TWI872242B - 布料織造參數推薦系統 - Google Patents

Abstract

一種布料織造參數推薦系統包括使用者介面、資料庫以及伺服器。使用者介面用以輸入布料需求規格及輸出推薦參數。資料庫用以儲存布料織造數據。伺服器耦接於使用者介面及資料庫，用以根據模型、布料織造數據及布料需求規格，產生推薦參數。布料需求規格包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者，且推薦參數包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。

Description

布料織造參數推薦系統

本揭露是有關於一種布料織造參數推薦系統，且特別是有關於一種可縮短布料開發時程的布料織造參數推薦系統。

在布料的開發過程中，織布機對於不同規格需求的布料所使用的製造參數常依賴人工經驗來決定。然而，由於各種織布機的運作方式不同，因此當輸入相同的製造參數至不同的織布機時，會產生不同規格的布料，導致往往需依賴大量的人工經驗方能精準地預測並製造出各種規格需求的布料。為了精準地預測並製造出各種規格需求的布料，實有必要建立一種可適用於多種織布機的布料製造參數推薦系統，以縮短布料的開發時程。

本揭露內容提供一種布料織造參數推薦系統，其可縮短布料的開發時程。

根據本揭露一些實施方式，布料織造參數推薦系統包括使用者介面、資料庫以及伺服器。使用者介面用以輸入布料需求規格及輸出推薦參數。資料庫用以儲存布料織造數據。伺服器耦接於使用者介面及資料庫，用以根據模型、布料織造數據及布料需求規格，產生推薦參數。布料需求規格包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者，且推薦參數包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。

在本揭露一些實施方式中，資料庫用來儲存紗線規格、織布機規格及布料規格。

在本揭露一些實施方式中，伺服器包括決策模組及學習模組。決策模組耦接於使用者介面，且用以根據模型、布料織造數據及布料需求規格，產生推薦參數。學習模組耦接於決策模組及資料庫，用以根據布料織造數據及學習目標以建立模型、根據布料織造數據及模型以產生學習結果以及比較學習目標及學習結果以調整模型。

在本揭露一些實施方式中，伺服器包括監督回饋模組，耦接於決策模組及資料庫，用以根據推薦參數，產生回饋數據到學習模組，以調整模型。

在本揭露一些實施方式中，伺服器用以執行推薦流程，以根據布料織造數據、布料需求規格及模型，產生推薦參數，推薦流程包括以下步驟。對布料織造數據進行數據分類。對進行數據分類後的布料織造數據進行數據分群以產生群集，或對布料織造數據進行主成分分析以產生主成分。從群集或主成分中，提取數據特徵。根據布料織造數據與布料需求規格之間的相關性，決定數據特徵中的關鍵因子。根據關鍵因子、布料需求規格以及模型，產生推薦參數。

在本揭露一些實施方式中，布料織造數據的分類包括主紗變數、彈性紗變數、彈性回復率、對應固定伸長率的拉伸載荷重量及服裝壓。

在本揭露一些實施方式中，主紗變數包括主紗用紗成分、主紗張力、主紗喂紗量、織布機針距、主紗丹尼數以及單位面積布重。彈性紗變數包括彈性紗丹尼數、彈性紗型號、彈性紗比例、彈性紗張力、彈性紗喂紗量以及牽伸比例。彈性回復率包括緯向彈性回復率及經向彈性回復率。對應固定伸長率的拉伸載荷重量包括對應多個固定伸長率的多個拉伸載荷重量。服裝壓包括對應多個服裝壓的多個緯向服裝壓及多個經向服裝壓。

在本揭露一些實施方式中，對布料織造數據進行數據分群以產生群集的步驟包括以下步驟。對布料織造數據隨機指派多個群集中心。分別產生多個群集中心的多個群集。分別計算多個群集的多個群集邊界。判斷多個群集各自的群集變異是否小於第一門檻值。當群集變異小於第一門檻值時，選取並產生多個群集中的至少一者，或當群集變異不小於第一門檻值時，產生新的群集中心。

在本揭露一些實施方式中，從群集中提取數據特徵的步驟包括以下步驟。將取樣點投影到群集，以提取數據特徵。

在本揭露一些實施方式中，對布料織造數據進行主成分分析以產生所述主成分的步驟包括以下步驟。對布料織造數據進行數據中心化。計算中心化的布料織造數據的協方差矩陣特徵。計算協方差矩陣特徵的多個特徵值以及多個特徵向量。提取多個特徵值中大於第二門檻值的至少一者，以作為主成分。

在本揭露一些實施方式中，從主成分中提取數據特徵的步驟包括以下步驟。將取樣點投影到主成分的特徵向量，以提取數據特徵。

根據本揭露上述實施方式，由於布料織造參數推薦系統可根據模型、布料織造數據及布料需求規格(例如拉伸載荷重量、彈性回復率及單位面積布重中的至少一者)，產生適合於織布機運作的推薦參數(例如主紗喂紗量、主紗丹尼數及織布機針距中的至少一者)，因此可供織布機精準地預測並製造出各種規格需求的布料，從而縮短布料的開發時程。

以下將以圖式揭露本揭露之複數個實施方式，為明確地說明起見，許多實務上的細節將在以下敘述中一併說明。然而，應瞭解到，這些實務上的細節不應用以限制本揭露。也就是說，在本揭露部分實施方式中，這些實務上的細節是非必要的，因此不應用以限制本揭露。此外，為簡化圖式起見，一些習知慣用的結構與元件在圖式中將以簡單示意的方式繪示之。另外，為了便於讀者觀看，圖式中各元件的尺寸並非依實際比例繪示。

應瞭解到，關於本文中所使用的「耦接」，其可指二或多個元件相互直接作實體或電性接觸，或是相互間接作實體或電性接觸，亦可指二或多個元件相互操作或動作。

本揭露內容提供一種布料織造參數推薦系統，其可根據模型、布料織造數據及布料需求規格，產生適合於織布機運作的推薦參數，因此可供織布機精準地預測並製造出各種規格需求的布料，從而縮短布料的開發時程。

第1圖繪示根據本揭露一些實施方式的布料織造參數推薦系統2的方塊示意圖。布料織造參數推薦系統2包括使用者介面21、伺服器22及資料庫23，其中伺服器22耦接於使用者介面21及資料庫23。使用者介面21用以輸入布料需求規格RQT及輸出推薦參數RCM。資料庫23用以儲存布料織造數據DATA。伺服器22用以根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM。詳細而言，當使用者(例如織布廠)將布料需求規格RQT由使用者介面21輸入後，伺服器22可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM，而推薦參數RCM可進一步由使用者介面21輸出以供織布機運作。換句話說，織布機可根據由使用者介面21輸出的推薦參數RCM精準地製造出所需規格的布料，從而縮短布料的開發時程。本揭露的布料需求規格RQT包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者，且本揭露的推薦參數RCM包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。

在一些實施方式中，布料織造數據DATA可以經分類而包括主紗變數、彈性紗變數、彈性回復率、對應固定伸長率的拉伸載荷重量及服裝壓等類別。具體而言，主紗變數可包括主紗用紗成分、主紗張力、主紗喂紗量、織布機針距、主紗丹尼數以及單位面積布重；彈性紗變數可包括彈性紗丹尼數、彈性紗型號、彈性紗比例、彈性紗張力、彈性紗喂紗量及牽伸比例；彈性回復率可包括緯向彈性回復率以及經向彈性回復率；對應固定伸長率的拉伸載荷重量包括對應多個固定伸長率的多個拉伸載荷重量；服裝壓包括對應多個服裝壓的多個緯向服裝壓及多個經向服裝壓。更詳細而言，布料織造數據DATA的類別、各類別所包括的數據項目以及各數據項目所具有的臨界值(最大值與最小值)請參見表一。

表一

類別	數據項目	最小值	最大值
主紗變數	碼(布)重(g/y)	70	405
織布機針數(G)	28	60
主紗用紗條件	無	無
主紗丹尼數	20	150
主紗條數	34	144
主紗單條支數	0.59	1.18
主紗用紗加工	無	無
主紗用紗成分	無	無
主紗占比(%)	0.42	0.95
主紗張力(cN)	1.5	6.5
主紗喂紗量(cm)	625	975
彈性紗變數	彈性紗丹尼數	10	70
萊卡規格	無	無
彈性紗占比(%)	0.05	0.36
彈性紗張力(cN)	1	8
彈性紗喂紗量(cm)	549	976
織造牽伸比例	0.35	0.5
彈性回復率	緯向_三次循環彈性回復率(%)	78	94
經向_三次循環彈性回復率(%)	82	94
載荷拉伸力 (gf)	緯向_五次循環載荷(10%)	47	310
經向_五次循環載荷(10%)	51	262
緯向_五次循環載荷(20%)	103	690
經向_五次循環載荷(20%)	111	615
緯向_五次循環載荷(30%)	165	1113
經向_五次循環載荷(30%)	173	1127
緯向_五次循環載荷(40%)	234	1636
經向_五次循環載荷(40%)	246	1980
服裝壓 (gf)	緯向_服裝壓(10%)	0.27	10.00
經向_服裝壓(10%)	0.06	10.07
緯向_服裝壓(20%)	0.31	18.77
經向_服裝壓(20%)	0.46	22.67
緯向_服裝壓(30%)	1.04	33.46
經向_服裝壓(30%)	1.06	42.74

在一些實施方式中，資料庫23可用以儲存紗線規格231、織布機規格232及布料規格233，其中布料規格可包括布料拉伸數據及布料壓力數據(例如服裝壓等)。詳細而言，紗線規格231、織布機規格232及布料規格233可例如是「布料織造數據DATA中有關於紗線、織布機及布料的數據項目」與「以有關於紗線、織布機及布料的數據項目製造出的布料所具有的規格」之間的關聯性。基於上述，資料庫23所儲存的紗線規格231、織布機規格232以及布料規格233可有助於前述模型MD的建立，從而有利於精準地產生推薦參數RCM。

第2圖繪示根據本揭露另一些實施方式的布料織造參數推薦系統2的方塊示意圖。在一些實施方式中，伺服器22可包括決策模組221及學習模組222，其中決策模組221耦接於使用者介面21，且學習模組222耦接於決策模組221及資料庫23。在一些實施方式中，決策模組221可產生推薦參數RCM，以供織布機根據所述推薦參數RCM精準地製造出所需規格的布料。詳細而言，決策模組221可根據模型MD、布料織造數據DATA及布料需求規格RQT產生推薦參數RCM(產生推薦參數RCM的方式將於下文中詳細說明)。在一些實施方式中，學習模組222可建立並調整(優化)模型MD，以供織布機根據所述模型MD精準地製造出所需規格的布料。詳細而言，學習模組222可根據布料織造數據DATA及學習目標TGT建立模型MD，再根據布料織造數據DATA及所建立出的模型MD產生學習結果RST，並比較學習目標TGT及學習結果RST以調整模型MD。在一些實施方式中，學習目標TGT可例如是已知布料的規格及製造所述已知布料所採用的製造參數，且學習結果RST可例如是由決策模組221所產生出的推薦參數RCM以及由所述推薦參數RCM製造而成的布料的規格。

在一些實施方式中，模型MD可以是多項式回歸方程式。舉例而言，多項式回歸方程式可表示為[(彈性回復率)=A1-B1×(主紗張力)-C1×(彈性紗張力)+D1]，其中68.6≦A1≦83.8，1.17≦B1≦1.43，0.72≦C1≦0.88，且0≦D1≦0.05。再舉例而言，多項式回歸方程式可表示為[(對應固定伸長率為40%的拉伸載荷重量)=A2+B2×(織布機針距)+C2×(主紗張力)-D2×(彈性紗丹尼數)-E2×(彈性紗張力)+F2×(彈性紗占比)+G2]，其中575.46≦A2≦703.34，18.45≦B2≦22.55，139.68≦C2≦170.72，1.39≦D2≦1.69，63.45≦E2≦77.55，66.24≦F2≦80.96，且0≦G2≦0.05。

在一些實施方式中，伺服器22可更包括監督回饋模組223。監督回饋模組223可耦接於決策模組221及資料庫23，用以根據推薦參數RCM產生回饋數據FB到學習模組222，以調整模型MD。詳細而言，監督回饋模組223可監督布料織造參數推薦系統2的線上運作(on-line processing)情形，並根據線上運作當前所使用的推薦參數RCM及以所述推薦參數RCM製造出的布料的規格，提供回饋數據FB到學習模組222，以供學習模組調整模型MD，從而優化布料的開發。具體而言，模型MD的調整可例如是對多項式回歸方程式中的數據項目以及各數據項目所對應的係數進行調整。

針對產生推薦參數RCM的方式，在一些實施方式中，伺服器22可以是透過執行推薦流程來產生推薦參數RCM。更詳細而言，伺服器22可執行推薦流程，以根據布料織造數據DATA、布料需求規格RQT及模型MD產生推薦參數RCM。具體而言，請參閱第3圖，其繪示根據本揭露一些實施方式的推薦流程的流程示意圖。推薦流程可包括步驟S41至步驟S46。在步驟S41中，進行數據分類。在步驟S42中，進行數據分群。在步驟S43中，進行主成分分析。在步驟S44中，提取數據特徵。在步驟S45中，決定關鍵因子。在步驟S46中，產生推薦參數。在以下敘述中，將進一步說明上述各步驟。

首先，在步驟S41中，對布料織造數據DATA進行數據分類，以得到如前述表一所示的各個類別。

接著，在步驟S42中，對布料織造數據DATA進行數據分群以產生多個群集。或者，在步驟S43中，對布料織造數據DATA進行主成分分析以產生多個主成分。換句話說，可根據布料織造數據DATA的實際分布狀況來決定欲進行步驟S42或步驟S43，從而產生多個群集或多個主成分。

隨後，在步驟S44中，從所產生的多個群集或多個主成分中提取數據特徵。詳細而言，從多個群集中提取數據特徵的詳細說明可參見第4圖，其繪示根據本揭露一些實施方式的對布料織造數據DATA進行數據分群以產生群集的步驟的流程示意圖；而從多個主成分中提取數據特徵的詳細說明可參見第5圖，其繪示根據本揭露一些實施方式的對布料織造數據DATA進行主成分分析以產生主成分的步驟的流程示意圖。

請參見第4圖，具體而言，從多個群集中提取數據特徵的步驟可包括步驟S71至步驟S77。首先，在步驟S71中，在具有多個點的多維度空間中隨機指派多個群集中心，其中每一個點具有布料織造數據DATA中的多個數據項目(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目)，且每個維度代表一個數據項目。應瞭解到，為清楚起見及方便說明，在以下步驟中將僅針對單一個群集中心進行討論。接著，在步驟S72中，由群集中心向外擴張，以產生初始群集。隨後，在步驟S73中，依照初始群集中所具有的多個點的分布狀況移動初始群集的位置，以產生新的群集中心以及由新的群集中心向外擴張而得到的群集。在一些實施方式中，群集中心的擴張程度與新的群集中心的擴張程度相同。接著，在步驟S74中，計算由新的群集中心向外擴張而得的群集的群集邊界。隨後，在步驟S75中，判斷群集的群集變異(即單一群集中各個點間的變異)是否小於門檻值(例如第一門檻值)。詳細而言，若群集的群集變異小於第一門檻值，代表所述群集中各個點間的變異足夠小，亦即所述群集中各個點所具有的特徵(例如主紗用紗條件、彈性紗丹尼數、織布機針距等數據項目)較為相似且接近。在一些實施方式中，群集中各個點的變異(即群集變異)可介於10%至12%間，且群集間的變異可介於88%至90%間。

若經步驟S75的判斷後發現群集變異小於第一門檻值時，進行步驟S76，選取並產生所述群集，並進行步驟S77，將取樣點投影到所述群集，以提取數據特徵。舉例而言，若以在步驟S76中所產生的群集中的各個點所織造而成的布料皆具有高彈性回復率的特徵(例如彈性回復率大於80%)，而當使用者所需的布料需求規格RQT為彈性回復率95%時，此時可將取樣點投影至所述群集中，以提取所述群集中的數據特徵(亦即，提取該群集中的每一個點)。相對地，若經步驟S75的判斷後發現群集變異不小於第一門檻值時，可回到步驟S73以重新產生新的群集中心，直到產生合適的群集為止。

請參閱第5圖。具體而言，從多個主成分中提取數據特徵的步驟可包括步驟S91至步驟S95。首先，在步驟S91中，對布料織造數據DATA進行數據中心化。具體而言，在具有多個點的多維度空間中，每一個點具有布料織造數據DATA中的多個數據項目，而在此步驟中，可將多個點的布料織造數據DATA進行數據中心化。接著，在步驟S92中，計算中心化的布料織造數據DATA的協方差矩陣特徵。隨後，在步驟S93中，計算協方差矩陣特徵的多個特徵值以及多個特徵向量。具體而言，一個特徵向量可代表一個主成分(在第5圖的實施方式中即為一個數據項目)，而根據所述特徵向量的特徵值的大小，可判斷出所述主成分的重要程度(例如，當特徵值越大，所述主成分對結果所造成的影響越大)。接著，在步驟S94中，提取多個特徵值中大於第二門檻值的至少一者所對應到的特徵向量，以作為主成分。經由上述步驟，可找出布料織造數據DATA中對於特定布料需求規格RQT影響較大的主成分(數據項目)，以降低原始的數據矩陣的維度。隨後，在步驟S95中，將取樣點投影到所選取的特徵向量，以提取數據特徵。

基於上述第4圖及第5圖的說明，在從所產生的多個群集或多個主成分中提取數據特徵後，可回到第3圖以繼續進行步驟S45。在步驟S45中，根據布料織造數據DATA與布料需求規格RQT間的相關性，決定所提取的數據特徵中的關鍵因子。具體而言，請參見第6圖，其繪示根據本揭露一些實施方式的決定關鍵因子的示意圖。具體而言，透過將布料織造數據DATA與布料需求規格RQT分別放在座標的兩軸並進行相關性比對，可得到對特定布料需求規格RQT影響較大的布料織造數據DATA，從而由所提取的數據特徵中決定出至少一個關鍵因子。

接著，在步驟S46中，根據關鍵因子、布料需求規格RQT及於學習階段建立的模型MD，便可產生推薦參數RCM，以供織布機運作，從而精準地製造出所需規格的布料。

綜上所述，本揭露的布料織造參數推薦系統可根據模型、布料織造數據及布料需求規格，產生適合於織布機運作的推薦參數，以供織布機精準地預測並製造出各種規格需求的布料，從而縮短布料的開發時程。

雖然本揭露已以實施方式揭露如上，然其並非用以限定本揭露，任何熟習此技藝者，在不脫離本揭露之精神和範圍內，當可作各種之更動與潤飾，因此本揭露之保護範圍當視後附之申請專利範圍所界定者為準。

2:布料織造參數推薦系統 21:使用者介面 22:伺服器 221:決策模組 222:學習模組 223:監督回饋模組 23:資料庫 231:紗線規格 232:織布機規格 233:布料規格 DATA:布料織造數據 RQT:布料需求規格 MD:模型 RCM:推薦參數 FB:回饋數據 RST:學習結果 TGT:學習目標 S41~S46,S71~S77,S91~S95:步驟

為讓本揭露之上述和其他目的、特徵、優點與實施例能更明顯易懂，所附圖式之說明如下： 第1圖繪示根據本揭露一些實施方式的布料織造參數推薦系統的方塊示意圖； 第2圖繪示根據本揭露另一些實施方式的布料織造參數推薦系統的方塊示意圖； 第3圖繪示根據本揭露一些實施方式的推薦流程的流程示意圖； 第4圖繪示根據本揭露一些實施方式的對布料織造數據進行數據分群以產生群集的步驟的流程示意圖； 第5圖繪示根據本揭露一些實施方式的對布料織造數據進行主成分分析以產生主成分的步驟的流程示意圖；以及 第6圖繪示根據本揭露一些實施方式的決定關鍵因子的示意圖。

國內寄存資訊(請依寄存機構、日期、號碼順序註記) 無 國外寄存資訊(請依寄存國家、機構、日期、號碼順序註記) 無

2:布料織造參數推薦系統

21:使用者介面

22:伺服器

23:資料庫

231:紗線規格

232:織布機規格

233:布料規格

DATA:布料織造數據

RQT:布料需求規格

MD:模型

RCM:推薦參數

Claims (11)

1. 一種布料織造參數推薦系統，包括：使用者介面，用以輸入布料需求規格及輸出推薦參數；資料庫，用以儲存布料織造數據；以及伺服器，耦接於所述使用者介面及所述資料庫，用以根據模型、所述布料織造數據及所述布料需求規格，產生所述推薦參數，其中所述伺服器包括監督回饋模組及學習模組，所述監督回饋模組用以監督所述布料織造參數推薦系統的線上運作情形，並根據線上運作當前使用的所述推薦參數及以所述推薦參數製造出的布料規格，產生回饋數據到所述學習模組，以供所述學習模組調整所述模型，其中所述布料需求規格包括對應固定伸長率的拉伸載荷重量、彈性回復率及單位面積布重中的至少一者，且所述推薦參數包括主紗喂紗量、主紗丹尼數及織布機針距中的至少一者。
2. 如請求項1所述的布料織造參數推薦系統，其中所述資料庫用來儲存紗線規格、織布機規格及所述布料規格。
3. 如請求項1所述的布料織造參數推薦系統，其中所述伺服器包括：決策模組，耦接於所述使用者介面，且用以根據所述模型、所述布料織造數據及所述布料需求規格，產生所述推 薦參數，且所述學習模組耦接於所述決策模組及所述資料庫，用以根據所述布料織造數據及學習目標以建立所述模型、根據所述布料織造數據及所述模型以產生學習結果以及比較所述學習目標及所述學習結果以調整所述模型。
4. 如請求項3所述的布料織造參數推薦系統，其中所述監督回饋模組耦接於所述決策模組及所述資料庫。
5. 如請求項1所述的布料織造參數推薦系統，其中所述伺服器用以執行推薦流程，以根據所述布料織造數據、所述布料需求規格及所述模型，產生所述推薦參數，所述推薦流程包括以下步驟：對所述布料織造數據進行數據分類；對進行數據分類後的所述布料織造數據進行數據分群以產生群集，或對所述布料織造數據進行主成分分析以產生主成分；從所述群集或所述主成分中，提取數據特徵；根據所述布料織造數據與所述布料需求規格之間的相關性，決定所述數據特徵中的關鍵因子；以及根據所述關鍵因子、所述布料需求規格及所述模型，產生所述推薦參數。
6. 如請求項5所述的布料織造參數推薦系 統，其中所述布料織造數據的分類包括主紗變數、彈性紗變數、所述彈性回復率、所述對應固定伸長率的拉伸載荷重量及服裝壓。
7. 如請求項6所述的布料織造參數推薦系統，其中所述主紗變數包括主紗用紗成分、主紗張力、主紗喂紗量、所述織布機針距、所述主紗丹尼數及所述單位面積布重；所述彈性紗變數包括彈性紗丹尼數、彈性紗型號、彈性紗比例、彈性紗張力、彈性紗喂紗量及牽伸比例；所述彈性回復率包括緯向彈性回復率及經向彈性回復率；所述對應固定伸長率的拉伸載荷重量包括對應多個固定伸長率的多個拉伸載荷重量；以及所述服裝壓包括對應多個服裝壓的多個緯向服裝壓及多個經向服裝壓。
8. 如請求項5所述的布料織造參數推薦系統，其中對所述布料織造數據進行數據分群以產生所述群集的步驟包括：對所述布料織造數據隨機指派多個群集中心；分別產生所述多個群集中心的多個群集；分別計算所述多個群集的多個群集邊界； 判斷所述多個群集各自的群集變異是否小於第一門檻值；以及當所述群集變異小於所述第一門檻值時，選取並產生所述多個群集中的至少一者，或當所述群集變異不小於所述第一門檻值時，產生新的群集中心。
9. 如請求項8所述的布料織造參數推薦系統，其中從所述群集中，提取所述數據特徵的步驟包括：將取樣點投影到所述群集，以提取所述數據特徵。
10. 如請求項5所述的布料織造參數推薦系統，其中對所述布料織造數據進行主成分分析以產生所述主成分的步驟包括：對所述布料織造數據進行數據中心化；計算中心化的所述布料織造數據的協方差矩陣特徵；計算所述協方差矩陣特徵的多個特徵值以及多個特徵向量；以及提取所述多個特徵值中大於第二門檻值的至少一者，以作為所述主成分。
11. 如請求項10所述的布料織造參數推薦系統，其中從所述主成分中，提取所述數據特徵的步驟包括：將取樣點投影到所述主成分的特徵向量，以提取所述數據特徵。

Images