袁惠芬，王 旭,2，齊雪良，劉新華,2

基于神經(jīng)網(wǎng)絡(luò)的批量定制服裝號型分類研究

袁惠芬1，王 旭1,2，齊雪良1，劉新華1,2

（1. 安徽工程大學(xué) 紡織面料安徽省高校重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000；2. 安徽工程大學(xué) 紡織行業(yè)科技公共服務(wù)平臺，安徽 蕪湖 241000）

為提高批量定制服裝號型的分類效率，運(yùn)用神經(jīng)網(wǎng)絡(luò)方法，以男襯衫為研究對象，用6個測量項(xiàng)目（身高、胸圍、腰圍、頸圍、肩寬和全臂長）為分類變量，對686名男性人體號型進(jìn)行K-means聚類分析，并將聚類結(jié)果作為樣本，對神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。以混淆矩陣為指標(biāo)研究了不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法及傳遞函數(shù)的分類效果。研究表明，分類效果隨訓(xùn)練算法、網(wǎng)絡(luò)結(jié)構(gòu)不同存在明顯差異，其中標(biāo)準(zhǔn)BP算法分類效果最差，彈性BP算法分類效果最好，且分類效果隨隱層神經(jīng)元數(shù)量的增加而提高，隱層和輸出層傳遞函數(shù)均為logsig時，分類效果最好。

批量定制；號型分類；聚類分析；人工神經(jīng)網(wǎng)絡(luò)；混淆矩陣

批量定制是職業(yè)服裝常見的加工方式，具有低成本、高效率的優(yōu)點(diǎn)。號型分類是批量定制生產(chǎn)的重要環(huán)節(jié)。傳統(tǒng)的號型分類主要依賴人工進(jìn)行，分類效率低且易造成分類錯誤。如何提高分類準(zhǔn)確性及分類效率成為定制服裝企業(yè)和科研人員關(guān)注的焦點(diǎn)。目前針對服裝號型分類的研究包括K-means聚類、擇近分類、最小距離分類等。文獻(xiàn)[1]以國標(biāo)號型為基準(zhǔn)，采用K-means算法對219名女性體型進(jìn)行了聚類分析，并討論了如何確定最佳聚類數(shù)及迭代次數(shù)。文獻(xiàn)[2]選擇了64個國標(biāo)號型為參考點(diǎn)，以擇近方式對男西服進(jìn)行了號型分類。文獻(xiàn)[3]提出以量體尺寸和成品規(guī)格尺寸的誤差平方和為合體性指標(biāo)，并將個體歸入誤差平方和最小的類別，以此作為批量定制號型分類的依據(jù)。文獻(xiàn)[4]考慮到不同年齡段女性體型差異，運(yùn)用有序樣本最優(yōu)分割法，得出了青年、成熟和中老年女性體型分類的特征變量。文獻(xiàn)[5]以國標(biāo)男子服裝號型5.4系列和5.2系列分檔規(guī)定為參考，提出基于最小距離法的男子上衣號型智能推薦算法，并通過計(jì)算機(jī)實(shí)現(xiàn)紙樣的快速生成。文獻(xiàn)[6-8]采用統(tǒng)計(jì)分析的方法，分別研究了東北、福建及江浙地區(qū)女性體型特點(diǎn)，并提出Y、A、B等不同體型控制部位的推薦檔差。上述關(guān)于號型分類的研究大多采用聚類分析方法，其分類結(jié)果易受初始聚心及分類數(shù)的影響而不穩(wěn)定，且需要人為干預(yù)而影響分類效率。近年來，隨著人工智能的發(fā)展，經(jīng)過訓(xùn)練的神經(jīng)網(wǎng)絡(luò)在號型分類、規(guī)格尺寸自動生成等方面體現(xiàn)出準(zhǔn)確性好、效率高的優(yōu)點(diǎn)[9-11]。

為提高號型分類效率，本文以男襯衫號型分類為研究對象，以身高、胸圍、腰圍、頸圍、肩寬和全臂長為分類變量進(jìn)行聚類分析，并將聚類結(jié)果作為訓(xùn)練樣本，對建立的神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練和測試。以分類正確率為指標(biāo)研究了不同網(wǎng)絡(luò)結(jié)構(gòu)、訓(xùn)練算法及傳遞函數(shù)的分類效果。研究結(jié)果為提高批量定制服裝號型分類效率提供了參考。

1 試驗(yàn)部分

1.1 數(shù)據(jù)分析流程

號型數(shù)據(jù)分析流程如圖1所示，包括網(wǎng)絡(luò)訓(xùn)練樣本數(shù)據(jù)的準(zhǔn)備、網(wǎng)絡(luò)建立、網(wǎng)絡(luò)訓(xùn)練、網(wǎng)絡(luò)輸出和分類效果評價等過程。

訓(xùn)練樣本數(shù)據(jù)由量體數(shù)據(jù)經(jīng)改進(jìn)的K-means聚類分析后產(chǎn)生。BP網(wǎng)絡(luò)的建立包括網(wǎng)絡(luò)層次結(jié)構(gòu)、各層神經(jīng)元數(shù)量和傳遞函數(shù)的選擇。BP網(wǎng)絡(luò)的訓(xùn)練，即通過訓(xùn)練樣本不斷調(diào)整網(wǎng)絡(luò)權(quán)值和偏置值，使網(wǎng)絡(luò)性能指數(shù)不斷優(yōu)化。最后通過混淆矩陣表示的網(wǎng)絡(luò)輸出和目標(biāo)向量的差異，對網(wǎng)絡(luò)的分類效果進(jìn)行評價。

圖1 數(shù)據(jù)分析流程圖

圖2 人體測量項(xiàng)目示意圖

1.2 訓(xùn)練樣本數(shù)據(jù)準(zhǔn)備

訓(xùn)練樣本是已具有分類標(biāo)記的數(shù)據(jù)，其作用是通過多次訓(xùn)練并不斷調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值和偏置值，以提高號型分類的正確率。本次試驗(yàn)訓(xùn)練樣本數(shù)據(jù)來源為686名成年男性定制襯衫，6個測量項(xiàng)目包括：身高、胸圍、腰圍、頸圍、肩寬和全臂長（見圖2）。參考文獻(xiàn)[12]采用的改進(jìn)K-means聚類算法對數(shù)據(jù)進(jìn)行聚類，并將結(jié)果作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練樣本。 686個量體數(shù)據(jù)，最終被聚為12個類別，即網(wǎng)絡(luò)輸入向量為686個列向量，每個列向量為6行1列，分別表示6個量體數(shù)據(jù)，其對應(yīng)的目標(biāo)向量為686個列向量，每個列向量為12行1列，元素1所在的行表示其歸屬的號型類別，其他行元素均為0。

1.3 神經(jīng)網(wǎng)絡(luò)的建立

多層前向BP網(wǎng)絡(luò)由多個神經(jīng)元層構(gòu)成，每層有多個神經(jīng)元，神經(jīng)元是一個多輸入單輸出的信息處理單元。理論上已證明，兩層(一個隱層和一個輸出層)BP網(wǎng)絡(luò)可實(shí)現(xiàn)任意非線性映射，故本次試驗(yàn)選擇兩層BP網(wǎng)絡(luò)，其結(jié)構(gòu)如圖3所示。

圖3中，表示輸入向量，表示輸入節(jié)點(diǎn)數(shù)，、和a分別表示神經(jīng)元數(shù)量、傳遞函數(shù)和輸出，和分別表示網(wǎng)絡(luò)權(quán)值矩陣和偏置值向量，其中上標(biāo)1、2分別表示隱層和輸出層。圖2的網(wǎng)絡(luò)結(jié)構(gòu)可簡記為-1-2，其中由的維數(shù)決定，本次試驗(yàn)輸入向量為6維，故=6。輸出層的神經(jīng)元數(shù)2由目標(biāo)向量的維數(shù)決定，本次試驗(yàn)?zāi)繕?biāo)向量為12維，故輸出層神經(jīng)元數(shù)為2=12。隱層神經(jīng)元數(shù)1一般采用試探的方式進(jìn)行，為減少計(jì)算和存儲，在滿足預(yù)定精度的條件下，隱層神經(jīng)元的數(shù)目以少為宜。傳遞函數(shù)，包括非線性函數(shù)logsig、tansig和線性函數(shù)purelin等，不同的傳遞函數(shù)會引起網(wǎng)絡(luò)輸出的變化，通?？筛鶕?jù)對比試驗(yàn)，選擇分類正確率高的傳遞函數(shù)。

圖3 兩層BP網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.4 網(wǎng)絡(luò)訓(xùn)練算法

網(wǎng)絡(luò)訓(xùn)練的目的是通過調(diào)整網(wǎng)絡(luò)參數(shù)來優(yōu)化網(wǎng)絡(luò)性能，使網(wǎng)絡(luò)輸出和目標(biāo)更加接近。通常定義網(wǎng)絡(luò)輸出和目標(biāo)間的均方誤差()，作為反映網(wǎng)絡(luò)性能指數(shù)的定量標(biāo)準(zhǔn)，網(wǎng)絡(luò)訓(xùn)練算法就是搜索能不斷減小()的參數(shù)空間的算法，如最速下降法、牛頓法、共軛梯度法，以及上述算法的改進(jìn)。

1.4.1 最速下降法

最速下降法是對()按式（1）進(jìn)行一階Taylor級數(shù)近似展開的迭代算法。利用迭代點(diǎn)處的一階導(dǎo)數(shù)(梯度)對()近似，沿()負(fù)梯度方向不斷形成新迭代點(diǎn)，直至滿足精度要求。

1.4.2 牛頓法

牛頓法是對()按式（3）進(jìn)行二階Taylor級數(shù)近似展開的迭代算法.利用迭代點(diǎn)處的一階導(dǎo)數(shù)(梯度)和二階導(dǎo)數(shù)(Hessian矩陣)對()近似，并取使()達(dá)極小點(diǎn)的迭代點(diǎn)作為新的迭代點(diǎn)，并不斷重復(fù)，直至滿足精度要求。

1.4.3 共軛梯度法

當(dāng)向量集合{}對正定Hessian矩陣兩兩共軛，即滿足式（6）.

那么，共軛梯度法滿足迭代式（7）。

最速下降法僅以當(dāng)前迭代時F(x)的負(fù)梯度方向?qū)W(wǎng)絡(luò)參數(shù)進(jìn)行修正，沒有考慮到梯度變化的趨勢，實(shí)際應(yīng)用時，易出現(xiàn)振蕩、收斂緩慢及陷入局部極小等缺點(diǎn)，可通過啟發(fā)式改進(jìn)或數(shù)值優(yōu)化處理，前者包括附加動量、可變學(xué)習(xí)率、有動量可變學(xué)習(xí)率、彈性梯度下降法等，后者包括擬牛頓法、Levenberg-Marquardt等方法。Matlab神經(jīng)網(wǎng)絡(luò)工具箱中均提供上述算法的訓(xùn)練函數(shù)。

1.5 分類效果評價

混淆矩陣（Confusion Matrix）是評價神經(jīng)網(wǎng)絡(luò)分類效果的常用指標(biāo)之一，其表達(dá)式見式（8）。混淆矩陣的每一列代表網(wǎng)絡(luò)輸出類別，每一列元素的總和表示網(wǎng)絡(luò)輸出為該類別的數(shù)量。每一行代表了數(shù)據(jù)的實(shí)際類別，即目標(biāo)向量反映的類別，每一行元素的總和表示該類別數(shù)據(jù)的實(shí)際數(shù)量。其中主對角線元素c表示網(wǎng)絡(luò)輸出為第類，實(shí)際也為第類。非對角線元素c則表示實(shí)際為第類，而網(wǎng)絡(luò)輸出卻為第類.如果主對角線上元素?cái)?shù)值大，則表明網(wǎng)絡(luò)的輸出和實(shí)際類別一致，說明網(wǎng)絡(luò)分類效果好，反之則說明網(wǎng)絡(luò)分類效果不好。

由于目標(biāo)列向量，用元素1所在的行表示類別，其余行元素均為0，而網(wǎng)絡(luò)輸出結(jié)果則可能出現(xiàn)各行均為非0元素的情況，此時可通過對網(wǎng)絡(luò)輸出神經(jīng)元進(jìn)行競爭處理，即網(wǎng)絡(luò)輸出層神經(jīng)元最大值競爭獲勝，元素為1，而其他神經(jīng)元則均競爭失敗，元素均為0。

2 結(jié)果與討論

2.1 影響網(wǎng)絡(luò)分類效果的因素

訓(xùn)練算法、網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)及傳遞函數(shù)的不同均對網(wǎng)絡(luò)分類效果產(chǎn)生影響，其中訓(xùn)練算法的影響最為明顯。有監(jiān)督網(wǎng)絡(luò)訓(xùn)練目的是調(diào)整網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)輸出和目標(biāo)更加接近。通常定義網(wǎng)絡(luò)輸出和目標(biāo)間的均方誤差為衡量網(wǎng)絡(luò)性能的定量指標(biāo)，并逐步搜索減小該指標(biāo)的參數(shù)空間，以優(yōu)化網(wǎng)絡(luò)性能。網(wǎng)絡(luò)層數(shù)、各層神經(jīng)元數(shù)量和傳遞函數(shù)等網(wǎng)絡(luò)結(jié)構(gòu)的變化，對網(wǎng)絡(luò)分類效果也產(chǎn)生一定的影響。

通常網(wǎng)絡(luò)建立后會隨機(jī)賦予網(wǎng)絡(luò)權(quán)值矩陣和偏置值向量一個初值，初值不同會對網(wǎng)絡(luò)訓(xùn)練產(chǎn)生影響。為避免網(wǎng)絡(luò)因過度擬合而導(dǎo)致泛化能力差，可通過及時停止訓(xùn)練來解決，即先將輸入向量隨機(jī)分成訓(xùn)練、驗(yàn)證和測試集。訓(xùn)練集負(fù)責(zé)訓(xùn)練并調(diào)整和.驗(yàn)證集參與訓(xùn)練并監(jiān)控誤差，隨和的調(diào)整，開始階段驗(yàn)證集誤差逐漸下降，如果出現(xiàn)過度擬合則驗(yàn)證集誤差會提高并計(jì)驗(yàn)證錯誤次數(shù)1次，當(dāng)驗(yàn)證錯誤次數(shù)超過預(yù)定次數(shù)時，即停止訓(xùn)練，以此時的和作為訓(xùn)練后的網(wǎng)絡(luò)參數(shù)。測試集是未經(jīng)訓(xùn)練的數(shù)據(jù)，用于考察網(wǎng)絡(luò)對未知數(shù)據(jù)的分類效果。本次試驗(yàn)和的調(diào)整采用批處理方式，即完成所有輸入向量的訓(xùn)練后，再修改和。

2.2 不同訓(xùn)練算法的分類效果

所有試驗(yàn)數(shù)據(jù)處理在CPU頻率3.0GHz，內(nèi)存4GB的計(jì)算機(jī)上進(jìn)行，其中神經(jīng)網(wǎng)絡(luò)的建立和訓(xùn)練軟件為Matlab 7.6自帶神經(jīng)網(wǎng)絡(luò)工具箱。圖4為采用標(biāo)準(zhǔn)BP算法的訓(xùn)練過程示意圖，其中網(wǎng)絡(luò)輸入節(jié)點(diǎn)6，隱層、輸出層的神經(jīng)元數(shù)量分別為40和12，隱層和輸出層傳遞函數(shù)均為logsig，終止訓(xùn)練條件為迭代1000次或性能指數(shù)小于等于10-3。

圖4 標(biāo)準(zhǔn)BP算法訓(xùn)練過程示意圖

分別用相同的網(wǎng)絡(luò)結(jié)構(gòu)和傳遞函數(shù)比較了標(biāo)準(zhǔn)BP算法（最速下降法）、可變學(xué)習(xí)率BP算法、彈性梯度下降法、擬牛頓法、Levenberg-Marquardt法、共軛梯度法等6種不同訓(xùn)練算法的分類效果.每種訓(xùn)練算法共執(zhí)行10次，取分類正確率最高的進(jìn)行比較，其結(jié)果如表1所示。

表1 不同訓(xùn)練算法的分類結(jié)果

通常性能指數(shù)越低，說明網(wǎng)絡(luò)輸出和目標(biāo)越接近，分類效果越好，即分類正確率越高。由表1可看出，除了Levenberg-Marquardt法是達(dá)到性能指數(shù)網(wǎng)絡(luò)訓(xùn)練終止外，其他算法均達(dá)到最大迭代次數(shù)而網(wǎng)絡(luò)訓(xùn)練終止.從正確率來看，標(biāo)準(zhǔn)BP算法分類正確率僅40.7%，可變學(xué)習(xí)率BP算法、共軛梯度法和擬牛頓法分類正確率有所提高，分別達(dá)到50.9%，66.2%和79.0%，上述4種算法訓(xùn)練的網(wǎng)絡(luò)對于號型分類，幾乎沒有實(shí)際運(yùn)用價值。彈性梯度法和Levenberg-Marquardt法，分類正確率是最好的兩類，分別為95.3%和98.8%，雖然彈性梯度法在分類正確率上略低于Levenberg-Marquardt法，但訓(xùn)練時間上明顯優(yōu)于Levenberg-Marquardt法。

綜上分析，6種算法中，彈性梯度法具有分類正確率高且訓(xùn)練時間短的優(yōu)點(diǎn)，適合作為號型分類神經(jīng)網(wǎng)絡(luò)的訓(xùn)練算法。

2.3 不同網(wǎng)絡(luò)結(jié)構(gòu)的分類效果

根據(jù)2.2小節(jié)，選擇彈性梯度算法考察了不同的隱層神經(jīng)元數(shù)量和傳遞函數(shù)時的分類效果。其中隱層和輸出層傳遞函數(shù)，分別采用logsig-logsig、logsig-purelin、logsig-tansig、purelin-purelin等4種搭配形式。隱層神經(jīng)元數(shù)量從20個，每次遞增20個至80個為止。終止訓(xùn)練條件為迭代5000次或性能指數(shù)小于等于10-3。每種網(wǎng)絡(luò)結(jié)構(gòu)共執(zhí)行10次，取分類效果最好的結(jié)果進(jìn)行比較。表2為不同網(wǎng)絡(luò)結(jié)構(gòu)下的分類正確率。

表2 不同網(wǎng)絡(luò)結(jié)構(gòu)的網(wǎng)絡(luò)輸出

由表2看出，當(dāng)隱層和輸出層傳遞函數(shù)均為logsig時，隨隱層神經(jīng)元數(shù)量從20個增加到80個，分類正確率從91.5%逐漸提高到98.2%。這說明隱層神經(jīng)元個數(shù)的提高，有利于提高網(wǎng)絡(luò)的分類正確率。當(dāng)隱層和輸出層傳遞函數(shù)分別為logsig、purelin時，隨隱層神經(jīng)元數(shù)量從20到80的增加，分類正確率從69.2%逐漸提高到87.9%。當(dāng)隱層和輸出層傳遞函數(shù)分別為logsig、tansig時，隨隱層神經(jīng)元數(shù)量從20到80的增加，分類正確率從71.4%逐漸提高到81.1%。當(dāng)隱層和輸出層傳遞函數(shù)分別為purelin、purelin時，隨隱層神經(jīng)元數(shù)量從20到80的增加，分類正確率從32.1%逐漸提高到47.2%。

表2的結(jié)果說明，隱層和輸出層兩種不同傳遞函數(shù)的搭配方式，均隨著隱層神經(jīng)元數(shù)量的遞增，分類效果逐漸提高，且隱層神經(jīng)元數(shù)量相同時，隱層、輸出層傳遞函數(shù)均為logsig時，分類效果明顯優(yōu)于其他網(wǎng)絡(luò)結(jié)構(gòu)。

3 結(jié)論

以混淆矩陣為指標(biāo)，采用BP神經(jīng)網(wǎng)絡(luò)考察了批量定制男襯衫的號型分類效果，結(jié)論如下：

（1）分類效果隨訓(xùn)練算法不同存在明顯差異，其中標(biāo)準(zhǔn)BP算法分類效果最差，彈性梯度法和Levenberg-Marquardt分類效果好，正確率分別達(dá)95.3%，98.8%，且彈性梯度算法訓(xùn)練時間短，更適合作為號型分類神經(jīng)網(wǎng)絡(luò)訓(xùn)練算法。

（2）彈性BP算法分類效果隨網(wǎng)絡(luò)結(jié)構(gòu)不同存在明顯差異，當(dāng)隱層和輸出層傳遞函數(shù)均為logsig時，分類效果優(yōu)于其他情況，且隨隱層神經(jīng)元數(shù)量從20增加到80，分類正確率從91.5%提高到98.2%。

[1] 方方，王子英．K-means聚類分析在人體體型分類中的應(yīng)用[J]．東華大學(xué)學(xué)報(bào)（自然科學(xué)版），2014，40(5)：593-598．

[2] 王建萍，李月麗，喻芳．基于擇近原則的服裝號型數(shù)字化歸檔方法[J]．紡織學(xué)報(bào)，2007，28(11)：106-110．

[3] 張恒，張欣．基于批量定制的服裝號型歸檔方法[J]．東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，35(4)：436-440．

[4] 尹玲，張文斌，許才國．基于有序樣本最優(yōu)分割法的女性體型分類[J]．紡織學(xué)報(bào)，2014，(09)：114-119．

[5] 盧丹，郝礦榮，丁永生．男上裝個性化紙樣的快速生成方法[J]．東華大學(xué)學(xué)報(bào)(自然科學(xué)版)，2014，(03)：311-317．

[6] 潘力，王軍，沙莎，等．東北地區(qū)青年女子體型分類與服裝檔差研究[J]．紡織學(xué)報(bào)，2013，(11)：131-135．

[7] 黃燦藝．福建地區(qū)青年女性體型劃分與尺寸分檔[J]．紡織學(xué)報(bào)，2012，(05)：111-115．

[8] 張金花，王宏付．江浙女青年中心號型及各圍度部位檔差分析[J]．紡織學(xué)報(bào)，2011，(09)：100-103．

[9] 孫潔，金娟鳳，倪世明，等．基于神經(jīng)網(wǎng)絡(luò)集成的女下裝號型歸檔模型構(gòu)建[J]．紡織學(xué)報(bào)，2013，(08)：110-114．

[10]王竹君，李婷玉，邢英梅，等．改進(jìn)型BP網(wǎng)絡(luò)在男西服規(guī)格尺寸自動生成上的應(yīng)用[J]．武漢紡織大學(xué)學(xué)報(bào)，2014，(06)：36-39．

[11]于輝，鄭瑞平．基于BP神經(jīng)網(wǎng)絡(luò)的MTM中合體服裝樣板生成研究[J]．北京服裝學(xué)院學(xué)報(bào)(自然科學(xué)版)，2013，(01)：35-41．

[12]齊雪良，袁惠芬，王旭．上海地區(qū)成年女性批量定制服裝號型分類研究[J]．武漢紡織大學(xué)學(xué)報(bào)，2016，(04)：8-12．

Investigation on Mass Customization Clothing Shape Classification by Artificial Neural Network

YUAN Hui-fen1, WANG Xu1,2, QI Xue-liang1, LIU Xin-hua1,2

(1. Anhui Provincial Key Laboratory of Textile Fabric, Anhui Polytechnic University, Wuhu Anhui 241000, China；2. The Science and Technology Public Service Platform for Textile industry, Anhui Polytechnic University, Wuhu Anhui 241000, China)

In order to accelerate shape classification efficiency of mass customization clothing, artificial neural network method was applied. Take man shirt for example, 686 male body data was classified by K-means algorithms with 6 variables (height, bust circumference, waist circumference, neck circumference, shoulder width and arm length) to generate sample for training and testing neural network. Then, classification accuracy rate of network was studied by confusion matrix with different structures, training algorithms and transfer function. The results revealed obvious difference of classification accuracy rate existed in network with different training algorithms and structure. The lowest classification accuracy rate came from standard BP algorithms, while the highest one came from resilient BP algorithms. The classification accuracy rate increased with the increase of the neuron number of hide-layer. The best classification came from logsig transfer function both used in hide-layer and output-layer.

mass customization; shape classification; clustering analysis; artificial neural network; confusion matrix

袁惠芬（1972-），女，教授，研究方向：服裝數(shù)字化.

安徽省教育廳質(zhì)量工程項(xiàng)目（2015sjjd012）；安徽省高等教育振興計(jì)劃項(xiàng)目（2015zdjy087）；安徽工程大學(xué)服裝工程特色專業(yè)（2016tszy009）.

TS 941.7

A

2095－414X(2018)03－0041－05