基于MEA-BP神经网络的青年女性臂部体型识别

青年女性臂部体型包含了大量的非线性特征,单一的BP神经网络很难达到理想预测精度,为快速准确地识别青年女性臂部体型,提高预测精度,本文构建了一种基于思维进化算法（MEA）优化BP神经网络的青年女性臂部体型识别模型。首先,通过[TC]²三维人体测量获取611名青年女性的臂部数据;其次,通过主成分因子分析得到影响青年女性臂部体型特征的5大形态因子,选取5个特征指标采用两步聚类法将臂部体型分为4类;最后使用Matlab软件构建基于MEA-BP神经网络的青年女性臂部体型识别模型。实验结果显示：该模型能有效识别臂部体型,准确率为95.45%,与单一BP神经网络和GA-BP神经网络对比,该模型具有更高的预测精度和更优的非线性映射能力。     

基于二维图像的青年女性颈肩部形态自动识别

为实现青年女性颈肩部形态的自动识别,首先基于202名在校青年女性的三维点云数据,测量了15个颈肩部形态相关参数,通过分析确定出离散程度较大的形态参数,包括肩斜角、背入角、肩矢额径比和腋下矢额径比;然后结合这4个重要体型参数,对青年女性颈肩部形态进行细分并建立各类体型的分类规则;最后基于青年女性正面与侧面二维照片,通过提取人体轮廓和识别特征点获得颈肩部体型分类所需参数,根据体型分类规则实现颈肩部形态的自动识别。结果表明:青年女性颈肩部形态可分为4类,即圆宽肩体、扁窄肩体、圆落肩体、驼背扁肩体,分别占样本总数的25.53%、23.94%、25.59%和23.94%;通过对40名测试样本进行基于正、侧面二维照片的颈肩部形态自动识别验证,准确率达到90%,说明基于本文方法构建的颈肩部体型自动识别系统是有效的。     

基于青年女性躯干形态的服装号型标准分析

针对现如今消费者对服装合体性和个性化的需求,将青年女性躯干形态进行细分研究并与中国现有服装号型进行对比分析。通过采集209名18~25岁青年女性的人体尺寸信息,首先对采集的样本尺寸数据进行聚类分析,然后分析计算出各类体型身高与胸围、腰围的覆盖率,最后将聚类结果及国标分类结果与号型标准进行对比。结果表明:青年女性体型可分为I、H、S、O 4类,分别占样本总数的34.80%、28.92%、23.04%和13.24%;其中H、I体型中身高/胸围覆盖率最大的都为160/80,O体型身高/胸围覆盖率最大的是165/92,S体型身高/胸围覆盖率最大的是160/88;聚类中H、S体型与国标中A体型较接近,O体型与B体型较接近。该结论可以为服装企业合理配置号型提供参考。     

老年男性腰臀部体型分类及预测模型建立

体型分类参数是服装智能化生产的关键要素，是制衣技术精细化的重要前提，而体型模型的建立与预测是当前服装行业的重要研究课题。为分析目前老年男性亟待解决的裤装适体性问题，通过三维人体扫描仪获得129个60～75岁的老年男性人体样本数据，分别通过形态分析和数值分析说明了老年男性腰臀部和青年男性的差异。进一步确定最佳聚类数，并利用K-means聚类法将老年男性腰臀部划分为4类。同时构建基于BP神经网络的体型预测模型，测试集总体识别率达到93.75%。结果显示，该方法可有效区分老年人体腰臀部形态差异，为制作合体性更高的老年男性裤装结构奠定了理论基础。     

基于决策树算法的青年女性腰臀部识别

为提高青年女性腰臀部分类的准确性,为个性化定制提供依据,构建了一种基于决策树算法的青年女性腰臀部识别模型。采用聚类分析对收集到的153名18～25岁的青年女性腰臀部数据进行分类,提取5项反映腰臀部形态的典型指标,根据指标将腰臀部形态分为3类;再运用CART决策树算法将样本数据按70∶30的比例划分为训练集和测试集,并根据基尼系数选择最佳节点和最佳分支,构造分类树,研究青年女性腰臀部形态的分类规则,以可视化的形式来展现结果。结果表明:青年女性的臀部形态可分为3种,即凸臀体、正常体和凸腹体。决策树算法对腰臀部的分类识别效果良好,是一种切实有效的算法。     

基于青年女性下肢形态分类的特征部位围度拟合

为实现个性化裤装样板自动生成,探讨了青年女性下肢体型的分类方法及腰部、腹部、臀部、大腿根部和膝部5个人体特征部位的围度预测模型建立。主要通过美国[TC]²三维人体扫描仪获取202名在校女大学生的人体点云数据,测量各特征部位的围度、宽度和厚度等相关形态参数。然后进行体型分类,提出VD_wh值(表征腰臀相对凸出量)、D_bw值(表征后腰的凹陷程度)、HD_ht值(表征站姿)、A_tk值(表征腿型)4个形态指标,将青年女性下肢形态分为圆长型、圆润型、扁长型三类。基于体型分类结果,选择圆润体,对该体型下5个特征部位的宽度、厚度以及围度进行相关分析并建立特征部位围度的回归方程,并以手工数据进行验证分析。结果表明:除大腿根部最大误差值为1.98 cm外,分类后预测的其他特征部位围度值与手工数据的误差绝对值均在1.5 cm范围内,说明本围度预测方法具有较高的准确性,对基于照片的青年女体个性化裤装样板自动生成提供了一定的技术支撑。     

基于纵向轮廓曲线的青年女性体型细分研究

提取了能用于青年女性体型分类的纵向轮廓曲线,包括矢状面和冠状面轮廓曲线。建立了用轮廓曲线特征点曲率半径进行青年女性体型分类的方法。在国标体型分类的基础上,进一步细分青年女性体型,从纵向轮廓曲线形态入手,分析曲线特征点曲率半径,应用K-means聚类算法进行动态聚类,将伪F统计量作为判别函数来确定最佳类数目,最终将纵向体型分为8类,量化区分了青年女性纵向体型差异,并提出一种新的体型标识：“国标体型+纵向体型”。     

华东地区青年女性体型特征与分类研究

借助[TC]~2三维测量技术获取188名在校女大学生的人体尺寸数据,分为24个体型分析变量。对人体基本控制部位、主要身体比例、主要身体差值进行统计分析,并运用SPSS软件对数据进行分类汇总;选取人体侧面形态指标,以胸相对高度、臀相对高度、胸凸角、腹凸角、臀凸角、驼背角作为体型聚类指标,采用快速聚类将青年女性侧面体型细分为6类,引入"国标体型+侧面体型"的分类方法;最后在体型细分的基础上,选取体型覆盖率较大的A3、B4、C5体型,进行身高分档和身高与胸围覆盖率统计,得出覆盖率最大的是2.2%为165/84B4,可为体型分类及企业号型设定提供参考。     

基于二维照片的青年男性颈肩部形态分类与识别

为探究青年男性颈肩部形态分类并实现基于照片的自动识别,首先通过三维人体扫描仪获取180名男大学生颈肩部的点云数据,测量了22个与男性颈肩部形态相关的特征参数;然后根据变异系数分析选取前倾角、背入角、肩斜角、颈肩宽比、颈横矢径比作为聚类分析变量,对颈肩部形态进行分类并总结判别规则;最后结合人体二维照片提取体型分类所需参数,构建了颈肩部形态自动识别系统。结果显示:青年男性颈肩部形态可分为落肩圆颈体、前倾圆颈体、宽颈直体3类,构建的形态自动识别系统的判别准确率达到93. 33%,说明本文方法可行且有效,可满足消费者个性化定制的需求。     

基于局部特征的青年女性腿部形态分类

为提高女性裤装的合体性与舒适性,采用三维测量法、图像测量法及手工测量法相结合的方式,对236名18~25岁的青年女性腿部形态进行测量,获取20个相关特征变量;通过主成分因子分析得到影响腿部形态的主要特征因子,通过聚类分析得到青年女性腿部形态的分类结果;最后结合膝曲角的正负归纳出各类腿部形态的辨别规则并进行辨别验证。研究得出:影响腿部形态的主要特征因子有水平围度因子、长度因子、小腿围度差因子、腿部曲度因子、腿部轮廓因子和大腿围度差因子;人体腿部形态可分成圆体型、稍扁体型和扁体型3类;以大腿宽厚比、大腿根围膝围比、大小腿长比及膝曲角4个变量建立腿部形态分类规则。     

东北地区青年女性腰臀部体型特征与分类

为分析裤装结构设计合体性的影响因素,研究了特定人群的腰臀部体型特征与类别。选择18~25岁东北地区青年女性为研究对象,借助VITUS 三维人体扫描仪测量466 个样本的身体尺寸,经筛选计算得到21 个腰臀部特征变量。采用主成分因子分析得到影响腰臀部体型特征的5 大形态因子：围度因子、高度因子、横矢径比因子、围度差因子和臀凸因子。依据形态因子选取臀围、腰围到臀围高、臀横矢径比、臀腰差、臀凸5 个变量,采用SPSS 两步聚类法对腰臀部体型进行探索性分类,将东北地区青年女性腰臀部体型分为3 类：第1 类为直线型、平臀、矮瘦体;第2 类为凸臀、浑圆体;第3 类为曲线型、高扁体。各类体型占实验样本比例分别为27.7%、33.7%和38.6%。     

基于小波系数的青年女性体型分类及原型纸样

为建立基于纵截面曲线形态指标细分青年女性躯干体型的方法,选择了257名在校青年女性,使用扫描仪获得三维人体数据,借助Imageware逆向工程软件,对人体点云数据进行精简处理,通过三次样条函数对提取的纵截面轮廓点云数据进行拟合,运用小波去噪进行处理;利用小波分析的低频系数作为提取信号的总体特征,用Davies-Bouldin(DB)指标确定最佳聚类数目,利用K-means聚类算法进行体型聚类。实验结果：获得4类不同的体型,描述了各类体型在前后中心线、背部、胸部、臀部、肩部和侧缝的体型特征差异,最后构建4类体型对应的原型纸样,并分析纸样与人体体型之间的关系,可为青年女性原型纸样的合体性设计提供参考。     

基于三维测量的青年女性臀部体型概率神经网络识别模型构建

如何快速准确地实现体型识别是人体体型研究的热点。为满足服装臀部合体性的要求,本文结合青年女性臀部体型特征,构建了基于三维测量的青年女性臀部体型PNN识别模型。首先,运用三维人体测量仪采集数据,并提取6个典型指标,进行臀部体型细分;其次,引入概率神经网络方法,构建以典型指标作为输入层,体型类别作为输出层,径向基函数作为模式层的网络结构模型;再次,利用MATLAB R2009a软件对构建的概率神经网络模型进行仿真实验,通过训练获取精度高、结果稳定的模型;最后,测试模型识别精度。结果表明,该模型识别率高,识别性能良好,为女性臀部体型识别提供了一种新方法,同时也拓宽了概率神经网络方法的应用领域。     

基于遗传算法优化的花式捻线机转速值预测

探讨基于遗传算法优化的花式捻线机转速值预测模型。针对纺织厂花式捻线机生产中工艺参数转换至罗拉和锭子转速值的预测问题,采用了遗传算法来优化传统以BP神经网络为基础的预测模型,利用遗传算法的全局寻优特点对BP神经网络的权值和偏置进行优化,再通过BP神经网络算法进行罗拉和锭子转速值的预测,改进了BP神经网络容易陷入局部极小值和收敛速度慢的问题。试验数据表明:基于遗传算法优化的BP神经网络的预测数据精确、误差小。认为:该预测模型可以满足花式捻线机转速值预测的需要。     

正侧面形态特征驱动的青年女性腰腹臀体型分类

为完善国内青年女性体型分类,对108名在校女大学生进行手工和三维人体测量,获取手工和三维数据。以三维数据为基准,根据高度值、角度值及其他参数,对腰腹臀进行分析。选取影响较大的16个参数,如腰腹臀矢横径比、后臀凸角、前腹凸角等作为指标进行主成分分析和聚类分析。最终汇总出6个因子,即水平围度因子、横矢径比因子、侧面凸角因子、腰部角度因子、腹部角度因子和臀部角度因子,并将青年女体腰腹臀形态分为4类,建立分类规则。最终以此分类规则为基准,对原始样本和15名新增样本进行判别验证,说明此分类的可行性和合理性。     

基于特征参数的青年女性乳房形态分析

为探究青年女性乳房形态区别,提出了乳房边界定义方法以保证乳房形态参数测量的一致性。使用[TC]²三维扫描仪对140名18~25岁在校未婚孕青年女性进行扫描,获取了包括高度、宽度、角度、弧线等28项乳房形态相关参数;通过变异系数和相关性分析筛选出6个影响乳房形态的主要参数作为聚类指标,从乳房立体形态和聚拢程度两方面对乳房形态进行细分;基于乳房形态分类结果,利用Fisher判别函数对样本进行回判验证。结果表明,青年女性乳房形态可分为9类,基于形态判别规则对初始样本数据整体回判的准确率高达97.1%,说明此判别方法具有较高的准确性,为现有的乳房形态研究提供了新思路。     

基于GA-BP神经网络异纤分拣机检测参数优化

探讨基于遗传算法(GA)优化BP神经网络预测模型、提高异纤分拣机检出率的方法。针对BP神经网络收敛速度慢和易于陷入极小值等缺点,建立基于GA-BP神经网络的异纤分拣机检测参数预测模型,对改进前后的预测和检出结果进行对比分析。结果表明:GA-BP神经网络在准确输出预测值的同时,收敛速度也比传统BP神经网络预测模型快;且GA-BP神经网络比传统BP神经网络的实际检出率高出5%。认为:基于GA-BP神经网络的算法具有更高的准确性和可行性。     

天津市女大学生体型分类及其原型修正

为完善现有的体型分类并通过构建实验原型使服装合体性更高,采用三维人体测量系统对天津市18~25岁女大学生进行形体测量,并对测量数据进行因子分析,得到对女性躯干部分贡献率最多的5个主成分,进而提取划分女性形体的特征指标。由特征指标组合成衍生变量,运用聚类分析将女性形体划分为瘦X体、标准体、胖H体3类;由回归分析得出各控制部位与胸围或身高的关系式,进而计算出3类体型各控制部位的档差。以标准体为例,根据服装结构原理及人体工学,参考文化式原型构建实验原型,借助软件模拟并对比实验原型与文化式原型的试穿效果,得出实验原型的穿着效果更合体。     

长三角地区成年胖体女性体型特征及分类

为了解胖体女性体型特征,提高“大码”服装合体性,以BMI≥24 kg/m2或腰围≥80 cm为样本筛选条件,有效测量了151名18～55岁长三角地区成年胖体女性人体数据。采用因子分析法在42项测量项目中提取了7个影响成年胖体女性体型的公因子,并结合相关分析从中选取8个特征变量,整合为4项体型聚类指标。运用系统聚类法确定最佳聚类数,使用k-means聚类法将长三角地区成年胖体女性体型分为A、O、H、V型4类。胖体女性体型特征分析及分类研究,有助于构建胖体人台,为“大码”女装设计提供参考。     

基于BP神经网络的非织造材料基复合吸声体吸声系数预测

以涤纶针刺非织造材料和聚丙烯熔喷非织造材料为研究对象,通过实验获得其物理结构参数,并将复合前后非织造材料厚度、面密度、孔隙率和孔径作为BP神经网络的输入项,用于预测吸声体的平均吸声系数,同时通过调节输入神经元个数、传递函数和隐含层个数构建了最佳的BP神经网络预测模型。对非织造材料基复合吸声体的吸声性能进行预测,并与测试结果进行了对比。结果表明,运用BP神经网络可以建立较理想的适用于复合吸声体平均吸声系数预测的模型。