服装合体性感性认识机理分析与建模

The study of the sentimental cognitive mechanism of garment fit can lay a theoretical foundation for the solution to garment fit problem faced in current apparel design, production and sales. At present, the research on the cognition mechanism of garment fit mainly focuses on the fit problem caused by the size, and lacks the research on the cognitive mechanism of garment fit under sentimental demands. In addition, most existing garment fit cognitive models are linear and mechanical models that make it difficult to accurately simulate people’s sentimental cognition of garment fit. This leads to the current garment fit evaluation methods based on the linear and mechanical model can not avoid try on, and low efficiency and poor accuracy. In this context, this topic proposes a research on the analysis and modelling of the sentimental cognitive mechanism of garment fit, in order to reveal the most essential and deepest causes of garment fit problems, and to clarify the complex relationships between the sentimental cognition of garment fit and the fit factors. On this basis, intelligent algorithms, such as fuzzy neural network, fuzzy decision tree, and fuzzy cognitive map, are applied to build the non-linearity and intelligent mathematical model of sentimental cognition of garment fit, and the model can realize the evaluation and prediction of garment fit under sentimental demands after continuous learning from the data.

服装合体性感性认知机理的研究可以为当前服装设计、生产与销售中所面临的服装合体性评估问题的解决奠定理论基础。目前服装合体性认知机理的研究主要集中在因尺寸所导致的服装合体性问题，缺乏对感性需求下服装合体性认知机理的研究。此外，现有的服装合体性认知模型大多数是线性机械型模型，较难精确地模拟人对服装合体性的感性认识。这就导致目前所有基于线性机械型模型的服装合体性评估方法都无法避免试穿环节，且评估效率低、精确度差。在这种背景下，本课题提出服装合体性感性认知机理分析与建模的研究，旨在揭示引起服装合体性问题的最深层、最本质的原因，阐明服装合体性感性认知与影响服装合体性因素之间的复杂关系，在此基础上应用智能算法，如模糊神经网络、模糊决策树、模糊认知图等构建服装合体性感性认知非线性智能型数学模型，该模型从数据中不断地学习之后，可以实现感性需求下的服装合体性评估与预测。

服装的合体性在服装设计、生产与销售环节都占有相当重要的地位。在服装产品开发阶段，设计人员需要在标准人台或模特身上检验服装是否合体，只有合体性达到设计要求的服装才能进入下一步的批量生产；在服装销售环节，消费者需要通过多次试穿才能判断服装的合体性，如果该服装不合体，无论其款式多么优雅，面料多么精致，消费者依旧不会购买。本项目主要研究内容是探讨人对服装合性的感性认知机理，剖析服装合体性的感性认知与影响服装合体性因素之间的关系，运用机器学习算法构建服装合体性感性认知与影响服装合体性因素之间的数学关系模型，准确预测服装合体性状况。. 本项目通过使用机器学习算法，如朴素贝叶斯、决策树和神经网络等构建了服装合体性评估的数学模型，运用K折交叉检验验证了模型的预测精度，实现了无需真实试穿即可快速地评估服装合体性的目的。与传统的服装合体性评估方法相比，基于机器学习的服装合体性评估方法具有以下两个优点：⑴ 基于机器学习的服装合体性评估技术，无需操作者具备服装合体性评估知识且无需真实试穿，就可以快速、自动地预测服装的合体性；⑵ 基于机器学习的服装合体性评估技术对服装合体性的预测精度会随着训练样本数量的增加和样本质量的改善而不断地提高，足够多的训练样本数量和足够高的样本可靠性可以使得模型的预测精度更高。. 本项目研究揭示服装合体性感性认知机理，构建服装合体性感性认知非线性智能型数学模型，为服装合体性感性认知领域提供新的研究理论和方法。正因为基于机器学习的服装合体性评估技术拥有诸多优点，使得其能够有望在未来广泛应用于服装生产与销售。在具体实际应用中，当学习样本数据较少且企业规模较小时，可以选择贝叶斯分类器和决策树等算法构建预测模型；当学习样本数量较多且企业规模较大时，可以选择神经网络等构建预测模型；当需要获取直观的合体性预测规则时，则可以选用决策树构建预测模型。