[发明专利]纸样规格参数推理模型的神经网络的训练学习方法和系统

权利要求书

1.一种纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，包括以下步骤：

S1：在输入层导入包括网络输入向量和网络目标向量的多组学习样本后将输出层连接权、中间层连接权、中间层输出阈值和输出层输出阈值进行初始化设置；

S2：随机选取一组学习样本，并基于选取的学习样本、中间层连接权和中间层输出阈值通过中间层算法计算中间层各单元的输入和中间层各单元输出；

S3：基于输出层连接权、输出层输出阈值和步骤S2中得到的中间层各单元的输出通过输出层算法计算输出层各单元的输出和输出层各单元的响应；

S4：根据网络目标向量和网络输出层各单元的响应计算输出层各单元的输出层一般化误差，并基于输出层连接权、输出层一般化误差和中间层的输出通过中间层一般化误差算法计算中间层各单元的中间层一般化误差；

S5：根据输出层一般化误差和中间层的输出通过输出层连接权修正算法修正输出层连接权，通过输出层输出阈值修正算法修正输出层输出阈值；根据中间层一般化误差和网络输入向量通过中间层连接权修正算法修正中间层连接权，通过中间层输出阈值修正算法修正中间层输出阈值；

S6：随机选取下一组学习样本并返回步骤S2，直至选取至最后一组学习样本和/或网络全局误差小于一个设定阈值。

2.根据权利要求1所述的纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，在步骤S2之前，还包括以下步骤：

神经网络自行设定和选取和/或接收用户设置的包括输入层节点、输出层节点、中间层层数、中间层节点、激活函数、初始权值和学习率中的任意一种或多种组合的训练参数。

3.根据权利要求1所述的纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，所述的输入层节点为人体多个部位尺寸的向量，所述的输出层节点为成衣多个部位尺寸的向量，所述的中间层层数设定为一层、二层或三层，所述的隐含层节点通过试值的方式和/或通过经验式进行选取，所述的激活函数包括中间层激活函数和输出层激活函数，且中间层激活函数选取Sigmoid函数，输出层激活函数选取Purelin线性函数，初始权值由Matlab随机产生，学习速率选取0.01-0.8。

4.根据权利要求3所述的纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，所述的经验式包括至少三种：

H＝2I+1①

H＝log₂I I∈(0.02I，4I) ③

H：隐含层节点数；

I：输入层节点数；

O：输出层节点数；

a：常数。

5.根据权利要求3所述的纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，所述的学习速率为变化的自适应学习速率，神经网络根据训练的不同阶段自动设置不同学习速率的大小。

6.根据权利要求1所述的纸样规格参数推理模型的神经网络的训练学习方法，其特征在于，在步骤S1中，所述的网络输入向量为人体多个部位尺寸，即：P_k＝(a₁，a₂，...，a_n)

k：学习样本数量；n：输入层节点个数；

所述的网络目标向量为对应人体的成衣的多个部位尺寸，即

T_k＝(s₁，s₂，...，s_q)q：输出层节点个数；

在步骤S2中，所述的中间层算法为公式④，即

b_j＝f(s_j)j＝1，2，…，p④；

其中，

s_j：中间层各单元的输入；

w_ij：输入层至中间层的中间层连接权，w_ij，i＝1，2，…，n；j＝1，2，…，p；

θ_j：中间层各单元的中间层输出阈值；θ_j，j＝1，2，…，p；

b_j：中间层各单元的输出；

a_i：第i个网络输入向量。

其中，n：输入层节点个数；p：中间层节点个数。