一种童装纸样定制智能设计方法及系统

摘要

本发明提供一种童装纸样定制智能设计方法和系统，包括收集儿童净体尺寸数据与服装样板尺寸数据；将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。本发明打破传统的童装主要按固定身高标准体型打版的现状，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。

权利要求

1.一种童装纸样定制智能设计方法，其特征在于，包括如下步骤：

步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；

步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；

步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；

其中，所述步骤30进一步包括：

步骤31、针对样本数量小于设定值的情况，采用K‑近邻算法建立预测模型，对其最优参数K进行分析学习训练，包括如下步骤：步骤311、将样本数据进行归一化处理；

步骤312、将步骤311的数据随机拆分为80％的训练集与20％的测试集；

步骤313、设定K‑近邻算法预测模型的初始参数K为一整数值，取值范围为1～20；

步骤314、采用shuffleSplit函数对80％训练集进行交叉验证，得到K‑近邻算法预测模型的最优参数K1；

步骤315、采用K‑fold函数对80％训练集进行交叉验证，得到K‑近邻算法预测模型的最优参数K2；

步骤316、采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K‑近邻算法预测模型的最优参数；

步骤32、针对样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络DBN包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤如下：步骤321、将测试数据作为输入数据赋值给RMB0输入层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；

步骤322、将训练好的RBM0中取得隐藏层的值作为RMB1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；

步骤323、根据步骤321和步骤322的训练方法，进行所有RBM模型的分别训练；

步骤324、采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数；

步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽；

步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

2.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述数据库按三种服装风格类型分别建立：紧身型、标准型、运动型，所述预测模型与所述数据库一一对应建立。

3.根据权利要求1所述的一种童装纸样定制智能设计方法，其特征在于，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。

4.一种童装纸样定制智能设计系统，其特征在于，包括数据收集模块、数据存储模块、数据分析学习模块、数据处理模块以及纸样生成模块：所述数据收集模块，用于收集儿童净体尺寸数据与服装样板尺寸数据；

所述数据存储模块，用于存储所述数据收集模块收集到的儿童净体尺寸数据和服装样板尺寸数据；

所述数据分析学习模块，用于对所述数据存储模块中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；

其中，所述数据分析学习模块进一步包括：

小数据分析学习模块，用于样本数量小于设定值的情况，采用K‑近邻算法建立预测模型，对其最优参数K进行分析学习训练，将样本数据进行归一化处理，随机拆分为80％的训练集与20％的测试集，设定K‑近邻算法预测模型的初始参数K为一整数值，取值范围为1～

20，采用shuffleSplit函数对80％训练集进行交叉验证，得到K‑近邻算法预测模型的最优参数K1，采用K‑fold函数对80％训练集进行交叉验证，得到K‑近邻算法预测模型的最优参数K2，采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K‑近邻算法预测模型的最优参数；

大数据分析学习模块，用于样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络DBN包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数训练包括将测试数据当输入数据赋值给RBM0输出层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，与之前一样进行RBM1的训练，训练结束后得到RBM1网络的最优参数，最终完成所有RBM模型的分别训练；反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数；

所述数据处理模块，用于输入待定制儿童净体数据，通过数据分析学习模块的预测模型得到用于童装纸样设计的细部规格数据，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽；

所述纸样生成模块，用于将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

5.根据权利要求4所述的一种童装纸样定制智能设计系统，其特征在于，所述数据存储模块按三种风格类型独立存储：紧身型、标准型、运动型，所述数据分析学习模块与数据存储模块一一对应。

6.根据权利要求4所述的一种童装纸样定制智能设计系统，其特征在于，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。

说明书

一种童装纸样定制智能设计方法及系统

技术领域

[0001] 本发明涉及计算机辅助服装设计领域，尤其涉及一种童装纸样定制智能设计方法及系统。

背景技术

[0002] 服装业是传统工业大分工、大流水、大批量生产的典型代表。传统的服装纸样打版流程，是根据中间码设计纸样，再用放码的手段对中间码纸样按一定差值进行放大或缩小，得到其它的号码的纸样。成人服装打版除了按高矮分类(比如S、M、L、XL、XXL)之外，通常会考虑到成人的体型分为Y(偏瘦)、A(正常)、B(偏胖)、C(肥胖)四类，有的服装厂还会针对大码体型专门打版，以满足不同体型成年人的合体着装需求。

[0003] 在实际服装生产过程中，大多数中小企业因资金、人力等资源有限，无法建立科学专业的技术数据储备体系，其服装纸样的设计打版主要依赖纸样设计师个人经验技术积累，一旦人员流动，原有经验技术随之流失。另外，传统的童装的打版主要沿用按固定身高标准体型打版的原则，没有对不同体型进行区分打版，因此会出现同样身高的儿童穿同一码服装，“胖宝宝穿不上，瘦宝宝穿着透风”的情况。而如果采用传统人工方式为儿童个体单独打版，从量体、设计到画出纸样，需要有经验的裁缝耗费大量时间才能完成。

发明内容

[0004] 本发明要解决的技术问题之一，在于提供一种童装纸样定制智能设计方法，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。

[0005] 本发明要解决的技术问题之一是这样实现的：

[0006] 一种童装纸样定制智能设计方法，包括如下步骤：

[0007] 步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；

[0008] 步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；

[0009] 步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；

[0010] 步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；

[0011] 步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

[0012] 优选的，所述数据库按三种服装风格类型分别建立：紧身型、标准型、运动型，所述预测模型与所述数据库一一对应建立。

[0013] 优选的，所述步骤30进一步包括：

[0014] 步骤31、针对样本数量小于设定值的情况，采用K‑近邻算法建立预测模型，对其最优参数K进行分析学习训练，包括如下步骤：

[0015] 步骤311、将样本数据进行归一化处理；

[0016] 步骤312、将步骤311的数据随机拆分为80％的训练集与20％的测试集；

[0017] 步骤313、设定K‑近邻算法模型的初始参数K为一整数值，取值范围为1～20；

[0018] 步骤314、采用shuffleSplit函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K1；

[0019] 步骤315、采用K‑fold函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K2；

[0020] 步骤316、采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K‑近邻算法模型的最优参数。

[0021] 步骤32、针对样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤如下：

[0022] 步骤321、将测试数据作为输入数据赋值给RBM0输入层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；

[0023] 步骤322、将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；

[0024] 步骤323、根据步骤321和步骤322的训练方法，进行所有RBM模型的分别训练；

[0025] 步骤324、采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。

[0026] 优选的，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。

[0027] 优选的，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽。

[0028] 本发明要解决的技术问题之二，在于提供一种童装纸样定制智能设计系统，满足不同身高体型的儿童对合体服装的定制需求，实现快速高效地批量化设计个性化的单体定制儿童服装。

[0029] 本发明要解决的技术问题之二是这样实现的：

[0030] 一种童装纸样定制智能设计系统，包括数据收集模块、数据存储模块、数据分析学习模块、数据处理模块以及纸样生成模块。

[0031] 所述数据收集模块，用于收集儿童净体尺寸数据与服装样板尺寸数据；

[0032] 所述数据存储模块，用于存储所述数据收集模块收集到的儿童净体尺寸数据和服装样板尺寸数据；

[0033] 所述数据分析学习模块，用于对所述数据存储模块中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；

[0034] 所述数据处理模块，用于输入待定制儿童净体数据，通过数据分析学习模块的预测模型得到用于童装纸样设计的细部规格数据；

[0035] 所述纸样生成模块，用于将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

[0036] 优选的，所述数据存储模块按三种风格类型独立存储：紧身型、标准型、运动型，所述数据分析学习模块与数据存储模块一一对应。

[0037] 优选的，所述数据分析学习模块进一步包括：

[0038] 小数据分析学习模块，用于样本数量小于设定值的情况，包括将样本数据进行归一化处理，随机拆分为80％的训练集与20％的测试集，设定K‑近邻算法模型的初始参数K为一整数值，取值范围为1～20，采用shuffleSplit函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K1，采用K‑fold函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K2，采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K‑近邻算法模型的最优参数。

[0039] 大数据分析学习模块，用于样本数量大于等于设定值的情况，采用深度置信网络DBN进行分析学习训练，所述深度置信网络包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤包括将测试数据当输入数据赋值给RBM0输出层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，与之前一样进行RBM1的训练，训练结束后得到RBM1网络的最优参数，最终完成所有RBM模型的分别训练；反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。

[0040] 优选的，所述待定制儿童净体数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围。

[0041] 优选的，所述细部规格数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽。

[0042] 本发明具有如下优点：

[0043] 通过对数据的分析学习训练建立预测模型，联合有经验的打版师傅进行CAD服装模型制板，实现输入待定制儿童净体数据即可得到指定类型款式的合体童装纸样，智能地取代有经验的打板师傅的打版工作。打破传统的童装主要按固定身高标准体型打版的现状，通过对大量数据的学习分析训练，从而得到最匹配净体尺寸数据的服装打版细部规格数据，智能化设计出个性化的单体定制儿童服装纸样，满足不同身高体型的儿童对合体服装的定制需求，提高童装样板设计的效率，可实现大规模的量身定制生产。

附图说明

[0044] 下面参照附图结合实施例对本发明作优选的说明。

[0045] 图1为本发明实施例方法流程图。

[0046] 图2为本发明的一种深度置信网络(DBN)结构示意图。

[0047] 图3为本发明的一种受限玻尔兹曼机(RBM)结构示意图。

[0048] 图4为本发明的一种激活函数的Sigmoid函数图像示意图。

[0049] 图5为本发明实施例改进型BP算法训练流程示意图。

[0050] 图6为本发明实施例深度置信网络DBN预训练流程示意图。

[0051] 图7为本发明实施例袖口数据未归一化处理的深度置信网络预测值与实际值的对比示意图。

[0052] 图8为本发明实施例袖口数据归一化处理的深度置信网络(DBN)预测值与实际值的对比示意图。

[0053] 图9为本发明实施例基于大数据的人工智能童装纸样设计系统的功能界面示意图。

[0054] 图10为本发明实施例CAD模型制版示意图。

具体实施方式

[0055] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

[0056] 如图1至10所示，本发明一种童装纸样定制智能设计方法，包括如下步骤：

[0057] 步骤10、收集儿童净体尺寸数据与服装样板尺寸数据；

[0058] 本发明实施例通过高校与服装企业合作，采用传统的量体师傅和先进的三维扫描仪设备进行儿童净体尺寸数据采集和服装样板尺寸数据采集。采集的儿童净体尺寸数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围等项目，采集的服装样板尺寸数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽等。采集到的服装样板尺寸数据与儿童净体尺寸数据建立一一对应关系。

[0059] 步骤20、将收集到的所述儿童净体尺寸数据和服装样板尺寸数据存储到数据库中；

[0060] 采用Hive数据仓库数据存储采集到的所有样本数据。Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能，本质是将SQL转换为MapReduce程序，适合用来做批量数据统计分析。

[0061] 对应三种服装风格类型(紧身型、标准型、运动型)设置不同的放松量从而定制不同的数据，分别建立三个数据库进行独立的数据存储。

[0062] 步骤30、对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型；所述预测模型与所述数据库(紧身型、标准型、运动型)一一对应建立。

[0063] 所述预测模型的作用是通过儿童净体尺寸数据预测出服装样板尺寸数据，经过分析学习训练可以使童装纸样设计细部规格数据的预测值逼近实际值。

[0064] 步骤40、输入待定制儿童净体数据，根据预测模型得到用于童装纸样设计的细部规格数据；；本发明实施例将采集待定制儿童净体数据(包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围)输入到相应预测模型，即可指定对应的数据库(紧身型、标准型、运动型分别对应独立的数据库)，经过相应DBN的计算，即可得到用于指定风格类型的童装打版细部规格数据(包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽等)。

[0065] 步骤50、将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

[0066] 根据打板师傅的经验，在CAD软件中分别制作每一个童装款式(比如衬衣、礼服、西装、卫衣、运动裤等)对应的纸样模型，将生成的适合待定制儿童体型与款式的细部规格数据输入到已经建立好的对应标准款式CAD纸样模型，即可以自动生成合体的定制童装纸样。

[0067] 再参考图2至10所示，本发明一种童装纸样定制智能设计系统，包括数据收集模块、数据存储模块、数据分析学习模块、数据处理模块以及纸样生成模块。

[0068] 所述数据收集模块，用于收集儿童净体尺寸数据与服装样板尺寸数据。

[0069] 本发明实施例通过高校与服装企业合作，采用传统的量体师傅和先进的三维扫描仪设备进行儿童净体尺寸数据采集和服装样板尺寸数据采集。采集的儿童净体尺寸数据包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围等项目，采集的服装样板尺寸数据包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽等。采集的服装样板尺寸数据与儿童净体尺寸数据建立一一对应关系。

[0070] 所述数据存储模块，用于存储所述数据收集模块收集到的儿童净体尺寸数据和服装样板尺寸数据。

[0071] 采用Hive数据仓库数据存储采集到的所有样本数据。Hive是基于Hadoop的一个数据仓库工具，可以将结构化的数据文件映射为一张数据库表，并提供类SQL查询功能，本质是将SQL转换为MapReduce程序，适合用来做批量数据统计分析。

[0072] 对应三种服装风格类型(紧身型、标准型、运动型)设置不同的放松量从而定制不同的数据，分别建立三个数据库进行独立的数据存储。

[0073] 所述数据分析学习模块，用于对所述数据存储模块中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型，所述预测模型与所述数据库(紧身型、标准型、运动型)一一对应建立。

[0074] 所述预测模型的作用是通过儿童净体尺寸数据预测出服装样板尺寸数据，经过分析学习训练可以使童装纸样设计细部规格数据的预测值逼近实际值。

[0075] 所述数据处理模块，用于输入待定制儿童净体数据，通过数据分析学习模块的预测模型得到用于童装纸样设计的细部规格数据。

[0076] 本发明实施例将采集待定制儿童净体数据(包括身高、胸围、背宽、上臂围、臀围、净坐围和净腰围)输入到相应预测模型，即可指定对应的数据库(紧身型、标准型、运动型分别对应独立的数据库)，经过相应DBN的计算，即可得到用于指定风格类型的童装打版细部规格数据(包括背长、大肩宽、胸宽、小肩宽、短袖、长袖、腕围、袖口、上衣长、腰围、颈围、裤长、脚口、前浪、后浪、前小裆宽和后小裆宽等)。

[0077] 所述纸样生成模块，用于将所述细部规格数据输入用CAD制作好的纸样模型得到定制童装纸样。

[0078] 根据打板师傅的经验，在CAD软件中分别制作每一个童装款式(比如衬衣、礼服、西装、卫衣、运动裤等)对应的纸样模型，将生成的适合待定制儿童体型与款式的细部规格数据输入到已经建立好的对应标准款式CAD纸样模型，即可以自动生成合体的定制童装纸样，如图10所示，为CAD纸样模型输入所述细部规格数据后生成的一儿童运动装的童装纸样示意图，其中(1)为前片、(2)为后片、(3)为领片、(4)为下摆拼接1、(5)为下摆拼接2、(6)为袖片。

[0079] 在本发明一具体实施例中，所述“对所述数据库中的儿童净体尺寸数据和服装样板尺寸数据进行分析学习训练，建立预测模型”的具体实现方式如下：

[0080] 针对样本数量小于设定值以及样本数量大于等于设定值(本发明实施例设定为1000)两种情况分别采用不同的算法建立预测模型，目的是为了根据算法本身的特点，得到更为准确的细部规格预测数据。

[0081] 针对样本数量小于设定值(定义为样本数量小于1000)的情况，采用K‑近邻算法(KNN)建立预测模型，对其最优参数K进行分析学习训练，具体包括如下步骤：

[0082] (1)将样本数据进行归一化处理；

[0083] (2)将步骤(1)的数据随机拆分为80％的训练集与20％的测试集；

[0084] (3)设定K‑近邻算法模型的初始参数K为一整数值，取值范围为1～20；

[0085] (4)采用shuffleSplit函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K1；

[0086] (5)采用K‑fold函数对80％训练集进行交叉验证，得到K‑近邻算法模型的最优参数K2；

[0087] (6)采用均方根误差作为衡量标准对20％的测试集进行计算，验证K1和K2误差值，取其中误差值较小对应的K值作为K‑近邻算法模型的最优参数。

[0088] KNN通过测量不同特征值之间的距离进行回归分析，在训练集建立好K近邻预测模型后，输入待预测数据(比如儿童净体尺寸数据)，将待预测数据的特征与训练集中对应的特征进行相互比较，找到训练集中与之最为相似(最近邻)的前K个数据，则该待预测数据对应的类别(比如服装样板尺寸数据)就是K个数据的平均值(比如最优参数K取8，输入的儿童净体尺寸数据通过KNN预测模型的比较，找到最近邻的8个服装样板尺寸数据，取这8个服装样板尺寸数据的平均值，作为用于童装纸样设计的细部规格数据)。

[0089] 针对样本数量大于等于设定值的情况，采用深度置信网络DBN建立预测模型，所述深度置信网络DBN包括复数层无监督的受限玻尔兹曼机RBM和一层有监督的反向传播网络BP，DBN模型的最优参数分析学习训练步骤如下(DBN网络结构见图2，DBN网络训练流程图见图6)：

[0090] 步骤321、将测试数据作为输入数据赋值给RBM0输入层，采用对比散度算法对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；

[0091] 步骤322、将训练好的RBM0中取得隐藏层的值作为RBM1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；

[0092] 步骤323、根据步骤321和步骤322的训练方法，进行所有RBM模型的分别训练；

[0093] 步骤324、采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。

[0094] 每个RBM由一个可见层(visible layer)和一个隐藏层(hidden layer)组成，并且RBM的可见层之间和隐藏层之间是相互独立的，每个可见层与每个隐藏层相互关联，如图3所示。

[0095] 由于输入的数据和输出的数据的不同量纲，会对DBN神经网络训练有一定的误差影响差异，并且在BP神经网络过程中激励函数采用的是Sigmoid函数，Sigmoid函数的值域在(0,1)之间(函数图像如图4)，因此本发明实施例首先对训练的儿童净体尺寸数据和服装样板尺寸数据进行数据归一化，采用的公式为：

[0096]

[0097] 其中，式中yi为标准化的数据，xi为原始数据，xmax为原始数据中的最大值，xmin为原始数据中的最小值。

[0098] 在本发明实施例中，图7中是袖口未进行数据归一化处理的DBN训练实验结果，可以看出DBN网络训练的预测值与实际值偏差比较大；图8是袖口进行数据归一化处理的DBN训练实验结果，可以看出将原始数据进行归一化处理后，DBN网络训练的预测值更加逼近实际值。

[0099] 为了得到最佳的预测模型，需要对DBN各层的参数取值进行训练，得到最优参数。DBN的训练过程包括两部分，RBM的无监督式逐层预训练和BP的有监督式微调：

[0100] 1、RBM的无监督式逐层预训练：

[0101] 采用RBM的逐层训练作为预训练阶段，每一层RBM网络进行单独无监督地训练，并将上一层的RBM输出值当做下一层的RBM输入值。

[0102] 每个RBM由一个可见层(visible layer)和一个隐藏层(hidden layer)组成，并且RBM的可见层之间和隐藏层之间是相互独立的，每个可见层与每个隐藏层相互关联，如图3所示。

[0103] 本发明实施例RBM训练流程如下：

[0104] 步骤(1)、将测试数据(比如儿童净体尺寸数据)作为输入数据赋值给RBM0输入层，采用对比散度算法(contrastive divergence，CD算法)对输入层与第一个隐藏层构成的模型RBM0进行训练，训练结束后得到RBM0网络的最优参数；

[0105] 步骤(2)、将训练好的RBM0中取得隐藏层的值作为RMB1输入层的数据，与第二个隐藏层构成RBM1，使用与步骤321一样的训练方法进行RBM1的训练，训练结束后得到RBM1网络的最优参数；

[0106] 步骤(3)、根据步骤(1)和步骤(2)的训练方法，进行所有RBM模型的分别训练；

[0107] 本发明实施例采用CD算法来训练RBM网络的参数。CD算法先通过RBM可见层神经元的向量值计算隐藏层神经元的一个状态，接着通过隐藏层神经元重新构建出可见层神经元的状态，然后让重建后的可见层神经元再一次计算出隐藏层神经元的状态，便可得到新的隐藏层神经元的状态。当确定隐藏层或可视层神经元状态时，可视层与隐藏层单元的激活概率分别为：

[0108]

[0109]

[0110] 其中，p表示激活概率，v表示可视层，h表示隐藏层，w表示两层之间的连接权值，c为可视层的偏置，b为隐藏层的偏置，θ代表训练网络参数，i代表所有可见单元的个数，j代表所有隐藏单元的个数，f表示Sigmoid函数。

[0111] RBM配合CD算法能够最大限度的去拟合输入的参数，达到重建之后的数据与实际输入参数之间的差异变得最小，适用于对神经网络参数的初始化和对数据进行预处理时的提取特征。

[0112] 2、BP的有监督式微调：

[0113] 采用反向传播网络BP回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，得到整个深度置信网络模型的最优参数。

[0114] 反向传播网络BP将网络训练得到的输出值与预期的输出值之间的误差进行逐层向后传播，对整个深度置信网络进行微调权重。

[0115] 在闭区间内任何的一个连续性的函数，都能借助单个的隐藏层的BP网络去实现逼近，因此BP网络的3层网络结构，能够实现任何的n维到m维的映射关系。

[0116] 因为网络结构选择隐藏层的节点数时是比较复杂的，同时又没有一个合理的解析式来确定，通常是需要根据经验和多次训练测试才能得出最优的隐藏层的节点数。在网络结构隐藏层最佳的节点数选择上有如下三个公式：

[0117]

[0118] 其中，n为输入层的节点个数，l为隐藏层的节点个数，m为输出层的节点个数，为常数0～10之间。

[0119] 本发明实施例采用的是第一个公式，经过反复测试将隐藏层节点数定为12个，构成一个6×12×10的BP神经网络模型。

[0120] 实际值与期望输出值之间的差值能够直接影响网络的权重的偏置的学习速率，因此误差越大的情况下，网络的偏置的偏导数和权重就会越大，BP神经网络的学习速率就会变得更快。由于采用的是Sigmoid激活函数，在图4中可以看出当神经元输出接近1时，Sigmoid曲线的变化率接近0值，此时代价函数的偏导数较小，会导致BP神经网络的学习速率较慢，为了改变对BP神经网络的学习速率的影响情况，本发明实施例引入交叉熵代价函数C对BP算法进行改进，使得神经元输出值不会对BP神经网络的学习效率造成影响。

[0121]

[0122] 其中x为样本，n为样本的总数，y为节点输出值，y0为相对应的期望输出值。

[0123] 本发明实施例改进型BP算法流程如图5所示，训练过程分为两个步骤，第一步是进行前向传播进行计算隐藏层、输出层个单元的输出，同时计算输出结果和实际值的平方误差E(i)，如果E(i)全部满足要求，则训练结束，如果不满足要求，则进行计算隐藏层和输出层的权值调整量；第二步将输出值与实际输出值之间的误差进行反向传播传至输入部分，接着进行调整模型参数，重新进行计算，直到E(i)全部满足要求。

[0124] BP算法用于回归分析最后一层RBM提取的特征向量，将训练得到的输出值与预期输出值之间的误差进行反向传播不断调整模型参数，能够微调整个深度置信网络模型，得到整个深度置信网络模型DBN的最优参数。

[0125] 在深度置信网络模型DBN的最优参数确定后，DBN预测模型即建立完成，输入待预测数据(比如儿童净体尺寸数据)，通过深度置信网络DBN预测模型的神经网络分析，计算出待预测数据对应的结果(比如服装样板尺寸数据)作为用于童装纸样设计的细部规格数据。

[0126] 本发明通过对数据的分析学习训练建立预测模型，联合有经验的打版师傅进行CAD服装模型制板，实现输入待定制儿童净体数据即可得到指定类型款式的合体童装纸样，智能地取代有经验的打板师傅的打版工作。打破传统的童装主要按固定身高标准体型打版的现状，通过对大量数据的学习分析训练，从而得到最匹配净体尺寸数据的服装打版细部规格数据，智能化设计出个性化的单体定制儿童服装纸样，满足不同身高体型的儿童对合体服装的定制需求，提高童装样板设计的效率，可实现大规模的量身定制生产。

[0127] 虽然以上描述了本发明的具体实施方式，但是熟悉本技术领域的技术人员应当理解，我们所描述的具体的实施例只是说明性的，而不是用于对本发明的范围的限定，熟悉本领域的技术人员在依照本发明的精神所作的等效的修饰以及变化，都应当涵盖在本发明的权利要求所保护的范围内。