Journal of Textile Science and Technology

Journal of Textile Science and Technology

Receiving the Taste of the Chaleshtor Lozenge Rug Audience Based on an Artificial Neural Networks(ANN)

Document Type : Research/ Original/ Regular Article

Authors
Afsaneh Ghani 1
Azar Rafiei 2
1 Afsaneh Ghani, Assistant Professor of the Carpet Department, Faculty of Arts and Humanities, Farsan University, Shahrekord.
2 Lecturer of the computer department of Joneghan girls technical and vocational school/ Technical and vocational university of chaharmahal and bakhtiari province.
10.22034/jtst.2024.189183
Abstract
Abstract:

Lozenge rug chaleshtor is in terms of artistic and aesthetic aspects, it is considered one of the consumer and capital goods that have international fame. From the past until now, this native art has been traditionally produced with the same design, pattern, and colour without paying attention to the tastes of its audience, which can be one of the reasons for the failure of this original art in the global rug markets shortly. Therefore, knowledge and awareness of consumers' taste, which is considered as one of the steps before production, and using modern science, can help to produce according to the taste of the audience and, accordingly, to be more successful in terms of sales and providing high export statistics. To achieve this, in this article, sub-branches of artificial intelligence were used to achieve the taste of Lozenge rug chaleshtor audiences. Three algorithms more related to the subject, 1. artificial neural networks, 2. decision tree learning and 3. support vector machine are compared and finally, the most suitable algorithm for this subject is the artificial neural networkss for receiving the taste of the audience of the Lozenge rug chaleshtor and providing suitable patterns in the field of design. , role, colour, dimensions, texture and price according to the audience's taste, and it was tried to answer the question of whether that artificial neural networkss can introduce the principles of the audience's taste of lozenge rug chaleshtor. in structural fields. For this purpose, primary data in the field of design and role, colour, raw materials, texture, dyeing, dimensions and price were collected through the contact questionnaire and then, using an artificial neural networkss, an algorithm was designed, the results showed that traditional lozenge designs with half motifs curved and quiet, with bright, limited, soft colours, natural dyeing, dimensions under 6 meters and preferably square with a price per meter of up to 10 million tomans is the final taste of the audience of this type of rugs.

Keywords: Taste,Lozenge Rug, Chaleshtor, Artificial Neural Networks
Keywords
Taste
Lozenge Rug
Chaleshtor
Artificial Neural Networks
Contacts

Subjects

  1. ولی‌پور، پ، شکارچی، م.، بررسی تآثیر شاخصه‌های رنگی البسه بر وفاداری مشتریان با نقش واسطه‌ای شخصیت و وجهه برند (مطالعه موردی: ال‌سی وایکیکی)، نشریه علمی علوم و فنآوری نساجی، 56-47، 1397.
  2. ولی‌پوری، ا، و پورکاظمیان، ه. عوامل مؤثر در خرید پوشاک، نشریه علمی علوم و فنآوری نساجی، 42-37، 1394.
  3. مهدیخانی، م، و حاتمی‌نسب، ح. خوشه‌بندی و نگاشت روند مطالعات علمی حوزه بازاریابی در صنعت نساجی و پوشاک بر اساس مقالات نمایه شده در پایگاه wos، نشریه علمی علوم و فنآوری نساجی، 70-49، 1400.

4.Famoye and Wang. Censored generalized poisson regression model. Computational Statistics & Data Analysis. 2004, 46(3). Pp: 547-560. Available at: https://doi.org/10.1016/j.csda.2003.08.007.

  1. قانی، ا.، تحلیل فرهنگی قالی خشتی چالش‌تر، انتشارات سمت، 1398.
  2. قانی، ا.، آیکونولوژی خشت فرشته در قالی خشتی چالش‌تر با روش اروین پانوفسکی، دو فصلنامه علمی الهیات هنر، مدرسه اسلامی هنر قم، 1399.
  3. قانی، ا.، آیکونولوژی نقش‌مایه دست دلبر در قالی‌های خشتی چالش‌تر، دو فصلنامه علمی مبانی نظری هنرهای تجسمی ایران، دانشگاه الزهرا، 1400.
  4. بهمنی‌پور، آ، عبادی، د.، بررسی تکامل و جایگاه هوش مصنوعی مبتنی بر مدل‌های حاصل از شبکه‌های مولد تخاصمی (GAN) و انتشاری (Diffusion) در هنر‌های تجسمی امروز، چهارمین همایش ملی هنرهای نمایشی و دیجیتال، 1402.
  5. علیمردانی، م، هوش مصنوعی و هنر: نقش ابزار در خلق اثر هنری، هشتمین همایش ملی مبانی نظری هنرهای تجسمی ایران با رویکرد هنر جدید، تهران، 1401.
  6. Al-Halah, Z, Stiefelhagen,R, Grauman, K. Fashion Forward: Forecasting Visual Style in Fashion, Journal of Emerging Technologies and Innovative Research Volume 9, Issue 12 , December 2022.
  7. صالحیان، ن، یزدچی، م، و کریمیان، ع.، شناسایی کلمات فارسی نستعلیق با استفاده از شبکه‌های عصبی مصنوعی. نشریه علمی مهندسی برق مجلسی، 10-1، 1387.
  8. شاه‌میری، ا، شیری قیداری، س، و دژکام، ر.، شناسایی اشعار شاهنامه فردوسی به کمک شبکه عصبی مصنوعی. نشریه علمی علوم و مهندسی کامپیوتر، 26-17، 1385.

13.Marques AI, García V, Sanchez JS. A literature review on the application of evolutionary computing to credit scoring. Journal of the Operational Research Society, 2012, 64(9), 1384-1399.

  1. ماکویی، ف، میرجلیلی، ف، هادی‌زاده، م، و پیوندی، پ.، کاربرد شبکه عصبی خودسازمان‌دهنده بر اساس داده‌کاوی برای ایجاد جدول اندازه لباس. نشریه علمی علوم و فنآوری نساجی، 103-97، 1391.

15.Hagan MT, Demuth HB, Beale MH, De Jesu´s O, Neural network design, 2nd edition, Martin Hagan Publisher. 2014.

16.Sunday et.al. Dynamic failure analysis of process systems using neural networks. Process Safety and Environmental Protection, 111, pp: 529-543. Available at: https://doi.org/10.1016/j.psep.2017.08.005.

17.Wen-Zheng Xu et.al, Corroded pipeline failure analysis using Artificial Neural Networkss scheme. Advanced in Engineering Software, 112, pp: 255-266. Available at: https://doi.org/10.1016/j.advengsoft.2017.05.006.

18.Ghaemi Z, Alimohammadi A, Farnaghi M. LaSVM-based big data learning system for dynamic prediction of air pollution in. Tehran Environmental monitoring and assessment 2018;190:300.

19.Akkas ̧ E, Akin L, Çubukçu HE, Artuner H. Application of decision tree algorithm for classifcation and identification of natural minerals using SEM–EDS. Comput Geosci 2015;80:38–48.

  • Receive Date 28 August 2023
  • Revise Date 31 December 2023
  • Accept Date 27 January 2024