[发明专利]一种基于因子分析和概率神经网络的人体体型聚类方法

说明书

本发明涉及一种基于因子分析和概率神经网络的人体体型聚类方法，包括以下步骤：采集静态人体净体数据，并构建人体数据库；根据服装业的实际及研究需要，确定27个基础变量；利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；基于因子得分与概率神经网络对人体体型进行聚类。本发明能够直接有效地对人体体型进行分类。

技术领域

本发明涉及服装结构设计技术领域，特别是涉及一种基于因子分析和概率神经网络的人体体型聚类方法。

背景技术

未来数字化服装生产的重要趋势之一就是基于数字技术和网络技术的量身定制。数字化的服装量身定制技术，是通过分析三维人体扫描仪所获取的人体数据，利用聚类分析的方法对人体体型进行细分，为消费者推荐适合其体型的服装号型和尺寸，既方便消费者选择服装，也有利于生产企业有的放矢地开展生产，节约成本。可见，准确的体型聚类是实现数字化服装量身定制的重要环节。当前，我国服装业划分成年男女体型的依据主要是胸腰差、前后腰节差或胸/腰/臀型等三种。这些划分依据要么指标过于笼统，难以全面反应个体体型差异，要么采寸不便，不利于推广使用。因此，探索一种新型、智能、准确而便捷的人体体型聚类方法就显得势在必行。

发明内容

本发明所要解决的技术问题是提供一种基于因子分析和概率神经网络的人体体型聚类方法，能够直接有效地对人体体型进行分类。

本发明解决其技术问题所采用的技术方案是：提供一种基于因子分析和概率神经网络的人体体型聚类方法，包括以下步骤：

(1)采集静态人体净体数据，并构建人体数据库；

(2)根据服装业的实际及研究需要，确定27个基础变量；

(3)利用因子分析对27个基础变量进行降维处理，根据主成分的累积贡献率，提取贡献率大于80％前N个主成分的因子得分；

(4)构建人体体型聚类的概率神经网络模型，其输入层为前N个主成分的因子得分，输出层为人体体型的类别代号；

(5)基于因子得分与概率神经网络对人体体型进行聚类。

所述步骤(1)中采用三维人体扫描的方式采集静态人体净体数据。

所述步骤(2)中27个基础变量分别为：身高、颈椎点高、肩峰高、胸高、腰高、腹高、臀高、裆底高、背长、前腰节长、后腰节长、全臂长、颈根围、胸围、腰围、腹围、臀围、胸宽、背宽、总肩宽、腰宽、腹宽、臀宽、胸厚、腰厚、腹厚和臀厚。

所述步骤(3)中在因子分析时，根据方差最大矩阵旋转法，得到若干主成分，提取累积贡献率超过80％的主成分的因子得分。

所述步骤(4)中的人体体型聚类的概率神经网络模型包括一个输入层，一个模式层，一个求和层和一个输出层；所述输入层的神经元为所提取主成分的因子得分，神经元的数量为N个；模式层的神经元数量等于输入的样本数；求和层的神经元数量等于所聚类类别的数量；输出层为人体体型的类别代号。

所述模式层用于计算所输入神经元与聚类中心的欧氏距离矩阵和初始概率矩阵；所述求和层用于计算每个样本属于某一类别的概率和矩阵。

所述步骤(5)具体为：将所采集的样本分为训练样本集和测试样本集，用训练样本集对概率神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，比较网络输出值与期望值以评估所构建的概率神经网络的性能。

有益效果