《基于神经网络的裤装样板设计.pdf》由会员分享,可在线阅读,更多相关《基于神经网络的裤装样板设计.pdf(3页珍藏版)》请在三一文库上搜索。
1、第2 5 卷第4 期 2 0 0 4 年8 月 纺织学报 J o u m a lo f7 r e x t i l eR e s e a r c h V 0 1 2 5 N o 4 A u g ,2 0 0 4 基于神经网络的裤装样板设计 吴俊王东云温盛军 ( 中原工学院,郑州,4 5 0 0 0 7 ) 摘要: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B P 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。 关键词:裤装结构样板设计神经网络 中圈分类号:偈9 4 1 2文献标识码:A文章编号:0 2 5 3 9 7 2 “2 0
2、 0 4 】0 4 0 1 0 2 0 3 神经网络是一种理想的非线性预测模型,在处 理和解决问题时,是通过其结构的可变性,逐步适应 各种因素外部环境的作用,而不需要研究对象的精 确数学模型,不断挖掘出研究对象之间内在的因果 关系,本文应用人工神经网络技术研究裤装打版方 法,提出建立裤装成品规格尺寸与裤装各细部规格 计算关系的神经网络模型,为该技术应用于服装样 板设计方法研究打下基础。 下:1 ) 将裤装的成品规格尺寸作为输入参数,细部 规格尺寸作为输出参数,研究其非线性映射关系;2 ) 测试3 0 件实际生产中的裤装样板的细部规格尺寸 及成品规格尺寸;3 ) 将所测试的3 0 个裤装的成品
3、规格尺寸作为输入端,细部规格尺寸作为输出端,逐 点训练神经网络,建立起几个点的输入输出映射关 系;4 ) 验证以裤装打版结构设计所得参数为基准, 与神经网络输出值进行比较,分析误差及改进方法。 1 裤装样板的数据采集和计算方法2 神经网络结构及学习算法 在裤装样板设计中,其成品规格主要有:裤长 ( 己) 、臀围( ) 、腰围( 形) 、立裆深( I s ) 和裤口宽 ( 衄) 。在服装工业生产中,服装的成品规格设计是 指以号型为依据,根据服装的款式造型,设计出服装 的控制部位的成品尺寸,计算出制版时所需的细部 规格尺寸,如裤装样板中的前腰围大、前臀围大、横 裆宽等。细部规格设计是根据产品的控制
4、部位规格 尺寸,设计出产品的细部结构关系,这些关系也就成 了服装设计的依据。可以表示成: ,= 厂( 戈) ,这 里戈为已知数据向量( 成品规格尺寸) , ,为未知数 据向量( 细部规格尺寸) ,本文利用神经网络的任意 函数逼近功能来获得近似函数关系。本文实验所测 试产品细部规格名称及部位,见表1 ,研究步骤如 裹1 实验所测细部规格名称及部位 细部规格名称符号 细部规格名称符号 裤长后裤口宽 加。 立档深 5 前档弯宽c 形f 前腰围大鼽后裆弯宽c 耽 后腰围大 矽b 前裆弧长 c c r 前臀围大r后档弧长c c b 后臀围大b前中线倾斜度c 凼r 前横裆宽了f ,后中线倾斜度c 岱“ 后
5、横档宽 n 落裆量B c 前中档宽矿,前片省量P f 后中裆宽L 眠后片省量P b 前裤口宽曲f后中线起翘量加 根据输入输出数据构造了一个5 8 2 6 的B P 网络,如图1 所示,隐含层和输出层采用s 型激活函 数。输入层为裤长( ) 、臀围( 日) 、腰围( 形) 立裆深 ( s ) 和裤口宽( 丛) 等5 组成品规格设计数据;输出 层为前、后腰围大,前、后臀围大,前、后片省量,落裆 量,后中线起翘量等2 6 组所求数据。 第l 层第2 层第3 层 图lB P 网络图 设神经网络的第层的第j 个节点的输入为 t ,输出为o j ,输人权系数为肜;,各层之间的输入 一输出关系表示如下: 输
6、入层:,l :肜,E = ,以= 加,以= J s ,以= L ,D := e ,( J = 1 ,5 ) 5 隐含层:f ;= 形;o ;,o ;= 厂( 啪,( i = 1 ,5 ;j 河南省科技攻关项目资助。项目编号:0 3 2 4 3 0 0 2 0 l 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 2 0 0 4 年第4 期 纺织学报【1 0 3 】 = 1 ,8 ) 输出层:f= 1 ,8 ; = 1 ,2 6 ) 其中,( 髫) 为s i g m
7、o i d 函数。神经网络的训练学 习主要是调整2 个参数贼,形:i ,这2 个参数的修正 采用误差反向传播法。选取学习误差函数为: E = l 2 ( 颤一K ) 2 ,( _ = l ,2 6 ) 输出层反向误差信号为: 艿;= a E a ,;= a E a D ;a D ;a ,;= 一厂( ,;) ( 钙一 K 。) ,( _ = 1 ,2 6 ) 则眈的修正权值为: 形;= a E a 形;= a 层a ,;a ,;a 彤;= 艿;D : ( i = 1 ,8 ;,= l ,2 6 ) 隐含层反传误差为: 毋;= a E a ,;= a E a D ;a D ;a f = ( a
8、E a 疋 a 彤a o ;) 厂( 啪= 占:形:( _ = 1 ,8 ;矗= 1 , I ,2 6 ) 形:的修正权值为: 形;= a E ,a 哦= a E ,a ,;a ,;a 形;= 艿;D j = 艿:形;o :( kl ,5 ;_ = l ,8 ) 3 基于M a t l a b 的神经网络权值学习 应用M a t l a b6 1 中的神经网络控制工具箱的 n n t o o l 2 1 来进行神经网络的训练。从现有数据中任 意挑选出比较好的3 0 组数据作为学习样本对网络 进行训练,网络经过2 7 9 4 7 步训练后收敛,误差平方 和E 达到0 0 2 ,最后网络权值如下:
9、 孵= 一5 8 9 0 73 0 2 7 1 7 5 8 65 9 3 2 62 ,0 2 0 I ; 0 6 9 8 3 2 一1 5 2 3 6 一1 2 1 5 2 一1 3 3 3 60 5 0 2 5 9 ; 一5 1 5 2 5 3 2 8 8 90 4 3 7 3 60 5 6 0 8 20 4 9 7 5 9 : 2 4 2 3 32 9 7 5 41 5 9 7 5 一O 5 9 8 6 l4 3 1 6 9 :4 1 9 7 0 0 2 5 3 4 41 5 5 4 2 1 9 7 5 6 一1 2 1 1 5 ; 2 4 7 8 6 2 5 3 2 9 1 7 2 6
10、36 8 4 6 0 2 3 9 0 7 ; 4 7 5 7 8 6 1 0 4 l1 1 0 1 71 7 7一1 8 8 1 ;一5 3 8 0 9 2 9 7 6 8 一O 6 1 3 5 23 6 0 5 91 2 9 8 3 形: = o 8 8 8 1 4 o 0 7 5 3 41 1 0 1 3o 5 5 7 4 3 0 0 8 8 3 5 20 5 7 7 0 7 0 2 8 3 2 1一1 1 5 0 7 :0 6 7 4 6 8 0 0 3 6 4 1 30 7 1 5 8 80 4 3 7 70 1 8 6 5 40 3 4 9 1 3 0 2 0 9 5 90 8 8
11、0 3 7 :3 2 7 6 10 9 3 1 7 72 8 7 2 一1 7 80 1 7 9 0 92 0 7 6 0 5 7 1 3 3 1 5 2 3 :2 8 2 6 2 1 1 8 3 7 2 4 6 5 4 一1 6 3 2 20 5 0 4 3 31 9 7 3 4 0 9 6 3 5 7 2 9 1 9 :一0 0 6 1 7 1 30 3 6 4 9 3 0 1 6 9 1 7 0 0 3 4 1 0 9 0 0 1 9 6 0 30 0 9 7 8 2 60 1 0 4 0 1 0 1 7 3 9 5 :一0 0 2 8 3 6 l一0 1 7 0 6 6 0 0 9 8
12、 8 0 2 0 1 3 5 2 40 1 4 5 0 8一O 1 3 6 8 90 1 9 9 0 3 2 4 l l :1 7 2 9 90 5 2 6 2 81 9 0 8 3一O 0 6 9 4 9 8 0 1 8 7 3 91 3 3 6 5 0 5 5 1 6 10 9 6 2 1 2 ; 一0 1 6 3 1 2 1 0 5 7 50 0 3 6 0 3 2一O 2 8 1 3 10 9 2 7 3 1 0 3 8 3 4 2 0 7 7 4 9 l0 1 8 4 0 6 :2 0 6 1 5 0 1 9 3 3 52 1 7 5 4 0 2 9 5 7 0 1 4 6 0 41
13、 6 4 6 7 0 2 8 8 1 4 0 9 9 4 8 2 ; 一0 2 9 5 8 70 2 2 7 2 3O 4 3 9 5 8 0 1 0 6 3 20 1 1 5 8 8 0 2 9 8 3 6 0 0 0 1 2 1 6 7 0 0 9 7 4 2 6 :一0 0 5 4 1 2 4 0 2 8 0 1 70 2 4 8 80 0 3 8 8 7 80 0 0 3 4 8 7 2 0 0 8 7 6 1 20 2 1 0 4 40 2 7 8 6 1 :0 0 2 8 6 6 9 0 1 7 5 6 70 1 8 2 1 20 0 3 9 8 7 70 1 4 7 1 6 0
14、0 5 1 2 2 30 2 4 8 1 40 2 1 1 1 7 5 :一0 2 1 5 6 1 0 0 8 9 6 9 20 1 4 1 0 70 0 9 5 0 7 30 2 7 0 2 3 0 2 2 6 0 5 0 3 7 9 3 6O 0 7 6 0 1 :一0 1 5 6 8 9 0 1 4 2 70 0 7 5 8 3 6 0 0 6 7 4 3 50 2 1 7 5 10 1 7 6 6 40 3 1 4 2 5 0 0 5 3 7 2 :一0 2 6 8 4 6一O 0 4 1 9 8 80 1 9 9 7 8 0 1 1 9 9 50 3 1 7 6 7 0 2 7 0
15、5 1 0 4 3 7 9 60 1 9 2 7 7 ; 一O 4 0 7 7 5一O 4 1 5 9 40 5 2 8 1 70 1 2 9 5 30 0 6 1 5 2 6 0 4 1 4 6 50 1 4 0 8 30 0 0 9 7 6 2 8 :一0 2 4 0 7 8 0 1 5 6 5 70 1 4 2 6 70 1 4 1 5 30 1 3 8 3 30 1 7 0 3 4 0 0 3 5 3 3 0 3 0 3 8 3 :一0 8 4 7 8 40 6 6 1 2 51 4 2 9 4 0 4 4 8 3 70 8 4 1 8 2 0 8 5 8 8 4 0 2 9 5 8
16、90 4 7 3 7 3 ; 一O 3 8 2 0 5 0 2 9 8 1 80 3 5 1 20 1 1 4 9 2 0 0 4 7 4 4 5 一O 4 2 9 4 40 。0 0 9 2 9 4 30 0 9 2 2 8 2 ; 一0 4 0 5 7 3 一O 4 1 3 4 6 0 4 0 1 9 5 0 2 1 7 6 20 0 3 2 6 50 4 4 6 3 9 0 1 4 3 7 70 2 0 6 5 4 :一0 3 4 6 9 70 1 9 2 0 2O 2 8 7 9 3 0 0 1 0 9 5 30 1 1 7 7 3 0 4 1 2 8 2 一O 1 0 1 5 6 0
17、 0 2 3 3 8 5 ; 一1 2 4 0 81 0 1 1 41 2 8 3 70 9 0 1 4 90 7 0 2 4 0 8 9 6 10 9 8 5 7 81 4 0 4 8 :一1 9 2 l l0 4 2 7 0 9 1 7 5 9 20 5 8 2 0 80 7 7 2 5 5 1 0 6 7 7 一O 7 6 9 5 81 1 9 7 8 ; 一0 1 4 8 0 40 1 2 2 2 50 0 6 3 2 8 80 0 6 5 3 9 4 0 0 2 3 0 0 3 0 3 1 2 9 2 0 0 9 3 6 4 2 0 5 7 8 7 : O 7 8 7 3 4 0 4
18、 0 3 1 4 0 5 0 7 0 3 一O 1 0 8 8 80 0 6 0 2 5 9 0 0 6 7 6 0 4 0 0 5 9 4 40 0 8 5 5 2 5 :一O 0 8 3 9 0 5 0 3 4 7 7 9 0 1 7 8 5 90 0 3 3 8 9 9 0 1 5 3 3 7 一O 0 0 5 9 2 6 6 0 3 5 0 6 6 0 0 1 0 4 2 11 4 网络的测试与结果分析 选取5 组作为测试样本对训练好的网络进行测 试。网络的输出结果同实际的按经验计算结果进行 比较,部分结果如表2 所示。可以看出,网络的输出 与实际基本吻合,而且根据经验这个结果更符合服
19、 DD , 旷 。川 = 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark 第2 5 卷第4 期 2 0 0 4 年8 月 纺织学报 J o u m 8 lo fT b x t i l eR e s e a r c h V 0 1 2 5 N o 4 A u g ,2 0 0 4 分立式连续煮浆装置的设计 王元昌 ( 江南大学纺织服装学院,无锡,2 1 4 0 6 3 ) 摘要:介绍分立式连续煮浆装置的设计。浆液连续烧煮,熟浆源源输入浆纱机,生浆不断补入。浆纱机的浆
20、液新鲜、粘附力强, 浆纱后的参数能保持一致,浆纱质量提高。 关键词:浆纱机煮浆装置连续煮浆装置 中图分类号:T s1 0 3 3 2 3文献标识码:A文章编号:0 2 5 3 9 7 2 1 ( 2 0 0 4 ) 0 4 一0 1 0 4 0 2 1 间歇式煮浆装置的缺陷 目前纺织厂都使用间歇式煮浆装置。煮好一 桶浆,打入供应桶备用,等另一供应桶中浆液用完后 才用这桶浆。浆从煮熟到用完,要经历几个小时。 有些工厂供应桶不保温,浆液温度下降,粘度上升。 常用浆料如淀粉、P V A 等都存在着这个问题。从图 l 2 。,图2 。可清楚地看到这一点。工厂实测浆液粘 度从开始时的7 5s 上升到快用
21、完时的1 5s ,温度从 9 8 c c 降至4 0 ( 浆料配方为P V A 与变性淀粉混合 浆,上浆率为1 2 ) 。有些工厂供应桶开蒸汽保温, 如蒸汽一直开着,显然会过度烧煮,而且水蒸汽冲入 浆液,会使浓度及粘度下降。当蒸汽难以连续供应 时,由操作人员掌握,使粘度不变。这实为反复烧 煮,可造成温度波动,浓度下降。实测浓度约下降 l 一2 。可见不论用哪种方式,供应桶中浆液的 浓度、粘度和温度不能保持恒定,也与浆纱机浆液不 一致。这是浆槽内浆液不匀和生成浆块、浆团的主 要原因。显然,当一桶浆快用完时上浆质量会下降。 加热区沸煮区冷却区 苫 锝 挥 7 6PC 7 2爪C罗 6 8烈k 鼍撼
22、 , P 6 4lL f叉t。 T 6 0杉 心1 kf f么 一,S ,一一 5 | | S遘 套毫髟 二 一JO2 l :;0 l O 11 o 2 1 0 。9 l02 O3 0 4 夹套温度Fhm i C 一玉米淀粉;P 一马铃薯淀粉; s 一西米粉;T 一木薯粉;w 一小麦淀粉。 图1 几种淀粉在2 0 浓度时的粘度曲线 2 分立式连续煮浆装置的设计 为解决间歇式煮浆装置的种种弊端,设计了分 立式连续煮浆装置。先在调和桶中按配方投入浆料 和水,加温搅拌均匀,然后用泵打入连续煮浆器。连 装设计要求。所以用神经网络构造的服装模型,用 它来指导服装设计的效果是令人满意的。 衰2 部分输出数
23、据与测试结果误差比较( c m ) 部位输出测试输出测试输出测试输出测试输出测试 名称 l122 334455 2 2 32 42 5 12 52 5 7 2 6 2 2 6 92 72 7 1 2 3 72 42 5 62 52 6 4 2 7 22 7 92 72 9 5 465 9666663 5 344 144 14 5442 5 2 6 5 2 6 3 2 6 3 2 6 3 2 6 62 7 2 7 82 83 2 1 2 8 9 2 8 82 8 82 8 52 9 3 3 03 0 83 0 63 5 443 93 83 943 93 83 9 1 0 71 1 2 1 1 2
24、l l1 1 1l O 71 1l l1 0 2 5 32 5 6 2 4 4 2 4 22 4 5 2 5 52 5 52 5 4 2 9 8 3 1 93 1 72 9 9 2 9 5 2 9 83 23 03 0 42 8 2 0 52 02 0 42 02 0 92 02 1 92 22 3 1 2 4 12 42 4 62 42 5 12 42 5 ,92 62 7 1 2 7 52 72 7 52 7 62 8 2 82 92 9 2 3 2 2 1 0 21 0 21 0 21 0 21 0 4 1 0 41 0 81 0 91 l O 2 7 2 9 5 3 5 5结 论 1
25、运用人工神经网络进行裤装结构设计方法 研究,有较高的灵敏度,具有很好的应用价值。 2 该研究可以将款式设计系统和打版系统的 功能进行组合,实现款式造型自动生成2 D 样板。 3 将服装学科与信息处理技术学科进行交叉 研究,是一种新的尝试,将会给服装生产技术研究带 来新的生机。 参考文献 l刘雁等智能技术在服装工业生产中的应用研究东华大学学 报,2 0 0 2 ( 4 ) :1 2 3 1 2 5 2 吴俊女装结构设计与应用北京:纺织工业出版社。2 0 0 0 :1 2 0 一1 2 6 3 楼顺天等基于M A T L A B 是系统分析与设计。西安:西安电子科 技大学出版社。2 0 0 0 :9 1 4 5 5 2 8 8 2 ) 4珐弧4 n 搬强卯扭 孵睨一嘶饥帆眠嘶眠慨氓。 万方数据 PDF Watermark Remover DEMO : Purchase from www.PDFWatermarkR to remove the watermark
链接地址:https://www.31doc.com/p-3705437.html