陳于依瀾 馮寶以 劉曉剛

摘要： 文章探索一種基于機器學習模型的服裝品牌基因強度識別分析方法，通過利用品牌服裝歷史產(chǎn)品圖像數(shù)據(jù)作為特征數(shù)據(jù)集，模仿人腦的學習認知過程，設計并訓練基于機器學習算法的品牌分類模型，最終使機器學習模型能夠“認知”到服裝品牌的“基因片段”。以此模型的分析過程及特征提取結(jié)果來驗證并分析“品牌基因”。采用機器學習的方法，利用品牌服裝設計中的共性特征數(shù)據(jù)對品牌基因強度進行分析，可以避免主觀評價的片面性和傳統(tǒng)統(tǒng)計方法無法對非線性因素進行因果關(guān)聯(lián)的缺點，通過大量的數(shù)據(jù)分析，實現(xiàn)對品牌基因的提取和應用。

關(guān)鍵詞： 機器學習;品牌基因;特征提取;圖像識別;深度神經(jīng)網(wǎng)絡;服裝品牌

Abstract： The research work in this paper aims to explore a method to identify and analyze fashion brand gene intensity based on machine learning. Historical product image data of brand fashion were used as the characteristic dataset to imitate the learning cognitive processing of human brain. Besides， the brand classification model based on machine learning algorithm was designed and trained. Finally， the machine learning model could "recognize" the "gene fragment" of the fashion brand. The analysis process of this model and results of feature extraction were used to verify and analyze the "brand gene". Analyzing the intensity of brand gene by using machine learning method and the common characteristic data in brand fashion design could avoid the one-sidedness of subjective analysis and overcome the shortage of inability to connect the cause and effect for the nonlinear factors. With analysis of massive data， the goal of extracting the brand gene and applying it was achieved.

Key words： machine learning; brand gene; feature extraction; image recognition; deep neural network; fashion brand

品牌是起區(qū)別作用的一種識別標志，除了具有一定的經(jīng)濟價值外，也是精神象征和價值理念的體現(xiàn)。好的品牌，具有非常高的識別度，夠使消費者明確地感知其鮮明獨特的風格與個性，并與其產(chǎn)生共鳴，建立起高度的品牌忠誠。品牌的這種識別度，通常得益于設計師對品牌文化的繼承和塑造，也因此使得品牌產(chǎn)品具備了一定的共有特征——品牌基因。

中國的服裝品牌化經(jīng)營起步與成熟較晚，在消費者已經(jīng)對西方品牌習慣性認可的形勢下，設計者在文化、商業(yè)和設計領(lǐng)域難以得到良好反饋，導致品牌設計風格模糊、難以形成鮮明的品牌辨識度，甚至給消費者缺乏獨特品牌精神的印象。如何從成熟品牌中吸取經(jīng)驗，在品牌的發(fā)展中創(chuàng)造自身鮮明的品牌基因，是一個品牌在發(fā)展中需要關(guān)注的核心問題。

本文著眼于品牌基因的分析，提出利用機器學習算法中的卷積神經(jīng)網(wǎng)絡在圖像識別中所表現(xiàn)出的強大的特征提取及分析能力，對服裝信息的基礎特征進行提取分析，從而得到具有共性的“品牌基因”。避免傳統(tǒng)的品牌信息量化分析等人為因素起主導作用的方法的弊端。本文主要針對品牌服裝探索具體方法，通過整理品牌服裝圖片集合，采用其訓練可進行品牌識別的卷積神經(jīng)網(wǎng)絡模型，使其達到具有對所輸入品牌的識別能力。而采用該模型最后卷積層的輸出作為品牌基因，對其進行提取與分析，為品牌創(chuàng)新設計及品牌基因延續(xù)提供科學翔實的分析參考。同時，通過對分析過程的探索，為挖掘塑造服裝企業(yè)品牌基因提供一套普適的方法，為新興的服裝企業(yè)制定合理的服裝設計產(chǎn)品結(jié)構(gòu)規(guī)劃、確立相應產(chǎn)品的基因強度權(quán)重分布、在樹立品牌個性和品牌文化方面起到積極有效的作用。

1 服裝品牌基因

1.1 服裝設計與品牌基因

品牌服裝設計是指以品牌經(jīng)營理念為指導思想，以設計出符合品牌運作要求為目的的服裝產(chǎn)品開發(fā)活動，并將品牌文化和發(fā)展愿景化作符合多方利益訴求的產(chǎn)品。品牌服裝設計是產(chǎn)生服裝產(chǎn)品最主要的環(huán)節(jié)之一。一個品牌在不同時期發(fā)布的服裝設計產(chǎn)品，即是品牌服裝設計的物質(zhì)載體，同時也凝結(jié)了品牌的精神內(nèi)涵，體現(xiàn)了品牌文化，繼承了品牌基因，代表了品牌形象[1]。品牌基因是產(chǎn)品信息與品牌文化的集合[2]，服裝品牌基因最重要的物質(zhì)載體是服裝產(chǎn)品。

1.2 品牌基因識別的戰(zhàn)略意義

對于服裝產(chǎn)業(yè)，品牌基因是企業(yè)發(fā)展的寶貴財富，也是企業(yè)能夠長期生存的根本。從品牌文化的角度來說，服裝品牌基因通過服裝設計產(chǎn)品表達出來，但又不完全依附于服裝產(chǎn)品之中，而是擁有獨立的文化內(nèi)涵。這種內(nèi)涵體現(xiàn)在商業(yè)上就是一種與消費者之間的心理共鳴，品牌的產(chǎn)品設計師們與善變的消費者之間的較量更多集中于對這種需求的把控。繼承與創(chuàng)新一直是設計師需要平衡的關(guān)鍵因素，只有重視并認識到品牌基因是以何種方式存在于品牌之中，又是如何被消費者認知的，設計師才能保持品牌的活力和本質(zhì)。

品牌基因是品牌成長壯大的裂變因子。品牌基因是品牌在長期的發(fā)展歷程中沉淀出來的，是品牌存在和發(fā)展的根基。品牌基因是可以沿襲繼承的，并會在反復的裂變創(chuàng)新中增加深度和廣度，保持歷史和創(chuàng)新的統(tǒng)一。可以說，品牌基因既是品牌存在的基礎，也是品牌創(chuàng)新的基石。

品牌基因是組成品牌的核心價值觀、品牌個性和品牌文化的關(guān)鍵因子。品牌的精神層面主要包含核心價值觀、品牌個性、品牌文化，這些內(nèi)容在長期的時間演變中去粗取精，最后形成可供辨別的品牌風格。品牌基因就是所有個體間所具有的通性特征。

品牌基因是獲得消費者認同感及品牌辨識度的重要因子。品牌基因本身是帶有強大的辨識功能的信息片段，它來自品牌的核心價值、核心理念，記錄著品牌的關(guān)鍵信息，再擴散到品牌的每一個角落，使消費者能夠及時地、簡單地辨認出來，讓品牌能夠長久地停留在消費者的認知當中，進而培養(yǎng)出消費者的品牌識別能力，增加品牌價值認同感。

2 品牌基因分析難點及特征提取

服裝品牌的品牌基因仍未被系統(tǒng)研究，在少數(shù)已有的研究中，大都直接采用專家判斷的方式進行相關(guān)的定性分析。品牌基因是業(yè)內(nèi)人士憑借專業(yè)知識對品牌服裝設計產(chǎn)品進行描述性判斷，并總結(jié)出一些可歸納的表現(xiàn)形式，容易出現(xiàn)標準不統(tǒng)一的情況。比如已有研究中在對迪奧進行品牌基因提取時，將其總結(jié)為5點：1）左右對稱式上下套裝;2）柔和的肩線;3）X廓形;4）強調(diào)腰線;5）上衣下擺打開并與裙身成一定比例關(guān)系[3]。

已有的統(tǒng)計學分析方法，只是非常粗略地劃分了品牌基因影響因子，沒有進一步細化特征。如趙北辰[3]將服裝品牌基因劃分為顯性基因和隱性基因，顯性基因包括造型、色彩、面料、圖案;隱性基因包括個性化、情感、創(chuàng)新、價值觀等，而沒有進行一定的量化，僅停留在框架階段。在服裝品牌的設計元素理論背景下，研究人員把品牌服裝設計產(chǎn)品劃分為基因元素大類，并需要根據(jù)每個品牌自身選擇相應的類目，存在無法通用的問題，工作量比較繁重。比如已有的FTGE分析法[4]，將品牌基因分為6大類：1）產(chǎn)品風格基因;2）產(chǎn)品圖案基因;3）產(chǎn)品款式基因;4）產(chǎn)品材料基因;5）產(chǎn)品色彩基因;6）產(chǎn)品工藝基因。在分析香奈兒的品牌基因的案例中，將大類分別細化為：典雅風格、舒適風格、對襟款式、四袋款式、無領(lǐng)款式、黑白顏色、山茶花圖案、粗呢面料、鑲邊工藝，然后對每張圖片進行相應的統(tǒng)計判斷。

2.1 機器學習

“機器學習”是一個涵蓋性術(shù)語，包括了大量類似的泛型算法。其主要內(nèi)容表現(xiàn)為設計計算機可進行自主學習的算法。作為人工智能的一個分支，機器學習的研究是從以“推理”為重點到以“知識”為重點，再到以“學習”為重點的過程性科學。機器學習算法是一類從數(shù)據(jù)中自動分析獲得規(guī)律，并利用規(guī)律對未知數(shù)據(jù)進行預測的算法[5]。

2.2 機器學習與特征提取

特征提取是在相對較大型的數(shù)據(jù)集中發(fā)現(xiàn)模式的計算過程，特征提取過程的總體目標是從一個數(shù)據(jù)集中提取共性信息。從海量的服裝品牌產(chǎn)品中尋找其特征的方法，通常需要復雜的特征提取過程;機器學習作為當前一個火爆的研究領(lǐng)域，其發(fā)展為復雜數(shù)據(jù)的解析提供了一系列的新算法。

機器學習算法中常用的有機器學習型算法和統(tǒng)計型算法兩類。前者運用了人工智能技術(shù)，能在大量的樣本集訓練和學習后自動找出運算需要的參數(shù)和模式;后者則常用相關(guān)性分析、聚類分析、概率和判別分析等進行運算[6]。機器學習中人工神經(jīng)網(wǎng)絡方法被普遍運用，它具有極好的數(shù)據(jù)處理能力和學習能力，并能夠準確進行識別，從而有助于分類問題中的特征提取與識別[7]。本文所設計方法也采用人工神經(jīng)網(wǎng)絡作為基礎，探討基于機器學習的服裝品牌基因識別。

2.3 卷積神經(jīng)網(wǎng)絡

圖像的視覺特征包括顏色及其分布、紋理及線條、形狀及其空間布局、圖層疊加效果等[8]。在傳統(tǒng)的分類模式中，圖像的視覺特征需要顯式的表達和提取，但這是很難做的工作，因為人對圖像的情感感知來自多方面的因素，一些是隱含的，難以表達和提取，而且人腦對圖像的識別容易受到自身認知的干擾，從而對圖像的識別失去了客觀性。

卷積神經(jīng)網(wǎng)絡（convolutional neural networks，CNN）模仿視覺神經(jīng)中的簡單細胞和復雜細胞的視覺信息處理過程，將圖像的視覺特征提取與人工神經(jīng)網(wǎng)絡的模糊分類結(jié)合起來，省略了前期復雜的圖像處理與特征提取過程，利用卷積計算對圖像的視覺特征進行自動提取，并利用局部感知區(qū)域、共享權(quán)重和空間池化等操作減少運算復雜度，最后利用回歸函數(shù)或全連接神經(jīng)網(wǎng)絡進行特征分類，極大地提高了圖像分類和模式識別的準確率與效率[9]。卷積神經(jīng)網(wǎng)絡中起主要作用的卷積層的數(shù)學描述如下：

式中：Z為所得輸出數(shù)據(jù)，A為卷積層的輸入數(shù)據(jù)，W為卷積層的權(quán)重數(shù)據(jù)，b為其偏置數(shù)據(jù)。

卷積神經(jīng)網(wǎng)絡作為具有圖像信息抽取分析能力的算法模型，常用來對圖像信息進行挖掘。深度卷積神經(jīng)網(wǎng)絡包含多個卷積層和池化層，前一層卷積對輸入的二維輸入特征數(shù)據(jù)進行處理，輸出結(jié)果再送入后一層卷積層。卷積處理結(jié)果可以看作從輸入圖像中提取的某些特征圖像，特征圖像再逐層向下傳遞，每層卷積和池化都是對輸入圖像的特征提取，最后通過全連接層和輸出層進行模糊分類或識別。卷積神經(jīng)網(wǎng)絡包含數(shù)量眾多的網(wǎng)絡參數(shù)，經(jīng)過大數(shù)據(jù)訓練樣本的重復循環(huán)訓練調(diào)整后，逐漸穩(wěn)定下來，可以用于對任意輸入圖像的特征進行提取、分類或識別。由于卷積核心的學習能力，卷積神經(jīng)網(wǎng)絡天然具有不受圖像翻轉(zhuǎn)、旋轉(zhuǎn)等操作影響的特性。

3 基于機器學習的服裝品牌基因識別方法設計

基于機器學習的品牌基因強度分析通過建立大量數(shù)據(jù)構(gòu)成的訓練數(shù)據(jù)集，依靠機器學習模型在圖片識別訓練過程中不斷地學習，最終使其能夠?qū)π碌姆b設計樣本做出品牌分類。最后利用其在輸入圖片的信息處理過程中所得到的特征數(shù)據(jù)，作為品牌基因強度的分析方法，即采用卷積神經(jīng)網(wǎng)絡對輸入的品牌產(chǎn)品圖片所提取出的特征信息作為品牌基因的參考數(shù)據(jù)。此種方法的建立，需要對大量的品牌服裝設計產(chǎn)品的數(shù)據(jù)信息進行收集整理，建立對應的品牌基因識別因素標簽，通過專業(yè)的研究，分析得到適用于機器學習方法的服裝品牌基因標簽集所涵蓋的范疇及量化標準。

服裝品牌基因的識別首先要具有足夠的數(shù)據(jù)樣本供所設計算法學習，同時一個滿足當前應用的具有學習能力的算法模型是其核心部分。利用品牌服裝設計的歷史產(chǎn)品所組建的數(shù)據(jù)集，對所建立的機器學習模型進行訓練，模仿人腦學習的過程，使其能夠認知到品牌的基因片段，并依托計算機優(yōu)于人腦的數(shù)據(jù)處理能力，最終以此來分析新數(shù)據(jù)的品牌基因強度。本文采用方法如下：首先利用計算機根據(jù)圖像表達的視覺特征對大量的圖像數(shù)據(jù)進行識別，在識別的基礎上按照特征屬性分類?；静襟E是：先提取圖像的視覺特征，然后利用訓練樣本訓練品牌基因分類器，最后利用分類器對圖像進行品牌基因強度測量和模式識別（類別判定）[10]。

3.1 服裝品牌數(shù)據(jù)集建立

結(jié)合機器學習的特征，首先需要考慮服裝具有特征性的表征信息分類標準。對于成熟的服裝品牌而言，其品牌內(nèi)通常會有嚴格的分類管理標準，即其品牌內(nèi)容的管理方法。不同的品牌在品牌內(nèi)部分類中會具有一定的差異，例如多數(shù)品牌首先按目標性別分類，即不同的產(chǎn)品線。其次再進行性別內(nèi)容的分類，例如款式、材質(zhì)、工藝等。但有些品牌會以風格為第一基準進行分類，這種情況下，在建立可以盡可能充分包含一個品牌內(nèi)諸多設計信息的模型訓練數(shù)據(jù)集時，就需要采用一種具有普適效應的分類管理辦法，既可以囊括機器學習處理方法中所針對的數(shù)據(jù)，又可以對服裝品牌特點進行詳細準確的歸納，統(tǒng)一對諸多品牌內(nèi)部分類的管理。從而組織一套內(nèi)容分布均勻且具備有效數(shù)據(jù)的數(shù)據(jù)集，可以更好地對機器學習模型進行訓練。

由于機器學習模型可以更加高效地建立起針對圖形的邊界、基礎圖像模塊的成像風格、圖像信息的重點部位等信息的敏感性，因此在服裝品牌數(shù)據(jù)訓練集的建立中應該重點關(guān)注這三個方面。同時，由于男裝與女裝之間的特征差異較為明顯，因此將對服裝的男女分類作為其首要分類方法。值得注意的是，此分類方法應用于本文的訓練數(shù)據(jù)集的創(chuàng)建，僅為保證訓練數(shù)據(jù)集中盡可能地包含品牌服裝所具有的一切特征。而本文所設計模型，目標于對統(tǒng)一共性特征的學習，因此對于此處所采用的分類方法并不敏感，其結(jié)果也不受到此處分類順序的影響。此處所用分類管理方法，僅為本文進行圖片數(shù)據(jù)采集服務。參考前文中基于統(tǒng)計學的分析方法，本文所述研究在服裝品牌訓練數(shù)據(jù)的管理分類中采用如下類型：

第一類：性別分類，服裝的性別特征是最直觀明顯的，所以將針對男、女、中性的服裝作為第一種類別，在組成訓練集中盡量滿足平均分布，提高模型訓練的成功率;

第二類：款式分類，由于服裝款式在服裝的品牌形象中占據(jù)比較主導的作用，因此將服裝款式分類作為數(shù)據(jù)分類中的一個類別，在組成訓練集中盡量包含具有品牌特征的款式;

第三類：圖案分類，由于圖案對服裝品牌信息具有代表性，因此圖案也作為一個分類標準，在組成訓練集中盡量包含更多具有品牌特征的圖案，提高訓練的樣本量;

第四類：材料分類，材料在服裝品牌的識別中具有代表性，其偶爾但不總是起到主導作用，因此作為一種分類標準，在組成訓練集中盡量包含具有品牌特征的材質(zhì);

第五類：顏色分類，根據(jù)以往統(tǒng)計學分類的結(jié)果可知，服裝顏色不會對服裝品牌識別起到主導性作用，本文中認為其具有一些輔助作用，因此作為一類數(shù)據(jù)進行管理，在組成訓練集中盡量包含具有品牌常用的色彩。

上述分類是根據(jù)機器學習特性，結(jié)合服裝產(chǎn)品特征所總結(jié)的，作為品牌訓練數(shù)據(jù)集采集工作的指導，針對每一個品牌特征篩選出適合該品牌的數(shù)據(jù)集組成，并非五類需要同時滿足分布要求。

3.2 神經(jīng)網(wǎng)絡模型設計

綜合這些圖像識別方法，本文根據(jù)所建立服裝圖像數(shù)據(jù)集的特點，采用了一種常用于圖像數(shù)據(jù)分析的9層卷積神經(jīng)網(wǎng)絡Alexnet作為分類模型網(wǎng)絡[11]，如圖1所示。其中，1、3、5、6、7層為卷積層;2、4層為池化層;8、9為全連接層。

卷積神經(jīng)網(wǎng)絡中的卷積層包含多個神經(jīng)元，每個神經(jīng)元利用多個可訓練的卷積核分別與輸入圖像進行卷積求和，加上偏置，經(jīng)過激活函數(shù)后輸出新值，構(gòu)成新的特征圖像。即：

式中：l代表網(wǎng)絡中的層，其中W即為每層卷積核的權(quán)重數(shù)據(jù);A為前一層的輸出，即當前層的輸入;Z為輸出新值;b為當前層的偏置;g（）為當前層所采用的激活函數(shù)。

最終輸出通過全連接層，轉(zhuǎn)化為對各分析因素的強度值。

3.3 應用場景及模型訓練

品牌基因識別系統(tǒng)能夠在產(chǎn)品的設計開發(fā)過程中，評估設計的品牌基因強度，將數(shù)據(jù)如實反饋給設計師，品牌設計師可以更加客觀地把控產(chǎn)品的品牌基因強度，為設計師在創(chuàng)新與繼承之間的抉擇提供一個客觀數(shù)據(jù)支撐。服裝品牌基因強度識別能夠指導企業(yè)的產(chǎn)品企劃，保證產(chǎn)品的品牌基因強度范圍，合理規(guī)劃產(chǎn)品結(jié)構(gòu)，掌控時尚流行因子與品牌基因之間融合的平衡性，最終獲得消費者精神層面的認同感和歸屬感。

本文采用所建立的三種服裝品牌的同類衣服圖片數(shù)據(jù)集，對上述模型進行訓練。為了保證數(shù)據(jù)的均衡性，實驗數(shù)據(jù)分別使用了Dior、Chanel、Valentino三個品牌，基于上述圖片分類管理原則搜集每個品牌各500張圖片，共計1 500張圖片。其中10%的圖片通過隨機挑選作為訓練后測試集，且不參與訓練，其余90%作為訓練數(shù)據(jù)。輸入卷積層的圖片大小統(tǒng)一經(jīng)過圖片處理軟件Photoshop進行了自動背景消除，且在訓練過程中采用輸入圖像的翻轉(zhuǎn)作為輸入數(shù)據(jù)增強手段，以消除背景圖像影響。最終，通過迭代訓練，達到在測試集上的測試品牌分辨精度達到94%以上。訓練過程中，圖片成組輸入且順序為隨機，以此保證訓練過程中學習到的信息的公平性。

3.4 結(jié)果采集與分析

品牌基因結(jié)果的采集上，雖然最終分類結(jié)果由以上定義的網(wǎng)絡的最后一層（全連接層）輸出，但本文采用最后一層卷積層輸出圖像特征作為“品牌基因”數(shù)據(jù)，其所輸出6個特征結(jié)果如圖2所示。其中，品牌A中所選擇服裝圖片（左側(cè)）經(jīng)過分類網(wǎng)絡，提取其最后一層卷積輸出并進行可視化后（右側(cè)），其相應位置特征表現(xiàn)出明顯的相似性。

為達到量化對比特征相似度的目的，本文采用了誤差的相似度衡量算法：輸出特征矩陣相同位置的特征數(shù)值在10%誤差范圍內(nèi)即算作相似，在此基礎上再計算相似特征數(shù)值在總輸出特征中的占比。經(jīng)過特征相似性對比后，品牌A中兩組輸出特征的相似度為66.92%。而品牌A與品牌B（左側(cè)）通過服裝圖片并不能很好地分辨品牌差異，但品牌A與B之間所得特征數(shù)據(jù)（右側(cè)）可視化后表現(xiàn)出明顯的差異。同樣采用量化相似度分析后，品牌A與B之間輸出特征相似度僅有52.98%。以上量化結(jié)果在相似性對比中具有顯著差異。

由圖2可見，通過隨機選擇品牌內(nèi)服裝圖像作為輸入，所采集到經(jīng)準確分類后的“品牌基因”特征數(shù)據(jù)表現(xiàn)出明顯的品牌內(nèi)相似度極高及品牌間非常不同的特點。同時也證實，此方法在“品牌基因”提取上的有效性，即可以有效地根據(jù)輸入圖像，得到品牌的特征信息。

4 結(jié) 論

本文提出了基于機器學習的服裝品牌基因強度識別方法，并針對機器學習的特性提出了數(shù)據(jù)集的管理分類標準、圖像識別標準和數(shù)據(jù)采集要求，最終通過實驗手段證明了品牌之間存在基因差異。在之后的研究中，可根據(jù)這個標準拓展圖像識別的方法、建立相關(guān)的數(shù)據(jù)集資料，將數(shù)據(jù)放入機器學習模型中進行訓練，最終可得到一個服裝品牌基因強度識別模型。

這種擺脫了人腦主觀因素干擾的圖像信息識別數(shù)據(jù)，不僅能更加準確地為人們揭示品牌在自身的歷史傳承中其品牌基因強度的變化和繼承情況，也能在品牌與品牌之間梳理出一個更加清晰和準確的品牌基因圖譜。根據(jù)這份圖譜，揭示產(chǎn)品之間的關(guān)聯(lián)，把握服裝產(chǎn)品設計的風格和特點，對繼承與創(chuàng)新作出抉擇。

參考文獻：

[1]劉曉剛， 李峻， 曹霄潔. 品牌服裝設計概論[M]. 上海： 東華大學出版社， 2011： 3.

LIU Xiaogang， LI Jun， CAO Xiaojie. Branded Fanshion Design[M]. Shanghai： Donghua University Press， 2011： 3.

[2]楊保軍. 品牌進化的動力機制與模型分析[J]. 河南科技大學學報（社會科學版）， 2010， 28（4）： 74-77.

YANG Baojun. Brand evolutionary dynamic mechanism and model analysis[J]. Journal of Henan University of Science and Technology（Social Science）， 2010， 28（4）： 74-77.

[3]趙北辰. 探究女裝品牌基因的顯性特征和隱性要素[D]. 長沙： 湖南師范大學， 2018.

ZHAO Beichen. Exploring the Dominant and Recessive Elements of the Brand Gene of Womens Clothing[D]. Changsha： Hunan Normal University， 2018.

[4]李峻. 基于產(chǎn)品平臺的品牌服裝協(xié)同設計研究[D]. 上海： 東華大學， 2013.

LI Jun. Research of Branded Apparel Collaborative Design Based on Product Platform[D]. Shanghai： Donghua University， 2013.

[5]BISHOP C M. Paltern Recognition and Neural Networks[M]. Oxford： Oxford University Press， 1995.

[6]CHAKRABARTI S， ESTER M， FAYYAD U. Data mining curriculum： a proposal[J]. Intensive Working Group of ACM SIGKDD Curriculum Committee， 2006， 140： 1-10.

[7]陳小燕. 機器學習算法在數(shù)據(jù)挖掘中的應用[J]. 現(xiàn)代電子技術(shù)， 2015， 38（20）： 11-14.

CHEN Xiaoyan. Application of machine learning algorithm in data mining[J]. Modern Electronics Technique， 2015， 38（20）： 11-14.

[8]李海芳， 焦麗鵬， 賀靜. 多特征綜合的圖像模糊情感注釋方法研究[J]. 中國圖象圖形學報， 2009， 14（3）： 531-536.

LI Haifang， JIAO Lipeng， HE Jing. Affective annotation of images based on multi-feature[J]. Journal of Image and Graphics， 2009， 14（3）： 531-536.

[9]KRIZHEVSKY A， SUTSKEVER I， HINTON G E. Imagenet classification with deep convolutional neural networks[C]//Proceedings of Advances in Neural Information Processing Systems 25. USA： Nevada， 2012： 1097-1105.

[10]高彥宇， 王新平， 尹怡欣. 自然風景圖像情感標識方法研究[J]. 小型微型計算機系統(tǒng)， 2011， 32（4）： 767-771.

GAO Yanyu， WANG Xinping， YIN Yixin. Research on affective annotation for natural scene images[J]. Journal of Chinese Computer Systems， 2011， 32（4）： 767-771.

[11]姜英， 王延江， 林青， 等. 基于卷積神經(jīng)網(wǎng)絡與Bayesian決策的圖像識別與分類記憶建模[J]. 中國科學： 技術(shù)科學， 2017， 47（9）： 977-984.

JIANG Ying， WANG Yanjiang， LIN Qing， et al. A memory model for image recognition and classfication based on convolutional neural network and Bayesian decision[J]. Scientia Sinica Technologica， 2017， 47（9）： 977-984.