基于MEA-BP神经网络的青年女性臂部体型识别.docx

    基于MEA-BP神经网络的青年女性臂部体型识别    倪世明　白云龙　蒋益群Summary： 青年女性臂部体型包含了大量的非线性特征，单一的BP神经网络很难达到理想预测精度，为快速准确地识别青年女性臂部体型，提高预测精度，本文构建了一种基于思维进化算法（MEA）优化BP神经网络的青年女性臂部体型识别模型首先，通过[TC]2三维人体测量获取611名青年女性的臂部数据;其次，通过主成分因子分析得到影响青年女性臂部体型特征的5大形态因子，选取5个特征指标采用两步聚类法将臂部体型分为4类;最后使用Matlab软件构建基于MEA-BP神经网络的青年女性臂部体型识别模型实验结果显示：该模型能有效识别臂部体型，准确率为95.45%，与单一BP神经网络和GA-BP神经网络对比，该模型具有更高的预测精度和更优的非线性映射能力Key： 青年女性;臂部体型;体型分类;MEA-BP神经网络;识别模型： TS941.17文献标志码： A： 10017003（2022）05004208引用页码： 051107DOI： 10.3969/j.issn.1001-7003.2022.05.007在服装结构设计中，衣袖是重要的服装部件，其形态和尺寸来源于人体臂部。

近年来，为了提高衣袖的合体性和舒适性，使衣袖结构更符合人体臂部形态特征，许多学者对臂部体型做了相关研究贺新等[1]对青年女性上肢形态特征进行主成分分析，提取特征因子，将4个典型指标分别细分为3类，定量描述了34类上肢形态差异;张雪云[2]对青年女性肩臂部特征参数进行逐步聚类，最终得到7类肩臂部特征形态;舒伟伟[3]将老年女性的6类全臂长、5类上臂围进行交叉组合，最终得到6类臂部形态，并确定老年女性臂部号型规格;刘国联等[4]通过拍摄青年女性的臂部照片并提取相关尺寸，建立了以臂宽为自变量的衣袖设计回归方程学者们通过提取人体臂部典型指标，并基于典型指标分别细分及交叉组合，获得臂部复合体型，体型细分数量较多，虽然对服装结构设计和号型归档有一定的理论依据，但缺乏实际生产中消费者衣袖穿着舒适性需求和服装工业批量化生产需求的平衡，缺少对臂部体型整体分类和识别相关的研究人体体型数据存在复杂的非线性关系，在体型分类识别的方法上，学者们应用较多的有传统的数理统计法[5-6]，也有近几年机器学习界比较热门的神经网络，尤其是BP神经网络，在人体工学领域应用较多[7]BP神经网络是一种多层前馈神经网络，具有原理简单、模型易搭建、能够逼近任意非线性曲线的优点，已用于人体头肩部体型识别[8]、人脸外观预测[9]、人脸识别[10]等。

但由于其初始阈值和权值是随机选择的，导致在处理人体体型复杂的非线性关系时，出现收敛速度慢、模型易发生震荡、陷入局部最小等问题[10-11]因此，需要寻求一种有效算法来优化BP神经网络的权值和阈值，避免单一BP神经网络模型不稳定、精度低等问题，从而提高网络识别精度思维进化算法（Mind Evolutionary Algorithm，MEA）是一种全局优化算法，通过多次“趋同”与“异化”操作，可以优化BP神经网络的初始权值和阈值，从而提高模型的稳定性和预测精度MEA-BP神经网络在卫星钟差预报[12]、窃电识别[13]、遥感影像分类[14]、土壤养分分级评价[15]等领域都有较好的应用因此，本文尝试将思维进化算法（MEA）优化BP神经网络引入人体工学领域，用于青年女性臂部体型的识别本文以18～25岁的青年女性为研究对象，通过[TC]2三维人体测量获取青年女性臂部的尺寸数据，应用主成分因子法分析得到臂部体型形态因子，并选取特征指标，随后采用两步聚类法进行臂部体型分类最后，在此基础上构建基于MEA-BP神经网络的青年女性臂部体型识别模型，一方面为人体体型识别领域提供一种新思路，另一方面也为衣袖部位结构设计提供参考依据。

1数据收集及预处理1.1实验对象与仪器为了使臂部体型分类和识别更具针对性，本文选取了18～25岁的611名青年女性作为实验对象;身高150～180 cm，平均身高160.7 cm;体重40～69 kg，平均体重50.4 kg本文采用[TC]2三维人体测量仪（美国[TC]2公司）、人体测高仪（日本Martin）及体重计（江苏苏宏医疗器械有限公司）等作为实验仪器将测量环境温度设置为（27±3） ℃，相对湿度设置为（60±10）%，测量环境符合裸体测量标准测量方法参照GB/T 23698—2009《三维扫描人体测量方法的一般要求》，每一个实验对象穿着仪器规定服装，重复测量3次，取平均值，以减小仪器测量误差1.2测量项目本文将青年女性臂部作为体型研究部位，根据服装结构设计的需要，参照GB/T 5703—2010《用于技术设计的人体测量基础变量》，确定能够反映臂部体型的12项测量项目和计算得到的2个派生变量，合计14个指标考虑到人体的对称性，同时参照GB/T 16160—2017《服装用人体测量的尺寸定义与方法》主要测量人体右臂，因此本文只分析人体右臂体型，测量项目和测量方式如表1所示1.3数据预处理使用SPSS軟件进行数据预处理，用Q-Q概率图对臂部数据进行正态检验，以全臂长为例，检验结果如图1所示。

数据大致落在一条斜线上，表明基本服从正态分布经检验，14个指标均服从或近似服从正态分布然后使用茎叶图和箱形图寻找异常值，全臂长的箱型图如图2所示，SPSS软件自动标记了1.5倍至3倍四分位距（Inter Quartile Range，IQR）的温和异常值和超过3倍IQR的极端异常值[16]通过查看并分析异常值的原始三维扫描数据，综合判断数据的有效性，剔除极端异常样本，最终确定有效样本586个，有效率95.91%2臂部体型分类2.1描述性统计分析使用SPSS软件对青年女性臂部14项指标进行描述性统计分析，得到各指标的极小值、极大值、均值、标准差、偏度、峰度等基本统计量，结果如表2所示，反映了臂部数据的集中趋势、离散程度和总体分布等[17]其中，极小值、极大值反映臂部数据的变异范围;均值反映臂部数据的中心位置，描述集中趋势;标准差描述臂部数据的离散程度，标准差越大，数据离散程度越大;偏度和峰度描述臂部数据的总体分布情况，偏度反映数据分布的对称程度，等于0表示对称分布，大于0表示右偏，小于0表示左偏;峰度反映数据分布的集中趋势高低特征，大于0表示分布较陡，小于0表示分布平缓由表2可知，全臂长变化范围是[39.89，70.87]，是臂部指标中变异程度最大的;其标准差为4.63，表明全臂长变量与均值之间差异较大，波动最大;其偏度为0.23，峰度为-0.13，表明全臂长为平缓的右偏态分布。

臂根围标准差为3.11，说明样本之间存在较大的差异性;其偏度为0.33，峰度为0.96，表明臂根围为陡峭的右偏态分布由此可见，臂部体型的差异主要体现在长度和围度方面2.2主成分因子分析利用SPSS软件对14项指标进行主成分因子分析，通过分析各主成分方差贡献率、累计贡献率，对特征根大于1的前5个主成分进行提取，累计方差贡献率为88.94%，如表3所示，可以用于描述青年女性臂部体型特征根据最大方差法对因子载荷矩阵进行选择，旋转后的成分矩阵如表4所示比较旋转后的载荷数绝对值，分析各成分包含的变量因子和共性，对主成分因子进行定义由表4可知，主成分因子1在上臂围、肘围、上臂最大围、前臂围、腕围等围度相关变量上载荷较大，定义为臂部围度因子;主成分因子2在臂根围、臂根高、袖山高等臂根部变量上载荷较大，定义为臂根因子;主成分因子3在臂根扁平率、臂根厚等臂根形态变量上载荷较大，定义为臂根形态因子;主成分因子4在全臂长、上臂长、前臂长等长度相关变量上载荷较大，定义为臂部长度因子;主成分因子5在上臂长比前臂长上有较大载荷，定义为臂部比例因子综上，通过主成分因子分析得到影响人体臂部体型特征的5大因子：臂部围度因子、臂根因子、臂根形态因子、臂部长度因子、臂部比例因子。

2.3臂部体型分类青年女性臂部数据具有非线性、数据复杂等特点，参照王军等[18]分类青年女性腰臀部体型所应用的两步聚类法，进行臂部体型的探索性分类两步聚类法是一个探索性分析工具，可以揭示臂部体型数据的分类，系统自动选择最佳聚类数[17]从表4可以看出，5大因子载荷最大值所对应的特征因子分别是：上臂围、臂根围、臂根扁平率、全臂长、上臂长/前臂长，因此选取这5个变量作为臂部体型分类的特征指标在SPSS软件中应用两步聚类法，对实验获取的586个样本进行探索性聚类分析，发现青年女性臂部体型分为4类时，聚类效果最佳聚类分布情况如表5所示，特征变量平均值如表6所示从表6可以看出，4类青年女性臂部体型存在明显区别第1类臂部体型：长胖臂，手臂粗壮，臂根厚实，长臂，上臂长于前臂;第2类臂部体型：中间臂，手臂中等粗细，臂根圆润，中长臂，上臂明顯长于前臂;第3类臂部体型：长瘦臂，手臂较细，臂根匀称，中长臂，上臂长于前臂;第4类臂部体型：短扁臂，手臂纤细，臂根扁平，短臂，上臂明显长于前臂3基于MEA-BP的臂部体型识别模型构建3.1算法原理3.1.1BP神经网络BP神经网络是一种多层前馈神经网络，由输入层、隐含层、输出层构成[19]，具有信号前向传递、误差反向传播的特点，拓扑结构如图3所示。

wij、wjk为BP神经网络的权值，根据预测误差反向调整权值和阈值，直至逼近期望输出，在处理非线性关系上应用广泛3.1.2MEA原理思维进化算法是由孙承意等[20]于1998年针对进化算法（Evolutionary Computation，EC）存在的早熟、收敛速度慢等问题提出的一种优化算法MEA沿袭了遗传算法（Genetic Algorithms，GA）关于“群体”“个体”“环境”和“进化”等概念，并提出“群体和自群体”“公告板”“趋同”和“异化”等新概念[12]MEA算法的趋同和异化操作，避免了GA算法交叉与变异的双重性问题，朝着有利方向进化，跟遗传算法优化速度相比，MEA算法优化效率更高，实用性更广[21]3.1.3MEA优化BP神经网络在BP神经网络训练的过程中，由于网络初始化随机选择权值和阈值，容易导致模型结果异常[11]本文使用MEA算法优化BP神经网络，经过趋同、异化操作，算法不断迭代，产生全局最优个体，并通过编码规则解析最优个体，将其作为BP神经网络初始化训练的权值和阈值，进而进行仿真预测MEA优化BP神经网络流程如图4所示3.2MEA-BP识别模型构建本文根据MEA优化BP神经网络流程，使用Matlab软件构建MEA-BP模型，用来识别青年女性臂部体型。

3.2.1样本与变量选择实验中共有586个有效样本，按照7︰3的比例分配训练集和测试集，其中训练样本410个，测试样本176个将主成分因子分析中提取的5大因子对应载荷最大的5个变量（上臂围、臂根围、臂根扁平率、全臂长、上臂长/前臂长）作为MEA-BP臂部体型识别模型的输入变量，把4种臂部类型（1长胖臂、2中间臂、3长瘦臂、4短扁臂）作为输出变量3.2.2模型参数设置构建3层结构的BP神经网络，隐含层神经元数量按照Hecht-Nielsen法[22]确定n=2N+1（n为隐含层节点数，N为输入节点数），计算得出隐含层节点为11最终模型为MEA-BP（5-11-1）BP神经网络模型参数设置如表7所示，MEA算法参数设置如表8所示经过若干次趋同操作，MEA-BP模型达到最优最终优胜子种群和临时子种群的趋同过程如图5—图6所示，其中得分为模型训练集均方根误差的倒数[23]，分析得到：1） 各子种群得分不再增加，代表子种群均已成熟;2） 优胜子种群1、2、3、4、5和临时子种群1、2、3、5都没有执行趋同操作，该现象表示在这些子种群周围没有发现更好的个体;3） 。