论文基于BP神经网络西装样板参数生成方法是大学硕士与本科神经网络毕业论文开题报告范文和相关优秀学术职称论文参考文献资料下载，关于免费教你怎么写深度神经网络算法方面论文范文。
摘 要：结合BP神经网络对西装样板绘制方法进行研究.将客户的量体数据作为输入参数,将西装样板绘制的关键尺寸作为期望输出参数,建立BP神经网络预测模型.使用样本数据验证模型,结果表明：使用神经网络模型生成西装样板绘制参数,具有较高的精确度和灵活性,有很好地应用价值.
关键词：西装样板；预测模型；BP神经网络
传统西装样板制作过程周期较长.考虑使用BP神经网络技术,建立预测模型,将量体数据通过网络模型计算得到样板绘制参数,实现西装样板参数的自动生成.
一、BP神经网络原理
BP（Back Propagation）神经网络是1986年由Rumelhart和McCelland提出的,是目前应用最广泛的神经网络模型之一.BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,仅通过自身的训练,学习某种规则,在给定输入值时得到最接近期望输出值的结果.它利用梯度搜索反向传播来不断调整网络的权值和阈值,以期使网络的实际输出值和期望输出值的误差均方差为最小.
BP神经网络分为输入层和输出层,两层之间还可以包含若干个隐含层.一般来说,使用带有一个隐含层的三层BP就可以完成任意m维到n维的映射,如图1所示.
BP神经网络的训练过程分为两部分：
1.正向传递得到预测数据
正向传递的过程,即数据从输入层输入,经过隐含层、输出层的计算得到预测值,预测值为输出层的输出结果.输出结果即：该层中所有节点（神经元）的输出值的集合.
2.反向传播更新权重
根据样本的真实目标数据,计算模型预测的结果和真实目标结果的误差,然后将该误差反向传播到各个隐含层,计算出各层的误差,再根据各层的误差,更新权重.
正向传递过程,网络结构为三层BP神经网络,设输入层、隐含层、输出层的神经元数量分别为m、h、n,在BP神经网络中,输入层和输出层的节点个数都是确定的,而隐含层节点个数不确定,而隐含层节点个数的多少对神经网络的性能是有影响的,可以根据经验公式来确定隐含层节点个数：,其中a为1-10之间的调节常数,这只能确定出隐含层节点个数的大致范围,具体还要根据神经网络训练效果来调整.
设节点i和节点j之间的权值为wij,节点j的阈值为bj,该节点的输出值为xj,而每个节点的输出值是根据上层所有节点的输出值、当前节点和上一层所有节点的权值和当前节点的阀值还有激活函数来实现的.
二、基于BP神经网络的西装样板参数快速生产方法
样本数据来源于100组不同款式不同号型的西服上装样板,以及各个样板所对应西装试穿者的量体数据.其中80组数据训练神经网路,剩余20组数据对训练好的模型进行验证.
BP神经网络的输入层参数选择基本量体数据为：肩宽、胸围、袖长、身长、袖口,输出层为绘制西装样板时的关键部位控制尺寸为：衣长、胸围线、腰围线、背宽、前胸宽、前肩宽、肩线、前袖窿深、后袖窿深、前片胸围、腋下胸围、腋下片下摆、袖长、袖肘线、袖山高、袖上線、袖口、小袖袖肥,如图2所示.
神经网络的输入层使用5个量体数据,输出层使用19个绘制关键尺寸,隐含层节点数为8,构成了一个5×8×19的BP神经网络模型.
使用Matlab2016中nntool神经网络工具箱训练BP神经网络,先将样本数据导入Matlab中,网络选择Feed-forward backprop；训练函数选TRAINSCG函数；性能函数选MSE平均平方和误差函数；网络层数选择2层；第1层隐含层的节点数为8；激活函数为TANSIG即双极性Sigmoid函数.
开始训练,得到训练结果,经过120步训练,误差平方和达到了约0.0007,如图3所示.
三、结果验证和分析
BP神经网络已训练完成.将另外剩余数据作为网络模型的输入层数据,使用已经训练好模型进行仿真,将其中的三组和原始数据对比,如图4所示.
可以看出,训练过后的网络模型仿真得到的数据和原始数据基本吻合,最大误差在0.05左右,在实际情况下,几乎不会对样板绘制产生影响.因此,通过建立BP神经网络来预测并根据量体数据生成西装样板数据,可以达到较为理想的效果,能够在保证准确度的前提下,提高西装样板制作的效率.
四、结语
本文将BP神经网络应用于西装样板的绘制过程中.实现了通过较少的客户量体数据生产较多的样板绘制需要的具体参数,建立的模型具有较高的精确度.为数字化的服装样板设计提供了可借鉴的思路.
参考文献：
[1] 吴俊,温盛军.BP神经网络在西服样板设计中的应用[J].纺织学报,2008（09）：113-116.
[2] 朱庆艳. EMTM背景下生活装旗袍的样板自动生成系统研究[D].浙江理工大学,2017.
[3] 石云.Bp神经网络的Matlab实现[J].湘南学院学报,2010,31（05）：86-88+111.
[4] 杨鲁景,武进,石鹏飞.改进BP神经网络预测模型实证分析[J].山西大同大学学报（自然科学版）,2015,31（04）：14-16+37.
作者简介：安琪（1990-4-）,性别：男,籍贯：陕西西安,单位：西安工业大学,学历（15级硕士）,研究方向：制造业信息化和系统集技术.
总结:本论文为免费优秀的关于神经网络论文范文资料，可用于相关论文写作参考。
参考文献：
1、 激光熔凝参数BP神经网络反求 摘 要：针对激光熔凝参数与熔凝单元体横截面尺寸之间呈现高度非线性映射关系，提出运用BP神经网络反求激光熔凝参数算法。利用BP网络算法建立激光熔凝。
2、 BP神经网络在用电用户分类中的应用 摘 要： BP神经网络在解决非线性复杂系统中存在很大的优势。针对家庭用电设备自身的负荷特点，以广州供电局用户用电设备能耗数据作为训练样本，利用B。
3、 基于BP神经网络心电信号智能诊断设计 摘 要： 结合差分阈值法、多重神经网络心电诊断方法提出一种新型的递进型双层BP神经网络心电信号智能诊断设计。采用差分阈值法检测QRS波特征点，通。
4、 基于BP神经网络的高空气象数据挖掘方法 摘 要： 针对传统的高空气象数据挖掘方法中存在的数据挖掘深度问题，提出一种基于BP神经网络技术的高空气象数据挖掘方法。采用BP神经网络技术以及小。
5、 基于BP神经网络北京市物流需求预测 摘 要：随着物流在国民经济中重要性的提高，对于物流需求的准确预测成了物流发展规划中重要的一部分。选取了对物流需求影响较大的七个指标构建了一个三层。
6、 优化BP神经网络在玉米产量预测中应用 摘 要：玉米产量预测一直是农业发展过程中的重要组成部分。神经网络算法以其较好的非线性优化拟合能力应用于玉米产量的预测中。但是传统的神经网络算法具。