基于小波变换的文胸底围压力数据分析

女性穿着文胸时,文胸底围紧贴人体胸部,直接影响人体呼吸时的难易程度,为了研究文胸底围压力与人体呼吸之间的关系,选择20名在校女大学生穿着合体文胸做深呼吸试验,以文胸底围侧中部为测量点,记录试验过程中的压力变化情况。通过小波变换对深呼吸试验所测压力数据进行去噪处理,并用最优尺度回归分析法统一数据尺度。结果表明,文胸底围压力与人体呼吸自由程度、塑形效果以及底围拉长率均具有相关性。     

基于改进层次分析法的特殊体型样板识别

针对传统层次分析法的缺陷,提出结合因子分析、聚类分析的改进层次分析方法,应用到特体样板识别中。首先,通过因子分析确定各级指标的影响因素及其权重系数。然后,采用K-means聚类分析将特体样板聚为臀部、胸部和腹部等3类典型样板。最后,运用层次分析法确定各指标的权重,构建了包括6个二级指标、13个三级指标、3个四级指标的特体样板递阶层次结构模型。随机选取3个样本进行实证研究,以因子分析中提取的5个主成分为聚类指标,以K-means方法进行聚类,采用特体样板递阶层次结构模型识别被测样本与臀部、胸部、腹部样板的隶属度。结果表明,该方法可有效地表征特体样板的变异程度并识别所属的样板类别。     

主成分分析与BP神经网络对束裤压力的预测

为了预测人体穿上束裤时身体各部位的压力变化,提出了一种主成分分析与BP神经网络相结合的预测方法。首先测量了90位女大学生在穿着同一品牌、款式束裤时,身体各部位所对应的压力值,然后用主成分分析的方法对影响压力的9个因素进行提取分析,得到体重、臀围和大腿中部围这3项作为神经网络的输入指标,压力值作为输出指标。借助Matlab软件自行编程并进行调试,比较并分析BP神经网络与PCA-BP神经网络的预测结果。结果显示,PCA-BP神经网络较BP神经网络预测的相对误差的精度提高了3. 790 7%,相对误差的绝对值精度提高了5. 793 4%,训练时间减少了18. 321 s。     

涤棉窗帘阻燃后整理的参数优化

为提高涤棉窗帘的阻燃性,采用正交层次分析法,计算刮涂压强、烘焙温度、烘焙时间三因素对极限氧指数的影响权重,得到最优工艺参数组合。结果表明,烘焙温度是影响涤棉织物阻燃性的主要因素,刮涂压强是次要因素,烘焙时间对涤棉织物的阻燃性影响最小。最优工艺参数组合为:刮涂压强0.15 MPa,烘焙时间2.5 min,烘焙温度160℃。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。     

基于BP神经网络的运动文胸肩带属性与乳房振幅的函数关系

为确定运动文胸肩带的3种属性在人体跑步时对胸部振幅的影响,选取8名被测人员,在其左胸上标记6个测量点,更换不同的肩带进行人体运动测试,记录这些测量点动态的三维坐标,进而得到乳房运动的振幅;利用BP神经网络模型,通过更换不同的网络模型参数,确定运动文胸肩带的3种属性与乳房振幅之间的权值关系。结果表明,选取BP神经网络的传输函数为tansig函数,隐含层神经元个数为21个,训练函数为traingdm作为网络参数时,网络拟合出的乳房振幅值达到了真实值的99.44%;在该网络参数下,分别求得网络输入层到隐含层和隐含层到输出层的权值和阈值,最终得到肩带的3种属性与胸部振幅的正向推理关系式。     

基于BP神经网络的织物表面绒毛质量的检测方法

为了对起毛工艺后的织物表面绒毛状态进行客观评定,提出了基于BP神经网络的织物表面绒毛质量的检测方法。以光切成像原理采集绒毛轮廓图像,利用自适应图像分割方法对绒毛区域进行分割,将得到的二值图像应用Freeman链码原理提取织物的上边缘轮廓坐标,以此作为BP神经网络的输入对BP神经网络进行训练,并将训练得到的2组权值根据BP神经网络的计算过程进行验证,提出应用激活函数和训练的权值相结合直接计算的方法。应用基于光切成像原理搭建的绒毛织物检测平台,对4种不同颜色和不同起毛工艺加工后的织物进行检测,准确率为93.02%;且权值的计算结果与网络实际计算结果相符合,因此可以直接利用网络训练的权值做矩阵运算,缩短实际检测的时间。     

基于对抗神经网络和神经网络模型的筒子纱抓取方法

为提高筒子纱抓取和上纱过程的自动化和柔性化程度,应用单目视觉系统引导机器人完成上纱过程。采用工业相机获取单个筒子纱不同形态的数据信息,应用GAN(生成式对抗神经网络)对筒子纱数据集扩充,提高筒子纱数据集多样性。将所得的数据集加载到Faster R-CNN(更快速区域卷积神经网络)模型里进行训练,应用训练好的神经网络识别和定位筒子纱,引导机器人完成上纱任务。应用搭建的单目视觉系统实验平台对结果进行测试,结果表明,经过标定后的视觉系统可以完成多个筒子纱的抓取任务,以满足筒子纱上纱过程的自动化和柔性化要求。     

基于灰色BP神经网络模型的文胸压力预测研究

为了更准确地预测文胸压力,以40名在校健康女大学生为研究对象,在其穿着合适尺码的文胸后,对文胸10个重要部位进行压力测试。建立BP神经网络和灰色BP神经网络预测模型,利用人体5个测量参数对文胸10个部位的压力值进行预测。结果表明,通过BP神经网络模型预测的文胸压力值只能达到真实压力值的73.55%,而通过灰色BP神经网络模型预测的文胸压力值可以达到真实压力值的84.70%。灰色BP神经网络模型可以结合BP神经网络模型和灰色模型的优点,发挥两种模型的优势,对文胸压力值做出较为准确的预测。