随着网络的发展和人们消费方式的改变,越来越多的人选择网络购物这一购物形式,服装尺码的选择是在网络购物中消费者面临的一大难题。而服装设计中的常见尺寸,对于普通的消费者而言却非常陌生。消费者希望购买到合身的服装,但不能提供完整而确切的人体尺寸。基于此类问题,本文基于服装号型和专型样本(身高范围在167.5-172.5cm的男性),对于人体模型的分类、预测及人体模型推荐进行了研究。主要研究内容如下:(1)数据处理:从人体数据库中提取身高范围在167.5-172.5cm的381位男性人体的20个尺寸部位数据进行统计分析。采用相关性分析和因子分析两种方法,结合国家男子服装号型标准,得到4个公因子,并将其精炼为高度值和围度值。高度值为身高、颈椎高、腰围高、臀围高、背腰长;围度值包括:体重、胸围、腰围、臀围、颈根围、肩宽、背宽、胸宽。围度值与体重进行回归分析,得到各尺寸间的一元线性回归方程。(2)聚类分析:在围度值中提炼胸围与体重两个部位作为分类要素,结合国家男子号型标准及BMI指数等进行分类,得到初始聚心后进行K-Means聚类分析,得到按胸围值分类的6类体型和按体重值分类的9类体型。将高度值直接进行K-Means聚类分析,得到按高度值分类的3类体型。(3)人体模型:对于聚类结果进行理想化处理,按高度值分类与按胸围值分类相结合,可以构建用于男性上装推荐的人体控制尺寸模型,共18(3×6)类;按高度值分类与按体重值分类相结合,可以构建用于男性裤装推荐的人体控制尺寸模型,共27(3×9)类。(4)体型预测算法:采用Logistic回归、神经网络、CART决策树三种分类算法比较判断准确度,并采用集成算法进行提升。结果表明,在单独算法中,Logistic回归算法最优,按高度值分类的体型预测准确率可达100%,按胸围值分类的体型预测准确率为97.64%,按体重值分类的体型预测准确率为97.11%;在集成算法中,Logistic回归+CART决策树集成的算法准确率高且更简洁,按胸围值分类的体型预测准确率为98.16%,按体重值分类的体型预测准确率为97.64%。(5)模型推荐库建立:对于体型分类得到的各体型编码,建立用于上装及裤装推荐的可视化体型库。改进上装原型和裤装原型,结合本文体型分类及国家号型标准,建立上装试衣规则与裤装试衣规则,并采用虚拟试衣软件实现。(6)通过建立人体模型推荐系统,串联研究内容,实现了从人体尺寸到人体模型及试衣模型的可视化推荐。本课题的研究实现了基于服装号型和专型样本的模型分类,并结合数据挖掘技术选择合适的分类预测算法,结合虚拟试衣技术进行可视化处理,探索得到了专型样本男性人体模型推荐系统。该系统对消费者友好,预测算法简洁精准,推动服装产业的数字化转型升级,为服装的个性化定制起到辅助作用。