基于服装属性的女装搭配规则构建

针对服装搭配知识碎片化、规则模糊等问题,为提高服装搭配的有效性,通过获取大量互联网服装图像上下文信息,提取女装属性优先级,然后将分别建立的女装类型搭配规则、女装风格搭配规则和女装色彩搭配规则,按照前提与结论的关系进行组合,最终构建了女装搭配规则关联拓扑结构。采用卡方检验对搭配规则有效性进行验证,实验组被试对象按照构建的搭配规则进行服装搭配,对照组则依据常识进行搭配。研究结果表明:2组实验服装搭配效果存在显著差异,按照构建的女装搭配规则进行服装搭配的合格率达85％;建立的女装搭配规则对服装搭配及智能推荐具有较好的指导作用。     

基于MLP神经网络的女大学生头面部号型归档与预测

为提高头面部产品适配性,文章运用马丁测量仪等对189名18～26岁女大学生进行头面部测量,通过主成分分析(PCA)提取了影响头面部形态的7个特征因子,采用K-means聚类方法得出5种头面部形态分类,利用指数分型法把头面部进行量化分型,并提出基于多层感知器(MLP)神经网络头面部号型预测模型,提高由于头面部尺寸过于繁杂在进行号型分类或选择时参考依据过多而产生的生产工作效率低等问题。结果表明：头面部号型可细分为XS型/形态指数>93、S型/形态指数∈(88,93]、M型/形态指数∈(84,88]、L型/形态指数∈(79,84]、XL型/形态指数≤79,其中M型分布最广,号型覆盖率较好,可作为中间号型;并通过MLP神经网络实现通过少量头面部特征尺寸精准预测其号型分类,生成的模型预测结果正确率达到93.42%,研究结果可为头面部产品的设计和生产提供参考。