基于BP神经网络的网络直播皮革服装销量预测

针对影响网络直播带货销量因素彼此之间复杂不可控,将人工神经网络引入网络直播销量预测领域.以皮革服装为例进行实证研究,对神经网络层数、输入层、输出层、隐含层神经元节点进行设计,构建了BP神经网络的网络销量预测模型,并进行了不同隐含层节点数的训练和优化测试.结果 表明,隐含层节点数为6,神经网络性能最佳,平均绝对值误差为6...     

BP神经网络在西服样板设计中的应用

采用BP神经网络的方法,对西服样板设计进行研究。将西装成品规格尺寸作为输入参数,细部规格尺寸作为输出参数,逐点训练神经网络,研究其非线性映射关系,并利用神经网络的任意函数逼近功能来获得近似函数关系,建立西服样板设计的BP神经网络模型。仿真结果表明:运用人工神经网络进行西服样板设计,有较高的灵敏度,具有很好的应用价值。该研究为实现服装的3D款式造型系统自动生成2D样板,为智能化服装生产,提供了理论与技术参考。     

BP神经网络预测废水处理过程的研究

通过在实验室条件下进行追纸废水处理试验取得的数据对BP神经网络进行训练，建立了造纸废水处理过程的网络模型。该网络模型仿真实际废水处理过程的结果表明，BP神经网络具有很强的学习能力。利用BP神经网络模型实现了对造纸废水处理过程的预测，平均相对误差为19％，表明网络泛化能力不是很好。经过动态训练的BP神经网络模型能够比较准确的预测造纸废水处理过程，平均相对误差为1．9％，大大优于未经动态训练的网络模型。     

BP神经网络在服装人体工效学中的应用

文章通过介绍BP神经网络在服装样板自动生成、号型选择和服装舒适性预测等服装人体工效学领域的研究进展,表明BP神经网络作为一个智能化工具,可简化服装人体工效学中一些复杂问题的能力,特别对解决由诸多非相关因素共同影响下的服装舒适性等问题具有重要的意义。     

BP神经网络在粮食霉变预测中的应用研究

霉变是造成粮食损失的重要原因,为了降低损失,将危害控制在萌芽状态,提前预测预警意义重大。本研究利用MATLAB的神经网络工具箱建立了预测粮食霉变的BP神经网络,给出了稻谷在给定含水率、温度、储藏时间的条件下是否会发生霉变的预测模型。同时,通过合理选择训练样本的数目,探究训练样本数量对网络精度的影响,并通过华北地区实仓数据验证由实验数据得到的BP神经网络在实际应用中所能达到的准确程度。经过验证,对于实验数据,训练样本数目大于400时,神经网络预测正确率可以达到94.3%;样本数越大,正确率越高。随机选择2 500个实验室样本数据进行训练得到的神经网路预测模型,对剩余样本预测准确率达到98%,对于实仓检测数据,正确率可以达到82.1%。     

用BP神经网络预测棉织物的手感

采用BP神经网络技术建立和训练反应织物手感的预测模型，对比预测值和实验值，表明用神经网络方法预测织物手感有相当的准确性。     

基于BP神经网络算法的粮食储存品质预测模型构建研究

粮食安全预警对于储粮企业意义重大,本研究基于BP神经网络算法,采用Python软件构建了粮食储存品质预测模型。通过使用全国各储粮生态区的质量品质数据来训练和测试,构建了基于BP神经网络算法的两种预测模型,时间序列品质预测模型可进行连续单指标跨期预测,温湿度-品质预测模型可进行度夏后粮情预测。经验证,时间序列品质预测模型对粮食储存品质指标预测效果较好,预测误差均低于15%。     

BP神经网络下的智能化合体服装样板生成

为快速得出符合顾客体型的服装样板,以男西裤为基准样板,腰围和臀围部位的变更规则为研究对像,格柏CAD 为技术开发平台,依据大量人体数据对样板原有的变更规则进行优化和重建,采用BP 神经网络算法建立了人体腰围、臀围尺寸变化量与相应的变更规则之间的神经网络模型。直接采用数据与数据的匹配归档,最终实现男西裤腰腹部和臀部变更规则的参数化设计,即给定一个腰围、臀围的变化量就得到一个相应的变更规则,通过调用此变更规则就会自动得出符合这个尺寸的样片,初步实现一人一板,提高了服装的合体度,减少了对样板师的依赖性。     

基于主成分分析的BP神经网络粮食产量预测模型

我国作为世界上人口最多的国家,始终把发展粮食生产放在社会发展的重要位置。粮食产量变化具有非平稳性,若采用传统的预测方式会使预测结果不理想。BP神经网络对粮食产量进行预测能较好地描述粮食产量的非平稳性;主成分分析法能将高维数据缩减到更小的维度来理解高维数据。本文采用主成分分析法与BP神经网络相结合的预测模型,可以优化BP神经网络,提高粮食产量预测的精确度,是一种有效的粮食产量预测途径。     

基于BP神经网络的烟熏香肠色泽预测研究

以传统烟熏方式加工的香肠为研究对象,利用反向传播(Back-Propagation,BP)神经网络建立烟熏香肠色泽的预测模型。通过试验获得不同烟熏温度、烟熏时间和肥瘦比条件的烟熏香肠,测定其L*、a*、b*和△E值,并对BP神经网络算法、隐含层神经元个数、学习速率和动量系数进行优化,获得最佳的BP神经网络预测模型结构。基于Levenberg-Marquardt算法建立精确的L*、b*和△E预测模型,性能测试显示L*、b*和△E预测模型的相关系数(R2)分别为0.847、0.825和0.924。相应的均方根误差(root mean square error,RMSE)分别为4.609、3.564和5.012。基于拟牛顿BFGS算法建立精确的a*值预测模型,性能测试显示模型的R2和RMSE分别为0.905和2.237。     

浅析女裙分割线的设计平衡点

以服装结构设计原理为依据,从人体形态入手,结合服装造型因素,对女裙结构的分割线做出了系统的分析,提出了以人体结构、服装造型及外在装饰为目的线型,并指出女裙分割线的设计平衡点是在美学理论指导下融结构、造型与装饰三者于一体的线型。     

基于BP神经网络的原棉短纤指数预测模型

为对脱籽后原棉的短纤指数进行预测,采用遗传优化BP神经网络预测法,设计了原棉短纤指数预测的遗传优化BP神经网络模型。以南疆地区原棉为研究对象,选择籽棉回潮率和轧花速度频率2个因素作为BP神经网络模型的输入量,利用遗传算法优化神经网络的权值与阈值,建立原棉短纤指数的遗传BP神经网络预测模型。结果表明,遗传BP神经网络模型能较好地表达原棉短纤指数与主控因素之间的非线性关系,预测结果与实测值之间误差小,测试样本的网络输出值与网络目标值的相关系数达0.999 8,模型预测效果较佳。     

斜裁裙参数化结构模型的构建

为解决斜裁裙装纸样制作效率低和手工操作烦琐等问题,结合斜裁裙结构原理和AutoCAD参数化功能,提出了一种斜裁裙参数化结构设计模型,以实现可定制的斜裁裙装纸样的快速生成。首先分析斜裁裙的斜裁原理,基于AutoCAD参数化功能,构建斜裁裙参数化结构设计模型。该模型包含尺寸规格、分割线数量和斜裁角度3个参数,通过设定参数值,该模型可自动生成个性化斜裁裙装纸样。通过虚拟试衣软件CLO3D对斜裁裙纸样进行了合体性验证,舒适度评价指标良好。研究结果表明:斜裁裙参数化制版技术可以实现个性化纸样的自动化生成,纸样能够达到相应的合体性标准;该技术可以扩展应用到其他类型的服装结构设计中,为实现服装生产的大规模定制提供技术支撑。     

基于神经网络的裤装样板设计

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BP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版的智能化奠定了理论基础     

基于BP神经网络的牛仔织物上浆率预测研究

文章采用MATLAB 7.0环境编程,充分利用人工神经网络对非线性系统很强的模拟能力以及根据具体问题灵活处理的柔性的网络结构来研究基于BP神经网络的牛仔织物上浆率的预测。     

棉织物透气性能的BP神经网络预测研究

采用BP神经网络技术建立和训练反映织物结构参数与织物透气性能之间关系的三层神经网络模型，可预测织的透气性能，比较预测值和试验值，表明用神经网络方法预测织物透气性能有相当的准确性，从而在一定程度上实现用神经网络预测织物的透气性能。     

BP神经网络预测上浆率

上浆率是衡量浆纱质量的重要指标之一,在生产过程中受到多种工艺因素的影响,其中主要可控因素为浆液浓度、浆槽温度、浆纱机速度和压浆辊压力。为建立以上4个因素与上浆率之间对应关系的数学模型,保证准确预测上浆率,以纯棉精梳斜纹织物实际生产中的经验数据为训练样本,建立3层BP神经网络系统预测模型,采用Levenberg Marquardt算法,对网络进行反复训练,使其达到预设精度。应用该网络模型对上浆率进行预测,结果表明,预测上浆率与实际上浆率非常接近,可以满足实际生产要求。     

真丝绸透气性能的BP神经网络预测研究

采用BP神经网络技术建立和训练反映织物结构参数与织物透气性能之间关系的三层神经网络模型，对比预测值和实验值，表明用神经网络方法预测丝织物透气性能有相当的准确性。     

基于BP神经网络降低汽油精制过程中的辛烷值损失

随着汽车工业的迅速发展和人们生活水平的不断提高,人均汽车保有量迅速增加,因此汽油燃烧产生的尾气排放问题也得到各国的持续关注,而汽油中辛烷值的含量对减少汽车尾气排放问题极为重要。文章研究了汽油生产中各操作变量的数据处理问题并提取了主要变量,利用python建立神经网络以此来建立辛烷值失损预测模型、利用Matlab软件仿真以此来优化操作中各个参数模型的优化问题。最后以图表的形式展示了主要操作变量优化调整过程中对汽油中辛烷值硫含量的变化轨迹。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。