随着世界范围内的质量标准体系和规范测试方法的逐步推广和应用,以及服装生产快速反应的需要,有必要建立一套根据可测量面料各项性能指标来预测成衣加工质量的客观评价系统。服装面料缝纫性能好坏是直接影响服装外观质量和成衣加工质量的重要因素,本文重点研究面料缝纫平整度性能预测评价的方法。服装面料缝纫平整度是指面料在缝纫过程中受低应力作用后所呈现出来的起皱程度,它与面料的各项力学性能指标有密切关系。本文首先借助世界上通用的FAST面料力学性能测试系统对一定范围内常用服装面料力学性能进行测试,然后运用相关分析对面料各项FAST力学性能与缝纫平整度关系进行研究。其次,对面料的高维非线性FAST力学性能指标,运用主成分分析和核主成分分析的多元统计理论,进行“降维”处理,提取特征数据(PC和KPC)简化神经网络输入端的数据。然后运用模糊核聚类算法对提取的特征数据(PC和KPC)进行模糊聚类分析,得到相应聚类中心和模糊分割矩阵。最后将得到的样本的聚类中心和模糊分割矩阵作为径向基神经网络的基函数中心和函数宽度,使网络隐层节点的宽度(感受野)和中心得到优化和控制。实验证明,本文提出的基于模糊神经网络的面料缝纫平整度客观评价系统可以根据薄型丝织物和中厚型毛织物的不同结构及力学物理性能快速准确地给出该织物成衣后的缝纫性能评价,系统泛化能力较好。本文在前人研究的基础之上,构建了一个基于模糊神经网络服装面料缝纫平整度客观评价与预测的KFCM-RBFNN模型。建立一个完整的面料缝纫平整度预测系统既可以指导生产企业在生产实践之前预测出面料成衣后的缝纫等级,减少次品率,节省成本,又可以帮助服装采购部门合理选择面料投放生产,有效决策,增强市场竞争力。