邢英梅，王竹君，袁萌萌，李世偉，杜飛飛

（安徽工程大學 紡織服裝學院，安徽 蕪湖 241000）

RBF神經(jīng)網(wǎng)絡(luò)在估算男西服用料長度中的應(yīng)用

邢英梅，王竹君*，袁萌萌，李世偉，杜飛飛

（安徽工程大學 紡織服裝學院，安徽 蕪湖 241000）

快速而準確地估算服裝的排料長度，不僅有利于服裝企業(yè)核算成本，也有利于企業(yè)縮短快速響應(yīng)時間，把握更多商機，創(chuàng)造更多價值?；诖?，以男西服為例，在利用NAC服裝CAD系統(tǒng)制板、推板和排料的基礎(chǔ)上，采集影響男西服排料長度的相關(guān)數(shù)據(jù)，進而構(gòu)建出用于估算男西服排料長度的RBF神經(jīng)網(wǎng)絡(luò)模型，探討和分析影響RBF神經(jīng)網(wǎng)絡(luò)的諸因素，經(jīng)過多次仿真測試，表明該RBF網(wǎng)絡(luò)模型具有良好的預(yù)測性能。若將企業(yè)實際生產(chǎn)數(shù)據(jù)導(dǎo)入模型中，通過適當樣本訓(xùn)練可進一步提高預(yù)測精度，為企業(yè)實現(xiàn)快速準確地估算面料消耗提供指導(dǎo)。

男西服；排料；排料長度；RBF神經(jīng)網(wǎng)絡(luò)

0　引言

快速、準確地估算服裝用料，在服裝企業(yè)的成本估算、貿(mào)易談判、原料采購等方面均具有十分積極的意義。目前，常用的服裝用料估算方法主要有兩種，即經(jīng)驗估計法和電腦排料估算法。兩種方法優(yōu)點突出，但又都有無法克服的不足。經(jīng)驗估計法是建立在工作人員多年工作經(jīng)驗積累的基礎(chǔ)之上，根據(jù)面料的幅寬、服裝的號型組合、服裝規(guī)格尺寸等參數(shù)估算出大致的用料量。這種方法效率比較高，但不夠準確，且對人員的經(jīng)驗依賴度較大，若遇到比較新穎的款式，估算的效率和準確性都會有所下降。電腦排料估算法，是綜合利用服裝CAD系統(tǒng)的打板、推板和排料功能，計算出服裝用料量，估值的準確性較之經(jīng)驗法大為提高，但由于需經(jīng)過打板、推板和排料等步驟，估算的效率不如經(jīng)驗法，不方便在貿(mào)易談判等需要快速得到結(jié)果的場合使用[1]。張恒等提出了利用BP神經(jīng)網(wǎng)絡(luò)進行服裝用料估算的方法，既免除了估算前打板套排等一系列的繁瑣過程，又提高了估算的精度[2]。但BP神經(jīng)網(wǎng)絡(luò)也存在收斂速度慢、容易陷入局部極值的缺點，影響了其的推廣使用。

RBF神經(jīng)網(wǎng)絡(luò)可以根據(jù)具體問題確定相應(yīng)的網(wǎng)絡(luò)拓撲結(jié)構(gòu)，具有自學習、自組織、自適應(yīng)功能，它對非線性連續(xù)函數(shù)具有一致逼近性，學習速度快，可以進行大范圍的數(shù)據(jù)融合，并行高速地處理數(shù)據(jù)。RBF神經(jīng)網(wǎng)絡(luò)的優(yōu)良特性使得其顯示出比BP神經(jīng)網(wǎng)絡(luò)更強的生命力，正在越來越多的領(lǐng)域內(nèi)替代BP神經(jīng)網(wǎng)絡(luò)。本文以男西服為例，提出采用RBF神經(jīng)網(wǎng)絡(luò)來估算用料長度，該方法除了兼具BP神經(jīng)網(wǎng)絡(luò)的用料估值法的優(yōu)點外，還克服了BP神經(jīng)網(wǎng)絡(luò)的一些缺點，相對于傳統(tǒng)的估算方法也有簡單、直接、有效的優(yōu)勢，具有良好的可行性，較強的實用性。

1　男西服用料數(shù)據(jù)的收集

1.1 男西服的打板和推板

本文選擇NAC服裝CAD系統(tǒng)作為制板平臺，先利用系統(tǒng)提供的打板模塊，按表1所示的尺寸規(guī)格表繪制出基礎(chǔ)板，而后在推板模塊中，推放出其他號型的樣板，并將給凈樣添加縫份，形成裁剪所需的樣板。

表1　男西服尺寸規(guī)格表　單位：cm

1.2 男西服用料數(shù)據(jù)的采集

在服裝CAD系統(tǒng)的排料模塊中，設(shè)定布料幅寬分別為144cm和120cm，按照影響布料利用率的關(guān)鍵因素，如套排服裝的件數(shù)、套排服裝號型的組合方式、套排服裝號型之間關(guān)系等，對待排的樣板進行全自動排料，并記錄布料的排料長度等數(shù)據(jù)。

表2　幅寬144cm時典型的排料實驗結(jié)果

2　基于RBF神經(jīng)網(wǎng)絡(luò)的男西服排料長度估算模型設(shè)計

2.1 RBF神經(jīng)網(wǎng)絡(luò)的基本原理

RBF神經(jīng)網(wǎng)絡(luò)，即徑向基函數(shù)（Radial Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)，是一種結(jié)構(gòu)簡單、收斂速度快、能逼近任意非線性函數(shù)的網(wǎng)絡(luò)，由于其具有結(jié)構(gòu)自適應(yīng)確定、輸出與初始權(quán)值無關(guān)的優(yōu)良特性，在模式分類和函數(shù)逼近上有著卓越的性能表現(xiàn)，故在多維自由曲面擬合、自由曲面重構(gòu)和設(shè)備故障診斷等領(lǐng)域應(yīng)用比較廣泛。

RBF神經(jīng)網(wǎng)絡(luò)是由輸入層、隱含層和輸出層構(gòu)成的三層前向網(wǎng)絡(luò)，如圖1所示。隱含層采用徑向基函數(shù)作為激勵函數(shù)（也稱為傳遞函數(shù)），該徑向基函數(shù)以高斯函數(shù)最為常見，如式（1）：

圖1　RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

式中：Xi為第i個節(jié)點的中心，σ為控制接收域大小的參數(shù)；為歐式范數(shù)。

RBF網(wǎng)絡(luò)的隱含層可將低維的輸入向量變換到高維空間內(nèi)，使得在低維空間內(nèi)不可分或難分的問題在高維空間內(nèi)可分。

2.2 輸入層和輸出層的設(shè)計

影響男西服用料長度的因素眾多，主要有：布料的幅寬、排料的號型數(shù)、號型的組合、服裝規(guī)格長度之和以及服裝規(guī)格圍度之和等。本文中，號型的組合方式用混排標號的歐氏距離之和來表示；服裝規(guī)格長度之和指的是各號型服裝衣長與袖長之和；服裝規(guī)格圍度之和指的是各號型服裝胸圍之和。

本文所設(shè)計的RBF神經(jīng)網(wǎng)絡(luò)模型以號型個數(shù)、混排標號的歐氏距離之和、服裝規(guī)格長度之和、服裝規(guī)格圍度之和作為輸入向量。網(wǎng)絡(luò)模型的輸出向量為用料的長度。

用MATLAB代碼表示為：

2.3 訓(xùn)練樣本集和測試樣本集的劃分

在所采集的用料數(shù)據(jù)中，隨機選取46個樣本組成訓(xùn)練樣本集，選擇10個樣本組成測試樣本集。代碼為：

2.4 數(shù)據(jù)的歸一化和反歸一化

為了消除由于不同量綱對神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差的影響，在進行神經(jīng)網(wǎng)絡(luò)的訓(xùn)練前，有必要對數(shù)據(jù)進行歸一化處理，本文調(diào)用MATLAB提供的mapminmax函數(shù)進行數(shù)據(jù)歸一化，調(diào)用格式為：

函數(shù)將X中的值歸一化到[-1,1]區(qū)間，X可以是矩陣或細胞數(shù)組。歸一化結(jié)果保存在Y中，settings則保存了歸一化信息。

反歸一化目的是將神經(jīng)網(wǎng)絡(luò)的輸出數(shù)據(jù)還原為歸一化前的數(shù)據(jù)形式，調(diào)用的函數(shù)及其格式為：

Y是按settings進行歸一化的結(jié)果，X1_again返回歸一化前的數(shù)據(jù)形式。

2.5 RBF神經(jīng)網(wǎng)絡(luò)的創(chuàng)建與仿真測試

MATLAB自帶的神經(jīng)網(wǎng)絡(luò)工具箱提供了newrb函數(shù)，可以創(chuàng)建一個RBF神經(jīng)網(wǎng)絡(luò)。它的調(diào)用格式為：

調(diào)用格式中各參數(shù)含義如下：

net=newrb，定義一個為newrb的設(shè)計神經(jīng)網(wǎng)絡(luò)。此函數(shù)設(shè)計的神經(jīng)網(wǎng)絡(luò)net可用于函數(shù)逼近。

P：Q組輸入向量組成的R×Q維矩陣。

T：Q組目標分類向量組成的S×Q維矩陣。

GOAL：建立一個目標誤差，默認值為0。

MN：神經(jīng)元的最大數(shù)目，默認為Q。

DF：兩次顯示之間所添加的神經(jīng)元數(shù)目，默認為25。

net：返回值，一個RBF函數(shù)網(wǎng)絡(luò)。

tr：返回值，訓(xùn)練記錄。

SPREAD：RBF函數(shù)的擴展速度，默認值為1。

本文中，用于創(chuàng)建RBF神經(jīng)網(wǎng)絡(luò)的代碼為：

net=newrb(P_train,T_train,0,spread,40,2);

RBF神經(jīng)網(wǎng)絡(luò)一經(jīng)創(chuàng)建，不需要訓(xùn)練就可以直接使用。輸入向量首先與權(quán)值向量相乘，再輸入到隱含層節(jié)點中，計算樣本與節(jié)點中心的距離。該距離值經(jīng)過徑向基函數(shù)（通常為高斯型函數(shù)）的映射后形成隱含層的輸出，再輸出到輸出層，各個隱含層節(jié)點的線性組合形成了最終的網(wǎng)絡(luò)輸出。

可利用仿真函數(shù)進行實際的應(yīng)用，調(diào)用格式為：

其中，Yt為仿真測試的網(wǎng)絡(luò)輸出，net為訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)，Pt為仿真測試樣本的輸入矩陣。

3　影響男西服排料長度RBF神經(jīng)網(wǎng)絡(luò)估算模型的因素分析

3.1 擴展速度SPREAD

RBF函數(shù)的擴展速度，默認值為1。RBF函數(shù)的擴展速度越大，函數(shù)的擬合就越平滑。可是，若擴展速度越大就意味著需要越多的神經(jīng)元來適應(yīng)函數(shù)的快速變化；若擴展速度越小，就意味著需要許多神經(jīng)元以適應(yīng)函數(shù)的緩慢變化。設(shè)計的網(wǎng)絡(luò)性能就不會很好。因此，在網(wǎng)絡(luò)的設(shè)計過程中，需要設(shè)定不同的擴展速度值進行實驗，以確定一個最優(yōu)值。

在幅寬為144cm條件下，進行了不同SPREAD值下的網(wǎng)絡(luò)性能測試，結(jié)果如表3所示。

表3　不同spread值的RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值與期望值的對比

如表3所示，在擴展速度spread取不同數(shù)值時，RBF神經(jīng)網(wǎng)絡(luò)輸出的預(yù)測值與期望目標值的誤差不盡相同，同時，對于不同測試樣本，誤差的大小也有所區(qū)別。當擴展速度取0.1時，RBF神經(jīng)網(wǎng)絡(luò)的預(yù)測值與目標值相對最接近。

3.2 幅寬

幅寬是影響男西服排料長度的關(guān)鍵因素之一，在前述RBF神經(jīng)網(wǎng)絡(luò)模型的基礎(chǔ)上，將幅寬也作為輸入向量，構(gòu)建新的RBF網(wǎng)絡(luò)模型估算男西服排料長度，并比較擴展速度spread取值為0.1時，前后兩種模型的估算誤差，如表4所示。

表4　兩種RBF神經(jīng)網(wǎng)絡(luò)模型估算誤差對比　單位：cm

由表4，通過對比可知，RBF神經(jīng)網(wǎng)絡(luò)模型的輸入向量中是否含有幅寬，對網(wǎng)絡(luò)模型的輸出值會產(chǎn)生顯著的影響。輸入向量中不含幅寬的模型估算誤差要明顯小于輸入向量中含有幅寬的。

4　結(jié)語

本文以男西服為例，提出了一種基于RBF人工神經(jīng)網(wǎng)絡(luò)的估算服裝用料長度的新方法。利用NAC服裝CAD系統(tǒng)進行男西服制板、推板和排料，記錄、采集幅寬、號型組合方式、用料長度等有關(guān)數(shù)據(jù)后，構(gòu)建訓(xùn)練樣本集和測試樣本集，通過對RBF神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練與仿真測試，以及影響RBF神經(jīng)網(wǎng)絡(luò)模型的主要因素（如擴展速度spread、輸入向量等）的分析，結(jié)果初步顯示，本文所建立的神經(jīng)網(wǎng)絡(luò)模型可用于男西服用料長度的估算，是一種直接、簡單、高效的新方法。當然，經(jīng)過更多的科學實驗和數(shù)據(jù)訓(xùn)練，該方法將得到進一步的完善，可在其他服裝品類中推廣。

[1] 王曉梅．服裝訂單生產(chǎn)中用料的管理研究[J]．紡織導(dǎo)報，2013，（2）：82-84．

[2] 張恒，張欣，賀興時．應(yīng)用BP神經(jīng)網(wǎng)絡(luò)估算服裝鋪料長度[J]．上海毛麻科技，2010，（2）：6-11．

[3] 楊威，劉俊峰，馮峰．基于動態(tài)服裝結(jié)構(gòu)的服裝快速估料報價系統(tǒng)設(shè)計構(gòu)想[J]．浙江紡織服裝職業(yè)技術(shù)學院學報，2011，（2）：22-24．

[4] 劉瑞洲．服裝生產(chǎn)中實際用料量的快速測算方法[J]．廣西輕工業(yè)，2009，122（1）：102．160．

[5] 高巖．基于經(jīng)驗基礎(chǔ)上的非線性規(guī)劃法在服裝排料技術(shù)中的應(yīng)用研究[D]．蘇州：蘇州大學，2007．

[6] 羅正文．探討服裝生產(chǎn)用料量的計算技術(shù)[J]．科技資訊，2014，（15）：102.

[7] Kenji S., editor. Artificial neural networks-industrial and engineering applications[M]．India: InTech.，2011．1-30.

[8] Haykin S．Neural networks and Learning Machines[M]．New Jersey: Pearson Education Inc.，2009．1-46.

[9] 裘玉英．服裝加工快速報價系統(tǒng)的建立與應(yīng)用[D]．上海：東華大學，2003.

[10] 薛廣洲，姚曉林．外貿(mào)針織服裝面料預(yù)估計算方法[J]．天津工業(yè)大學學報，2002，21（4）：72-75.

Application of RBF Artificial Neural Networks in Estimating Spreading Length of Man Suit

XING Ying-mei, WANG Zhu-jun, YUAN Meng-meng, LI Shi-wei, DU Fei-fei
(College of Textile and Apparel, Anhui Polytechnic University, Wuhu Anhui 241000, China)

It is vital to estimate fabric costs fast and accurately for the apparel enterprises. In order to present a new approach with the advantages of fast and accuracy for estimating fabric costs, in this paper, man suit was taken for instance, and an innovative approach for estimating the length of man suit marking by RBF artificial neural network was put forward. Through series of experiments, the results showed that it was feasible for estimating fabric costs by the method of RBF artificial neural networks although there were some drawbacks, such as the accuracy was not inadequate. But if the RBF ANN model was trained by more typical data set and suitable algorithm, the properties of ANN model would be better.

man suit; marking; spreading length; RBF artificial neural networks

TP183

A

2095－414X(2016)03－0043－05

王竹君（1982-），男，副教授，研究方向：數(shù)字化服裝與服飾品設(shè)計.

安徽省大學生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項目（AH201410363211、201510363192）；教育部教育信息管理中心計算機輔助技術(shù)教育課題（CAXC-13A-33）；安徽工程大學青年科研基金項目（2007YQ050）；安徽工程大學校級本科教學質(zhì)量提升計劃項目（2014jyxm21、2015jyxm24）；安徽工程大學人文社科重點研究基地項目（?？谱郑?014］6 號）.