基于多指标权重的服装尺寸自动生成系统

基于多指标权重的服装尺寸自动生成系统

随着计算机服装设计、版本和制造技术的广泛应用和发展，智能制造技术是服装设计、制造和生产管理的新课题。智能打版系统是根据不同专家打版的特点,学习专家打版的一种方法。实现以人工智能、智能控制等理论为指导,以服装制版人员,特别是缺乏服装制版经验的工作人员为使用对象,提供操作简易、直观化的制版系统,是目前服装制版系统中2-D方向研究的热点。国外在服装智能化研究领域已取得了一定的成就,如Chen等利用人工智能技术,根据人体尺寸和面料特性建立衬衫样板预测系统。Gerber公司的AG-CUMARK系统、GC-CUMARK系统和法国Lectra公司的MODARISFITNET量身打版系统等都可应用计算机技术自动生产服装款式样片。国内一些软件也以智能化作为发展的创新点,但实际应用的较为成熟的服装CAD技术,仍处于提供辅助绘图和计算功能的基础阶段。本文根据女套装上衣经典款式的细部尺寸,运用非线性主成分分析法确定各特征指标的权重,设计实现了服装尺寸自动生成系统,通过输入胸围、肩宽和胸腰差,从样板库中自动生成所需的样板细部尺寸。1服装样品的特征指标权重建立计算机辅助生产服装样板自动生成系统就是建成以模型库为基础的专家打版系统,以选定的服装款式的成品规格尺寸作为输入,通过知识库、逻辑推理机制等专家系统建立数学模型,运算出细部规格尺寸,为样板设计提供全面的参考数据,自动生成2-D样板。服装样板是以成品规格尺寸为基础的各细部尺寸组成的平面几何体,是否可以通过分析2-D特性得到其几何尺寸是本文所要研究的问题。通过分析可以提取胸围、肩宽、后背宽、袖窿深、袖肥、袖口、袖山高、胸腰差和后横开领9个细部尺寸作为女装上衣样板的特征指标。对于由样板特征指标所组成的复杂系统,在因素项已经选定之后,这些因素权重取值往往对评价的目标问题产生重大的影响,因此需要确定各项特征指标的权重。如果服装尺寸自动生成系统可以通过输入服装规格数据由回归模型计算出相应的特征指标并加权,就可以根据最小距离的判别从已有样板库中自动生成最接近目标样板的各细部尺寸。女套装上衣是女装中经典的款型,款式设计相对稳定,结构设计要求严格,具有代表性。样本选取30个号型为160/84A中高档品牌的100件女套装上衣作为研究对象。廓形包括:平肩、不收紧腰部、筒形下摆的H形;肩、胸造型较小而下摆宽大的A形;肩宽而下摆窄小的T形和肩部稍宽、收腰明显、下摆较大的X形4种,衣身采用常规的三开身和四开身结构,利用省移原理构成省和分割线相结合的综合结构。2数学模型的确定2.1主成分正则化目前,人们提出了许多有效的赋权方法,传统的主成分分析只能处理“线性”问题。在现实生活中,指标间的关系很多呈非线性相关,本文使用了一种改进的主成分分析法———非线性主成分分析法来确定各特征指标的权重。具体步骤如下:1)对原始数据作对数-中心化转换。式中:i表示不同样本,i=1,2,…,k;j表示各特征指标,j=1,2,…,n。2)计算样本协方差矩阵。S=(Sij)n×n3)从S出发求样本的主成分。应用SPSS软件Factor模块中的PrincipleAnalyze,得到主成分对应于各特征值的正则化特征向量Wjl。式中:qj为各指标的权重系数;λl为与各主成分对应的特征值;m为主成分数。5)记ωj为各特征指标的权重,则运用Excel模块中的和函数对原始数据分别用式(1)、(2)进行对数中心化转换和协方差矩阵计算,从协方差矩阵出发,利用SPSS13.0统计软件得到特征指标对于主成分的负载荷矩阵,结果见表1。应用公式可得各特征指标的权重。再由式(3)计算得到各特征指标的权重值,结果见表2。2.2山高和后横开领回归模型按照文献的多元回归分析,分别建立以胸围、胸腰差和肩宽3个指标作为自变量,后背宽、袖窿深、袖肥、袖口、袖山高和后横开领为因变量的回归模型,具体如以下各式表示:后背宽=4.493+0.586×肩宽+0.093×胸围袖窿深=11.951+0.129×胸围-0.08×胸腰差袖肥=0.374×胸围-0.978袖口=5.425+0.084×胸围袖山高=2.422+0.356×肩宽后横开领=9.132-0.067×胸腰差2.3自动生成数学模型的建立2.3.1a,b,a定义:设A1,A2,…,An是论域U上的n个子集,称以A1,A2,…,An为分量的向量是向量集合族,记为A=(A1,A2,…,An)。2.3.2n阶邻近度模式识别属人工智能研究领域,择近原则是模式识别的一种常用方法。本文依据择近原则建立样板尺寸自动生成的理论模型。设有待识别的样板特征指标组成的向量B={b1,b2,…,bn},与样本库所组成的向量集{A1,A2,…,An}m×n共同构成(m+1)×n阶贴近度判别矩阵R,矩阵中各向量均由表1中的胸围、肩宽、后背宽等9个特征指标组成。式中:i=1,2,…,m,m+1;j=1,2,…,n。待识别向量与样本库中m类样本的差异用特征指标间加权的欧氏权距离表示:式中:ωj表示每个特征指标不同的权重,其权向量为ω=(ω1,ω2,…,ωn),Σωj=1,i=2,3,…,m+1。若存在i∈{2,3,…,m+1},使得则称b与ai最贴近。3服装尺寸自动生成模块采用VB.NET编程软件进行程序设计,主要由尺寸设置、特征指标生成和样板数据生成这3部分组成。其中:尺寸设置部分包括相关成衣数据的输入模块;特征指标生成部分包括利用回归数学模型进行其他特征指标的计算与保存等模块;样板数据生成部分包括贴近度的计算与显示、样板编号与打版细部参数的显示等模块。进入服装尺寸自动生成模块界面,输入变量值肩宽、胸围和胸腰差,点击“生成其他数据”键,系统内部通过2.2所给出的回归模型自动计算出待识别样板对应的其余6个特征指标。点击“查询”键,计算机根据界面下方不同特征指标的权重,对特征指标进行加权,将特征指标和权重代入对应的贴近度判别矩阵式(4)中与样本库各样本每个特征指标的细部尺寸进行计算。经过式(5)的运算,得到加权的欧氏权距离值,再由式(6),最终产生与样板库中最接近的样板细部尺寸,并通过服装CAD软件及绘图仪绘出样板图。例如,输入:肩宽=38;胸围=93;胸腰差=16。根据生成的特征指标,计算机通过贴近度判别,得出第66号(ID=66)样板的数据与目标样板最接近,如图1所示。4建立模糊集理论对系统进行测试,分别输入4组、每组包括胸围、肩宽和胸腰差3个基本变量,经过上述处理和运算后,从样板库中输出与目标样板尺寸最贴近的样本,4组输入及输出数据见表3。分别以4组数据打样并制作样衣,对成衣效果进行综合评判,验证系统的实用性。对成衣效果的评价带有主观性,往往受到多种因素的影响。模糊集理论能够很好的表达人们现实生活中遇到的含义确定但又不准确的语言描述,被认为是解决人工智能问题尤其是常识性问题的最合适的数学工具。建立以4种不同样衣类型、3类参与评价人员、4种评价指标为主的3层模糊综合评判模型并计算。限于篇幅,在此不列出详细计算过程。经评价后的总体评估态势为:32.23%为好,62.88%为较好,4.53%为一般,0.36%为较差,0%为差。实验验证结果表明,采用服装尺寸自动生成系统输出的服装样板细部尺寸,可以达到较为理想的设计效果。5服装技术路线针对女套装上衣,本文提出了一种有效的服装尺寸自动生成方法,通过建立中间体样板尺寸自动生成的理论模型及程序设计实现了由成品规格自动生成细部规格尺寸。验证结果表明,系统及方案设计合理,技术路线正确。具体结果如下:1)科学地确定了女装样板特征指标权重,为女装结构设计中规格尺寸的合理选择与设置提供了理论依据。2)初步设