韓 韜，郝礦榮，丁永生，唐雪嵩

(東華大學(xué) 信息科學(xué)與技術(shù)學(xué)院，上海201620)

生活中各式各樣的服裝是必不可少的，人們?cè)谧非蟠┮驴钍降耐瑫r(shí)，也關(guān)注服裝的舒適性。服裝的舒適性主要包括3個(gè)方面: 壓力、透氣性、熱濕舒適性。不同款式、尺寸的衣服會(huì)對(duì)人體產(chǎn)生不同的壓力，而不同的服裝壓力會(huì)直接影響人們對(duì)服裝舒適性的感覺(jué)，進(jìn)而可能會(huì)影響人體的生理和心理健康。因此，壓力舒適性已經(jīng)被看作是服裝舒適性的一項(xiàng)重要的評(píng)價(jià)指標(biāo)。相對(duì)于普通衣服，一些緊身類(lèi)型衣服，比如運(yùn)動(dòng)緊身衣、塑形內(nèi)衣、速干透氣壓縮衣等的壓力舒適性，更有研究?jī)r(jià)值。

Tang等[1]研究了人體穿著衣服時(shí)的熱舒適性評(píng)價(jià)，并做了多尺度的建模。Maton等[2]研究了具有壓力的彈性壓縮襪在對(duì)人體持續(xù)施加壓力的時(shí)間內(nèi)，是否會(huì)造成人體肌肉的疲勞感，以及這種彈性襪子對(duì)疲勞的改善。Wang等[3]提出了一種新的幾何細(xì)分方法來(lái)模擬和觀察人體變形后的彈性體和服裝壓力的分布。Ng等[4]提出了一種利用近景攝影測(cè)量間接預(yù)測(cè)緊身腰帶對(duì)人體皮膚施加壓力的新方法。Wang等[5]開(kāi)發(fā)了一種具有多個(gè)壓力傳感器的智能人體模型，將這些傳感器內(nèi)置在不同的表面上，可以橫向擴(kuò)展以模仿不同的身體尺寸，可用于測(cè)量人體穿衣服時(shí)候的壓力信息。除此之外，Wang等[6]還研究了關(guān)于壓縮服裝的動(dòng)態(tài)壓力特性的測(cè)試系統(tǒng)和測(cè)量方法。Mirjalili等[7]研究了一種基于接觸力學(xué)的彈性服裝與人體某些部位的接觸壓力的分析 。

占輝等[8]研究了適應(yīng)人體皮膚變化的因素以及服裝壓力舒適性的應(yīng)用。宋曉霞等[9]研究了服裝壓力的測(cè)定等幾個(gè)方面對(duì)服裝壓力與人體舒適性之間的關(guān)系。閔悅[10]從多方面探討了人體舒適性和服裝壓力之間的關(guān)系，并分析了如何用數(shù)字化方式構(gòu)建服裝壓力模型。除了研究通用型服裝與人體壓力之間的關(guān)系，一些學(xué)者還專(zhuān)門(mén)研究一些特殊服裝對(duì)人體或者人體某個(gè)部位產(chǎn)生的壓力。于曉坤等[11]探討了基于松弛強(qiáng)力的文胸肩帶彈性回復(fù)率與壓力的回歸模型。王麗卓等[12]研究了國(guó)內(nèi)女性的文胸服裝壓感舒適性，研究結(jié)果可為女性日常穿著文胸提供參考。梁素貞[13]對(duì)不同彈性和腰圍的女性牛仔褲腰部壓力舒適性進(jìn)行研究。宋曉霞等[14-15]采用自行研制的壓力測(cè)試系統(tǒng)測(cè)量瑜伽服上衣靜態(tài)穿著壓力，并分析影響瑜伽服上衣壓力的主要因素，之后采用幾種針織面料分別制作基本款針織運(yùn)動(dòng)上衣，測(cè)量穿著對(duì)象在穿著這些服裝做典型瑜伽動(dòng)作時(shí)的服裝壓力。周晴等[16]利用心理量表對(duì)不同號(hào)型、款式和彈性的運(yùn)動(dòng)內(nèi)衣做出主觀壓力感評(píng)價(jià)。

文獻(xiàn)中關(guān)于人體著裝壓力信息的預(yù)測(cè)，大多以物理模型或者數(shù)學(xué)中的幾何模型進(jìn)行建模，這種模型不能從壓力數(shù)據(jù)中學(xué)習(xí)到數(shù)據(jù)之間的特征，無(wú)法很好地表征人體不同部位間的壓力數(shù)據(jù)之間的關(guān)聯(lián)。本文提出的深度長(zhǎng)短時(shí)記憶(long short-term memory， LSTM)模型，是基于不同人體穿衣時(shí)采樣壓力數(shù)據(jù)來(lái)訓(xùn)練模型，按照時(shí)序關(guān)系進(jìn)行采樣。該模型是時(shí)序數(shù)據(jù)驅(qū)動(dòng)模型，可以從數(shù)據(jù)中很好地學(xué)習(xí)到人體不同部位壓力數(shù)據(jù)之間的聯(lián)系，并可以表征人體不同部位壓力的信息特征。從采樣的不同人體壓力數(shù)據(jù)中，可以更好地探索人體不同部位的壓力信息數(shù)據(jù)之間的關(guān)系，進(jìn)一步挖掘壓力信息中有用的部分。

1 問(wèn)題描述

為了研究服裝對(duì)人體的壓力舒適程度，本文采用柔性壓力陣列采樣人體各個(gè)部位的壓力數(shù)據(jù)。以上衣為例，分別采樣穿上這件上衣后的左肩、右肩、左胸、右胸、左背、右背這6個(gè)區(qū)域的壓力信息。但在試驗(yàn)中，如分別采樣這6個(gè)區(qū)域的壓力信息，則耗時(shí)耗力，非常麻煩。事實(shí)上，人在穿上衣服以后，人體的肩部、胸部、背部之間的壓力信息之間存在某種關(guān)聯(lián)，因此可以設(shè)計(jì)一種算法，只采樣人體某一個(gè)部位的壓力信息，比如左肩的壓力信息，以此來(lái)預(yù)測(cè)出左胸和左背區(qū)域的壓力信息，如圖1所示。這樣不僅能節(jié)省采樣時(shí)間和柔性壓力陣列的實(shí)驗(yàn)器材損耗，同時(shí)也能夠大幅度減少試驗(yàn)次數(shù)。

圖1 問(wèn)題描述示意圖Fig.1 Schematic diagram of problem description

2 LSTM神經(jīng)網(wǎng)絡(luò)模型及壓

力信息預(yù)測(cè)

2.1 LSTM神經(jīng)網(wǎng)絡(luò)

循環(huán)神經(jīng)網(wǎng)絡(luò)(RNN)是一種深度神經(jīng)網(wǎng)絡(luò)[17-18]，LSTM神經(jīng)網(wǎng)絡(luò)是循環(huán)神經(jīng)網(wǎng)絡(luò)的一種變種模型。LSTM神經(jīng)網(wǎng)絡(luò)可以有效地解決全連接RNN中梯度消失或者爆炸的問(wèn)題。LSTM神經(jīng)網(wǎng)絡(luò)最重要的是引入了一個(gè)內(nèi)部記憶單元來(lái)保存一些歷史信息。內(nèi)部記憶單元可以學(xué)習(xí)，什么時(shí)候應(yīng)該忘記歷史信息，什么時(shí)候來(lái)新的消息，進(jìn)而需要?jiǎng)討B(tài)地更新內(nèi)部記憶單元。LSTM神經(jīng)網(wǎng)絡(luò)的計(jì)算結(jié)構(gòu)如圖2所示。

圖2 LSTM神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)構(gòu)Fig.2 Computational structure of LSTM neural network

在圖2中，c(t)是一個(gè)t時(shí)刻內(nèi)部記憶單元，c(t)受3個(gè)門(mén)(輸入門(mén)i(t)、遺忘門(mén)f(t)、輸出門(mén)o(t)控制)。在t時(shí)刻，LSTM結(jié)構(gòu)按照如下方式更新:

i(t)=σ(Wiv(t)+Uir(t-1)+bi)
f(t)=σ(Wfv(t)+Ufr(t-1)+bf)
o(t)=σ(Wov(t)+Uor(t-1)+bo)
e(t)=h(Wev(t)+Uer(t-1)+be)
c(t)=f(t)θ(t-1)+i(t)θe(t)
r(t)=o(t)θh(c(t))

(1)

式中：v(t)為當(dāng)前時(shí)刻t的輸入向量；r(t)為當(dāng)前時(shí)刻記憶單元的輸出向量；W和U為權(quán)值矩陣的參數(shù)；b為偏置向量；h(·)為tanh(·) 函數(shù)。σ(·)為logistic sigmoid函數(shù)。

2.2 深度LSTM神經(jīng)網(wǎng)絡(luò)

按照時(shí)間和狀態(tài)將網(wǎng)絡(luò)展開(kāi)，LSTM神經(jīng)網(wǎng)絡(luò)是一個(gè)很深的深度神經(jīng)網(wǎng)絡(luò)，但是從另一個(gè)方面而言，這個(gè)網(wǎng)絡(luò)的結(jié)構(gòu)是很淺的。因?yàn)樵谌魏蝺蓚€(gè)相鄰的時(shí)刻，神經(jīng)網(wǎng)絡(luò)的輸入狀態(tài)和隱藏狀態(tài)只有一個(gè)非線性函數(shù)，同樣地，在隱藏狀態(tài)和輸出狀態(tài)之間也只有一個(gè)非線性函數(shù)。

由于增大神經(jīng)網(wǎng)絡(luò)的深度，可以在某些方面增加神經(jīng)網(wǎng)絡(luò)的處理能力，本文將許多個(gè)LSTM神經(jīng)網(wǎng)絡(luò)堆疊起來(lái)，設(shè)計(jì)成為一個(gè)深度LSTM網(wǎng)絡(luò)。通過(guò)堆疊多個(gè)隱藏狀態(tài)，提出了按照時(shí)序展開(kāi)的深度LSTM神經(jīng)網(wǎng)絡(luò)，以此來(lái)預(yù)測(cè)人體的壓力信息分布。基于時(shí)序展開(kāi)的深度LSTM網(wǎng)絡(luò)的結(jié)構(gòu)圖如圖3所示。

圖3 按照時(shí)序展開(kāi)的深度LSTM神經(jīng)網(wǎng)絡(luò)Fig.3 Deep LSTM neural networks according to time sequence expansion

由圖3可知：在此4層堆疊的深度LSTM網(wǎng)絡(luò)中，高層的LSTM網(wǎng)絡(luò)按照時(shí)序從低層的LSTM網(wǎng)絡(luò)學(xué)習(xí)到數(shù)據(jù)特征；隨著時(shí)間的推移，高層的LSTM網(wǎng)絡(luò)從低層的LSTM網(wǎng)絡(luò)中學(xué)到越來(lái)越多的抽象的數(shù)據(jù)特征。

第L層神經(jīng)網(wǎng)絡(luò)的輸入是第L-1層神經(jīng)網(wǎng)絡(luò)的輸出。隱含層中高層網(wǎng)絡(luò)的狀態(tài)在t時(shí)刻定義為gt(l)，則

gt(l)=h(U(l)gt-1(l)+W(l)gt(l-1)+b(l))

(2)

式中：h(·)為tanh(·)函數(shù)。若l=1，則

gt(1)=xt

(3)

當(dāng)l=1時(shí)，第1層神經(jīng)網(wǎng)絡(luò)為輸入層的狀態(tài)，即是輸入在t時(shí)刻的狀態(tài)xt。在本文提出的模型中，gil是第l層的LSTM網(wǎng)絡(luò)的狀態(tài)，通過(guò)深度LSTM網(wǎng)絡(luò)結(jié)構(gòu)，輸入人體的肩部壓力信息，再通過(guò)肩部壓力信息與背部或者胸部之間的某種關(guān)系，進(jìn)而預(yù)測(cè)出背部和胸部的壓力信息分布。

第1層LSTM神經(jīng)網(wǎng)絡(luò)的輸入是一維的，輸出為50，激活函數(shù)為ReLU函數(shù)；第2層LSTM神經(jīng)網(wǎng)絡(luò)的輸入為50，輸出為100；第3層LSTM神經(jīng)網(wǎng)絡(luò)的輸入為100，輸出為150；第4層LSTM神經(jīng)網(wǎng)絡(luò)的輸出為400。第2～4層LSTM神經(jīng)網(wǎng)絡(luò)的激活函數(shù)也都是ReLU函數(shù)。其中第1～4層神經(jīng)網(wǎng)絡(luò)的Dropout都設(shè)置為0.2。第6層為dense層。激活函數(shù)為:

a(x)=x

(4)

由式(4)可知，第6層的激活函數(shù)為線性函數(shù)。

2.3 基于深度LSTM神經(jīng)網(wǎng)絡(luò)的人體服裝壓力信息預(yù)測(cè)

為了實(shí)現(xiàn)人體全身的服裝壓力信息預(yù)測(cè)，根據(jù)深度學(xué)習(xí)思想設(shè)計(jì)了一個(gè)新的深度LSTM神經(jīng)網(wǎng)絡(luò)。因?yàn)椴杉梭w某一個(gè)區(qū)域的壓力信息具有時(shí)序性，若把從柔性壓力陣列中采樣出來(lái)的壓力信息改寫(xiě)成一列的向量，這一列向量中的壓力值也是與時(shí)序相關(guān)的。根據(jù)這種壓力采樣過(guò)程中的時(shí)序關(guān)系，基于長(zhǎng)短時(shí)間記憶單元設(shè)計(jì)一種升級(jí)網(wǎng)絡(luò)，用來(lái)預(yù)測(cè)人體全身的服裝壓力信息。深度LSTM神經(jīng)網(wǎng)絡(luò)解決人體服裝壓力信息預(yù)測(cè)問(wèn)題的計(jì)算結(jié)構(gòu)如圖4所示。

圖4 深度LSTM神經(jīng)網(wǎng)絡(luò)計(jì)算結(jié)構(gòu)Fig.4 Deep LSTM neural network computational structure

深度LSTM神經(jīng)網(wǎng)絡(luò)的輸入是人體穿衣后身體某一部分的壓力信息，網(wǎng)絡(luò)的輸出分別是人體另外幾個(gè)區(qū)域的壓力信息。本文把人體穿上某類(lèi)型衣服后的肩部壓力信息作為L(zhǎng)STM網(wǎng)絡(luò)的輸入，而把背部和胸部區(qū)域的壓力信息作為網(wǎng)絡(luò)模型的輸出。

在采樣壓力信息時(shí)，通過(guò)柔性壓力陣列得到一個(gè)實(shí)數(shù)值構(gòu)成的原始數(shù)值矩陣x，我們可以把這個(gè)原始數(shù)據(jù)改寫(xiě)成一個(gè)n×1維數(shù)的列向量，即RN下x(i)(i=1, 2, …,n)。

在深度LSTM網(wǎng)絡(luò)模型中，設(shè)置均方誤差值M(mean squared error, MSE)來(lái)作為損失函數(shù)的計(jì)算，如式(5)所示。

(5)

式中：Pi為深度LSTM神經(jīng)網(wǎng)絡(luò)的輸出結(jié)果，即圖4中對(duì)應(yīng)的背部壓力信息或者胸部壓力信息；Oi為通過(guò)柔性壓力陣列采集的人體著裝的某些部位的原始?jí)毫?shù)據(jù)，即圖3中的背部或者胸部的原始?jí)毫π畔?shù)據(jù)。

設(shè)置計(jì)算模型預(yù)測(cè)結(jié)果的損失函數(shù)(Mp)如式(6)所示。

(6)

式中：xp-i為網(wǎng)絡(luò)模型的預(yù)測(cè)結(jié)果xp中的元素；xi為采樣的原始數(shù)據(jù)x(x1,x2,…,xn)中的元素。

以圖4的網(wǎng)絡(luò)結(jié)構(gòu)為例，以肩部預(yù)測(cè)背部壓力信息的訓(xùn)練集為:Dtrain_back={(y(1),x(1)),(y(2),x(2)),…,(y(m),x(m))}，在訓(xùn)練集里設(shè)置

y(i)～x(i),(i=1,2,…,m)

(7)

式中：x(i)為每組的肩部數(shù)據(jù)；y(i)為每組的背部數(shù)據(jù)。在訓(xùn)練神經(jīng)網(wǎng)絡(luò)時(shí)，將肩部數(shù)據(jù)x(i)和背部數(shù)據(jù)y(i)成對(duì)地放入到訓(xùn)練集Dtrain_back中。同樣，設(shè)置預(yù)測(cè)胸部壓力信息數(shù)據(jù)的訓(xùn)練集為:Dtrain_chest={(y(1),x(1)),(y(2),x(2)),…,(y(k),x(k))}，并設(shè)置：

y(j)～x(j),(i=1,2,…,k)

(8)

當(dāng)本文用訓(xùn)練集訓(xùn)練深度LSTM神經(jīng)網(wǎng)絡(luò)后，通過(guò)比較預(yù)測(cè)結(jié)果y(p)與測(cè)試集中的真實(shí)值y(t)，來(lái)計(jì)算預(yù)測(cè)結(jié)果與真實(shí)值之間的誤差值。

3 試驗(yàn)研究

3.1 試驗(yàn)設(shè)備以及儀器

人體肩部的壓力信息采樣由Tekscan 4256E型柔性壓力陣列傳感器完成。4256E型柔性壓力陣列的傳感器片上有5列測(cè)量區(qū)域，每一列測(cè)量區(qū)域上有若干個(gè)測(cè)量點(diǎn)，除了這幾列檢測(cè)點(diǎn)之外，傳感器上的其他位置均不會(huì)產(chǎn)生壓力信息。每一列中的測(cè)量點(diǎn)均會(huì)產(chǎn)生一個(gè)小的測(cè)量數(shù)據(jù)矩陣，所有這些小的數(shù)據(jù)矩陣，就組成了整個(gè)傳感器片的數(shù)據(jù)信息矩陣，也就是傳感器系統(tǒng)里采樣得到的壓力信息矩陣。

從Tekscan測(cè)量系統(tǒng)軟件中可得到采樣數(shù)據(jù)，試驗(yàn)所用的軟件系統(tǒng)版本為GRIP Research 6.85。從Texscan壓力采樣系統(tǒng)中采樣得到數(shù)據(jù)矩陣通過(guò)Matlab處理。運(yùn)行Matlab程序的計(jì)算機(jī)配置: CPU為 Intel(R) Core(TM) i7-4790； 3.60 GHz； RAM為 8.00 GB； 操作系統(tǒng)為 Microsoft Windows 7 Professional, x64。

本文提出的深度LSTM神經(jīng)網(wǎng)絡(luò)模型，使用Nvidia GeForce GTX 1080 GPU運(yùn)行程序。試驗(yàn)中運(yùn)行程序的工作站配置: 內(nèi)存為 128G；處理器processor為Intel(R) Core(TM) i7-5930K；3.50 GHz*12；4個(gè)GeForce GTX 1080 GPU；操作系統(tǒng)為Ubuntu 14.04 LTS。

選取人體上半身的右肩區(qū)域作為試驗(yàn)區(qū)域，先用人體模特示例在人體肩部區(qū)域布點(diǎn)傳感器。

柔性壓力傳感器芯片有若干列測(cè)量區(qū)域，當(dāng)在人體某個(gè)區(qū)域布點(diǎn)傳感器片并測(cè)量的時(shí)候，由于人體曲面的弧度，只能用到傳感器芯片的部分測(cè)量區(qū)域。由于Texscan 4256E型傳感器芯片是通過(guò)這些采樣點(diǎn)來(lái)采集壓力數(shù)據(jù)，在沒(méi)有采樣點(diǎn)分布的區(qū)域，壓力矩陣中的這些區(qū)域的壓力數(shù)據(jù)為0。所以，在Texscan壓力采樣系統(tǒng)的軟件中，采樣出來(lái)的壓力數(shù)據(jù)矩陣中有很多的數(shù)值點(diǎn)為0，這個(gè)采樣矩陣為稀疏矩陣。

從Texscan壓力采樣系統(tǒng)中得到一個(gè)29×25的矩陣，該矩陣共有725個(gè)數(shù)據(jù)，一部分是采樣得到的壓力數(shù)據(jù)值，其余則是沒(méi)有布點(diǎn)的壓力數(shù)據(jù)為0。

3.2 試驗(yàn)和結(jié)果

試驗(yàn)中，選用兩組不同材質(zhì)的運(yùn)動(dòng)緊身衣：一組緊身衣的材質(zhì)為滌綸，尺寸為M、L、XL；另一組材質(zhì)為氨綸，尺寸為S、M、L。不同的男生穿著這6件運(yùn)動(dòng)緊身衣，并在人體肩部、背部、胸部區(qū)域布點(diǎn)Texscan 4256E型柔性壓力陣列傳感器。通過(guò)人體穿運(yùn)動(dòng)緊身衣時(shí)候右肩的壓力信息，可預(yù)測(cè)右邊背部壓力信息結(jié)果如圖5(a)所示。真實(shí)的右邊背部壓力信息如圖5(b)所示。

(a)預(yù)測(cè)的右背壓力 (b)真實(shí)的右背壓力圖5 由深度LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的右背壓力信息與真實(shí)右背壓力信息的對(duì)比Fig.5 Comparison of right back pressure information predicted by deep LSTM neural network with original right back pressure information

通過(guò)Texscan 4256E型柔性壓力陣列傳感器可采樣得到的男生穿運(yùn)動(dòng)緊身衣時(shí)候背部的壓力信息，應(yīng)用提出的深度LSTM神經(jīng)網(wǎng)絡(luò)，通過(guò)訓(xùn)練樣本可學(xué)習(xí)到右邊肩部區(qū)域和右邊背部區(qū)域壓力信息之間存在的某種關(guān)系，通過(guò)這種數(shù)據(jù)關(guān)系，進(jìn)而預(yù)測(cè)得到模特右邊背部的壓力信息。圖5中壓力信息的橫坐標(biāo)是Texscan柔性傳感器采樣矩陣的列數(shù)，數(shù)值為25，縱坐標(biāo)是傳感器采樣矩陣的行數(shù)，數(shù)值為29。從圖5中可以看到，背部壓力區(qū)域的分布預(yù)測(cè)比較準(zhǔn)確。

通過(guò)深度LSTM神經(jīng)網(wǎng)絡(luò)從右肩壓力信息預(yù)測(cè)右胸壓力信息的結(jié)果如圖6(a)所示。真實(shí)的右胸壓力信息如圖6(b)所示。通過(guò)Texscan柔性壓力陣列傳感器采樣得到的男生胸部的壓力信息，應(yīng)用所提出的深度LSTM神經(jīng)網(wǎng)絡(luò)，通過(guò)樣本學(xué)習(xí)得到右邊肩部區(qū)域和右邊胸部區(qū)域的壓力信息之間的某種關(guān)系，并預(yù)測(cè)得到的男生右邊胸部的壓力信息。從圖6中可以看到，胸部壓力的分布區(qū)域可完全被預(yù)測(cè)出來(lái)。

(a)預(yù)測(cè)的右胸壓力 (b)真實(shí)的右胸壓力圖6 由深度LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)的右胸壓力信息與真實(shí)的右胸壓力信息的對(duì)比Fig.6 Comparison of right chest pressure information predicted by deep LSTM neural network with orginal right chest pressure information

在預(yù)測(cè)右邊背部的測(cè)試集中，預(yù)測(cè)正確率為60%左右，而預(yù)測(cè)右邊胸部的測(cè)試集中準(zhǔn)確率為55%左右。在預(yù)測(cè)右邊背部壓力信息的測(cè)試數(shù)據(jù)集中，將深度LSTM神經(jīng)網(wǎng)絡(luò)與其他3種算法作對(duì)比，這3種算法分別為全連接循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks, RNN)[19]、門(mén)限循環(huán)單元(gated recurrent unit, GRU)[20-21]、極限學(xué)習(xí)機(jī)(extreme learning machine, ELM)[22-23]。

4種算法的預(yù)測(cè)結(jié)果對(duì)比如表1所示。由表1可知，深度LSTM神經(jīng)網(wǎng)絡(luò)在測(cè)試集中的預(yù)測(cè)準(zhǔn)確率高于其他幾種算法。本文提出的深度LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)是全連接RNN引入了門(mén)控結(jié)構(gòu)的一種變體形式，可以有效地解決RNN存在梯度爆炸和梯度消失的問(wèn)題。并且在采樣人體壓力數(shù)據(jù)信息的時(shí)候，采樣得到的數(shù)據(jù)時(shí)序間隔并不大，從網(wǎng)絡(luò)結(jié)構(gòu)上LSTM比GRU更加合適，而預(yù)測(cè)精度也優(yōu)于ELM結(jié)構(gòu)。

表1 深度LSTM神經(jīng)網(wǎng)絡(luò)和其他3種算法的預(yù)測(cè)結(jié)果對(duì)比Table 1 Comparison of the predicted results of deep LSTM neural network with three other algorithms

4 結(jié) 語(yǔ)

本文提出了一種新的深度LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，當(dāng)人體穿緊身衣時(shí)，該神經(jīng)網(wǎng)絡(luò)根據(jù)身體某一個(gè)部位的服裝壓力信息，預(yù)測(cè)其他幾個(gè)關(guān)鍵部位的服裝壓力信息。相比較其他算法，該深度LSTM神經(jīng)網(wǎng)絡(luò)在測(cè)試集中具有更高的預(yù)測(cè)準(zhǔn)確率。

本文提出的深度LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，目前在測(cè)試集中最好的預(yù)測(cè)正確率為61%。筆者課題組將進(jìn)一步改進(jìn)所提出的深度LSTM神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，希望可以在測(cè)試集中得到更好的預(yù)測(cè)結(jié)果和更高的準(zhǔn)確率。