批量定制是目前服装企业生产新模式,具有满足顾客要求和低成本、快速率及高质量的企业批量生产等特点。号型归档是批量定制生产的重要前提,传统归档方法依据人工经验,对照国标和企业自身规格进行机械式的套号归档,容易出现漏归、错归、周期长等问题,效率低下,造成企业成本增加。目前定制服装是基于成本极高的单件流生产,而对于批量定制服装号型分类算法研究较少,故研究号型分类算法为提高定制服装分类效率和服装合体度及制定合理板型数提供了一定得参考价值。本文以批量定制服装号型分类算法为研究对象,基于文献和企业生产调查分析以男衬衫上装为例,提取身高、胸围、腰围、颈围、肩宽和全臂长为分类变量,探讨K-means聚类算法中国标与非国标规格为初始聚心的分类效果及对BP神经网络分类结果的评价。本课题研究内容及研究结果如下:(1)基于改进的K-means聚类算法在服装号型分类研究。经数据缺失值、异常值和正态检验数据预处理后,经典K-means聚类分析算法中随机选取初始聚心,采用改进K-means聚类算法,依据最大最小距离法取距样本中心最近的样品作为第一个初始聚心Z1,离Z1最远为第二个初始聚心。结合Calin-ski-Harabasz指标、变异系数和相对偏差三个指标评价最终聚类效果,依据CH值最接近原则确定非国标方式聚类数。研究结果表明:1000个数据中六个控制部位无缺失值,无异常值,且数据符合正态性判定标准,可进行后续K-means聚类分析和神经网络数据分析。利用SPSS软件进行数据分析,以国标号型为初始聚心,分类结果为25类,则依据最大最小距离法,选取25个非国标初始聚心。根据评价指标,当非国标聚类数为13时,国标分25类的CH值与非国标方法最接近,比传统国标分类具有更少的板型数,且非国标分类变异系数和相对偏差均小于国标分类结果,表明非国标方式分类样品与板型偏离程度小,聚类效果更好。(2)基于BP神经网络在服装号型分类研究:通过对BP神经网络梯度下降法(traingd)、有动量的梯度下降法(traingdm)、弹性梯度下降法(traingrp)和Levenberg-Marquardt方法的构建和样本的训练,以混淆矩阵进行分类性能评价,并分析这些算法中最高正确率和最低正确率及造成识别率低的原因。研究结果表明:对于同一种方法而言,隐层神经元数目越多,则识别正确率就越高;神经元一定时,四种方法中Levenberg-Marquardt方法识别率最高,其中Levenberg-Marquardt方法purelin传递函数和tansig传递函数的识别率相近,高达97%,其次是弹性梯度下降法,此方法以logsig为传递函数识别率最高,而梯度下降法和有动量梯度下降法识别率近乎相等,识别率极低,结果不理想,几乎不存在其实际应用价值。Levenberg-Marquardt方法训练时间相对其他三种方法,耗时较长,其原因是此方法中矩阵的占用内存大,对系统有一定的要求。以识别率为主要因素,考虑训练耗时时间,Levenberg-Marquardt方法分类效果最佳,适合BP神经网络的应用,具有实际应用价值。