[發(fā)明專利]一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測方法及預(yù)測裝置

有效

• 申請?zhí)枺?/td>: 201710201424.8
• 申請日: 2017-03-30
• 公開（公告）號: CN106937774B
• 公開（公告）日: 2022-05-20
• 發(fā)明（設(shè)計）人: 李文謙;張水發(fā)
• 申請（專利權(quán)）人: 李文謙;張水發(fā)
• 主分類號: A43D1/04
• 分類號: A43D1/04;G06N3/04;G06N3/08
• 代理公司: 上海方本律師事務(wù)所 31269
• 代理人: 汪玉平;潘勇

1.一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測方法，其特征在于,包括以下步驟:

(S1)采集測試者足部參數(shù)及對應(yīng)鞋楦參數(shù)；

(S2)對所述(S1)中采集到的足部參數(shù)進行聚類，剔除明顯離群的噪聲數(shù)據(jù)，計算每個尺碼的聚類中心；

(S3)使用遞歸神經(jīng)網(wǎng)絡(luò)，得到并輸出鞋楦參數(shù)預(yù)測模型；

(S4)采集消費者足部參數(shù)；

(S5)將所述(S4)中的足部參數(shù)輸入到所述(S3)訓(xùn)練好的所述鞋楦參數(shù)預(yù)測模型中，得到鞋楦尺碼和鞋楦參數(shù)；

所述步驟(S3)包括如下步驟：

(S31)初始化遞歸神經(jīng)網(wǎng)絡(luò)的權(quán)重，在初始化的基礎(chǔ)上進行學(xué)習(xí)參數(shù)；

(S32)將目標函數(shù)加入遞歸神經(jīng)網(wǎng)絡(luò)的相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)；

(S33)將去噪后的足部參數(shù)輸入神經(jīng)網(wǎng)絡(luò)中，在神經(jīng)網(wǎng)絡(luò)中做前傳計算，得到預(yù)測的鞋楦參數(shù)；

(S34)將所述(S1)中真實的鞋楦參數(shù)與所述步驟(S33)中預(yù)測的鞋楦參數(shù)計算誤差，反向傳播誤差，更新神經(jīng)網(wǎng)絡(luò)參數(shù)；

(S35)計算新的尺碼聚類中心，以新的尺碼聚類中心代替相同尺碼內(nèi)約束函數(shù)和不同尺碼間約束函數(shù)的聚類中心，輸出鞋楦參數(shù)預(yù)測模型。

2.根據(jù)權(quán)利要求1所述的一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測方法，其特征在于，所述步驟(S3)包括如下步驟：

(S36)循環(huán)迭代學(xué)習(xí)過程，直到誤差小于一定閾值，得到并輸出最終的鞋楦參數(shù)預(yù)測模型。

3.根據(jù)權(quán)利要求2所述的一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測方法，其特征在于，所述步驟(S31)中的遞歸神經(jīng)網(wǎng)絡(luò)為由長短時記憶模型(LSTM)組成的遞歸神經(jīng)網(wǎng)絡(luò)。

4.根據(jù)權(quán)利要求3所述的一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測方法，其特征在于,所述步驟(S31)中的遞歸神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計包含以下子步驟：

(S311)令P為足部參數(shù)，C為對應(yīng)尺碼聚類中心，E為結(jié)束的足部參數(shù)向量，則

P＝(p₁,p₂,…,p_n),p_i∈AP_i,i∈[1,n]

C＝(c₁,c₂,…,c_m),c_i∈AC_i,i∈[1,m]

其中，P由n個參數(shù)組成，對應(yīng)的尺碼有m維；假設(shè)共有S個尺碼，尺碼包含的特征集合數(shù)量為N，s_j為第j個特征，P_i為第i步預(yù)測的基于尺碼特征的softmax分布，P_i(s_j)為s_j的概率，預(yù)測出的尺碼特征為O_i，則：

O_i＝argmax_sjP_i(s_j),j∈[1,N]

(S312)設(shè)預(yù)測第i個特征的損失函數(shù)為-logP_i(s_j)-λ||x_i-s_j||，其中x_i為每次預(yù)測結(jié)束后計算得到的尺碼聚類中心的第i維特征。

5.根據(jù)權(quán)利要求4所述的一種基于深度學(xué)習(xí)的鞋楦尺碼預(yù)測 方法，其特征在于,所述步驟(S5)中，所述消費者鞋楦參數(shù)預(yù)測，首先得到預(yù)測尺碼的第一維特征，然后作為下一步輸入，獲得預(yù)測尺碼的第二維特征，得到指定數(shù)量的特征維數(shù)后停止，獲取最終鞋楦尺碼。