导读:本文包含了服装批量定制论文开题报告文献综述及选题提纲参考文献，主要关键词:批量定制,号型分类,聚类分析,人工神经网络
服装批量定制论文文献综述
袁惠芬,王旭,齐雪良,刘新华[1]（2018）在《基于神经网络的批量定制服装号型分类研究》一文中研究指出为提高批量定制服装号型的分类效率,运用神经网络方法,以男衬衫为研究对象,用6个测量项目(身高、胸围、腰围、颈围、肩宽和全臂长)为分类变量,对686名男性人体号型进行K-means聚类分析,并将聚类结果作为样本,对神经网络进行训练和测试。以混淆矩阵为指标研究了不同网络结构、训练算法及传递函数的分类效果。研究表明,分类效果随训练算法、网络结构不同存在明显差异,其中标准BP算法分类效果最差,弹性BP算法分类效果最好,且分类效果随隐层神经元数量的增加而提高,隐层和输出层传递函数均为logsig时,分类效果最好。(本文来源于《武汉纺织大学学报》期刊2018年03期）
齐雪良[2]（2017）在《批量定制服装号型分类算法研究》一文中研究指出批量定制是目前服装企业生产新模式,具有满足顾客要求和低成本、快速率及高质量的企业批量生产等特点。号型归档是批量定制生产的重要前提,传统归档方法依据人工经验,对照国标和企业自身规格进行机械式的套号归档,容易出现漏归、错归、周期长等问题,效率低下,造成企业成本增加。目前定制服装是基于成本极高的单件流生产,而对于批量定制服装号型分类算法研究较少,故研究号型分类算法为提高定制服装分类效率和服装合体度及制定合理板型数提供了一定得参考价值。本文以批量定制服装号型分类算法为研究对象,基于文献和企业生产调查分析以男衬衫上装为例,提取身高、胸围、腰围、颈围、肩宽和全臂长为分类变量,探讨K-means聚类算法中国标与非国标规格为初始聚心的分类效果及对BP神经网络分类结果的评价。本课题研究内容及研究结果如下:(1)基于改进的K-means聚类算法在服装号型分类研究。经数据缺失值、异常值和正态检验数据预处理后,经典K-means聚类分析算法中随机选取初始聚心,采用改进K-means聚类算法,依据最大最小距离法取距样本中心最近的样品作为第一个初始聚心Z1,离Z1最远为第二个初始聚心。结合Calin-ski-Harabasz指标、变异系数和相对偏差叁个指标评价最终聚类效果,依据CH值最接近原则确定非国标方式聚类数。研究结果表明:1000个数据中六个控制部位无缺失值,无异常值,且数据符合正态性判定标准,可进行后续K-means聚类分析和神经网络数据分析。利用SPSS软件进行数据分析,以国标号型为初始聚心,分类结果为25类,则依据最大最小距离法,选取25个非国标初始聚心。根据评价指标,当非国标聚类数为13时,国标分25类的CH值与非国标方法最接近,比传统国标分类具有更少的板型数,且非国标分类变异系数和相对偏差均小于国标分类结果,表明非国标方式分类样品与板型偏离程度小,聚类效果更好。(2)基于BP神经网络在服装号型分类研究:通过对BP神经网络梯度下降法(traingd)、有动量的梯度下降法(traingdm)、弹性梯度下降法(traingrp)和Levenberg-Marquardt方法的构建和样本的训练,以混淆矩阵进行分类性能评价,并分析这些算法中最高正确率和最低正确率及造成识别率低的原因。研究结果表明:对于同一种方法而言,隐层神经元数目越多,则识别正确率就越高;神经元一定时,四种方法中Levenberg-Marquardt方法识别率最高,其中Levenberg-Marquardt方法purelin传递函数和tansig传递函数的识别率相近,高达97%,其次是弹性梯度下降法,此方法以logsig为传递函数识别率最高,而梯度下降法和有动量梯度下降法识别率近乎相等,识别率极低,结果不理想,几乎不存在其实际应用价值。Levenberg-Marquardt方法训练时间相对其他叁种方法,耗时较长,其原因是此方法中矩阵的占用内存大,对系统有一定的要求。以识别率为主要因素,考虑训练耗时时间,Levenberg-Marquardt方法分类效果最佳,适合BP神经网络的应用,具有实际应用价值。(本文来源于《安徽工程大学》期刊2017-06-08）
齐雪良,袁惠芬,王旭[3]（2016）在《上海地区成年女性批量定制服装号型分类研究》一文中研究指出为确定批量定制服装合理板型数及提高合体度,以上海地区520名成年女性为研究对象,选择身高、胸围、腰围、领围为变量,提出了基于K-means聚类分析的非国标规格的号型分类方法。探讨了初始聚心的选择和最佳聚类数的确定,并以Calinski-Harabasz(CH)指标、变异系数和相对偏差为指标,对聚类效果进行评价。研究表明:以国标号型规格为初始聚心,号型被分为30类;相同CH指标时,以非国标规格号型为初始聚心,号型被分为20类,即板型数减少,且变异系数和相对偏差明显降低。(本文来源于《武汉纺织大学学报》期刊2016年04期）
董丽[4]（2015）在《服装批量定制中号型自动归档技术的研究》一文中研究指出服装批量定制中号型自动归档是一个复杂的过程,需要通过多年的反复实践才能得到宝贵的经验,建立号型归档数学模型,寻找算法来实现从批量定制人群的净体尺寸到号型规格系列的自动映射,能大大提高批量定制的自动化生产。(本文来源于《山东纺织经济》期刊2015年05期）
王洁[5]（2012）在《基于批量定制的服装数字化技术研究》一文中研究指出随着服装产品向多品种,小批量的方向发展,批量定制是服装企业的必然发展趋势。本文简明的阐述了批量定制的主要形式,介绍了批量定制中的服装数字化关键技术:叁维人体测量技术、样板数字化技术、虚拟试衣系统、ERP、PDM CRM等信息管理及控制技术。针对目前企业发展中存在的问题,指出了批量定制服装的发展方向。(本文来源于《天津纺织科技》期刊2012年04期）
毋涛,王银[6]（2011）在《服装批量定制量体服务系统的设计与实现》一文中研究指出服装在大批量定制中,纸质量体单及人工套号方式往往导致失误多、周期长,为此作者设计了一个对服装大批量定制量体服务的系统,采用加权归一化的最短距离算法和Web Service技术实现了针对服装批量定制量体作业管理的号型归档系统.经实用验证,该系统大幅缩短了号型归档作业的时间,避免了多种错误的发生,并通过Web Service接口建立了与不同生产管理系统的衔接.(本文来源于《陕西科技大学学报(自然科学版)》期刊2011年04期）
崔丽娜[7]（2009）在《网络化服装大规模批量定制分析》一文中研究指出介绍了大规模批量定制的概念,分析了网络化服装大规模批量定制特点;提出了制约服装大规模批量定制发展的重要因素——快速反应,并分析了快速反应模式特点。(本文来源于《广西纺织科技》期刊2009年05期）
陈敏之,何瑛,赵光伟[8]（2009）在《基于二维码技术的服装批量定制业务流程再造》一文中研究指出为了帮助服装企业在现有资源的基础上,实现业务流程从大批量生产到批量定制生产的平稳转变,以顾客需求为中心,同时兼顾企业利益,对服装批量定制产品开发与销售流程以及定制产品生产流程进行了深入分析。利用二维码信息容量大、保密性高、成本低廉等优良特性,提出了基于二维码信息技术的服装批量定制业务流程再造解决方案。以二维码为信息承载媒介,使服装定制信息在客户、销售终端、服装生产各物流环节之间便捷、准确、有效地传递,从而增强服装批量定制体系的可操作性。(本文来源于《纺织学报》期刊2009年09期）
张恒,张欣[9]（2009）在《基于批量定制的服装号型归档方法》一文中研究指出通过对服装结构制图的分析,将服装合体性的主观评价量化为计算定制规格与各成品规格的规格容量,从中找出最小的规格容量,通过比较规格容量与最大归档容量值来确定归档的结果.在研究过程中,首次引入规格容量的概念,并通过建立规格模型,提出归档结构链,为实现号型归档的数字化提供技术上的支持.(本文来源于《东华大学学报(自然科学版)》期刊2009年04期）
黄灿艺[10]（2009）在《服装大规模批量定制的核心技术研究现状》一文中研究指出分析了服装大规模批量定制的电子商务模式的优点和核心技术,并介绍了叁维人体扫描系统、计算机服装仿真等核心技术在国内外的研究现状。(本文来源于《国际纺织导报》期刊2009年05期）
服装批量定制论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
批量定制是目前服装企业生产新模式,具有满足顾客要求和低成本、快速率及高质量的企业批量生产等特点。号型归档是批量定制生产的重要前提,传统归档方法依据人工经验,对照国标和企业自身规格进行机械式的套号归档,容易出现漏归、错归、周期长等问题,效率低下,造成企业成本增加。目前定制服装是基于成本极高的单件流生产,而对于批量定制服装号型分类算法研究较少,故研究号型分类算法为提高定制服装分类效率和服装合体度及制定合理板型数提供了一定得参考价值。本文以批量定制服装号型分类算法为研究对象,基于文献和企业生产调查分析以男衬衫上装为例,提取身高、胸围、腰围、颈围、肩宽和全臂长为分类变量,探讨K-means聚类算法中国标与非国标规格为初始聚心的分类效果及对BP神经网络分类结果的评价。本课题研究内容及研究结果如下:(1)基于改进的K-means聚类算法在服装号型分类研究。经数据缺失值、异常值和正态检验数据预处理后,经典K-means聚类分析算法中随机选取初始聚心,采用改进K-means聚类算法,依据最大最小距离法取距样本中心最近的样品作为第一个初始聚心Z1,离Z1最远为第二个初始聚心。结合Calin-ski-Harabasz指标、变异系数和相对偏差叁个指标评价最终聚类效果,依据CH值最接近原则确定非国标方式聚类数。研究结果表明:1000个数据中六个控制部位无缺失值,无异常值,且数据符合正态性判定标准,可进行后续K-means聚类分析和神经网络数据分析。利用SPSS软件进行数据分析,以国标号型为初始聚心,分类结果为25类,则依据最大最小距离法,选取25个非国标初始聚心。根据评价指标,当非国标聚类数为13时,国标分25类的CH值与非国标方法最接近,比传统国标分类具有更少的板型数,且非国标分类变异系数和相对偏差均小于国标分类结果,表明非国标方式分类样品与板型偏离程度小,聚类效果更好。(2)基于BP神经网络在服装号型分类研究:通过对BP神经网络梯度下降法(traingd)、有动量的梯度下降法(traingdm)、弹性梯度下降法(traingrp)和Levenberg-Marquardt方法的构建和样本的训练,以混淆矩阵进行分类性能评价,并分析这些算法中最高正确率和最低正确率及造成识别率低的原因。研究结果表明:对于同一种方法而言,隐层神经元数目越多,则识别正确率就越高;神经元一定时,四种方法中Levenberg-Marquardt方法识别率最高,其中Levenberg-Marquardt方法purelin传递函数和tansig传递函数的识别率相近,高达97%,其次是弹性梯度下降法,此方法以logsig为传递函数识别率最高,而梯度下降法和有动量梯度下降法识别率近乎相等,识别率极低,结果不理想,几乎不存在其实际应用价值。Levenberg-Marquardt方法训练时间相对其他叁种方法,耗时较长,其原因是此方法中矩阵的占用内存大,对系统有一定的要求。以识别率为主要因素,考虑训练耗时时间,Levenberg-Marquardt方法分类效果最佳,适合BP神经网络的应用,具有实际应用价值。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
服装批量定制论文参考文献
[1].袁惠芬,王旭,齐雪良,刘新华.基于神经网络的批量定制服装号型分类研究[J].武汉纺织大学学报.2018
[2].齐雪良.批量定制服装号型分类算法研究[D].安徽工程大学.2017
[3].齐雪良,袁惠芬,王旭.上海地区成年女性批量定制服装号型分类研究[J].武汉纺织大学学报.2016
[4].董丽.服装批量定制中号型自动归档技术的研究[J].山东纺织经济.2015
[5].王洁.基于批量定制的服装数字化技术研究[J].天津纺织科技.2012
[6].毋涛,王银.服装批量定制量体服务系统的设计与实现[J].陕西科技大学学报(自然科学版).2011
[7].崔丽娜.网络化服装大规模批量定制分析[J].广西纺织科技.2009
[8].陈敏之,何瑛,赵光伟.基于二维码技术的服装批量定制业务流程再造[J].纺织学报.2009
[9].张恒,张欣.基于批量定制的服装号型归档方法[J].东华大学学报(自然科学版).2009
[10].黄灿艺.服装大规模批量定制的核心技术研究现状[J].国际纺织导报.2009