基于r型聚类分析的服装人体体型预测模型.docxVIP

基于r型聚类分析的服装人体体型预测模型 高质量和高质量服装的大规模定制已成为世界各国的趋势。然而，根据keelsalmonastrol的研究，美国超过一半的女性发现了相同数量的服装。根据德洛伊德的研究，50%的投诉来自服装的相似性。其最主要的原因在于服装制作中所采用的人体特征参数偏少,对人体立体形态反映不够。 在对人体体型的研究中,通常利用线性回归分析和灰色系统建立模型,但这2种方法只是将身高、胸围、腰围这3个部位作为人体的基本控制部位,其它部位的尺寸靠这3个部位的尺寸推算得到,因此不能完全体现人体体型的全面信息,造成样板设计中误差过大。另一方面,如果选取反映人体形态的体型参数过多,会使服装样板设计复杂化。 基于上述原则,本文利用R型聚类分析和相关分析的方法,对大量的人体数据信息进行压缩,找出每一类中最能表征体型部位的典型指标,运用岭回归预测理论对典型指标进行建模,根据建立的模型对人体主要细部部位的数据进行预测。目的是用少量人体部位的测量结果建立起能广泛应用于人体细部规格与基本部位之间的岭回归模型关系,旨在实现对个体体型的准确把握。 1 实验部分 1.1 研究主题 选取18～23岁江浙籍青年女子430名,平均身高163.55 cm,平均体重51.5 kg,平均年龄21.6岁。 1.2 实验设备和方法 采用美国[TC]2公司的三维人体测量仪和人体测高仪。为减少仪器误差,对同一个人至少进行 3次重复测量。 1.3 测量部分 选取身高以及三维测量仪系统内设基本指标共46项,具体测量部位名称见表1。 2 测量结果和分析 2.1 聚合性法 将实验样本的测量数据进行R型聚类分析。该方法可使具有共同特征的变量聚在一起,以便从不同类中分别选出具有代表性的变量作分析,从而减少分析变量的个数。 2.1.1 收集过程 应用SPSS软件对表1的46个变量进行R型聚类分析。聚类的凝聚过程见表2。 2.1.2 前片及服装特点 到第39步,距离测量值r等于0.492小于0.5,认为前38步聚类有效,即把46个变量聚为5类。 第1类:身高、颈椎点高、腰高、腿外长、大腿围高、坐臀围高、臀围高、胸围高、下胸围高、肩高、上胸围高、膝高、臂长、大腿长、脚踝高,称为高度类,主要反映人体的高度和长度。 第2类:前长、前颈腰长、后颈腰长,称为侧面形态类,这些部位最能突出正常与挺胸凸肚或有曲背体型人的差别,表现在服装样板上就是前后片长度的不同。 第3类:胸高、乳间距、前颈点至胸点,称为胸部形态类,主要反映女子乳房立体结构造型。 第4类:腰围、腰围横长、下胸围、下胸围横长、上胸围、胸围、胸围横长、坐臀围、坐臀围横长、臀围、大腿围、臀围横长、肘围、臂围、膝围、臂根围、颈围、前胸宽,称为围度类。其中围度类又可分为3个小类:第Ⅰ类包括腰围、腰围横长、下胸围、下胸围横长、上胸围、胸围、胸围横长,称为上体围度类;第Ⅱ类包括坐臀围、坐臀围横长、臀围、大腿围、臀围横长、膝围,称为下体围度类;第Ⅲ类包括肘围、臂围、臂根围,称为上肢围度类。 第5类:肩截面横长、水平肩宽、上胸围横长、总肩宽、后背宽、小肩宽,称为肩部形态类。 2.1.3 服装结构类型指标mi 聚类结束后,在各类变量中选择典型指标,就要依据专业知识,选择有代表性的并容易测得的变量,可以通过计算1个变量与其它指标相关指数的平均数来确定,计算公式为 Riˉˉˉˉ2=(∑r2)/(mi?1)Riˉ2=(∑r2)/(mi-1) 式中,r为指标xi与同类中其它指标间的相关系数;mi为指标r所在类的指数。其中相关系数可由Pearson相关分析系数矩阵得到,由于该相关分析系数矩阵较大,限于篇幅不详细列出,并依据各类值Riˉˉˉˉ2Riˉ2最大的挑选原则,经过计算,上半身形态各类典型指标为腰高、前长、胸高、胸围、总肩宽。但在测量工作中,由于腰高部位很难找准,因此选取身高作为高度类的典型指标(身高和腰高的相关系数为0.965),而且身高指标也符合服装结构设计的惯例。 人的围度,主要是胸围、腰围和臀围,它们之间不一定同步变化,相同胸部尺寸的人可能有完全不相同的臀部体型,因此,对下半身形态进行研究是十分必要的。由于臀围的丰满度能较好地反映下半身的形态,并且经过计算臀围的典型指标值在下体围度中最大,因此将身高和臀围作为下半身形态的典型指标。 上述指标既能准确地反映人体形态,测量又方便,对合体服装的生产和服装号型的制定也具有一定的指导意义。 2.2 重相关性估计 岭回归分析是一种修改的最小二乘估计法,当自变量系统中存在多重相关性时,它可以提供一个比最小二乘法更为稳定的估计,并且回归系数的标准差也比最小二乘估计的要小。根据高斯-马尔科夫定理,多重相关性并不影响最小二乘估计量的无偏性和最小方差性。 2.2.1 服装样品测量的测量 在人体研究中仅仅知道每个变量