f i c i a ln e u r a ln e t w o r km o d e l a n da l g o r i t h m ，t h eb pn e u r a ln e t w o r kt h a ti sm o r ea p p r o p r i a t eo ft h ep a t t e r nd e s i g n w a sc h o s e n ，a n dt h e n ，o nt h eb a s i so ft h ea n a l y s i so ft h ec o a tp a t t e r nc h a r a c t e r i s t i c s ，a 5x8x1 8t h r e e - l a y e rb pn e u r a ln e t w o r kw a sc o n s t r u c t e d ，w h i c ht a k e st h ec o n t r o ls i z e o ft h es i t ea st h ei n p u tl a y e rv e c t o r ，t h ed e t a i ld e s i g ns i z ea st h eo u t p u tl a y e rv e c t o r ，a n d h a sah i d d e nl a y e r u s et h ep r o d u c tm o d e ld a t aa c t u a l l yp r o d u c e db yt h ee n t e r p r i s e st o c a r r yo u tt h en e c e s s a r yt r a i n i n gt e s to nt h en e t w o r k ，w h e nt h et r a i ns a m p l er e a c h e d3 0 g r o u p s ，ar e a s o n a b l er e s u l tw a sg o t f i n a l l y ，a c c o r d i n gt ot h er e s u l t so ft h es a m p l e t r a i n i n ga n dt h er e l a t i o n s h i po ft h eg e o m e t r i ct o p o l o g yb e t w e e np a t t e r np a r t s ，p r o d u c e d t h ep a t t e r nt e s tp r o c e d u r eo ft h ej a c k e td e s i g nb a s e do nb pn e u r a ln e t w o r k ，m a d ei t s i m i l a rt ot h e ”i n t e l l i g e n t ”，a n dm a d et h ea u t o m a t e dm a p p i n gf r o mt h ec o n t r o ls i z et o t h ed e t a i ld e s i g ns i z ec o m et r u ei nt h ep a t t e r nd e s i g n i n g t h eu s e r so n l yn e e dt o i n p u t t h ec o n t r o ld a t ao fa p p a r e l - r e l a t e dp a r t sa c c o r d i n gt ot h es t r u c t u r a ld e s i g no ft h ep a t t e r n t h es y s t e mc a ng e n e r a t eag o o da n dm e e t i n gt h ee r g o n o m i cn e e d so ft h ep a t t e r n a c c o r d i n gt ot h er e s u l to fn e t w o r kt r a i n i n ga n dt h er e l a t i o n s h i po ft h eg e o m e t r i c t o p o l o g yb e t w e e nc l o t h i n gp a t t e r np a r t s t h et e s tr e s u l ts h o w st h a tt h es i z e so ft h ed e t a i ld e s i g nt h r o u g ht r a i n i n ga r em o r e a n dm o r ec l o s et ot h ea c t u a lm e a s u r e m e n ts i z ea si n c r e a s i n gt h en u m b e ro fs a m p l e so f t h et r a i n i n gn e t w o r k u s i n ga r t i f i c i a ln e u r a ln e t w o r km o d e li nc o m p u t e r - a i d e dp a t t e r n d e s i g nc a nm i n i m i z et h e r c l i a n c e 。nt h es l 【i l l sa n de x p e r i e n c e s 0 ft h ep a t t c r n 。p e r a t o r s ， a n d = p r 。v et h ei n t e l l i g e n c cl e v e lo f c a d ；s o f t w ha r e 一，s y d s e t v e m e l 。p n m o e w n a 。d h a i y g l l s w i n t i t h e l l r i a g e p i m d d e v e l o p m e n to fi n f o r m a t i o nt e c h n o l o g y ，r e 5 s e a r c n a f l ( 1 u 1 u p l “一“f 一 9 d 。t h i n gp a t t e md e s i 铲s 。f c w a r es y s t e m w i t h 。u r 。w np r 。p e r t yr i g h t s h a sg r e a t s i 龋i 批a n c et ot h eg a r m e n to 2 t e c h n 0 1 0 9 y p o p u l a r i z a t l o na j l dp r o m o 。1 0 n k 搿w 。r d s ：c 1 0 t h i n g ；c l 。t h i n gp a r t e r n d e s i g n ；b pn e u r a ln e 俩。r k ；i n t e l l i g e n t 独创性：声明 本人声明所呈交的学位论文是本人在导师指导下进行的研究工作和取得的 研究成果，除了文中特别加以标注和致谢之处外，论文中不包含其他人已经发表 或撰写过的研究成果，也不包含为获得丞洼王些太堂或其他教育机构的学位或 证书而使用过的材料。与我一同工作的同志对本研究所做的任何贡献均已在论文 中作了明确的说明并表示了谢意。 学位论文作者签名：孔天秀l 签字日期： 一7 年砑日 学位论文版权使用授权书 本学位论文作者完全了解丞洼工些太堂有关保留、使用学位论文的规定。 特授权丞洼王些太堂可以将学位论文的全部或部分内容编入有关数据库进行 检索，并采用影印、缩印或扫描等复制手段保存、汇编以供查阅和借阅。同意学 校向国家有关部门或机构送交论文的复印件和磁盘。 ( 保密的学位论文在解密后适用本授权说明) 学位论文作者签名： 爱天夏 签字目期： d 7 年又月蟛同 导师虢骞荔i 犯寺 签字日期：口了年月z 莎日 学位论文的主要创新点 一、将b p 神经网络模型用于服装纸样设计程序 本研究采用b p 神经网络建立了外套纸样设计程序，使系统通过 训练具有人的高智能性。 二、将服装细部尺寸档差的十分之一作为网络训练终止条件 针对服装纸样设计的特殊性，把服装纸样各细部尺寸档差的十分 之一作为网络训练终止条件，充分体现了服装结构设计的专业特点。 三、在处理服装纸样各部位间关系时应用了几何拓扑关系 为了提高服装纸样设计系统的智能化水平，使服装纸样结构设计 更合理，在处理纸样各部位间点和线的关系时采用了几何拓扑的分析 方法。 第一章绪论 1 1 研究背景 1 1 1 服装纸样设计概述 第一章绪论 服装设计包括款式设计、纸样设计( 也称为结构设计、样板设计、打板、制 板) 和工艺设计三大部分，一件或一套完美的衣服要经过市场调查、效果图设计、 纸样设计和工艺制作这几个重要过程才能完成。服装纸样设计是从三维服装款式 到二维样板的转换过程，是连接款式设计到工艺设计的桥梁，不但要求逻辑性， 还要求准确性。 在服装纸样设计方面国内有许多人进行了研究，提出了一系列的方法，如： 原型法、比例法和基型法等。但不管什么方法都对纸样设计人员的经验要求较高， 样板设计的好坏很大程度上取决于打板师的经验，不利于服装成本的降低，制约 了服装业的发展。 纸样设计是一种智能行为，需要设计人员发挥自己的创造性，应用专业知识 和实际经验，分析推理，综合评价才能取得最优的结果乜3 。但随着时代的发展， 人们对服装的要求也越来越高，服装小批量、多品种、个性化的发展趋势，要求 服装企业建立快速反应机制，在纸样设计中应用c a d ( c o m p u t e ra i d e dd e s i g n ) 技术。 1 1 2c a d 技术在服装纸样设计中的应用 近年来，随着计算机技术的迅猛发展，我国的服装c a d 技术已从8 0 年代初 的完全从国外引进发展到现在的完全国产化，应用越来越普及。c a d 是服装企 业信息化的重要内容之一，是实现c a d c a p p c a m e r p 一体化的基础环节和建 立c i m s 系统的核心技术。目前在国内市场服装c a d 系统有几十个品牌，这些 系统在服装款式设计、纸样设计、面料设计、纸样放码与排料等方面都具备了较 为完善的功能，为我国服装设计及生产技术水平进步、工作效率提高、工作环境 改善等方面提供了必要的技术条件口3 。而服装纸样设计是c a d 的主要内容，是 连接服装款式到服装裁剪的桥梁，直接影响成衣的穿着效果和舒适性，是实现服 装数字化设计最基础、最关键的环节。c a d 中服装纸样设计系统p d s ( p a t t e r n d e s i g ns y s t e m ) ，俗称“电脑打板”，是9 0 年代中期在我国的服装c a d 技术 天津工业大学硕士学位论文 推广应用过程中发展起来的一项新技术，已成为国内服装c a d 系统的特色。它 顺应了我国服装产业的客观实际需要，在行业中得到了广泛的认可与应用，不仅 推动了国内服装c a d 技术的进步，对我国乃至世界的服装产业的发展也起到了 显著作用h 3 。 目前我国市场上的国内外服装c a d 系统，纸样设计功能可分为两大类：一 类是以国外系统为主的所谓“自由打板软件系统”；另一类是以国内系统为主的 “参数化打板软件系统 。前者以“操作的随意性 换取了“自由 的“赞 誉 ，而后者以失去所谓“自由 而获得了划时代的“高效率 ，各有所长，各 有所短。 1 1 2 1 自由打板系统 如前所述，自由打板系统强调“操作的随意性 ，也是服装c a d 初级阶段 的改迸与延续，把c a d 看作一种辅助工具，把计算机屏幕当成纸，把鼠标当成 笔，操作者按照传统的思维与习惯，用它来做图( 打板) 。 在服装c a d 的初级阶段，系统只具备读图、放码( 推板) 、排料功能，样 板是需要用手工来制作的。只是手工制作的样板读入电脑之后往往也需要检验与 修改，所以通常在服装c a d 中设置了一些图形绘制、测量和修改功能。在此基 础上根据打板人员服装样板制作的需要，此类功能不断增多，甚至为了适应激烈 的市场竞争，增加了一些“联动和“尺寸表”放缩功能。但是，万变不离其宗， 自由打板系统的本质没有变化。所谓“自由”仅仅是随意性强，然而恰恰适应了 传统的手工制板操作习惯，使操作者感觉“方便”了许多。但是，也正是由于“自 由 、“方便 、“随意性强 等，增加了操作的复杂性，修改起来也十分繁琐。 更明显的是，这样设计的样板与数字化仪读入的样板同样需要再进行推板，尽管 电脑推板执行的速度很快，但是电脑推板执行之前的放码量设定过程相对比较复 杂，而且对操作经验的依赖性也很强，这样就导致大大降低了服装纸样制作的整 体效率。因此，至今还有许多人认为“电脑不能打板”，或者“电脑打板不如手 工打板快捷方便 瞄3 。 1 1 2 2 参数化打板系统 服装纸样设计是服装从艺术造型设计到服装工艺设计的中间环节 ，起着承 上启下的重要作用，是实现服装造型效果的根本手段。合理的服装纸样设计能充 分表达服装造型设计的意图。服装纸样设计的目的是将造型设计的立体构思，用 数字计算或实验手段分解展开成平面的衣片结构n 3 ，使最终的服装成品造型达到 款式设计的要求。 参数化打板系统顾名思义就是将参数化设计技术应用于服装样板制作之中。 2 第一章绪论 何谓参数化设计? 就是在造型设计过程中利用参数替代了决定造型的各部位尺 寸，当对参数重新赋值时，造型就会发生相应的改变，从而大大地提高了造型设 计的效率。初期的参数化打板就是所谓“尺寸表打板”，它满足了参数化纸样设 计的基本要求，但又未能充分体现参数化设计的优越性。 由参数化设计的基本理论可知，所谓参数化设计必须满足基本构成要素的需 要，即“参数与参数关系”、“基于型体特征的设计”和“统一的关联数据库”。 在服装纸样设计中“参数 的概念绝不仅仅是指尺寸表中的数据，还有来自于打 板人员在制板过程中自行定义的一些“数据参数 ，还有由图形采用注册手段来 定义的“变量参数”，当然也包括专门控制某些造型用的“造型参数”以及综合 以上各种参数的“复合参数”等。 从应用效果角度来衡量服装参数化打板系统又必须具备以下特征：“自动放 码 ，即样板制作过程只需要打板，放码过程由电脑自动完成。在服装工业化生 产的技术准备阶段，放码过程是一个重要的、相当耗费工时的过程，“自动放码 可以大幅度地提高效率；平面的服装样板与立体的人体造型之间存在着诸多的内 在“关联”，即在进行样板制作时建立了这种“关联关系 ，当样板修改时相互 关联之处会自动修改，这样服装样板就会更科学、更合理；“图形稳定”，即每 一种图形绘制方法都是稳定的。这种稳定性一般是由参数关系( 也称设计方法) 决定的，也就是说当改变图形的造型时，常常需要采用替换的方式来改变图形元 素间的参数关系陋3 。建立这种“关联关系”，或者“替换”某种“关联关系”并 不是操作者“随意 进行的，它需要根据系统设定的“规则”，由计算机自动做 出合理性判断。以上所述常常使某些操作者感到“不自由 。 简而言之，参数化打板符合服装样板制作的规律，相对而言更专业、更科学、 更合理，虽然操作起来没有自由打板那么“随意”，但是她恰恰是以失去所谓 “自由 ，换取了划时代的“高效率 。随着服装参数化打板软件的不断完善与 进步，不仅在实际推广中得到越来越广泛的应用与认可，而且，开创了服装c a d 技术领域中“中国创造”新时代。 1 2 智能化服装纸样设计研究的现状 1 2 1 服装纸样设计中存在的问题 服装电脑打板在“自由打板”与“参数打板”竞争不相上下之际，服装 c a d 技术的开拓者们不知不觉地走向了更高、更新的境界。因为无论是“自由 打板”还是“参数化打板”，都使用户感到了一种无形的压力，这种压力来自于 使用的“被动性”。这主要体现在使用者一味去“适应”软件的操作要求，而创 3 天津工业大学硕七学位论文 造性思维受到了极大的限制阳1 。因此，目前电脑打板软件一般都需要一定期限的 专业操作培训，操作难度大，难以全面普及。 现有的服装c a d 纸样设计系统，采用人机交互式的打板功能，在操作界面 中给出了各种打板工具，如直线工具、曲线工具、剪刀、转省工具等等。对各种 制板操作，可直接在电脑上进行，计算机会帮助计算，尤其是转省之类的操作， 一瞬间就可完成。但是这并没有真正满足纸样设计人员的需要，因为凡使用过现 有服装纸样打版系统的操作者就可发现，它的操作过程与手工打板过程相当类 似：不断地重复输入尺寸，选取工具和生成各个点、直线、曲线，这与手工制板 的过程如出一辙，虽然省去了人工计算，但步骤同样烦杂。 十几年来，服装c a d 给企业带来的效益是有目共睹的，但目前的服装c a d 系统仍然存在一些问题。原因在于目前服装c a d 系统虽然有数值计算和图形绘 制的能力，但不能在设计的全过程中提供有效的计算机支持；不能处理模糊知识 或不充分条件描述的设计问题；缺乏宏观知识的结构分析，设计思想原理与实现 设计的具体方法技巧不灵活；交互式服装c a d 系统把需要由经验或知识决策的 设计问题留给用户，因而设计质量在一定程度上也依赖于用户的经验和知识水 平。灵活性、适应性、扩展性、实用性和通用性是服装c a d 系统应满足的条件。 1 2 2 人工智能技术在服装纸样设计研究中应用的现状 随着计算机技术的不断发展，专家系统、知识表示、机器学习、计算智能等 人工智能技术为服装纸样计算机辅助设计奠定了良好的技术基础n 们。有人设想， 未来的电脑打板是根据计算机对服装款式的识别与理解，由计算机进行样板制作 的推理与判断( 智能打板) ，操作者仅仅进行判断和修正。随着使用过程中计算 机的推理、判断能力不断提高，电脑打板的技术水平完全可以达到操作者的技术 水平。对于未来的电脑打板系统而言，操作者既是使用者，同时也是开发者，而 软件开发人员仅仅是开发平台的创造者和维护者。 目前人们已对神经网络模型、专家系统等人工智能技术在服装纸样中的应用 进行了一些研究，为服装c a d 的智能化实现提供了基础，如： ( 1 ) 文献【1 1 】从服装结构的描述，专家知识的获取与知识库的建立，及采用 参数化设计思想等三方面讨论了开发服装p d s 纸样自动生成专家系统的关键技 术。并以具体样板为例，详细介绍纸样智能生成的实现方法，如虚拟样板的构造 以及样板数学模型的建立等。 ( 2 ) 文献 1 2 1 为实现服装生产中纸样自动设计，探讨了服装纸样利用计算机 智能化生成的方法，并以裤子纸样的自动生成为例说明纸样生成过程中需要处理 的问题和解决方法。 第一章绪论 ( 3 ) 文献【1 3 】采用人工神经网络的方法，对裤装样板设计进行了研究，建立 了裤装样板设计的b p 神经网络模型，探讨了该模型的评价方法，为实现从服装 设计到打板的智能化奠定了理论基础。 ( 4 ) 文献【1 4 】在基于实例推理( c b r ) 原理及服装结构图形设计特点强 经验性的基础上，选用c b r 为基于a u t o c a d 的服装结构图形设计子系统的解决 方案。创造性的将点位移及矢量法，模糊推理原理和b e z i e r 曲线算法相结合，设 计了实例重用和实例修正算法。 ( 5 ) 文献【1 5 】通过对传统手工纸样制作及现有服装c a d 纸样设计系统进行分 析、对比，提出了c a d 纸样设计系统应具有的人性化功能及功能集合模块。 ( 6 ) 文献【1 6 】使用了人工神经网络b p 算法模拟样板师的经验和技术，实现了 从净体尺寸到成衣尺寸的自动映射，并且具有较高的映射精度，实验结果证实了 该方法的有效性。 ( 7 ) 文献 1 7 】引入了人工神经网络的建模方法，叙述了此种技术在舒适性研 究中应用的现状，并在技术上对舒适性神经网络的构建进行了探讨。 ( 8 ) 文献【1 8 】进行了服装智能制板及其在网络中应用的研究。 但总的来说，人工神经网络在服装方面的应用与在其他领域的应用相比还处 于起步阶段，目前将神经网络直接用于服装纸样设计，特别是c a d 开发方面的 研究还比较少，应用程度比较低，许多方面的研究还有待于深化，因此，需要进 一步加以研究。 1 3 研究目的和意义 1 3 1 研究目的 服装纸样设计是服装工业化生产的重要环节之一，对操作人员的技能和经验 依赖性极强，专业技术人员的操作经验最终决定了服装产品造型与品质的优劣。 目前的服装c a d 软件要求设计人员必须具有长期的经验积累，智能化程度严重 不足，这也是c a d 技术普及比较缓慢的一个重要原因。 本研究计划在对服装制板进行调查研究、综合分析的基础上，建立纸样的神 经网络的模型，利用“神经网络 具有较强的自学习、自组织、自适应性能和强 大的非线性映射能力，学习众多打板师多年积累的成熟经验和技术，依此来研究 和探讨智能化的外套打板方法及其计算机实现。 天津工业大学硕士学位论文 1 3 2 研究意义 在服装企业的信息化中，数字化设计是产品创新的主要环节，因此，c a d 是服装企业信息化的重要内容之一n 引。由于服装款式的多变性和复杂性，以及打 板是从3 d 服装款式向2 d 衣片转换的过程，离不开设计人员的经验积累，为了 在c a d 中体现出打板人员的经验，就需要应用神经网络人工智能技术。因此， 本研究具有重大意义： ( 1 ) 利用人工神经网络，可以总结、学习、归纳服装设计和生产人员长年积 累的设计经验、设计思路，减少打板、设计人员经验积累的时间。为了改变此现 状，服装c a d 需要引入包括神经网络在内的人工智能技术，向高智能化的方向 发展。由于神经网络支持包括自学习、自组织、并行搜索、联想记忆、模式识别、 知识自动获取等多种智能技术。在服装打板系统中，可以将人体参数数据与对应 板型的图形关键点数据之间的物理关系反映为神经网络的网络输入与网络输出 之间的数学关系，然后用学习、训练后的网络模型替代原有参数化制板系统进行 结构上的优化设计，积累设计经验，从而提高工作效率并避免图形数据之间的相 互依赖。 ( 2 ) 可以提高服装纸样设计系统的智能化水平。通过在服装样板模块中为设 计人员提供智能支持，使其具有自学习、自纠错、联想记忆、模式识别、知识自 动获取等多种智能特征，从而减少纸样设计对人的知识和经验的要求，降低复杂 化程度，降低企业的用人成本，服装c a d 将逐步过渡到像w i n d o w s 一样成为 易学易懂的操作软件，这无疑将改变传统设计，大大提高设计的效率。降低对设 计人员的操作技能要求和经验的依赖性瞳0 ，提高纸样设计工作的效率与质量，使 大批设计技术人员从繁琐、重复的劳动中解放出来，实现产品设计的标准化和最 优化，提高企业内部信息的集成度和适应小批量、多品种、短周期与高质量的生 产能力，从而提高企业的产品创新能力和竞争能力。 ( 3 ) 为最终实现计算机智能打板系统打下一定的基础。目前所谓的计算机智 能打板系统，实际上都只是半智能化的系统。其中一些系统只有各种款式服装的 标准样板数据库，不但无法自动处理新的服装款式，而且无法与人体进行联动； 而那些可以与人体联动的系统，在针对特体打板的时候，往往还是需要样板师依 靠经验对计算机生成的样板进行修改和调整。因此从本质上来说这样的智能打板 系统并没有把样板师彻底地解放出来，也不能有效地提高服装生产效率。只有当 智能打板系统能够真正取代样板师的繁重土作，仅需设计师进行款式设计，便可 以根据消费者体型完成该款式样板时瞳1 l ，服装生产系统才能得以实现高效运转， 并促使以消费者为中心的服装生产模式成为未来服装业的发展趋势。 本研究在神经网络的基础上开发纸样设计系统，一方面它可以通过神经网络 第一章绪论 的训练得到反馈获取知识；另一方面它还能不断地从用户处获得所需的设计信 息，从而实现真正意义上的智能打板。本课题在理论研究和实际应用过程中都具 有十分重要的意义。 本文研究的总体框架如图1 - 1 所示 天津工业大学硕士学位论文 图i - i 课题研究的总体框架 基于神经网络的服装纸样设计系统智能化研究 第一章绪论 口 第二章神经网 络理论基础 第三章纸样 神经网络模 型的建立 第四章纸样拓扑 关系的建立 研究背景 智能化服装纸样设计研究的现状 第五章系统试验 程序设计与实现 第六章结论 人工神经网络基本理沦 b p 神经网络 人体控制部位确定 测量样本数据 一无线性回归数据分析 纸样结构的分析 点、线的分类及各类特征 外套纸样的绘制 服装纸样智能化设计方法 系统开发工具 程序设计与实现 纸样b p 神经网络模型设计 纸样b p 神经网络的学习算法 外套总体规格设计 外套衣身细部规格设计 主框架窗口的创建 数据输入和保存对话框 数据的生成 第二章神经网络理论基础 第二章神经网络理论基础 2 1 人工神经网络基本理论 人工神经网络( a r t i f i c i a ln e u r a ln e t w o r k ，砧州) ，亦称为神经网络( n e u r a l n e t w o r k s ，n n ) 乜引，是由大量处理单元( 神经元n e u r o n s ) 互连而成的网络， 是对人脑的抽象、简化和模拟，反映人脑的基本特性。人工神经网络的研究是 从人脑的生理结构出发来研究人的智能行为，模拟人脑信息处理的功能。它是根 植于神经科学、数学、统计学、物理学、计算机科学及工程等科学的一种技术。 在现代高技术的发展过程中，神经网络作为一门活跃的边缘性交差学科，它 的研究与应用正成为人工智能、认识科学、神经生理学、非线性动力学等相关专 业的热点眵引。神经网络理论应用也越来越广泛，它已是控制工程、信号处理等领 域不可或缺的工具，正日益受到科技人员的瞩目，随着一些挑战性的工程问题的 解决，许多新的神经网络模型和算法正不断丰富着神经网络本身。人工神经网络 独特的结构和处理信息的方法，使其在许多实际应用领域中取得了显著的成效， 能解决某些传统方法极难解决的问题。 2 1 1 人工神经元模型 一个简化的模拟生物神经元的人工神经元结构如图2 1 所不。该人工神经元 是一个多输入、单输出的非线性结构，其输入输出关系可描述为： ，f 一芝x ，一包 公式2 - 1 ) = 厂( ) 公式( 2 2 ) 式中，x ，( j = 1 ，2 ，n ) 是从其它细胞传来的输入信号；包为阈值；彩f ，表示从 细胞j 到细胞 的连接权值；f ( ) 为传递函数。有时为了方便，将统一表达成： 式中，一- 0 ；x o = 1 。 i i 。警j 公式( 2 3 ) 天津t 业大学硕士学位论文 x 2 1 2 1 2 神经网络的特点 图2 - 1 人工神经网络模型结构 人工神经网络的特点和优越性，主要表现在以下几个方面： ( 1 ) 非线性：人脑的思维是非线性的，故人工神经网络模拟人的思维也应是 非线性的。在许多实际问题中，系统的输入与输出之间存在复杂的非线性关系， 对于这类系统神经网络有独到的优势，设计合理的神经网络通过对系统输入输出 样本进行训练学习。从理论上讲，能够以任意精度逼近任意复杂的非线性函数。 神经网络的这一优良性能使其可以作为多维非线性函数的通用数学模型。 ( 2 ) 非局域性：非局域性是人的神经系统的一个特性，人的整体行为是非局 域性的最明显体现。神经网络以大量的神经元连接模拟人脑的非局域性，它的分 布存储是非局域性的一种表现。 ( 3 ) 非定常性：神经网络是模拟人脑思维运动的动力学系统，它具有初步的 自适应与自组织能力，能按不同时刻的外界刺激在学习和训练过程中改变突触权 重值，对自己的功能进行修改，以适应外界环境的变化，故而它是一个时变的系 统。 ( 4 ) 非凸性：神经网络的非凸性即是指它有多个极值，也即系统具有不只一 个较稳定的平衡状态。这种属性会使系统的演化多样化。神经网络的全局优化算 法就反映了这一点。 2 1 3 神经网络结构及模型 神经网络( n e u r a ln e t w o r k ，n n ) 是对人类大脑系统的一阶特性的一种描述。 简单的说，它是一个数学模型，既可以用电子线路来实现，也可以用计算机程序 1 0 第二章神经网络理论基础 来模拟。按神经网络的性能可分为连续型神经网络和离散型神经网络，又可分为 确定型神经网络和随机型神经网络；按神经网络的结构可分为反馈型神经网络和 前馈型神经网络；按学习方式可分为有导师学习网络和自组织学习网络；按对生 物神经系统的层次模拟区分，则有神经元层次模型，组合式模型，网络层次模型， 神经系统层次模型和智能型模型。目前已有近5 0 种神经网络模型，其中具代表 性的有以下几种。 2 1 3 1 反向传播网络 b pe r r o rb a c kp r o p a g a t i o nn e t w o r k ) 神经网络由输入层、输出层和中间层( 或 称隐层) 组成。b p 神经网络是一种多层映射网络，采用最小均方差的学习方式， 是目前应用最广泛和成功的网络之一，可用于模式识别、工业自动化、语言综合、 语言识别、自适应控制等。它是一种多层网络的“逆推”学习算法，学习的过程 由信号的正向传播与误差的反相传播两个过程组成。正向传播时，输入样本从输 入层输入，经隐层逐层处理后传向输出层。若输出层的实际输出与期望输出不符， 则转向误差的反相传播阶段。误差的反相传播是将输出误差以某种形式通过隐层 向输入层逐层反传，并将误差分摊给各层的所有单元，从而获得各层单元的误差 信号，此误差信号即作为修正单元权值的依据。这种信号正向传播与误差反相传 播的各层权值调整过程是周而复始地进行。权值不断调整的过程，也是网络的学 习训练过程。此过程一直进行到网络输出误差减少到可以接受的程度，或进行到 预先设定的学习次数为止。b p 网络的缺点是需有导师训练。 2 1 3 2h o p f i e l d 神经网络 h o p f i e l d 网络是得到充分研究和广泛应用的神经网络模型之一。h o p f i e l d 网 络阐明了神经网络与动力学的关系，并用非线性动力学的方法来研究这种神经网 络的特性，建立了神经网络稳定的判断依据，并指出信息存储在网络中神经元之 间的连接上。h o p f i e l d 网络在联想存取、优化计算和专家系统等领域得到了成功 应用。另外，h o p f i e l d 还有一个显著的优点，即它与电子电路存在明显的对应关 系，使得网络易于理解和便于实现。文献 2 4 1 禾1 j 用h o p f i e l d 神经网络的均衡算法 把发送信号回复问题转换为求解带整数约束的二次规划问题，再利用h o p f i e l d 神 经网络来求解这n p 难的组合优化问题，从而直接恢复出信号。 h o p f i e l d 是最典型的反馈网络模型，它是由相同元件构成的单层且不带学习 功能的自联想网络。它是由相同的神经元构成的单层，它需要对称连接。这个网 络通过学习以完成制约优化和联想记忆等功能。其缺点是连接需要对称和没有学 习功能。 天津工业大学硕士学位论文 2 1 3 3 双向联想记忆( b a m ) 神经网络 b a m ( b i d i r e c t i o n a la s s o c i a t i v em e m o r y ) 网络是一种双层反馈神经网络，用 它可以实现异联想记忆功能。它采用前向和反向的双向搜索，可从一个输入对 ( a ，b ) 回忆相关的双极性( 双极性是指a 和b 的每一个分量取值为1 或1 ) 向量对( 4 ，b 。) 。b a m 的这种学习和联想方式具有一定的纠错能力( 或故障 隔离功能) 和学习功能，也就是说当输入的模式与学习模式不完全一致而有一定 的差错时，仍能联想出正确的结果。其缺点是存储度低且需要编码。文献f 2 5 1 应 用l i a p u n o v 泛函方法和矩阵代数技术，在相应于网络外部的输入为常数的条件 下，得到具有时滞的双向神经网络模型平衡点的存在性和全局指数稳定性的一些 新的充分条件。这样得出的结果不仅是简单和实用的，而且相对于已有研究结果 具有较少的限制和更易于验证。 2 1 3 4 自适应共振理论( a r t ) 神经网络 自适应共振理论a r t ( a d a p t i v er e s o n a n c et h e o r y ) 模型是一种能自组织产 生认知编码的神经网络，它可以用来分析语音编码、字符识别的视觉和嗅觉编码 问题。a r t 模型有a r t l 、a r t 2 和a r t 3 三种，可以对任意多和复杂的二维输 入模式进行自组织、自稳定和大规模并行处理。它主要用于模式识别，例如雷达、 声纳等信号的识别。a r t 对输入可进行实时学习且适应非平稳的环境，对学过 的样本具有快速稳定的能力，有自归一能力且容量不受输入通道的限制，有无导 师的学习方式。其缺点是对转换、失真及规模变化较敏感。文献【2 6 】将自适应共 振( a r t ) l 神经网络模型应用于高速公路修建中软基处理方案的决策，对监测数据 进行了初步分析，只将对反演分析较可靠的监测数据代入计算，反演参数的影响 范围取决于监测数据的量测范围。对于实际工程，根据监测结果应该以最实用的 方法较快地解决问题。实例证明，该模型的计算结果与实际结果和其他方法所得 结果是一致的，且与常规优选方法相比，该模型具有实现容易、效率高等特点。 2 1 3 5c m a c 神经网络 c m a c ( c e r e b e l l a rm o d e la r t i c u l a t i o nc o n t r o l l e r ) 是仿照小脑控制肢体运动 的原理而建立的神经网络模型。c m a c 的每个神经元的输入输出是一种线性关 系，其收敛速度比b p 算法快的多，且不存在局部极小问题。c m a m 网络对多 维输入、输出信号能够近似反映它们之间的复杂非线性函数关系，它是通过对输 入输出样本的训练来学习这种函数关系的，不需要有关函数形式的任何先验知 识。c m a c 用一种查表( t a b l el o o k u p ) 的方法来实现输入空间到输出空间的映 射，方法简单，执行很快。c m a c 网络的权值修正用简单的h e b b 算法，其计算 第二章神经网络理论基础 量随输入矢量的维数线性增长，非常适合在线学习。因此，c m a c 可用于复杂 非线性多变量对象的自适应控制。c m a c 主要用来求解机械手的关节运动、机 械人控制、模式识别、信号处理以及自适应控制等领域。 c m a c 网络的缺点之一是它需要的内存空间大，另外，c m a c 网络的性能 和收敛性很难从理论上进行分析，c m a c 网络的设计参数也只能针对具体应用 依靠经验和实验进行选择。文献f 2 7 1 结合变磁阻电动机的工作特点，提出一种基 于c m a c 神经网络的s r m 转矩控制方法，该方法比传统的s r m 转矩控制方法 ( 如基于近似解析模型的p w m 控制) 具有更高的优越性。该算法是在原算法的基 础上增加了一个与可变相角有关的约束函数。仿真结果表明：该系统不但收敛速 度没有降低，而且经过训练能够产生理想的电流曲线，在抑制电机转矩脉动和提 高有效功率方面具有显著效果。 2 1 3 6r b f 径向基函数神经网络 径向基函数r b f ( r a d i a lb a s i sf u n c t i o n ) 神经网络在非线性映射上采用了不 同的作用函数，分别为径向基函数和s 型函数。前者的作用函数是局部的；后 者的作用函数是全局的。r b f 网络具有唯一最佳逼近的特性，且无局部最小。 r b f 网络的缺点是隐节点的中心c ；和标准参数62 是个困难的问题。目前还没有 解决如何确定隐节点数，以使网络学习达到要求的精度。r b f 网络用于非线性 系统辨识与控制，虽具有唯一最佳逼近的特性以及无局部极小的优点，但隐节点 的中心难求，这是该网络难以广泛应用的原因。文献【2 8 】介绍了径向基函数r b f 神经网络对阵列天线方向图进行建模的方法，并基于m a t i a b 仿真平台对由对 称振子构成的二元阵、n 元边射阵等多种阵列天线进行建模，所有的训练数据是 由经典公式计算所得。仿真结果表明经过训练的r b f 神经网络可有效地用于阵 列天线方向图建模，为天线分析与设计提供了很好的帮助。 2 1 3 7s o m 神经网络 s o m ( s e l f - o r g a n i z i n gf e a t u r em a p ) 自组织特征映射神经网络是无导师学习 网络，它通过自动寻找样本的内在规律和本质属性，自组织、自适应地改变网络 参数与结构。它不是以一个神经元或网络的状态矢量反应分类结果，而是以若干 神经元同时反映分类结果。这种特征映射神经网络，通过对输入模式的反复学习， 使连接权矢量空间分布密度与输入模式的概率密度分布趋于一致，即连接权矢量 的空间分布能反映输入模式的统计特征。其缺点是需要高度训练。文献【2 9 】将 s o m 神经网络应用于人力资源的聚类分析中，对各地区的人力资本进行了聚类 分析，得出中国各地区的教育结构分为5 个层次的结论，能对系统进行较准确、 天津工业大学硕士学位论文 动态的数据聚类预测，这将对各级政府在未来政策制定上及宏观调控上都具有非 常重要的现实意义。 2 。1 3 8c p n 神经网络 c p n ( c o u n t e r p r o p a g a t i o nn e t w o r k s ) 对偶传播神经网络最早是用来实现样 本选择匹配系统的。它提出了一种设计多种网络训练算法的思路，解决了多级网 络的训练问题，突破了单极网的限制，而且还使网络具有了许多新的特点。c p n 是将无导师训练算法与有导师训练算法结合在一起，用无导师训练解决网络隐层 的理想输出未知的问题，用有导师训练解决输出层按系统的要求给出指定的输出 结果的问题。c p n 能存储二进制或模拟值的模式对，因此c p n 网络可以用作联 想存储器、模式分类、函数逼近和数据压缩等用途。与b p 网络相比，c p n 的训 练速度要快的多，所需时间大约是b p 网络所需时间的1 ，但是，它的应用面 却由于网络性能的原因相对来说比较窄。文献【3 0 】将c p n 神经网络用于模拟电路 的故障诊断，运用m a t l a b 神经网络工具箱对其进行建模、网络训练和故障识别， 结果表明采用c p n 神经网络可以大大提高故障定位的准确率。 2 1