[发明专利]一种基于深度学习的鞋楦尺码预测方法及预测装置

说明书

本发明涉及一种基于深度学习的鞋楦尺码预测方法，包括以下步骤:S1、采集测试者足部参数及对应鞋楦参数；S2、对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；S3、使用递归神经网络，得到并输出鞋楦参数预测模型；S4、采集消费者足部参数；S5、将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数。针对当前鞋楦制作过于依赖经验的问题，设计出基于深度学习的鞋楦尺码自动预测方法与预测装置，能够通过采集消费者足部参数，自动、快速、准确的为消费者定制合适的鞋子。

技术领域

本发明涉及一种鞋楦尺码预测方法及预测装置，特别涉及一种基于深度学习的鞋楦尺码预测方法及预测装置。

背景技术

近年来，电子商务越来越火，C2B，B2B，C2C，B2C，O2O等模式层出不穷，给人们的消费带来了遍历，同时也减少了消费链条，降低成本。但对于鞋子定做来说，价格却居高不下，原因在于：1、市场上鞋子大多是标准码，按过往经验设计，如果不试穿，往往无法选择真正合适的鞋子；2、如果想在家就定制合适的鞋子，需要商家提供上门服务，而现今，人工费居高不下，这也是导致定制鞋价格较高的重要原因。

因此，如何让消费者在家就能买到价格适中、合适的鞋子，成为鞋子定制领域的迫切需求。

发明内容

为了解决现有技术的不足，本发明的目的是提供一种能够快速、便捷、准确的鞋楦尺码预测方法及预测装置。

为了实现上述目的，本发明提供了一种基于深度学习的鞋楦尺码预测方法，包括如下步骤：

S1、采集测试者足部参数及对应鞋楦参数；

S2、对所述(S1)中采集到的足部参数进行聚类，剔除明显离群的噪声数据，计算每个尺码的聚类中心；

S3、使用递归神经网络，得到并输出鞋楦参数预测模型；

S4、采集消费者足部参数；

S5、将所述(S4)中的足部参数输入到所述(S3)训练好的所述鞋楦参数预测模型中，得到鞋楦尺码和鞋楦参数。

优选地，所述步骤S3包括如下步骤：

S31、初始化递归神经网络的权重，在初始化的基础上进行学习参数；

S32、将目标函数加入递归神经网络的相同尺码内约束函数和不同尺码间约束函数；

S33、将去噪后的足部参数输入神经网络中，在神经网络中做前传计算，得到预测的鞋楦参数；

S34、将所述(S1)中真实的鞋楦参数与所述步骤(S33)中预测的鞋楦参数计算误差，反向传播误差，更新神经网络参数；

S35、计算新的尺码聚类中心，以新的尺码聚类中心代替相同尺码内约束函数和不同尺码间约束函数的聚类中心，输出鞋楦参数预测模型。

优选地，所述步骤S3包括如下步骤：

有利地，所述步骤S31中的递归神经网络为由长短时记忆模型(LSTM)组成的递归神经网络。

有利地，所述步骤S5中，所述消费者鞋楦参数预测，首先得到预测尺码的第一维特征，然后作为下一步输入，获得预测尺码的第二维特征，得到指定数量的特征维数后停止，获取最终鞋楦尺码。

本发明还提供了一种基于深度学习的鞋楦尺码自动预测装置，包括：

训练模块，用于训练递归神经网络的鞋楦参数预测模型；

输入模块，用于为消费者输入足部参数提供接口；

自动预测模块，用于将消费者足部参数传入递归神经网络的鞋楦参数预测模型，自动预测鞋楦尺码；