Промышленная Технология одежды

1.

Данный пример показал, как с помощью Deductor Studio прогнозировать временной ряд.

При решении задачи были применены механизмы очистки данных от шумов, аномалий, которые обеспечили качество построения модели прогноза далее и соответственно достоверный результат самого прогнозирования количества продаж на три месяца вперед. Также был продемонстрирован принцип прогнозирования временного ряда – импорт, выявление сезонности, очистка, сглаживание, построение модели прогноза и собственно построение прогноза временного ряда, а также экспорт результатов во внешний файл.

Подобный сценарий – основа любого прогнозирования временного ряда с той разницей, что для каждого случая приходится, как получать необходимый временной ряд посредством инструментов Deductor Studio (например, группировки), так и подбирать параметры очистки данных и параметры модели прогноза (например, структуры сети, если используется обучение нейронной сети, определение значимых входных факторов). В данном случае приемлемые результаты получились с настройками по умолчанию, в большинстве же случаев предстоит работа по их подбору (например, оценивая качество модели по диаграмме рассеяния).

2. Прогнозирование с помощью линейной регрессии

Линейная регрессия необходима тогда, когда предполагается, что зависимость между входными факторами и результатом линейная. Достоинством ее можно назвать быстроту обработки входных данных и простоту интерпретации полученных результатов.

Рассмотрим применение линейной регрессии на примере данных по продажам, находящихся в файле Trade.txt.

Обучение линейной регрессии

Для построения линейной регрессии необходимо запустить Мастер обработки и выбрать в качестве обработки данных Линейную регрессию.

На первом шаге задаем назначение исходных столбцов. Предположим, что на прогноз влияет информация за 3 прошлых месяца, тогда укажите входными столбцами поля: Количество - 3, Количество - 2 и Количество - 1. В качестве выходного поля укажите столбец Количество.

На следующем шаге происходит настройка обучающего и тестового множеств, способ разложения исходного множества данных.

Третий шаг установки позволяет осуществить ограничение диапазона входных значений. Данный шаг оставим без изменений. При нажатии на кнопку Далее появляется окно запуска процесса обучения. В процессе выполнения видно, какая часть распознана на этапе обучения и теста.

После выполнения процесса выберите в качестве способа отображения диаграмму рассеяния и отображение результатов в виде диаграммы. Как видно из диаграммы рассеяния, обучение прошло с хорошей точностью.

Прогнозирование

Теперь для построения прогноза запустите Мастера обработки, в котором выберите Прогнозирование. На первом шаге обработчика происходит настройка связи столбцов для прогнозирования. Укажите связь между столбцами и горизонт прогноза равный 3.

На следующем шаге задаются параметры визуализации. Для данного примера выбирите отображение результатов в виде диаграммы прогноза. Теперь аналитик может дать прогноз о продажах, основываясь на модели, построенной с помощью линейной регрессией.

Данный пример показал целесообразность применения линейного регрессионного анализа для прогнозирования линейных зависимостей.

Простота настроек и быстрота построения модели иногда бывают необходимы. Аналитику достаточно указать входные столбцы - факторы, выходные – результат, указать способ разбиения данных на тестовое и обучающее множество и запустить процесс обучения. Причем после этого будут доступны все механизмы визуализации и анализа данных, позволяющие построить прогноз, провести эксперимент по принципу Что-если, исследовать зависимость результата от значений входных факторов, оценить качество построенной модели по диаграмме рассеяния. Также по результатам работы этого алгоритма можно подтвердить или опровергнуть гипотезу о наличии линейной зависимости.

3. Прогнозирование с помощью построения пользовательских моделей

Пользовательская модель позволяет создавать аналитические модели на основании формул и экспертных оценок. Такая возможность требуется в тех случаях, когда объем исходной выборки мал, либо ее качество недостаточно для того, чтобы, например, обучить нейронную сеть. В этом случае можно воспользоваться хорошо известными простыми моделями, которые задаются с помощью формул.

Рассмотрим применение пользовательской модели на примере данных по продажам, находящихся в файле Trade.txt.

Рассмотрим две пользовательские модели. Пусть аналитику известен характер продаж определенных товаров. Так, например, известно, что каждый месяц наблюдается постоянный прирост объема продаж, равный 160000, и спад продаж, равный 12% от аналогичного периода прошлого года, а также прирост в 2% по сравнению с текущим месяцем. Таким образом, аналитик может рассчитать прогноз по формуле:

Прогноз = ОбъемТекущегоМесяца * 1.02 + 160000 – ОбъемМесяцаГодНазад * 0.12.

Также аналитик может воспользоваться реализованной моделью скользящего среднего, которая подразумевает, что объем продаж следующего месяца равен среднему объему продаж некоторого количества предшествующих месяцев. Рассмотрим их по очереди.

Для построения пользовательской модели необходимо запустить Мастер обработки и выбрать в качестве обработки данных пользовательскую модель. На втором шаге Мастера настроим поля исходных данных.

Для первой модели необходимо выбрать в качестве входных полей Количество - 12 и Количество - 1, а выходным будет поле Количество. При построении второй пользовательской модели необходимо на данном этапе в качестве входов указать поля Количество – 5 … Количество - 1. На следующем шаге Мастера необходимо написать формулу получения прогноза. В поле ввода выражения необходимо написать правую часть формулы, известную аналитику, а именно "160000 - 0.12 * COL2B12 + 1.02 * COL2B1" (COL2B12 и COL2B1 – соответственно имена полей Количество - 12 и Количество - 1). При построении второй пользовательской модели выражение будет следующее:

"MOVINGAVERAGE(COL2B1;COL2B2;COL2B3;COL2B4;COL2B5)" (здесь используется встроенная функция расчета среднего значения, в данном случае среднего объема продаж за пять предыдущих месяцев). Далее необходимо перейти на следующий шаг и выбрать способ визуализации. Вот как, например, выглядят диаграммы рассеяния обеих пользовательских моделей:

а) Модель, полученная по формуле

б) Модель скользящего среднего

Далее также как и в примере построения прогноза объема продаж после обеих пользовательских моделей построим прогноз на 3 месяца вперед.

Вот как выглядят их диаграммы прогноза:

а) Модель, полученная по формуле

б) Модель скользящего среднего

Данный пример показал целесообразность применения пользовательских моделей для прогнозирования простых или до определенной степени известных зависимостей. Простота настроек и быстрота построения модели иногда бывают необходимы. Причем после этого будут доступны все механизмы визуализации и анализа данных, позволяющие построить прогноз, провести эксперимент по принципу "Что-если", исследовать зависимость результата от значений входных факторов, оценить качество построенной модели по таблице сопряженности или диаграмме рассеяния и возможно скорректировать расчетную формулу для более точного отражения зависимости.

Задание для практической работы

Повторите в Deductor рассмотренные примеры.

Литература

1. В.В. Корнеев, А.Ф. Гареев, С.В. Васютин, В.В. Райх. Базы данных. Интеллектуальная обработка информации. – М.: Издатель Молгачев С.В., Издательство Нолидж, 2009. – 496 с.

2. Дьяконов В.П. и др. Новые информационные технологии. Учебное пособие/под ред. Проф. В.П. Дьяконова. М.: СОЛОН-Пресс, 2005. – 640 стр. – (серия «Библиотека студента»).

3. Избачков Ю.С., Петров В.Н. Информационные системы: Учебник для вузов. 2-е изд. – СПб.: Питер, 2006. – 656 с.6 ил.

4. Интеллектуальные модели анализа экономической информации: электронный курс лекций. – BaseGroup Labs, 2005.

5. Аналитическая платформа Deductor 4. Руководство пользователя. – BaseGroup Labs, 2005. – 101 c.

.

(Методы обработки в схемах)

Учебное пособие

По дисциплине «Технология швейных изделий»

специальность 260901 Технология швейных изделий

специальность260903 Моделирование и конструирование швейных изделий

Федеральное агентство по образованию

Челябинский техникум текстильной и легкой промышленности.

ПЦК Технологии швейных изделий

ПРОМЫШЛЕННАЯ ТЕХНОЛОГИЯ ОДЕЖДЫ

Учебное пособие

Челябинск

Учебное пособие подготовила преподаватель Черненькая Н.М.

Рецензенты:

Маслакова О.И.-старший технолог швейной фирмы «Русская линия»

Кожурова Н.Н.- преподаватель Челябинского техникума текстильной и легкой промышленности.

Содержание

Правила выполнения графических изображений технологических операций. 7

Графическое изображение швов. 13

Обработка деталей и узлов швейных изделий. 24

Прокладывание кромок. 24

Обработка срезов деталей. 24

Обработка мелких деталей. 25

Обработка отделочных деталей. 28

Обработка кокеток. 29

Обработка карманов. 31

Накладные карманы.. 31

Карманы в швах. 34

Прорезные карманы.. 35

Обработка борта изделия. 40

Обработка верхних и нижних срезов изделия. 48

Обработка воротников и горловины изделия. 52

Обработка рукавов. 59

Обработка изделий с подкладкой. 63

Приложение. 67

Литература. 84

ВВЕДЕНИЕ

Технический прогресс легкой промышленности способствует созданию новых материалов, обновлению ассортимента изделий и замене традиционных типовых методов обработки швейных изделий новыми. Растет поток технической информации о передовом опыте работы предприятий, который необходимо быстро изучить.

Вся обширная информация по обработке изделия дается в технической литературе текстом в сопровождении графического изображения.

На швейных предприятиях графические изображения используются:

Ø В технических условиях на изготовление модели (изображения внешнего вида изделия, деталей кроя, методы обработки отдельных деталей и узлов);

Ø В инструкционных картах, помещаемых на рабочих местах;

Ø При составлении технологической последовательности обработки изделия.

С помощью графического изображения можно показать метод обработки детали, количество деталей, входящих в узел, последовательность сборки узла, конструкцию применяемых швов при помощи самого лаконичного языка-языка чертежа, схемы, заменив объемный описательный текст, чтение которого занимает много времени.

В пособии приведены промышленные методы обработки наиболее часто встречающиеся при изготовлении швейных изделий. Вместо текста цифрами обозначена последовательность выполнения машинных строчек. Учебное пособие позволяет закрепить полученные теоретические знания по дисциплине «Технология швейных изделий», систематизировать их. Для чтения чертежей сечений и разрезов узлов требуется определенный уровень подготовки и навык.

Пособие может быть использовано при изучении дисциплины «Технология швейных изделий», при практическом обучении студентов, для самостоятельной работы студентов заочной формы обучения, в ходе работы над курсовым и дипломными проектами.

Дата добавления: 2014-10-31