《基于神经计算的服装缝纫性能模糊评价研究》这篇论文主要探讨了利用人工智能与机器学习技术,特别是神经网络,对纺织面料的缝纫性能进行客观评价的方法。文章着重介绍了如何结合支持向量机(SVM)、核主成分分析(KPCA)以及监督模糊聚类(SFCM)来构建径向基神经网络(RBFNN),以提高预测缝纫平整度的精度和鲁棒性。
首先,论文提到服装的缝纫能力是影响衣物外观质量的关键因素之一。传统的主观评价方法AATCC 88B虽然简单直观,但易受评估者主观因素影响,缺乏客观性。因此,寻求一种客观的缝纫性能评价算法成为了服装设计和制造行业的研究热点和难题。
文中提出了一种基于核主成分分析的监督模糊聚类RBF神经网络(SFCM-RBFNN)系统。首先,使用FAST(Fabric Assurance by Simple Testing)设备对纺织面料的力学性能指标进行测试,通过分析这些指标与缝纫性能之间的关系。接着,运用KPCA进行数据预处理,以降低数据的复杂性,同时保持数据集的主要信息。
然后,利用SFCM(Supervised Fuzzy C-Means Clustering)进行模糊聚类,这一方法不仅考虑了输入空间的聚类特性,还能反映输出空间的逼近特性,从而提供更准确的聚类结果。SFCM通过调整模糊分割矩阵U和聚类中心V,为RBF神经网络的隐层节点基函数提供了优化控制,使得网络的宽度(感受野)和中心得以有效控制,增强了系统的泛化能力。
最后,基于调整后的RBF神经网络,论文建立了一个能够高效评价面料缝纫能力的系统。实验结果显示,提出的SFCM-RBFNN算法在预测不同结构和材质面料的缝纫平整度上表现出了高精度和鲁棒性,克服了传统主观评价的局限性。
总结来说,这篇研究通过集成机器学习和神经网络技术,为服装制造业提供了一种科学、客观的评价方法,有助于提升服装生产过程中的质量控制和效率,对于推动服装行业的技术进步具有重要意义。