（纺织工程专业论文）基于Web的纺织品智能感官评估系统[纺织工程专业优秀论文].pdf

基于i n t e r n e t 的纺织品智能感官评估系统 摘要 为了实现织物的智能感官评估，本论文采用了模糊技术、神经网络等 方法对来自于不同专家感官评估的感官数据以及来自于仪器测量的客观 数据进行了分析和处理，并且建立了客观评估与感官评估之间的联系， 在此基础上，开发了基于h l t e m e t 的纺织品智能感官评估系统。 在感官数据处理中，采用了新的以语言两元组模型为基础的方法对织 物风格评估中不同专家小组给出的感官数据标准化。在客观数据处理中， 为了避免高维的闯题，用主因子分析和主成分分析方法从量化的数据和 人类知识中选择特征参数并提取模糊规则，依此描述客观数据中的特征 参数与感官数据之问的联系。在纺织品智能感官评估系统开发中使用了 j a v a 语言和s q ls e r v 盯数据管理系统语言。这样，如果给出一块新的织 物样品的客观数据，系统就可以给出它相应的感官数据和综合等级；如 果同时给出织物的感官数据，就可以直接从感官数据得出织物的综合手 感等级。 第一章介绍了纺织品感官评估的背景知识及相关知识，并简单介绍了 本论文的研究内容。 第二章从理论基础和实际需求出发，对纺织品智能感官评估系统进行 了总体设计，并简单地介绍了系统各组成模块的功能以及模块之间的关 系。 第三章对感官数据进行了处理。包括采用一种新的以语言两元组模型 为基础的方法评估织物的风格，将感官数据融合为统一的形式。并利用 所建立的模块对不同小组的专家以及评估用语进行分析。 第四章对客观数据进行了处理。处理模块包括客观数据处理模块和客 观数据聚类模块。在前一个模块中，分别采用主因子分析和主成分分析 从k e s 参数中提取特征参数，通过降低数据空间的维数来精简系统。在 后一个模块里，以客观数据为基础用分级聚类方法和模糊均值聚类方 法对织物样品进行风格分类。 第五章采用自适应神经网络的模糊推理系统建立客观与感官数据闻的 联系。通过这个模块，用户可以在输入相关的客观数据后得到单个指标 的感官评估结果或者织物的综合评估结果，同样，如果输入具体织物样 品的感官数据就可得到其相应的物理参数值。 第六章开发了在线智能感官评估系统。其中，用j a v a 语言编写了主 体程序，用s o l 语言管理数据系统，用f r o n t p a g e 制作了网页。 第七章论文结论。 本论文的研究工作着重技术的创新，主要的创新点如下：( 1 ) 与以往 的经典计算方法不同，本文采用了模糊、神经网络方法处理数据。( 2 ) 采用i n t e m e t 作为感官评估的服务平台，并用一系列新型的软件编写了相 关的程序以实现纺织品感官评估的网络化、智能化。 关键词；客观评估，感官评估，织物风格，模糊技术，两元组模型，神 经网络，因子分析，融合系统 a ni n t e r n e t - b a s e di n t e l l i g e n ts e n s o r ye v a l u a t i o n s y s t e mf o rt e x t i l ep r o d u c t s a b s t r a c t t oc o m p l e t et h ei n t e l l i g e n ts e n s o r ye v a l u a t i o nf o rt e x t i l ep r o d u c t 8 ， w e l l s et h em e t h o d so ff u z z yt e c h n i q u e s ，n e u r a ln e t w o r k s ，c l a s s i c a lf a e t o r i a l a n a l y s i sa n do t h e rd a t aa n a l y s i st oa n a l y z ea n dt r a n s a c tt h es e n s o r yd a m w h i c h f r o md i f f e r e u tp a n e l s ，a sw e l la st h eo b j e c t i v ed a t af r o mk e s ，m o r e o v e rw e a l s ob u i l dt h er e l a t i o n s h i pb e t w e e nt h e m b a s e do nw h i c hw ee s t a b l i s h at h e w 溯a s e di n t e l l i g e n ts e n s o r ye v a l u a t i o ns v s t e mf o rf a b r i c s i nd i s p o s i n gt h eo b j e c t i v ed a t a ，i no r d e rt oa v o i do fh i g hd i m e n s i o n p r o b l e m , w ed e v e l o ps o l l l em e t h o d sf o rs e l e c t i n gt h er e l e v a n tr u l e st h a ta r e u s e dt ob u i l dt h er e l a t i o n s h i pb e t w e e nt h es e l e c t e do b j e c t i v ef e a t u r ep a r a m e t e r s a n dt h es e n s o r yf a b r i cd a t a w eu s ej a v al a n g u a g ea n ds q ld a t a b a s et o d e v e l o pt h es e n s o r ye v a l u a t i o ns y s t e mi ni n t a m c te n v i r o n m e n t s og i v e nt h e o b j e c t i v ed a t ao fan e wf a b r i cs a m p l e , t h es y s t e mc a np r o v i d ei t ss e n s o r yd a t a a n di t st o t a lh a n dg r a d e i nm e a n t i m e i f 也es e n s o r yd a t aa r ea l s og i v e nt h e t o t a lh a n dg r a d ec 8 nb eo b t a i n e dd i r e c t l yf r o mt h es e n s o r yf a b r i ch a n dd a t a i nt h ef i r s tc h a p t e r , w e 矗础vi n t r o d u c es e v e r a lb a s i cc o n c e p t i o n sa n dt h e n p r e s e n tc o n t e n t so f t h e 也e s i s i nt h es e c o n dc h a p t e r , t a k i n gi n t oa c c o u n tt h et h e o r yb a s e sa n dt h e p r a c t i c a ld e m a n d so fm a r k e t , t h ed e f i n i t i o n so fs e n s o r ye v a l u a t i o na n d i n t e l l i g e n ts e n s o r ye v a l u a t i o na r ei n t r o d u c e d b a s e do ni tw ep u tf o r w a r dt h e w h o l em o d e lo f i n t e l l i g e n ts e n s o r ye v a l u a t i o ns v s 枉：i 】乱a sw e l ln si t ss u b - m o d e l s t h e nt h ef u n c t i o no fi n d i v i d u a lm o d e la n dt h er e l a t i o n s h i p sa m o n gt h e ma r e e x p l a i n e d i nt h et h i r dc h a p t e r , w et r e a tw i t ht h es e n s o r yd a t eb yt h em o d e lo f s e n s o r yd a t aa g g r e g a t e dm o d e l ( s d a m ) ，i nw h i c han e wl i n g u i s t i c2 - t u p l e f u z z y m o d e lb a s e da p p r o a c hi s p r o p o s e d f o r e v a l u a t i n gf a b r i c s ，a n d a g g r e g a t i n gt h es e n s o r yd a t a o t h e r w i s eu s i l l gt h eb u i l tm o d e lt o 黝1 y z e d i f f e r e n tp a n e l sa n de v a l u a t i o nr e s u l t s i nt h ef o u r t hc h a p t e r , w ed e a lw i t ht h eo b j e c t i v ed a t e ，i n c l u d i n gt h e o b j e c t i v ed a t ep r o c e s s i n gm o d e l ( o d p m ) a n dt h eo b j e c t i v ed a t ec l u s t e r i n g m o d e l ( o d c m ) i nt h ef o r m e rm o d e l u s i n gp c aw ee x t r a c tt h ef e a t u r e sf r o m i c e sp a r a m e t e r st or e d u c et h ed i m e n s i o no fd i s c u s s e dd a t as p a c e i nt h el a t t e r o n e u s i n gg r a d ec l u s t e r i n gm e t h o da n df c mw eg i v et h ec l a s s e so ft h e s a m p l e sb a s e d0 1 1p h y s i c a lp a r a m e t e r s i nt h ef i f l hc h a p t e r , w et a k eu s eo fa n f i st ob u i l dt h er e l a t i o n s h i p b e 咐咖t h es e n s o r yd a t aa n do b j e c t i v ed a t a t h r o u g ht h i sm o d e l g i v e nt h e o b j e c t i v ed a t aw cc a d , 驰o r a l ls e n s o r ye v a l u a t i o no fc r i t e r i o n ，c 0 1 n v c r s e l y w ec a na l s og e tt h es e n s o r yd a t a i nt h es i x t hc h a p t , w ed e v e l o pt h ew i n e s , i nd e t a i lj a v al a n g u a g ei su s e d t oc o m p i l et h em a i lp r o g r a m , s q li su s e dt om a n a g et h ed a t as y s t e ma n d f r o n t p a g ei su s e d t om a k ew e b p a g e 。 i n t h ef m a lc h a p t e r , w ep r o s p e c tt h en e x ts t u d yw o r kf o rm a k i n g p r o g r e s s e s 骶锵w o r ki nt h i st h e s i sp u t sf o c u so nt h ei n n o v a t i o ni nt e c h n i q u e s ， f o u o w m $ i s 恤m a i ni n n o v a t i o n ：( 1 ) f u z z yl o g i ca n dn e u r a ln e t w o r k s u s e d t od e a lw i t hd a t aw h i c hd i f f e rf r o mo l dc l a s s i c a lm e t h o d s ( 2 ) t h e n t e r n e ti s u s e da st h es e r v i c ep l a t f o r m , 1 霄el 碍es e v e r a lk i n d so fs o f l w a r et ow r i t e 箨氆梦鞠瞄c o n c 宅r n c a c a i h o n gh o u ( t e x t i l ee n s t n e e r m s ) s u p e 喊s e db y 。v ，。i c e - p r o f e s s o r y u n h t ，m 。c u l k e y w o r d s ：o b j e c t i v ee v a l u a t i o n , s e n s o r ye v a l u a t i o n , f a b r i oh a n d ，f u z z y t e o l m i q u e s ，2 - t u p l el i n g u i s t i cm 瓜i 媳n 眦r a ln e t w o r k s ，f a c t o r i a l a n a l y s i s ，i n t e g r a t e ds y s t e m 东华大学 关于实行研究生学位论文原创性声明制度 和版权使用授权书的通知 为保证学位授予质量和学位论文版权的台法使用，经研究决定，自二0 0 三年九月一日 起，申请| 尊士和硕士学位的学位论文必须含有学何论文原创性声明和学位论文版权使用授权 书( 装订于学位论文的扉页之后) 。 附件二： 东华大学学位论文版权使用授权书 学位论文作者完全了解学校有关保留、使用学位论文的规定，同意学校保留并向国家 有关部门或机构送交论文的复印件和电子版，允许论文被查阅或借阅。本人授权东华人学可 以将本学位论文的全部或部分内容编入有关数据库进行检索，可以采用影印、缩印或扫描等 复制手段保存和汇编本学位论文。 保密口，在年解密后适用本版权书。 本学位论文属丁： 不保密口。 学位论文作者签名：1 吴采5 毁 日期：游j 胡；0 日 艚狮繇肯这秽 指导教师签名： 图2 ，2 感官数据融合模块 在现实世界中，不同行为的许多方面是不能用确切的量值来评估得到 的，而在这种情况下采用定性描述则会得到比较好的结果。例如，用语言 词汇评估代替用量值评估。在感官评估中，一般会用多种形式，并且评估 用到的等级可能既包括定量化信息也包括定性化的信息。也就是说，有一 些评估者会用语言描述的形式给出评估的结果，而其他评估者则是给出数 值形式的评估结果。所以，比较合理的方法就是开发一种可以融合这两种 评估形式的方法。 语言随元组模型可以用于多粒度语言表达形式的统一。通过语言两元 基于w e b 的纺织品智能感官评估系统 组模型，可以将定量的信息和定性的信息融合到最优等级下统一的需求域 上。也就是说，这个语言两元组可以在没有信息损失的情况下，轻而易举 地完成“词汇运算”的过程，并且可以用于在不同形式间的相互转化，由 此不同形式的信息也可以按照需要统一起来。 所以本文中采用语言融合模块来解决感官评估中的问题，从而有效地 将输入的多元化表达形式统一起来，为下一步计算机的计算奠定了基础。 2 3 2 客观数据处理模块 客观数据处理模块( o d p m o b j e c t i v ed a t ap r o c e s s i n gm o d e l ) 的 作用是对输入( 测得的k e s 参数) 进行特征提取，输出结果( 由其中提 取出的特征k e s 参数) ，为系统建立客观数据和感官数据问的联系提供了 有效的输入。具体过程如图2 3 所示。 k e s 参数 二= 优选的 k e s 参数 = = 图2 3 客观数据处理模块 在智能感官评估系统中，如果把测得的客观指标全部考虑进去会使得 系统过于复杂，因此本文根据某种相关性原则开发了o d p m ，用于织物感 官评估中客观参数特征参数的提取。 在o d p m 中使用降维处理方法( 主因子、主成分分析方法( p c a ： p r i n c i p a lc o m p o n e n ta n a l y s i s ) ) 从客观数据中提取特征参数，并分析特征 参数之间的相关性。这样在建模中，就可将输入数据投影到一个低维的子 空间中，从而减少客观一感官联系模块的复杂性。 为了对用于织物手感评估的优选数据进行分析，需要定义三个原则： 稳定性，过程可重复性，织物手感可重复性。出这些原则可以展现出这些 物理参数特征指标的质量。这个方法允许初始化生产参数与消费者的感官 喜好间的联系。事实上，通过这个模型调整生产参数，就可以满足消费者 需求的特定的手感。 基于w e b 的纺织品智能感官评估系统 以o d p m 为基础，就可以分析得到由这些测出的量化数据( 机械参 数) 中优选出的特征参数间的相关性，并且，选出的重要的k e s 参数将 会被用于感官数据与客观数据问的模糊推理系统。在这个处理下，甚至只 需要少量的物理参数就可以提取出模糊规则。 2 3 3 客观数据聚类模块 客观数据聚类模块( o d c m - - o b j e c t i v ed a t ac l u s t e r i n gm o d e l ) 的作 用是以测得的k e s 参数为基础对织物样品进行分类。具体过程如图2 4 所 示。 l 吧；参数 = z = z z z 2 织黼 燃 = = = 今 图2 4 数据聚类模块的输入、输出关系 因为理想的聚类数目是未知的，为了得到具有高度区分能力的最优聚 类数目，文中采用经典的聚类方法( c c a ) 和模糊c 一均值方法( f c m f u z z y c m e a n sm e t h o d ) 。其中，以模糊c 均值方法为基础的算法是在实际的聚 类算法中被广泛使用的方法，通过这种算法产生的分类器，在通过训练找 到聚类数目后，就可以通过算法本身来标志自己。在本文中，还尝试根据 专家的评估结果，采用减法分类推出织物最优分类数，再使用f c m 得到 具体织物风格的分类，并进一步得到综合手感的分类等级。这将作为判断 一块新织物的综合手感的标准。 2 3 4 客观感官联系模块 客观一感官联系模块( o s r m o b j e c t i v c _ s e n s o r yr e l a t i o n s h i pm o d e l ) 的作用是建立客观评估( 选择出的特征指标) 和感官评估( 感官数据) 之 间的关系。具体过程如图2 5 所示。 以融合的感官数据和优选的特征参数为基础，建立客观一感官联系模 基于w e b 的纺织品智能感官评估系统 块( o s r m s e s o r yr e l a t i o n s h i pm o d e l ) 以得到它们之间的联系。以这 个模型为基础，一旦给出客观数据( k e s 参数) 就可以计算出织物的手感 评估数据。 关系函数 c = = = = = ： 推理系统 图2 5 客观、感官联系模块 在建模的过程中，鉴于线性回归分析( l r a ) 方法或者曲线拟合方法 在建模时，较强的专一性会限制在其他的感官评估过程中的使用f 9 2 ，所以 在本文的系统中，开发了以模糊推理系统为基础的自适应神经网络 ( a n f s ) 来建模，而这个模型可以将实验数据和经验数据结合在一起。 在a n t i s 系统中，融合的感官数据与优选的特征参数之间的关系是 采用t a k a g i - s u g e n o ( t s ) 的模糊规则来描述的【4 3 。这种建模方法的优点 就是模型是采用自然语言而不是采用数学等式来写的，因此，几乎可以直 接从评估者的经验来开发系统。既然语言模型以语言词汇表示其与生产参 数间的联系，那么在它被计算机处理之前就需要先被解释或者转化成定量 的形式。所以可以通过模糊推理系统( f i s ) 实现由象征性符号转化为数 值的过程。此外，为了使模糊模型可以应用到实践中，这个模型必须被转 化以正确地表示来自于客观一感官评估过程的数据。而a n t i s 就可以完 成这个转化过程。 2 3 5 综合手感评估模块 综合手感评估模块( t h e m t 0 t a lh a n de v a l u a t i o nm o d e l ) 的作用 是以前面对客观数据和感官数据相应的操作结果为基础，采用一些处理方 法得出织物样品的综合手感等级优劣。 2 4 小结 基于w e b 的纺织品智能感官评估系统 本章中，根据纺织品智能感官评估中存在的问题和实际要求，进行了 纺织品智能感官评估系统总体设计。此系统由五个模块组成，在测得k e s 参数之后，首先使用o d p m 模块提取出特征k e s 参数，并且使用o d c m 得到分类，分类的结果将会被作为判断一块新的织物样品的标准。使用 s d a m 对来自于每个小组的不同成员的感官数据( 量值、象征性符号、语 言表达) 融合。然后，借助于o s r m 模块建立融合后的感官数据与特征机 械参数之问的联系。最后借助于t h e m 模块来得到综合的手感完成感官评 估全过程。 基于w e b 的纺织品智能感官评估系统 第三章感官数据处理 3 1 引言 在现实世界中，不同行为的许多方面是不能用确切的量值来评估得到 的，而在这些情况下采用定性描述则会得到比较好的结果。例如，用语言 词汇评估代替用量值评估。在感官评估中，般会用多种形式，并且评估 用到的等级可能既包括定量化信息也包括定性化的信息。也就是说，有一 些评估者会用语言描述的形式给出评估的结果，而其他评估者则可能会给 出数值形式的评估结果。所以，比较合理的方法就是开发一种可以融合多 种表达形式数据的方法。 本论文引入了感官数据融合模块( s d a m 一一s e n s o r yd a t a a g g r e g a t i n gm o d e l ) 专门对感官数据进行处理。此模块将用到两元组模型 方法对感官评估过程中不同的评估人员可能用到的量化数值、象征性符 号、语言词汇等表达形式进行分析并进一步将它们标准化，并分析由这些 数据所体现出来的一些信息。 3 2 纺织品感官评估的特点及表示 感官评估是以人的感官为基础结合语言表达来评定待评估物质量优劣 的一种评估方法。所以感官评定方法也不可避免的存在着以下缺陷和不 足： ( 1 ) 无法排除主观任意性。由于感官评定涉及人的生理、心理因素， 它们因人而异，因时而异，因而同一块织品，对于不同的人，因他们的喜 好、所处地域、民族习俗、文化素质、经济和社会地位、经历及情绪的不 同，会得到不同的判断和评价。而织品本身固有性能与评定结果之间并不 存在着一一对应的单值关系，评定中很难掌握统一的标准和尺度。另外， 许多用来形容质量的词语本身就很不确切，某些词语还有多重的意思。即 便所描述的词语相同，但实际感觉却不同，例如鸭绒的柔软性不同于丝绸 基于w e b 的纺织品智能感官评估系统 的柔软性，前者与压缩性关系很密切，而后者与表面的摩擦系数有关。大 量的研究结果表明，上述评定的差异对专家和消费者盖莫能外，只是其评 定结果的离散程度不同而己，一般专家评定结果的离散程度要小些。 ( 2 ) 表达形式多样，但是多为非定量的描述。感官评定方法由于缺乏 理论指导和定量的描述，只能根据人的判断给出评语或排出秩位，其数据 可比性差，因而很难用于指导改进织品及服装的生产和管理。例如常见到 的感官评估形式有： 语言词汇：由不同的程度副词放在主体形容词的前面构成一个性能 指标下面手感等级优劣的顺序排列。例如：棉织物手感性能中常用到的一 个指标：舒适。围绕舒适，不同程度的舒适组成一个集合 非常舒适，舒 适，有点舒适，不怎么舒适，很舒适 。一般的处理只能根据个人经 验大致给出相对优劣的性能顺序，对每个词汇并没有确切的数值确定出其 优劣位置，而这正是计算机所无法跨越的。 象征性符号：由一系列符号组成的一个符号系统，其中每个符号在 此符号系统中都有相对的位置排列，但是没有确定的值与每个符号对应。 在将其作为一种性能优劣排列的表示方式时我们只能提取出不精确的、但 相对准确的排布顺序。也就是只能定性的描述而不能定量的比较。例如： + + 5 ，+ 5 ，5 ，一5 ，5 + + 4 ，+ 4 ，4 ，一4 ，4 一) 。 数值描述：由于这种方式对感觉的敏锐程度要求较高，因此不经常 被评估者采用。评估者在评估时可以按照自身的习惯将评估值系统确定为 十进制或者五进制，然后再在这个确定的范围里根据感觉出的优劣顺序分 别给予确定的值。如十进制中： 1 0 ，9 ，8 ，7 ，6 ，5 ，4 ，3 ，2 ，1 ) 。很 明显此种方式可以直接作为计算机的输入进行运算。 织物样品的感官评估是由一个服装业的专家和几个纺织行业的专家给 出的对织物质量的评价结果。在感官评估中用到的概念简述如下： p = 日，只，p ) ： r 个小组组成的的系统，每个小组 1 7 , = ，。圳 ，是由h ，个评估织物样品的专家所组成的。 爿= “。ii = 1 , 2 ，r ；七= 1 , 2 ，r e ( i ) ) ：用于织物感官评估的语苦词汇集。 2 4 基于w e b 的纺织品智能感官评估系统 也就是说，小组p 使用了r e ( i ) 个词汇。 a i = 和n ，a 。a 。1 ) 对于一个或几个小组而言，不同的词汇之间可能 是相关的，但是从整体来讲它们有时不能互相代替的。有可能不同的小组 用到了相同的两个词，但是从语义角度来讲他们并不确定是等同的。 t = 托，t ：，t 。) ：待评估的”个样品组成的集合。评估所用的不同词汇 间的关系，不同评估者的行为，以及两个小组间的不同都可以从这些样品 中研究出来。 e i = 4 ；e 。，e i ：，e m ( f ) ) ：专家鼻( f 1 2 ， ) 的评估空间。 卑( f 1 , 2 ，r ) ：专家如的n x m ( i ) 的评估矩阵。矩阵的每个元素 e o ( k ，z ) 表示由专家厶在使用( k l 2 ，h ， 1 2 ，埘( f ) ) 词汇评估 样品t 。时给出的相对量值或者语言表达。他是通过对样品集，进行分类而 得到的。 客观数据表示为o = o 。，d ：， 。根据织物生产过程的物理知识，这 些客观数据与织物手感紧密相关，并且会被用于给出与感官评估的相关 性。经过标准化以后，这些客观数据也会形成n q 的矩阵 y = y 口) ( f 1 ，2 ，田， 1 ，2 ，h ) ) ，其中y f 表示样品t 。的参数o ，的值。y 的每一行由y f ( j 1 2 ，n ) ) 表示，代表样品上测得的参数。集合的值。 3 3 感官数据的获得 本论文所用织物试样是法国提供的4 3 块针织棉织物样品，制织棉针 织物所用纱线为三类：精梳纱、粗梳纱和自由端纺纱。 在本论文中感官数据来自4 个不同的感官评估的小组对4 3 块针织的 棉织物进行的感官评估。这4 个感官评估的小组包括2 个中国的小组( 1 个纺织专家小组( c e ) ，1 个训练过的学生专家小组( c t s ) ) ，以及2 个法国 小组( 1 个服装设计专家小组( f e ) ，和一个训练过的学生小组( f t s ) ) 。 3 4 感官数据处理 由于来自于不同评估小组的感官数据具有表达形式多样、不好量化的 基于w e b 的纺织品智能感官评估系统 特点，为了可以用计算机进行处理，必须采用一种融合方法将感官数据的 形式统一起来。 3 4 1 专家小组的感官数据的融合 语言两元组模型可以在没有信息损失的前提下作为统一多粒度的语言 信息的桥梁。通过语言两元组模型可以将定性的信息和定量的信息融合在 具有共同最优等级的需求域上。由于感官评估数据表达形式多样的特点， 本论文采用的是一种新的以语言两元组模型为基础的感官数据的融合方 法完成。 考虑到同一个小组内的感官数据的融合结构，这个感官数据的融合操 作如图3 1 所示，具体而言可以分为如下三步： ( 1 ) 使用模糊语言两元组模型，将不同评估者对同一个语言表达域 所给出的量值、象征性符号和语言形式的所有输入信息转化； ( 2 ) 使用最优化方法找出一个最优的普遍等级来得到需求域。 图3 1小组内的感官数据的融合过程 ( 3 ) 借助于一种确切的语言融合运算，在需求域上融合信息，以得 到融合的感官数据。 在相关的文献中给出的两元组模型删可以在没有信息损失的情况下 完成“语言运算”的过程。然而，这种转换只能在语言层级之间完成。因 此，我们使用在任意等级问转化的两元组模型，使得不同等级内的信息可 以被统一到一个共同的需求域上。 匾 一髯l 重匿 群 基于w e b 的纺织品智能感官评估系统 3 4 1 1 将输入域转化到需求域上 对每个评估者，。和每个评估词汇，相应的感官数据在o 1 变化 并且g ( j ，j ，) = m a x e “( 女，圳女= l ，2 一” 可以被转化在一个具有g ( i ，d 的模糊集 合上，由u 椰= 扣i ，”2 ，”鲥，) 表示的形式如图3 2 所示 o1t g ( f 乒0 图3 2 由g 个特征组成的模糊集合 为了简化，在不明确的情况用g 来表示g ( f ，f ) ，考虑到对于词汇幻，7 f 的任意的评估值都被包括在0 g ，并且可以被一个满足a s 【一o 5 ，o 5 】的两 元组( “，a s ) 表示。 让卢 o ，鲥成为一个支持象征性融合操作的值，然后表示与卢相等意义 的两元组就可以通过下面的函数得到 郇，= 协卢 t = r o u n d ( 卢) t 【一0 5 ，o5 ) a - 1 ( “f ，口) = t + a = 对于小组毋来说，。的评估结果可以被融合，对于每个评估者7 口和每 个评估词汇a 。，任何的评估值( “f ，6 t , g ) 可以被转化成一个新的两元组 c 剖吁f 半 这种转换可以由函数s = t r ( t ，g ，u g ) 来表示 3 4 1 2 得到最优的共有域和需求域 ( 3 1 ) 为了最好地融合同一小组中多个个体的感官评估结果，对于所有的专 基于w e b 的纺织品智能感官评估系统 家小组只的个体，我们必须找出统一等级u g 下的最优值。 对于词汇a “，小组只的质量可以通过集中。f 的评估值来评估得到。7 口 按照如下定义： ，嘲= 去n t o 阻l j = l 叫2 r 并且将评估小组只使用词汇n 。的有效性标准定义在o u g 。如果这个标准 值接近0 ，那么意味着4 中的每个评估者都以同样的意义理解词汇。否 则的话，在他们之间对词汇意义的理解就存在一个大的不同。对这些评 估者来说，就需要加强对词汇理解的训练。相反词汇被认为不相关而被 从集合a i 中去掉。 只的分歧被定义为所有词汇a i 的分歧值的平均值。也就是： c d 州b ) 2 丽1m 舌( o c d ”“毋，即) 对于专家，他的最优共同等级可以根据下面的两个原则进行计算： ( 1 ) 由评估者0 给出的感官数据应当覆盖所有的统一等级的形式，也 就是说，任何“( se o ，1 2 ，曙 ) 至少应当对应一个数据。 ( 2 ) 感官数据的变化或者趋势不应当随着等级的变化而变化很大。 评估者勺使用词汇对n 个样品评估的感官数据在转换之前是 ( 1 ，) ， e u ( 2 ，e a ( n , 1 ) ) ，转化之后，这些数据就变成了 s f ( 1 ，仉s f ( 2 ，) ， s i j ( n ，) ) 。其中， s _ _ j ( k ，) = t r ( k ，) ，g ，u g ) 女= 1 , 2 ，n 根据第一个原则，我们首先计算用于每个形式q 的统一等级u g 的数据 的个数，也就是说： n m o d i ( ，q ) = e q u ( s u ( k ，n q ) 基于w e b 的纺织品智能感官评估系统 其中 掣c m ，= 掂。纛三 统一等级的覆盖率的标准定义为 c 0 ”q ( f ) ：i n i n 一m o d f ( ，g ) 1q = 0 , 1 2 ，u g ) 根据这个标准，岵应当是被选择出来，从而保证c o w l ( f ) 尽可能的大。 如果值是0 ，那么就意味着在非统一等级u g 上至少存在一个没有意义的形 式“。 根据第二个标准，在两个数据集 勺( 1 ，玑勺( 2 ，) ，勺( f ) 和 s f ( 1 ，) ， s d ( 2 ，) ，s 口( n ，) ) 之间趋势的不同应当尽可能的小。所以，对应的标准可 以定义为： t r e n d i ( 1 ) = m i n r e n d 口( o l j = 1 ， ( 耐， 其中 棚d r ( d2 南。譬f ( k l , k 2 , 1 ) ， 并且 鹕m = 怯计嘞魄。卜咏b d 酶心。卜对：淼三 根据这个标准，为t 使r r e 峨( ，) 的值尽可能地大，裙应当被选择出来。 如果对于任意评估者，两个数据集( e f 0 , 0 ，e l i ( 2 ，) ，e f ( n ，) 和 s , 7 ( 1 ，玑 s 口( 2 ，f ) ，s 口( n ，f ) ) 在相同意义下完全变化了，那么值m ”d ，( ，) 将会被最大 化并且在统一等级昭上数据集 s 。( ，f ) 没有信息的损失。最优值可以通过 最大化线性结合如下两个准则来得到： m a x c o v e r i ( i ) + 尸t r e n d 。( z ) ) ( 3 2 ) 其中p 是一个正的常数，用来对这两个标准的比率进行调整。 得到“g 的最优值之后，对于每个评估者f 和每个词汇a 一，最优的统一 基于w e b 的纺织品智能感官评估系统 评估值可以使用式( 1 ) 将感官值( “，a ”) 转化到一个新的语言两元组上而 得到。并且这个两元组将会用于在需求域上，以实现对感官数据的融合。 3 4 1 3 在需求域上融合感官数据 在具有共同最优等级的需求域上，使用平均操作，可以将所有评估者 对词汇口f 转化后所得到的评估值融合成一个统一的感官数据。对于某个小 组毋使用词汇所得的平均评估值可以按照如下计算： 等，a 等) 矗( f ) ( 3 3 ) 其中，( “孑，n 孑) 是将评估者，f 对同一个样品使用词汇a 所得的评估值转化 后的两元组。按照同样的方式，小组毋对于4 中所有不同的词汇融合后的 评估值将会在唯一的共有域上，并且可以由s ( 小组的评估空间) 表示的 n m ( o 的两元组矩阵来表示，s 。- 的每一个元素是一个由( ( ，吒 女，o ) 表示的 两元组，其中k = l ，2 n 并且，= 1 ，2 一m ( f ) a 为了简化，如果“州“) 的差别很 小，这个两元组可以被s ( ，f ) 所替换。矩阵： s ，= ( s ：1s n s f 。) 7 ( 3 4 ) 包括一个向量，其中的每个向量表示对一个样品的评估结果。这些向量可 以用来对小组进行分析和比较。 3 4 2 感官数据分析 为了分析小组的行为和用到的描述性词汇，我们首先根据( 3 4 ) 中定义 的矩阵s 来定义一个标准数。 3 4 2 1 在小组等级上 基于w e b 的纺织品智能感官评估系统 两个小组只和r 的感官数据组成了两个评估空间s 。和s 。，这两个小组 问的差异不可能使用经典的方法定义。因为这两个变量不是在同一个空问 中，所以需要计算s 。和s 内各自元素问的距离。为了使s ；( ，) 的标准化 值落在o l 范围内，我们首先对每个评估矩阵s ，标准化。在本例中，s ；，s 目 和s 肚，) 分别被转化成对应的标准元素u ，舸和雎( ，) 。然后，计算两个小 组只和b 在上的不同。 对于这里定义的不同，考虑到数据的相对变异。如果这两个小组内部 的感官数据的相对变异是互相接近的，那么这两个小组间的不同是很小 的，否则就很大。根据这个原则，小组和之间的不同可以定义为： d a b ：j k d a b ( f ，j ) ( 3 5 ) 2 南善( f ) 妈5 这取决于如下的几个问题： ( 1 ) 只与圪之间的不同和与t ，之间的相对变异相关 d a b ( i ，j ) = i v r 。( i ，) 一( f ，j ) | ( 2 ) 对每一个小组最，t ，与t 之间的相对变异 喇埘2 了泰慨一 lm t 纠 ” d 。的定义允许比较对于样品r 在两个小组之间的相对变异。只有当这 些小组的感官数据的内部变异一致，两个小组之间的差异才是最小。 为了根据用于样品r 评估的数据的敏感性来比较两个小组，我们按照 同样的方式定义一个规则。的敏感性定义为： s s b 2 志驴“d ( 3 6 ) 其中v ( i ，) 特征化了由小组只评估样品f ，和f ，时感官数据的相对变异。如 果s s b 。的值比s s b 6 的值大，那么我么认为小组只比小组b 对样品，更加 敏感。但是，这并不意味着小组只比小组b 更加有效。 基于w e b 的纺织品智能感官评估系统 3 4 2 2 在词汇等级上 在对小组行为的分析中，用到的词汇的质量，数据的再现能力以及小 组内部数据的集中都应当被考虑进来。 对于一个给定的小组，如果对样品丁进行评估时一个描述性词汇n 。与 对这些样品评估得到的感官数据的相对变异敏感，那么就认为这个描述性 词汇n 。对样品r 是敏感的 a 。的敏感性如下定义： s s b j k = 杀百驴u 铲刖，t ) | 。7 这个标准特征化了一个小组的评估值的一般变异。考虑到小组只对于 样品丁的评估，这个标准化了的值越大，词汇n 。越相关或者意义越显著。 小组只和小组r 用到的词汇a a k 和词汇a 。之间的不同，可以根据以上 关于分析两个小组不同的的标准进行分析研究。这个不同定义为： ( a a k , a b l ) 2 i 南狰a a k , a b l , i , d 8 这取决于下面的几个方面： ( 1 ) 考虑到样品t j 与t ，之间的相对变异，词汇n 。和n 。的不同定义为： d a b ( a 女，d m ，i ，) = 1 w ( a m i ，j ) 一v r ( g b l ，i ) l ( 2 ) 对于每个词汇n 。，样品t ，到样品t ，的相对变异为： v r ( a * ，i ，j ) = i i z 。( i ，t ) 一。( ，t ) i 以参考的样本为基础，矾。( ，。) 允许对两个小组分别用到的描述性 词汇之间的相关性进行分析。如果这个标准的值足够小，那么就认为词汇 a 。与。，在语义上是相同的。 如果小组r 同时给出了词汇n 、。和n 。，那么标准可以简化如下： d w 扣。，钆。) ：! 量d ，、* ，。f ，：) ( 3 9 ) 基于w e b 的纺织品智能感官评估系统 其中 d w 0 “，d w ，i ) = 。( f ，女) 一。( i ，叫 这个标准允许分析一个小组用到的词汇的冗余性。总体来讲，由一个 小组用到的任何两个词汇之间的的差异越大，评估的结果就越有效。 3 5 中、法感官评估的分析与比较 为了检验以上方法的有效性，我们在以上工作 4 5 4 7 1 的基础上，通过对 四个感官评估小组的比较发现，除了f e 以外，其他每个小组内部的成员 都使用了相同的评估词汇，只是在等级上有所不同。在f e 中，几个著名 的服装设计专家给出感官数据。对不同评估小组而言，用到的词汇不同汇， 并且相应于每个小组的数据组成一个独立的评估空间。在样品的评估过程 中，由不同的小组用到的词汇数依次为l l ( f e ) ，7 ( c e ) ，4 ( f t s ) ，a n d 4 ( c t s ) 。 可以发现评估时，两国的专家比非专家使用了更多的词汇。 由于f e 的感官数据仅仅由1 个著名的服装设计专家给