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。     

基于二维测量下的下肢围度拟合研究

采用非接触式人体测量和手工测量两种测量方法来获得人体下肢数据,通过与手工测量方法的比较,发现仪器在围度方向的测量精度受到围度拟合精度的较大影响。因此,本研究通过对下肢的各部位进行分类,并逐类建立回归方程的方法来提高围度的拟合精度,进而提高仪器测量精度。     

人体冠状面轮廓曲线数学模型构建与量化分析

冠状面轮廓曲线可以表现人体纵向体表形态,是体型研究和原型设计的关键.首先,通过三维人体测量,获取人体点云数据,利用逆向工程技术降维处理,采集冠状面轮廓点云;其次,用最小二乘法、三次样条函数、径向基函数(Radical Basis Function,RBF)神经网络分别进行曲线拟合,比较三个模型的均方根误差RMSE、决定...     

基于神经网络集成的女下装号型归档模型构建

如何实现大样本的快速、精确号型归档是服装数字化批量定制系统构建的关键问题.结合下装结构设计的关键部位尺寸,在国家标准基础上将下装控制部位扩展为10项;以女裤装为例,分别构建身高和腰围的简单BP神经网络归档模型,通过平均影响值(MIV)筛选出对归档结果影响较大的5个控制部位,并将其作为集成归档模型的输入层,其中身高、腰围、臀围、腰围高、后裆长为身高归档模型的输入变量,腰围、臀围、大腿围、腰长、身高为腰围归档模型的输入变量;通过Adaboost算法集成10个简单BP神经网络,获得具有高精度和强泛化能力的女裤装号型集成归档模型.     

青年女性矢状面轮廓曲线提取与拟合研究

矢状面曲线形态是研究人体纵截面体型的前提和基础,也是提高服装合体性的关键。基于青年女性三维人体测量,利用逆向工程技术采集点云数据,并抽取表面轮廓曲线。用最小二乘法对采集到的数据进行拟合,得到青年女性正矢状面、过胸高点矢状面、过后背最凸点矢状面、过肩端点矢状面轮廓曲线的多项式插值拟合方程,曲线拟合优度R2达到0.96以上。为进一步量化分析矢状面曲线形态,研究人体纵截面体型和进行体型分类奠定基础。     

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。     

中国传统纹样在UI设计中的创新应用

随着智能手机的普及,手机从通信工具迅速变成了集社交、办公、娱乐等为一体的生活必需品,人们对UI设计的要求也越来越高。但目前国内的UI设计,更多趋向于学习、借鉴西方的审美元素,缺乏中国传统元素。在移动互联网时代背景下,文章用现代人的审美视角对中国传统纹样加以传承与创新,并将其融入UI设计中,赋予更多的文化内涵,满足用户的审美体验与精神需求。     

牛仔面料性能与最佳激光雕刻能级之间的关系研究

利用激光雕刻技术对牛仔织物进行雕刻,经筛选后得到最佳雕刻图案,相应的能级为最佳雕刻能级。选取28种面料测试其性能参数,探讨面料性能与最佳雕刻能级之间的关系,运用相关分析,建立预测最佳雕刻能级的回归模型。经验证,模型预测效果良好。     

基于体表角度的女子体型分类与识别

从人体形态差异角度细分人体体型,通过三维人体扫描获得500名年龄在18～25岁之间的女青年的正面和侧面二维图像,运用Matlab软件获得11个躯干体表特征点的坐标并计算得到能够反映体型差异的体表角度;通过偏相关性分析得出表征人体形态特征的4个体表角度,即肩斜角、胸突角、体侧角、臀突角;运用K-means聚类将人体体型分为4类.在此基础上,构建基于神经网络集成的体型识别模型,训练集识别精度达到95％.该方法可有效区分人体形态差异,适应服装量身定制生产的需求.     

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”。