本发明涉及成衣制造数据中与人体相关部分的自动生成方法和实现领域，提出并实现了基于大量数据的成衣制造数据生成的大数据生成方法。
背景技术：
传统的成衣制造数据生成是人工使用卷尺进行直接测量，这种方法往往由于测量测量师的人为因素如位置不准、卷尺的松紧度差异度较大、人工读数不准等原因，造成包括胸围在内的测量值不准确，同时大量使用人工测量也增加个生产运营的成本，导致需要大量的测量师介入客户数据的采集，而无论是上门测量抑或是客户到厂家指定的地点测量，均会增加客户的时间成本并导致交货的延迟，因此，传统的测量方法会导致不准确的测量值，较高的人工成本和较长的等待时间，这些因素作用于目前到服装生产制造领域，会造成产品和服务无法复合当前个性化的生产和消费需求。
技术实现要素：
现有技术不能满足需求，为弥补现有技术的不足，本发明旨在提供一种新成衣制造数据生成方法。
为实现上述目的，本发明提供如下技术方案：智能胸围测定方法；
a、收集大量数据样本；
b、训练胸围转换器；
c、对人的身高、体重、腰围进行测量；
d、把测量得到的身高、体重、腰围数据输入到胸围转换器，得到胸围值。
优选的，所述步骤a中，收集大量数据样本，要求样本覆盖各种类型的人群，包括他们的身高h、体重w、腰围l、胸围b的准确数值。
优选的，所述步骤b中，根据人体类型分类标准，把人体分为五种类型；然后基于回归分析方法，回归分析是确定两种或两种以上变量间相互依赖的定量关系的一种统计分析方法，运用十分广泛，回归分析按照涉及的变量的多少，分为一元回归和多元回归分析，在线性回归中，按照因变量的多少，可分为简单回归分析和多重回归分析，按照自变量和因变量之间的关系类型，可分为线性回归分析和非线性回归分析，如果在回归分析中，只包括一个自变量和一个因变量，且二者的关系可用一条直线近似表示，这种回归分析称为一元线性回归分析，如果回归分析中包括两个或两个以上的自变量，且自变量之间存在线性相关，则称为多重线性回归分析，对步骤a中的数据进行训练，以h、w、l为输入，b为输出构建模型m，并输入胸围转换器。
优选的，所述步骤c中，在实际应用中，用户测量并提供h、w、l的准确值。
优选的，所述步骤d中，把步骤c中h、w、l的三点数据输入到胸围转换器，得到用户胸围数据b的准确数值。
与现有技术相比，本发明是采用机器学习算法和大数据分析算法，在难以测量到准确生成成衣制造数据得人体数据到情况下，用容易测得准确值的身高、体重、腰围数据计算出较准确的人体数据，并进而计算出成衣制造数据。此方法解决了个人测量人体数据不准的难题，使单人测量、远程测量成为可能，并同时大大减少了制造方的制造成本和客户的等待时间。今后可集成入多种智能应用，在服装定制等领域创造经济价值。
附图说明
图1为本发明的数据生成流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，本发明提供一种技术方案：一种智能胸围测定方法，包括以下步骤；
a、收集大量数据样本；
b、训练胸围转换器；
c、对人的身高、体重、腰围进行测量；
d、把测量得到的身高、体重、腰围数据输入到胸围转换器，得到胸围值。
步骤a中，收集大量数据样本，要求样本覆盖各种类型的人群，包括他们的身高h、体重w、腰围l、胸围b的准确数值。
步骤b中，根据人体类型分类标准，把人体分为五种类型；然后基于回归分析方法，对步骤a中的数据进行训练，以h、w、l为输入，b为输出构建模型m，并输入胸围转换器。
步骤c中，在实际应用中，用户测量并提供h、w、l的准确值。
步骤d中，把步骤c中h、w、l的三点数据输入到胸围转换器，得到用户胸围数据b的准确数值。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。