为了提高乳房形态识别精度,采用密度峰值快速聚类(clustering by fast search and find of density peaks,CFSFDP)算法对西部地区108位青年女性的乳房形态特征数据进行聚类分析,再运用极限学习机(extreme learning machine,ELM)算法识...为了提高乳房形态识别精度,采用密度峰值快速聚类(clustering by fast search and find of density peaks,CFSFDP)算法对西部地区108位青年女性的乳房形态特征数据进行聚类分析,再运用极限学习机(extreme learning machine,ELM)算法识别乳房形态,并对比分析了在3种激活函数下,ELM乳房形态识别模型隐含层神经元个数与准确率的关系。结果表明:ELM算法对乳房形态识别准确率较高且用时较短,平均时长为1.28 s。当模型激活函数选择sin且隐含层神经元个数为25时,模型识别乳房形态准确率较好,平均为98.3%。ELM乳房形态识别研究在一定程度上改善了消费者乳房与文胸号型之间的配伍性,为人体形态识别模型参数的选择提供了依据。展开更多
为提高乳房形态的识别精度,采用密度峰值聚类算法(clustering by fast search and find of density peaks,CFSFDP)对西部地区108位19~27岁青年女性的乳房形态进行聚类分析,再运用广义回归神经网络(GRNN)和概率神经网络(PNN)算法识别乳...为提高乳房形态的识别精度,采用密度峰值聚类算法(clustering by fast search and find of density peaks,CFSFDP)对西部地区108位19~27岁青年女性的乳房形态进行聚类分析,再运用广义回归神经网络(GRNN)和概率神经网络(PNN)算法识别乳房形态。结果表明:西部青年女性乳房形态可分为标准型、丰满型、扁瘦型、高挺型4种;标准型样本占比最大,丰满型的样本则偏少;乳平围对乳房识别意义重大;GRNN及PNN算法对乳房的识别精确率均较高,分别为88.89%和100%,但PNN模型整体优于GRNN模型。展开更多
文摘为了提高乳房形态识别精度,采用密度峰值快速聚类(clustering by fast search and find of density peaks,CFSFDP)算法对西部地区108位青年女性的乳房形态特征数据进行聚类分析,再运用极限学习机(extreme learning machine,ELM)算法识别乳房形态,并对比分析了在3种激活函数下,ELM乳房形态识别模型隐含层神经元个数与准确率的关系。结果表明:ELM算法对乳房形态识别准确率较高且用时较短,平均时长为1.28 s。当模型激活函数选择sin且隐含层神经元个数为25时,模型识别乳房形态准确率较好,平均为98.3%。ELM乳房形态识别研究在一定程度上改善了消费者乳房与文胸号型之间的配伍性,为人体形态识别模型参数的选择提供了依据。
文摘为提高乳房形态的识别精度,采用密度峰值聚类算法(clustering by fast search and find of density peaks,CFSFDP)对西部地区108位19~27岁青年女性的乳房形态进行聚类分析,再运用广义回归神经网络(GRNN)和概率神经网络(PNN)算法识别乳房形态。结果表明:西部青年女性乳房形态可分为标准型、丰满型、扁瘦型、高挺型4种;标准型样本占比最大,丰满型的样本则偏少;乳平围对乳房识别意义重大;GRNN及PNN算法对乳房的识别精确率均较高,分别为88.89%和100%,但PNN模型整体优于GRNN模型。
