女套装男装结构的特征指标分析

女套装男装结构的特征指标分析

在服装结构的设计中，规格和尺寸的选择和使用通常基于设计师的经验和兴趣，而服装cad系统通常通过人机交互进行辅助设计。版型的好坏与制版速度完全取决于设计师的经验与熟练程度,这在一定程度上阻碍了服装CAD技术在服装企业的推广和普及。随着新一代计算机和人工智能技术的发展,知识工程、专家系统逐渐渗透到服装CAD系统中,智能化成为服装CAD系统发展的必然趋势。服装纸样的自动生成是利用人工智能的推理技术,通过建立知识库、逻辑推理机制,计算机根据用户所选的结构特征查找知识库,利用打板规则、方法和数据进行一系列计算,最终生成合理的纸样。服装纸样自动生成的核心是专家系统,专家系统的核心是知识库,而其中的关键是方法库和规则库。本文在量取女套装上衣尺寸的基础上,利用样本聚类分析、主成分分析和相关分析的方法,提取最能代表女套装上衣样板尺寸的特征指标,在此基础上运用逐步回归分析,研究女套装上衣不同特征指标数据之间的相互关系并建立数学模型,完成专家知识的获取。1实验部分1.1主体结构、服装规格目标样本选取近30个中高档品牌的100件女套装上衣作为研究对象,廓形包括:肩、胸、腰的宽度与臀围宽接近的H形;肩窄而下摆宽大的A形;肩宽而下摆窄小的Y形和有明显收腰的X形4种,其主体结构均采用常规的四开身和六开身结构,及利用省移原理构成省和分割线相结合的综合结构。服装规格选取中间体规格(160/84A)。考虑到服装面料及不同地域消费者体型差异对样板的影响,本文选取杭州市场的女套装上衣,面料为非弹性的薄毛料和化纤面料。1.2服装打版工艺采用软卷尺、三角板、量角器和曲线板为测量工具,由经验丰富、从事过多年服装打版工作的人士手工测量。为减少测量误差,对同一款样衣进行3次重复测量,取其平均值作为最终数据。1.3测量指标选取在服装纸样设计中,体型特征是主要的研究对象。文献将影响人体体型的指标共分为5类:高度、侧面形态、胸部形态、围度和肩部形态。在此基础上本文选取23项基本测量指标:前衣长、前后腰节差、胸围、腰围、前胸宽、前AH、臀围放松量、胸腰差、臀腰差、前横开领、后横开领、前领深、袖窿深、后腰节长、水平肩宽、后背宽、后AH、后肩斜角、肩宽与腰宽比、袖长、袖肥、袖山高、袖口。测量示意图见图1。2测量结果和分析2.1q型聚类分析运用SPSS13.0统计软件,对23个测量数据进行Q型聚类分析,使具有共同特征的样本聚在一起,结果是将100件上衣分为以下几类:宽松型、半宽松型、半贴体型和贴体型。表1示出各样本的归类情况。2.2探索性因子分析由于不同指标之间往往存在一定的相关性,因此可以通过因子分析,用较少的几个相互独立的指标来代替原来的多个指标。通过对23个指标进行探索性因子分析,发现后肩斜角单独构成1个成分,根据多数研究者编制主成分的实际经验,1个主成分的变量数最少在3个以上,否则无法测出所代表的成分特质,内容效度会不够严谨,因此剔除后肩斜角一项。另外,剔除受设计因素影响较大的前衣长、前领深和袖长3项,以及不易测量的肩宽与腰宽比和后腰节长2项,对17项指标用SPSS13.0软件进行因子分析。2.2.1结果表1经过对数据的预处理,对所采集的17项指标数据进行主成分分析,结果见表2。从表中可以看到,特征值超过1的主成分为3个,这3个主成分解释了所有原始变量特征的80.072%,超过了80%,因其解释了原变量绝大多数信息,所提取因子的可行性获得通过。2.2.2服装衣身匹配因子对提取的3个公共因子建立因子载荷矩阵,采用极大方差法旋转,经5次迭代后收敛,得到旋转后的因子载荷矩阵,见表3。由表3可知,第1个因子有前胸宽、胸围、后背宽、水平肩宽、腰围、臀围放松量和前后腰节差7个变量,它们是决定服装衣身样板的基础变量,可以命名为基本变量;第2个因子有前AH、后AH、袖口、袖窿深、袖山高和袖肥6个变量,它们反映了衣身袖窿与袖子之间的匹配关系,可以命名为匹配变量;第3个因子有前横开领、后横开领、臀腰差和胸腰差4个变量,它们控制了服装领窝造型和衣身造型的变化,可以命名为造型变量。2.2.3服装设备中主成分和边材面特征指标的相关分析为了找到各部位之间的相关程度,根据相关性确定最少数量的基本指标,分别对各因子内的各部位进行相关分析,其中相关系数可由Pearson相关分析系数矩阵得到,由于该相关分析系数矩阵较大,限于篇幅不详细列出。经过计算,在第1主成分中,胸围是代表上衣样板围度方向的特征指标,用水平肩宽和后背宽代表上衣样板宽度方向的特征指标。在第2主成分中,用袖窿深、袖肥、袖口和袖山高代表上衣样板袖窿及袖子造型的特征指标。在第3主成分中,用胸腰差和后横开领作为衣身样板造型方面的特征指标。综上所述,胸围、水平肩宽、后背宽、袖窿深、袖肥、袖口、袖山高、胸腰差和后横开领9个变量作为反映女装上衣样板特征的指标。3回归模型的构建3.1服装企业回归模型的建立及检验进行回归分析之前,要事先确定样板结构中的自变量及因变量。目前,自变量筛选常用的方法有前进法、后退法和逐步回归法。其中逐步回归法区别于前2种方法的根本之处是:每引入1个自变量,都会对已在方程中的变量进行检验,对符合剔除标准的变量逐一剔除。本文选择逐步回归分析方法,采用F检验的概率作为变量引入模型或从模型中剔除的依据,即当一个变量的Sig值≤0.05时,该变量被引入回归方程中;当一个变量的Sig值≥0.10时,从回归方程中剔除该变量。通过对杭州30余家服装企业的调研,发现目前服装企业在进行女装上衣样板设计时,选择衣长、胸围、腰围、肩宽、袖长作为成衣规格的企业占所调查企业的85%以上。从实际的操作性以及尽可能提高模型的准确性考虑,选用胸围、胸腰差和水平肩宽3个指标作为自变量,以逐步回归法建立多元线性回归模型。3.2多因素分析本文利用SPSS13.0统计软件对4种类型样衣尺寸分别进行回归分析,限于篇幅,其分析过程仅以贴体型上衣的后背宽为例。3.2.1线性回归模型表4示出拟合的2个模型的决定系数改变情况。对于多元线性回归模型,一般应采用其调整的决定系数来判断。可以看出,随着模型中变量个数的增加,R2系数也在不断增加,其值为0.618,说明其拟合程度是可以接受的。3.2.2不同模型的回归结果表5示出拟合的2个模型的方差分析检验结果。从中可以看到,回归平方和列与每个模型回归行交叉位置上的数据从98.836增大到105.469,即随着逐步回归中模型的改进,已解释变差越来越大。从表中还可以看到,每个模型的F统计值的显著性概率均小于0.001,即拒绝总体回归系数均为0的原假设。也就是说,2个模型均有统计意义,但模型有统计学意义不等于模型内所有的变量就有统计学意义,还需进一步对各自变量进行检验。3.2.3常数项显著性表6示出对2个模型中各个系数检验的结果,用的是t检验。从结果中可以看出,2个模型中所有自变量的显著性都小于0.01,第1个模型的常数项显著性为0.419,不能拒绝常数项为0的假设。第2个模型的常数项显著性为0.019,大于0.01,但还是小于0.05,表明第2个模型的常数项进入回归方程,所以选择第2个模型作为回归模型:后背宽=4.493+0.586×肩宽+0.093×胸围3.2.4衣的回归模型按照多元回归分析,分别建立4种类型样衣以胸围、胸腰差和肩宽为自变量,后背宽、袖窿深、袖肥、袖山高、袖口和后横开领为因变量的回归模型,如表7所示。3.3样衣特征指标的计算为了验证所建立模型的准确性,按照前面的方法重新量取30件上衣。聚类分析后,在4种类型样衣中各随机抽取4件,共16件样衣作为测试样本,特征指标数学模型的计算值与样衣实际值的比较见表8。其中1~4号为宽松型样衣,5~8号为半宽松型样衣,9~12号为半贴体型样衣,13~16号为贴体型样衣。从表中可以看出,计算值与实际值之间的误差在服装生产中是可以接受的,表明特征指标的回归模型具有较好的理论与应用价值。4服装嫌犯特征指标的生成1)综合考虑各种纸样结构指标,由Q型聚类分析可知,女套装上衣按照造型的不同分为以下4类:宽松型、半宽松型、半贴体型和贴体型。2)利用主成分分析及Pearson相关分析,提取胸围、水平肩宽、后背宽、袖窿深、袖肥、袖口、袖山高、胸腰差和后横开领9个变量作为女装上衣样板的特征指标。3)采用逐步回归法,分别建立4种类型的多元线性回归模型,通