（服装设计与工程专业论文）基于网络的服装智能制板平台的研究.pdf

t h er e a s e r c ho ft h ei n t e l l i g e n tg a r m e n t p a t t e r ns y s t e mb a s e do nt h en e t a b s t r a c t w i t ht h er a p i dd e v e l o p m e n to fc o m p u t e rs c i e n c ea n di n t e m e t ，t r a d i t i o n a l g a r m e n ti n d u s t r yi sc o n f r o n t e dw i t ht r e m e n d o u sc h a l l e n g e s s og c a dh a st w o i m p o r t a n td e v e l o p i n gd i r e c t i o n s ：n e 俺r o d ( i n n o m e ta n di n t e l l i g e n t i z a t i o n i nt h i sp a p e r , w em a k eab r e a k t h r o u g ho ft h et r a d i t i o n a lm o d eo ft h eg a r m e n t p a r a m e t e r i z a t i o np a t t e mm e t h o d s w ea d o p tt h ea r t i f i c i a li n t e l l i g e n c et or e a l i z et h e i n t e l l i g e n z a t i o no fg a r m e n tp a t t e r n a tf i r s t ，t h em o d e lo fb pn e t w o r ki sb u i l ta n d t h ec o m p o n e n t sf o rv a r i o u sf a s h i o ns t y l e sa l ei m p l e m e n t e db yj a v a b a s e do n s t r u t sa n dh i b e r n a t e ，t h ew e ba p p l i c a t i o nf o rt h eo n l i n eg a r m e n tp a t t e r ns y s t e mi s d e v e l o p e d b yc o m b i n i n gt h ew e ba p p l i c a t i o nw i t ht h ec o m p o n e n t s ，t h er e s u l to f t h eg a r m e n ti n t e l l i g e n tp a t t e r ns y s t e mi sg i v e nt ou s e r so nt h eb r o w s e r i nt h i s s y s t e m , u s e r sc h o o s eaf a s h i o ns t y l ea n di n p u tt 1 1 e i rp a r a m e t e r s ，a n dt h e n 廿1 e y c a n s t h ek e y - p o i n t sd a t ao ft h e i rp a t t e r n , a n dd o w n l o a dal i s pd o c u m e n t l a s t l yu s e r w o u l dm a k eaf u r t h e rm o d i f i c a t i o nt oc a dg r a p h i c t r e a t i n gt h ep r o t o t y p ea st h es t u d yo b j e c t ，a9 0 0 da g r e e m e n ti s o b t a i n e db y c o m p a r i n gt h ee x p e r i m e n td a t aw i mt h et h e o r yd a t a k e yw o r d sa r t i f i c i a ln e u r a ln e t w o r k ( a n n ) ；b a c kp r o p a g a t i o n ( b p ) a l g o r i t h m ； j a v a ；g a r m e n tp a t t e r n ；s t r u t s ；h i b e r n a t e ；c sd e v e l o p 北京服装学院学位论文原创性声明 本人郑重声明：所呈交的学位论文，是本人在导师的指导下，独立进行研究工作所取 得的成果。除文中已经注晚弓l 用的内容外，本论文不含其能个人或集体已经发表或撰写过 的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本 人完全意识到本声明的法律结果出本人承撵。 学位论文作者签名：日期：年月曰 关于论文使用授权的说明 学位论文作者完全了解北京服装学院有关保留和使用学位论文的规定，即：研究生在 校攻读学位期间论文工作的知识产权单位属北京服装学院。学校有权保留并向国家有关部 门或机构送交论文的复印件和磁盘，允许学位论文被查阅和借阅；学校可以公布学位论文 的全部或部分内容，可以允许采用影印、缩印或其他复制手段保存、汇编学位论文。( 保 密的学位论文在解密后遵守此规定) 保密论文注释：本学位论文属于保密在一年解密后适用本授权书。非保密论文注释： 本学1 1 证论文不属于保密范围，适用本授权书。 本人签名：丝携日期：塑! l 年j 乙月l 日 导师签名：馨j 丝 j 檠二日期： _ 年卜月上日 基于网络的服装智能制板平台的研究 1 1 课题研究背景 1 绪论 自从人类进入计算机时代，科技的发展使各项事物都可以由计算机快速高效的实现， 服装产业的计算机化也随着科技的大潮慢慢地走向完善目前行业中应用最为广泛的要数 服装c a d ( c o m p u t e r a i d e dg a r m e n td e s i g n ，简称g c a d ) ，它是将c a d 领域中的理论和技 术应用到服装设计、生产、产品发展、经营管理等各个环节，从而极大地改善了产品的整 个生产效率与质量。由于g c a d 的应用可以产生巨大的经济效益，因此引起了世界范围内 研究机构和服装行业的极大兴趣和关注，并结出了丰硕的成果。 国际上最早出现的g c a d 系统是美国于1 9 7 2 年研制的m a r c o n 系统。在此基础上， 美国g e r b e r 公司研制出一系列g c a d 产品推向国际市场，成为这类系统的先驱。在随后 短短数十年内，约有十几个国家几十套系统问世。其中的佼佼者有：法国l e c t r a 公司， 西班牙i n v e s t r o n i c a 公司，加拿大p a d 系统等等。国内虽起步较晚，但从8 0 年代中 期开始，至今也已开发出不少c , c a d 系统，如：杭州“爱科”、浙江大学。智能服装c a d 设计及面料设计系统”等“1 。 同时，计算机智能技术自8 0 年代以来获得的突飞猛进的发展，智能技术已经在各种 专业学科里发挥着巨大的作用，比如化工、医药、机械、制图、生产、测试等。近几年来， 国外也有很多专家学者把智能技术用在服装领域，如西班牙的i n v e s t r o n i c a 和法国 l e c t r a 公司的服装c a d 系统中都不同程度的使用了人工智能的技术，而在国内的智能 化c a d 系统仍然处于起步阶段，但毋庸质疑，智能化是整个服装产业势不可挡的一个趋 势。另一方面，网络在人们的日常生活中的地位已经随着计算机技术的不断发展已经愈来 愈显的必不可少了。而在各个领域都在实现着网络化的今天，服装行业也同样需要网络的 支持来达到其应用与管理的高科技化酬。 基于网络的服装智能制板平台的研究 1 2 服装智能技术与服装c a d 技术的现状 人工智能技术自1 9 5 6 年问世以来，经历了半个多世纪的几次大起大落，逐步发展壮大 起来。它是对人类智能的一种模仿，是功能上的模仿，而不是机理上的模仿。目前智能技 术已经应用到各行各业中，人们对以前所遇到的各类问题业积极的探索其用人工智能技术 去解决。纺织服装业也不例外。但目前尚未发现公开发表的服装智能技术的研究成果，市 场上标有智能制版功能的软件有两种，一种是对交互式制版过程的局部优化；另一种是利 用计算机的存储功能，将某种款式的制版过程储存在计算机中，与真正意义上的智能化还 有很大差距。 采用计算机编程的方法开发服装智能化专家系统的优点是；服装结构设计的科技含量 高，自动化程度高和设计灵活性强，用服装智能技术数学模型驱动自动生成模块自动制版， 大大提高了制板效率，省去了交互式打板中最烦琐、最费时的制图步骤，服装设计人员可 以调用、组合与设计效果最接近的虚拟服装模板，进行一些局部的修改即可完成版型设计； 而采用传统的交互式系统，完成一件西服制版至少需1 0 0 多个步骤；显然，其效率远比传 统的服装系统高。目前，服装系统在设计原理和研究思路上有三个层次：第一层次是计算 机辅助设计，将服装制板师的工作搬到计算机上进行，制板师用鼠标、键盘和各种绘图工 具把自己的工作程序记录下来存储备用，还可以把存储的版型进行修改，使之成为另一相 近款式的版型，这就是当前服装产品已经达到和实现的层次；第二层次是智能化二维结构 设计，也是上世纪末提出的世界性的科研课题。服装系统的未来趋势是从手工设计向智能 化、自动化设计发展，计算机领域内人工智能技术的迅速发展和服装人工智能技术的发明， 将使服装结构设计步入智能化的时代；第三层次是智能化三维立体设计，也是服装结构设 计从二维智能化向三维立体化的方向发展，把智能化的平面衣片和立体化的人体模型结合 起来，使服装结构设计更加科学准确，特别是计算机虚拟现实技术和显示技术的迅速发展， 将使服装工业生产真正实现数字化、智能化和自动化旧。 现在g c a d 的整体层次仍处在第二层次的发展中，针对目前所使用的服装c a d 产品都 比较复杂，要完全掌握运用必须专业技术人员花费相当的时间，这也是c a d 产品普及比 较缓慢的一个重要原因。所以，往更远的前景展望，预计将来的服装c a d 产品将朝着高 智能化的方向发展，通过建立更多的服装样板模块及设计向导为设计人员提供智能支持， 这些智能支持包括自学习、自组织、自适应、自纠错、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的支持，逐步过渡到像w i n o d w s 一样成为易学易懂的操作 2 基于网络的服装智能制板平台的研究 软件。 1 3 关于在线打板系统 随着近几年来国际互联网的高速发展，预计网络服装设计将逐渐成为主流。在越来越 专业化、全球化的生产经营模式下，企业基于网络的c a d 系统可以实现数据的共享和标 准化，产品的并行设计也将为c a d 系统的高效快速提供支持，为有效提升市场规模及产 品利润，服装c a d 与电子商务的融合也是必然的趋势。 目前，国外服装的网络化应用有法国力克开发有f i t n e t 系统产品也就是在线服务 系统，提供一种全新的安全的互动式交换平台，新的线上应用程序及服务，以及网上商店。 顾客只需要在你的工作间选定一种款式及其相关选项，顾客的尺寸就可以通过 b o d y s g f l n l l g l 进行测量。扫描时，消费者只需要以自然直立姿势站立，从头到脚扫描一次 需要的时间仅为8 秒。系统捕获人体表面形象后，通过电脑产生一个高度精确的三维画像。 当消费者走出扫描仪后，其数字就留在电脑内，随时随地都可以通过互联网将尺寸传送， 用于后续的设计和生产。然后，这些选项和尺寸将通过因特网被发送到生产工厂，并由 f i t n c t 服务器进行自动处理( 设计相应更改后的服装并进行生产排料) 。 在我国，杭州爱科电脑技术公司为满足广大服装生产用户的需求也在网上设立了设计 中心，其主要内容包括服装款式设计、服装制板及放码、捧料等系列化生产过程。网上设 计中心使用流程如下：1 用户填入自己的完整的联系方式。2 用户选择服装款式或者用户 自己输入要求打板的服装款式。3 用户输入服装的尺寸及服装各部位名称入尺寸。4 若为 自己输入服装款式，则需输入服装款式图。为了方便各个用户，使各用户在发出打板要求 后能在尽量短的时间内收到满意的服装样板及放码、排料规划，爱科已在各个城市设立设 计中心代理点，以满足各服装企业对服装生产“高质量，高速度“的需求。简而言之，它 的系统就是一个基于网络的服装版型订购系统。虽然都是基于网络这个平台来实现的，但 其根本还是需要人来控制，在接收到客户要求后需要有专门的技术人员在客户端进行数据、 处理以满足客户的要求。网络在整个系统中只是起到了传输的作用。 1 4 研究方向及意义 传统的服装计算机打板一般是基于图形的参数化打板，即要基于板型逐个进行参数计 算来画线，该打板方法的局限在于使用者仅限于具有较高专业知识和丰富经验的服装专业 基于网络的服装智能制板平台的研究 人士，使用传统c - c a d 系统的人员必须在前人总结的经验规律指导下才能绘制出合适的板 型，这种系统普遍缺少灵活的判断、推理和分析能力。同时，在网络环境下局限于数字传 输以及带宽服务器的负荷，很难实现基于网络的参数化交互式打板。至今所实现的网络打 板一般是针对企业内部的在线数据库查询板型系统，即存储一个巨大的板型数据库，基本 号型齐全，网络实现时输入款型号和规格号调出板型，这种系统的优点是架构良好的数据 库系统即可以实现网络反映的迅速高效的要求，并且出板可以即时使用无需修改；但缺点 就在于无法服务于大众，只提供基本规格号型，对于量体裁衣的个性化定制需求无法满足。 针对现有c - c a d 系统的弊端，本文选用人工智能技术的神经网络算法，实现机器学习， 模拟专家打板模式。采用当今流行的网络架构工具实现服装制板网络化应用，实现输入人 体尺寸，无需等待即可即时生成所需板型数据，下载并修改使用。 该系统可面向大众千差万别的体形输出量体定制的板型，对合体度要求严格、款式统 一、人数众多的各式制服生产，军事应用等将带来巨大的便捷，并为服装二维制板的智能 化发展起到推动作用。同时网络传输实现高效的快速反应机制，通过国际联网实现与外界 资源交流与共享。 1 5 研究方法 作为基于网络的服装智能制板平台，主要技术要点突出体现在两个方面：一是智能技 术；二是网络平台。本文中选择神经网络算法来进行机器学习以达到智能化。使用可以跨 平台使用的j s p 网络设计语言并采用m v c 架构来实现系统网络平台的搭建。服装制板的 智能化实现主要研究对象是服装板型基础的女装原型。本文为便于系统实现，以标准原型 纸样为对象进行神经网路的机器学习，以较小的误差得到模拟原型板型为目的展开研究， 最终实现了网络环境下的在线打板和显示等。 4 基于网络的服装智能制板平台的研究 2 1 人工神经网络 2 基于b p 神经网络的服装制板 神经网络经过多年的发展，作为一种新的信息处理方法和处理非线性不确定性问题的 强大工具，目前在全球范围内在信息处理，智能控制、模式识别等许多工程技术和社会经 济领域得到越来越广泛的应用，同时也给服装业的传统研究方法带来了较大的变革。 2 1 1 神经网络概述 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 s ，a n n ) 是近年来十分热门的交叉学科，它涉 及生物、电子、计算机、数学和物理学等科学，有着非常广泛的应用背景。 人类的思维能力来自人脑；人脑是一个非常复杂而又高度灵活的神经网络。它大约由 1 0 1 1 个神经元构成，每个神经元上有突触，又与大约1 0 3 个其他神经元相连，形成复杂的 生物神经网络。人们通过研究探索人脑神经网络的结构、功能以及它工作的机制，来研究 人脑思维和智能活动的规律。 人工神经网络是以计算机网络系统模拟生物神经网络的智能计算系统。网络上的每个 结点相当于一个神经元，经可以记忆( 存储) 、处理一定的信息，并与其它结点并行工作。 求解一个问题是向人工神经网络的某些结点输入信息，各结点处理后向其它结点输出，其 它结点接受并处理后再输出，直到整个神经网工作完毕，输出最后结果。如同生物的神经 网络，并非所有神经元每次都一样地工作。如视、听、摸、想不同的事件( 输入不同) ， 各神经元参与工作的程度不同。当有声音时，处理声音的听觉神经元就要全力工作，视觉、 触觉神经元基本不工作，主管思维的神经元部分参与工作；阅读时，听觉神经元基本不工 作。在人工神经网络中以加权值控制结点参与工作的程度。正权值相当于神经元突触受到 刺激而兴奋，负权值相当于受到抑制而使神经元麻痹直到完全不工作。 如果通过一个样板问题“教会”人工神经网络处理这个问题，即通过“学习”而使各 结点的加权值得到肯定，那么，这一类的问题它都可以解。好的学习算法会使它不断积累 5 基于网络的服装智能制板平台的研究 的知识，根据不同的问题自动调整一组加权值，使它具有良好的自适应性。此外，它本来 就是一部分结点参与工作。当某结点出故障时，它就让功能相近的其它结点顶替有故障结 点参与本题工作，使系统不致中断。所以，它有很强的容错能力。 人工神经网络通过样板的“学习和培训”，可记忆客观事物在空间、时问方面比较复 杂的关系，特点适合于解决各类预测、分类、评估匹配、识别等问题。例如，将人工神经 网络上的各个结点模拟各地气象站，根据某一时刻的采样参数( 压强、湿度、风速、温度) ， 同时计算后将结果输出到下一个气象站，则可模拟出未来气候参数的变化，做出准确预报。 即使有突变参数( 如风暴，寒流) 也能正确计算。所以，人工神经网络在经济分析、市场 预测、金融趋势、化工最优过程、航空航天器的飞行控制、医学、环境保护等领域都有应 用的前景。 目前在神经网络研究方法上已形成多个流派，最富有成果的研究工作包括：多层网络 b p 算法，h o p f i e l d 网络模型，自适应共振理论，自组织特征映射理论等。人工神经网络是 在现代神经科学的基础上提出来的。它虽然反映了人脑功能的基本特征，但远不如自然神 经网络的逼真描写，而只是它的某种简化抽象和模拟。 2 1 2 神经网络的优缺点 主要优点： 1 信息处理的并行性 神经网络结构决定了其信号并行处理的特性。这种结构本身所带来的并行性特性是其 他系统模型所可望不可及的。虽然目前已有一些神经网络硬件化的研究，有不少成果公布， 但也还是实验室水平，没有真正开发成神经网络芯片，因此，大多数神经网络系统还是用 计算机来仿真实现，事实上是使用串行来代替并行的。但是，可以相信随着大规模集成电 路技术的发展，不久的将来将会有神经网络芯片的诞生，有真正的神经网络系统问世。它 们具有无可比拟的信号处理速度，为人类信息科学的进步开辟新的途径。 2 知识的分布存储 传统的人工智能系统的知识大多是以知识库的形式储存的，比较清晰，便于管理和修 改。但是，神经网络通过设计，或通过学习得到的知识是以各个神经元的连接权的值来表 现的。从形式上看分布在网络的各个角落，同时，没有任何显示的信息可以阅读，对于人 类来说是完全不透明的，无法理解的，更谈不上管理和修改。这一点对于习惯于对自己设 计的系统了如指掌的人来说，不是一件好事。 6 基于网络的服装智能制板平台的研究 3 对于系统本身及环境变化的容错性 由于系统知识的分布式处理，使得神经网络对于样本的错误等原因引起的环境干扰有 很强的鲁棒性和容错能力。因为错误也是分布的，不会集中体现在某一个地方，也就不会 造成突出的影响。反之变形的实际样本，也不会由于部分不匹配而产生很大的误差。另外， 环境噪声也可以理解为样本的变形，同样可以有很好的鲁棒性。 4 学习能力 神经网络的学习方法与传统的人工智能机器学习的方法完全不同。即使与实例学习方 法相比较也有本质上的差别。同样是在提交的学习样本的指导下进行学习，实例学习是根 据样本修改已有的( 或假设的) 规则空间中的规则，规则内容、范围、可修改程度完全是 人规定的，而大多数神经网络模型的学习是从随机初始值开始的，理论上初始值不影响最 终结果。整个过程无人工干预，系统通过学习发生的变化也无从查看。因此，也有人称神 经网络是一个黑盒子。 主要缺点： 1 不适合高精度计算 神经网络的鲁棒性和它的输出结果的不严格性是一致的。如果输出不能有任何一点偏 差，那就很难有什么鲁棒性。因此，神经网络经常是给出一个可信度，或者是一个相对最 优的结果，而不是精确的结果数字。 2 学习问题 目前没有很完善的学习方法，需要确定的经验参数太多。尽管有了b p 学习算法等训 练方法可以设计并实现一定规模的神经网络。但是，算法理论上的完备性，并不等于很好 的实用性，同时算法本身的参数设定、学习收敛速度等问题还有待解决。 2 1 3 人工神经网络的应用范围 神经网络理论的应用范围是非常广泛的，可以说在自然科学研究的所有领域都由科 学家在尝试是否能通过引入神经网络的结构与学习理论为本学科的发展开辟新的道路。尤 其是在模式识别、图像处理，自动控制、专家系统等领域取得了很好的结果，也推出了一 些商品化的产品。 当问题规模变大时，比如，特征维数达到几百，训练的样本数几万甚至几十万，特别 是分类数是几千的数量级时，那么神经网络可能就有问题了。 目前，神经网络的应用方面存在的主要问题是：规模扩大、学习算法的收敛性等。从 7 基于网络的服装智能制板平台的研究 某种意义上讲，网络扩大问题随着计算机软硬件的发展得到不同程度的改善。但是由于网 络结构、学习算法引起的规模扩大问题，还是有待于进一步的研究。同时，学习算法如同 传统人工智能的机器学习，是神经网络研究及应用的关键问题，其中包括学习收敛性、学 习速度等问题。 但是，神经元网络在很多方面表现出一定的优势，与传统的人工智能系统的知识获取 方法，即机器学习方法( 规则库建立方法) 不同，一般来说神经网络系统是通过大量的样 本训练来完成知识获取的。因此，即使人们本身对某问题本身了解甚少，难以用形式化语 言对知识进行描述，只要给出比较全面的数据，选取合理的网络结构和参数据，就可以训 练出一个计算机模拟的网络模型。特别是网络规模比较小时有时能得到出乎意料的效果嘲。 2 2b p 神经网络 2 2 1b p 神经网络模型 b p ( b a c kp r o p a g a t i o n ) 网络是一种应用比较广泛的人工神经网络，它是模仿大脑神 经网络结构和功能而建立的一种新型智能信息处理系统。它通过对人脑的形象思维、联想 记忆等的摹拟和抽象来实现与人脑详细的学习、识别、记忆等信息处理能力。b p 网络具有 一些传统技术所没有的特点，如较强的自适应性和自组织性、高度并行信息处理能力、强 大的非线性映射能力，并且硬件实现后计算速度快，可以快速准确的实时处理。因此在服 装打板系统中应用b p 网络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一 k 一* 一一7 关系垦跌为神经网络的网鸳蚣与嗽输蛙回的数学碜然后利用学习后的b p 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，这样可以提高工作效率并且避免了 对图形数据之间的相互依赖关系。 b f 神经网络又称为多层前馈神经网络。它是模仿大脑神经网络结构和功能而建立的一 种新型智能信息处理系统，本文所用的是三层不含反馈的前向网络模型，拓扑结构如图i ， 它包括输入层、隐含层和输出层，网络内通过神经元( 结点) 顺序单向连接，每一连接弧连 接着两个神经元，并附有数值w m ，v 坷作为权值( 连接强度或记忆强度) 。权值代表前一层 神经元对后一层神经元的影响，正的权值表示影响的增加，负的权值表示影响的减弱。前 向网络中每一层神经元只接受前一层神经元的输入，并在结点上进行复合( 线性叠加) 和畸 墨 基于网络的服装智能制板平台的研究 变( 非线性特性函数映射) 们。神经元模型如图2 所示， 图1b p 神经网络模型 图2 神经兀模型 如图所示，每一层神经元有两个功能。第一个功能是将上一层的所有输入权值相加， 如式1 所示；第二个功能是通过非线性s 型( s i g m o i d ) 函数进行相加，如式2 所示。输入 和输出神经元不可能包含非线性函数。 = 0 f o 【z - 1 ) 0 i 2j q i8a(2-2) 其中：为两个相邻层之间鳓层神经元和第i 层神经元之间的权值；q 为i 层神经元的输出； q 为_ ，层神经元的输出；，为s i 舯o i d 函数；6 1 ，为_ ，鏖神经元的阙值。 八= 二l + e - x ( 2 - 3 ) 9 基于网络的服装智能制板平台的研究 2 2 2 反向传播算法原理 采用b p 神经网络算法，是采用正向反向共同逼近的方法，在正向传播过程中，输入 信息从输入层经隐层逐层处理，并传向输出层，每层神经元的状态只影响下一层神经元 的状态。反向传播时将输出层的误差信号沿原来的连接通路返回，通过修改各层神经元的 权值及阈值，使误差信号最小。不断用一组组训练数据训练网络，重复前向传播和后向传 播过程，当满足均方根误差要求时，网络就学习好了。网络训练的关键是如何向减小误差 的方向调整权值。 b p 网络的工作过程通常有两个阶段组成：一个阶段是学习期。在这一阶段，各结点的 输出保持不变，而网络的学习则是从输出层开始，反向逐层逐个结点计算各连接权值的修 改量，以修改各连接权值，直到输入层为止。另一个阶段是工作期。在这一阶段，网络各 结点的连接权值不变，网络的计算从输入层开始，逐层逐个结点计算各个结点的输出，直 到输出层的各结点计算完毕锄。 设b p 网络非输入层的任意结点f 对于训练样本( 黾，j ，。) ，输出为吼，网络的输入为 以，期望输出为儿，学习步长为r ，有n 个训练样本，k 为样本序号( k = l ，2 ，n ) ， 使用平方误差函数e = 三善( q k ) 2 ，则b p 网络中权值的学习算法为w = w + ，7 等。 前馈神经网络是应用最普遍，最成功的神经网络模型，又以采用b p 学习算法的多层 感知器为主要代表，特点是网络结构简单，易于实现；学习算法明确，中小规模下学习收 敛性好：最主要是网络分类性好，理论上多层前馈网络可以解决任意的模式分类问题“”。 2 2 3b p 神经网络的算法步骤 对于一个三层b p 网络，它的左右各层之间的个个神经元实现全连接。b p 网络按有教 师学习方式进行训练，当一对学习模式提供给网络后，其神经元的激活值将从输入层经各 中间层向输出层传播，在输出层的各神经元输出对应于输入模式的网络响应。然后，按减 少希望输出与实际输出误差的原则，从输出层经各中间层最后回到输入层逐层修正各连接 权。b p 网的学习过程主要由四部分组成：输入模式顺传播( 输入模式由输入层经中间层向 输出层传播计算) ； 输出误差逆传播( 输出的误差由输出层经中间层传向输入层) ； 1 0 基于网络的服装智能制扳平台的研究 循环记忆训练( 模式顺传播与误差逆传播的计算过程反复交替循环进行) ； 学习结果判别( 判定全局误差是否趋向极小值) 。 图3b p 训练流程 下面给出b p 网络整个学习过程的具体步骤：( 流程如图3 所示) l 初始化，给各层权值及阈值赋予 一o 1 ，0 1 的随机值； 2 将一个训练样本的数值墨，进行归一化并把五输入到输入层： 3 根据输入层与隐层的连接权值以及隐层阈值计算隐层的输入1 一，并计算出输出值 t i 基于网络的服装智能制板平台的研究 q 2 ( ，) ； 4 由隐层输出口以及隐层与输出层的连接权值和输出阈值，利用公式计算出各输出层 的输入u ，计算输出层各个单元对应的输出乃，乃2f ( u j ) ： 5 通过教师信号巧，计算出输出层各单元的一般化误差 芬。一1 7 2 ( 弓一y j x l 一刃) ：( 2 - 4 ) 6 由隐层与输出层之间的连接权值峋，输出层单元的一般化误差q 及隐层各单元的输 出q ，计算隐层各单元的一般化误差 岛= 1 2 ( 1 - 研) 口峋 7 由输出层各单元的一般化误差岛，隐层各单元的输出q ，用 o + 1 ) = w f ( t ) + p s j o , + a a w u ( t ) 乃( f + 1 ) = 乃o ) + 届巴+ c e a r j ( o 修正输出层与隐层的连接权值嘞，和输出层各单元的阈值乃。 8 由中间层各单元的般化误差弓，输入层各单元的输入，由 ( f + 1 ) = ( f ) + 角五+ a a v h i t ) q ( f + 1 ) = q ( f ) + 鹏+ a a e , ( o ( 2 6 ) ( 2 - 7 ) ( 2 - 8 ) ( 2 9 ) 修正输入层与隐层的连接权以及隐含层各单元的阈值q ： 9 依次选取下一个样本，返回2 。直到训练集样本全部学习一遍。重新返回2 ，直到网 络的误差函数小于设定的值，即网络收敛或学习的次数大于预先给定的值。 1 0 记录权值，训练结束“。 2 3 ，应用于服装制板的神经网络模型的建立 一个神经网络模型的设计包括：决定采用何种网络模型，决定网络的结构和神经元的 传输函数等。如果是多层前馈网络还要决定网络的层数，各层的神经元个数。接下来采用 相应的学习算法，进行学习( 训练) ，使其具备预期的功能。神经网络的学习过程就是神 1 2 基于网络的服装智能制板平台的研究 经网络一系列参数，如权值，阈值等进行有效设定的过程，此时的方法叫学习算法。在训 练服装制板的神经网络模型系统时，输入端输入人体数据，经过隐含层的算法计算得到输 出值，与专家样本的输出数据进行比较，得出误差值，反馈给隐含层进行阈值、权值调整， 如此反复多个样本训练后，其权值完全符合专家的要求，则可以开始工作，即再重新输入 任何人体数据，都会得出与专家极其相似的结果板型，当然其相似程度是与系统的可靠性 有着密切的联系，下文将会提到这一点。 由于前馈神经网络多采用反向传播学习算洼一( b a c k p r o p a g a f i o n l e a r n i n g a l g o r i t h m ，b p 算法) 进行训练，有时也被称为b p 网络。其网络模型的输入输出结构关系与单层感知器完 全相同，前一层的输出是下一层的输入。不同之处是，前馈网络的神经单元的转移函数不 是线性阈值函数，而是一个有界连续可微非线性函数，如s i g m o i d 函数。由具有这种特性的 传递函数的神经元组成的网络，通过学习可以用一个连续的，非线性的超曲面( 而不仅仅 是一个超平面) 来完成划分输入样本空间的功能。在输入样本空间复杂的情况下，可根据 要求，采用n 层网络结构。此时学习后的网络可以以n 1 个超曲面构成一个复合衄面，完 成复杂的分类任务，从而弥补单层感知器的缺陷。 在不考虑结果规模的前提下，基于b p 算法，根据大量样本通过逐步调整神经元之间的 连接权重来构造网络。理论上，多层前馈网络可以模拟任意的输出函数，或者说可以完成 任意复杂的分类任务。 理论与实际是有差距的。其主要原因有：学习样本不能保证绝对的覆盖整个样本空间； 学习过程不能保证一定收敛到系统的全局最小值点；网络规模的设计没有理论依据，因此 不能保证其容量一定满足该实际应用的需要 2 3 1 选择合理的教师数据 系统力求达到输入几个关键人体数据，即可输出具有专家水平的特定款式的成衣板型。 服装板型数据的计算是极其特殊的，会因不同的人的不同体形从而造成板型的不同，而有 不同的算法，比如胖人的袖癃深，由公式计算很难达到合体的程度，而智能化的神经网络 正好弥补了这缺点，通过训练使神经网络各个结点的权值和阙值达到最优化，使得计算 结果与预想值的误差最小，以达到合体的程度。使用b p 神经网络来实现服装制板的智能化， 其根本还是一个模仿的过程，即要通过模仿成功实例来模拟人工制板。那么模拟对象即是 板型，机器读进的将是板型的所有数字信息，包括该板型对应的人体数据和板型本身所包 含的图形数据。 1 3 基于网络的服装智能制板平台的研究 采用b p 神经网络方法建模需要有足够多典型性和精度高的样本。本研究的网络模型的 输入参数根据影响生成服装板型的主要人体数据决定，输出变量为板型图。因此，系统需 要一个足够的服装板型库，并把图形库转化成数据库。板型库里的每一个样本在都与某组 特定的人体数据对应，以服装原型板为例，如图4 所示“4 。( 本文所使用的板型图，都是 根据文献【1 2 】所介绍的纸样绘制方法在a u t o c a d q b 进行绘制所得) 图4 标准女装原型 在神经网络训练中，提取合适精确并且尽量少的教师数据是必须的。根据神经网络的 原理，需要的教师样本首先需要一个输入数据，对于其次是需要样本的结果输出数据，对 于服装样板来说教师样本就是服装板型，它所对应人体数据就是我们所需要的输入数据， 其次就是样本的基本图形数据，即描述该板型图的基本数据。 在选择输出数据( 也同样是教师数据的结果数据) 时要考虑数据与输入人体数据的相关 性与依赖性，因此，在选择图形数据的时候不但要考虑数据的最小最优，还要考虑与每一 个输入数据是否具有相关性。考察到板型师运用参数过程法打板时，其根本就是根据人体 数据确定板型各个关键点的位置，然后运用合适的线条连接各个关键点得出板型。由此可 以看出，关键点确定取决于人体数据，并由人体数据经过参数化计算得出；并且，板型绘 制过程中，关键点的确定是关键。关键点完全可以描述整个服装板型特点。同时，由二维 图形构成之点、线、面理论，面由线决定，线由点构成。对于由简单曲线与直线构成的板 型图来说关键点相对于图形图像来说更容易用数据来描述。 综合以上各个因素，描述关键点数据就是描述整个板型图形。对于描述二维平面中的 点来说，二维坐标系法是首选。人体数据都是由长度和围度组成的，相对于板型的横向与 纵向，则确定横向为x 坐标轴，而纵向为y 坐标轴做标准坐标系，原点则选择其中一个关键 点，以减少一个点坐标的计算。为减少运算复杂度，把大部分关键点构建在第一象限内。 1 4 基于网络的服装智能制板平台的研究 在服装制板时所用的人体数据都是长度和围度，即纵向和横向的尺寸如胸围、背长、腰围、 臀围等。长度数据主要制约了纵向的数据，而围度数据则主要制约了横向的数据，这两种 数据就分别制约了每个关键点的x ，y 坐标。由此可以明确，所选的输入样本的输入数据与 教师信号数据可以在神经网络中实现训练关系。运用这种图形数据的另一个优点在于可以 方便的提取任何款式的服装板型数据，并且训练成功后生成的板型数据也易于通过连接各 个坐标点转换成图形。 那么，对于原型来讲( 见图4 ) ，以最下角的0 点为原点，向右做x 坐标方向，向上做y 坐标方向，建立二维直角坐标系。板型的每个关键点的坐标均分散在第一象限内。由关键 点对于该板型来说，关键点共有2 3 个，除去原点以外的关键点为1 - 2 2 点，所取的图形数据 就是每个点的x ，y 坐标，则关键数据共有2 2 x 2 = 4 4 个“”。 2 3 2 数据提取 以女装原型为例，神经网络的训练样本为以腰围、胸围、背长三个人体数据为输入值， 而以对应板型中提取的关键点的4 4 个坐标值为输出数据的一系列数据。 对于女装原板数据分别对1 5 5 ，1 6 0 ，1 6 5 ，1 7 0 ，1 7 5 这几个基本号型的板型图形进行数 据提取。把1 5 5 ，1 6 0 ，1 7 0 ，1 7 5 几个号型的板型数据作为训练样本。1 6 5 的号型数据留作 检验数据。本文提取的样本数据见附表l 。 2 4 神经网络拓扑结构 2 a 1 隐层数 一般认为，增加隐层数可以降低网络误差( 也有文献“”认为不一定能有效降低) ，提高 精度，但也使网络复杂化，从而增加了网络的训练时间和出现“过拟合”的倾向。h o m i k 等 早已证明：若输入层和输出层采用线性转换函数，隐层采用s i g m o i d 转换函数，则含一个 隐层的m l p 网络能够以任意精度逼近任何有理函数。因此本文在设计b p 网络时优先考 虑了3 层b p 网络( 即有1 个隐层) 。一般地，靠增加隐层结点数来获得较低的误差， 其训练效果要比增加隐层数更容易实现。对于没有隐层的神经网络模型，实际上就是一个 线性或非线性( 取决于输出层采用线性或非线性转换函数型式) 回归模型。 基于两络的服装智能制板平台的研究 2 4 2 输入、输出层结点数 输入层结点数取决于影响该服装板型的人体尺寸数据的个数。对于人体来说，分为围 度数据，二是长度数据。通过对各种影响因素的分析并综合考虑神经网络对训练范例集的 要求，对于以上女装原型板，可以把以下几个人体数据作为输入：1 ) 胸围；2 ) 背长；3 ) 腰围。这 样输入结点数为3 。 输出结点个数如2 3 1 所述，需要4 4 个数据作为板型数据，而输入与输出数据个数差距 过大，特别是输出数据个数过多，是b p 网络算法的大忌，这一点在训练网络时感受深切。 输出数据过多，则网络输出误差加大，网络收敛速度减慢，权阈值就得不到合理的数值。 因此适当的减少输出数据的个数对于计算的迅速和精确有很大的干扰，这也正是上文所提 到的系统的可靠性问题。鉴于这一点，并且基于服装各个点的数据都是对于人体关键数据 相关，把输出的4 4 个数据分成了4 组，分组训练。这样不是将输出参数简单地对应b p 结点， 一 虽然增加了工作量，需要训练4 个神经凰络，但效率上，效果是最好的。 2 4 3 隐层结点数 三层多输入多输出的前向神经网络隐层结点一般要大于输出层的结点数。结点数太少， 网络逼近效果差并且不容易收敛，有时还会出现振荡，局部极小区出现的概率也大；增加 结点数固然能改善对已有离散点的逼近效果，提高网络的预测能力，但结点数的增加必然 导致训练速度减慢，计算值曲线过于平滑，网络的容错能力和敏感性均会下降，经过各方 面考虑，在不影响训练精度以及收敛速度的情况下，对1 5 3 0 反复试探并与其它几组输出层 数据相结合，确定隐层结点数取2 5 时，逼近效果最佳。 2 4 4 确定神经网络拓扑结构 由前几节所述，本文中所采用的前向网络拓扑结构为3 2 5 一l l 。 b p 网络的训练就是通过应用误差反传原理不断调整网络权值使网络模型输出值与已 知的训练样本输出值之问的误差平方和达到最小或小于某一期望值。虽然理论上早已经证 明：具有1 个隐层( 采用s i g m o i d 转换函数) 的b p 网络可实现对任意函数的任意逼近。 但遗憾的是，迄今为止还没有构造性结论，即在给定有限个( 训练) 样本的情况下，如何 设计一个合理的b p 网络模型并通过向所给的有限个样本的学习( 训练) 来满意地逼近样 本所蕴含的规律( 函数关系，不仅仅是使训练样本的误差达到很小) 的问题，目前在很大 1 6 基于网络的服装智能制板平台的研究 程度上还需要依靠经验知识和设计者的经验。训练过程中遇到的学习率，误差界值等都是 通过不断的试验总结各次结果得到的最佳数值“”。 训练网络采用3 - 2 5 1 1 模式，通过网络训练待定的数据为3 x 2 5 + 2 5 x1 l + 2 5 + 1 1 - 3 8 6 个。 其中输入层与隐层之间的连接权值为7 5 个，隐层与输出层的连接权值为2 7 5 个。另外还有 2 5 个隐层阈值，和1 1 个输出层阈值。网络训练之前，首先是要给阈值和权值设定一个初始 值，本系统设定在1 ，0 1 ) 之间的随机值。另外对于大于l 的输入输出数据其数据范围扩 大，则网络输出的误差将扩大，不利于网络收敛。因此，在网络训练前必须要对训练数据 进行归一化，即把现有数据取到( o ，1 ) 之间均匀分布，同样在训练完毕后，要对数据进行 反归一化，得到原始数据。 本文中所用的归一化与反归一化公式为： x = ( x - m i n ( x ) ) ( m a x ( x ) - m i n ( x ) ) ( 2 - 1 $ 1 - - - - - s + ( m a x ( x ) - m i n ( x ) ) + m i n ( x ) ( 2 11 ) 另外，网络权阙值的学习效率和误差界值的选择也直接关系到网络的训练精度和效率。 ( 1 ) 学习率 学习率影响系统学习过程的稳定性。大的学习率可能使网络权值每一次的修正量过大， 甚至会导致权值在修正过程中超出某个误差的极小值呈不规则跳跃而不收敛；但过小的学 习率导致学习时间过长，不过能保证收敛于某个极小值。所以，一般倾向选取较小的学习 率以保证学习过程的收敛性( 稳定性) ，通常在0 0 l 0 8 之间。具体数值需要通过试验取 得最佳值。 ( 2 ) 误差界值 在网络训练过程中需要根据实际情况预先确定误差界值。当误差界值选择较小时，学 习效果好，但收敛速度慢，训练次数增加。如果误差界值取得较大时则相反。因此该值的 确定需要在网络训练时，经过不断的试验得到。 2 5 程序实现 j a v a i 吾言是伴随i n t e m e t 的发展而出现的一种具有通用目的的网络编程语言，目前成为 推广最快的- - i - j 计算机语言。完全面向对象的j a v a 语言，作为一种优秀的计算机网络编程 语言，具有简单高效、不依赖于机器结构的特点；支持多线程、分布性和并发机制；用其 开发的应用软件在可移植性、鲁棒性、安全性方面大大优于已存在的其他编程语言，对人 工神经网络的研究( 尤其是科学仿真和实现) 具有较好的辅助效果，而且从仿真中得到的 1 7 基于网络的服装智能制板平台的研究 面向对象技术( 神经元模型) 和并行思想又直接关系着人工神经网络的硬件实现。随着面 向对象技术的深入广泛的应用，将会提高人工神经网络( 软件实现) 的可重用性、可扩充性 及易移植、易维护等优点，也有利于实现神经元的动态增删和同层神经元并行运算，改善 应用上的快速性和实时性；进而推动大型复杂的用在控制、决策和专家系统中的人工神经 网络( 软件) 功