融合GBWO与ENN的人体尺寸预测模型

为了提高人体尺寸预测的效率和准确性,该文提出了GBWO-ENN(Grey Black Wolf Optimization-Elman Neural Network)的方法。针对传统灰狼算法易于陷入局部最优和无法平衡全局与局部搜索的平衡性问题,提出了GBWO算法。该算法融合黑寡妇优化算法中蜘蛛的运动方式对灰狼优化算法中α狼位置更新进行了优化,通过非线性递减的方法降低了收敛系数,并且提出了按位置等级更新种群的策略。随后采用GBWO算法对Elman神经网络的权值和阈值进行优化,并将GBWO-ENN模型应用于三维人体尺寸预测。实验结果表明,GBWO-ENN模型结构简单,能够准确预测人体尺寸,具有较好的预测能力。

中国人体尺寸预测方法研究

针对GB 10000—1988《中国成年人人体尺寸》中人体尺寸数据与当前人体尺寸存在巨大差异的现状,分析了基于RAMSIS软件开展中国人体尺寸预测的特点及弊端,提出了一种基于多国人体尺寸变化规律的中国人体尺寸等效预测模型,并对比了所提出的等效预测模型与RAMSIS软件预测结果的差异。结果表明,所提出的预测模型更符合现阶段中国人体尺寸的实际情况,可以为汽车产品设计提供有效参考。

基于改进WOA-ENN-MC模型的人体围度尺寸预测

为实现非接触式人体尺寸自动测量,通过二维人体照片中提取的二维尺寸信息来预测人体的围度信息。提出一种基于改进WOA-ENN-MC的人体围度尺寸预测模型。通过优化收敛因子、联合最优惯性权值和阿基米德螺旋更新策略优化鲸鱼算法以获得更优的寻优广度和精度,将IWOA输出的最优值作为Elman神经网络(ENN)的初始权值阈值训练,避免了传统模型在迭代后期陷入局部最优的同时缩减了网络训练的收敛时间。采用马尔可夫残差模型(MC)对IWOA-ENN模型的预测值进行优化,进一步提高模型的预测精度。对CAESAR数据集中270组样本的实测值与预测数据进行对比分析,结果表明:IWOA-ENN-MC相对于GA-ENN、PSO-ENN和WOA-ENN模型在寻优能力方面有着更明显的优势,并且模型的拟合和预测精度效果更好。