柯寶珠，叢 杉

(上海工程技術大學 服裝學院，上海 201620)

顯汗條件下針織面料主觀熱濕舒適性預測模型的建立

柯寶珠，叢 杉

(上海工程技術大學 服裝學院，上海 201620)

對36種針織面料的動態(tài)熱濕舒適性客觀指標進行測試與分析，再將36種面料制作成服裝，通過人體穿著試驗對針織面料的主觀熱濕舒適性感覺進行評定。隨機選取其中28種面料建立了針織面料熱濕舒適性客觀評價指標與主觀評價指標之間的BP神經網絡預測模型，并通過該模型對另外8種針織面料進行驗證和評估，結果表明，該模型能較好地預測針織面料的主觀熱濕舒適性。

針織面料；BP神經網絡；熱濕舒適性；預測

織物主觀熱濕舒適性評價法是通過人體穿著實驗對織物的悶熱感、潮濕感和粘體感等熱濕舒適性指標進行評價的一種方法，是具有實際意義的手段和方法。但主觀評價法也存在許多無法克服的困難，比如試驗條件難以控制、個體的差異等，在一定程度上影響了測試結果的準確性和可靠性。相比較而言，客觀評價法不受上述因素的影響，試驗結果穩(wěn)定，誤差較小，易于操作和控制，但缺點是測試指標不能直觀地反應人體的主觀穿著感覺。因而在客觀評價指標與主觀評價指標之間建立相關性模型是有必要的。這樣只需要對織物的客觀指標進行測試，就可利用相關性模型來預測其主觀穿著感覺值。

織物的熱濕舒適性客觀評價法主要有靜態(tài)法和動態(tài)法。靜態(tài)法是對織物的單純熱傳遞或濕傳遞指標如熱阻、透氣率、透濕率等進行測試的一種方法。為了更好地模擬實際穿著情形，尤其是人體出汗時，應采用熱濕同時測定的方法，也就是動態(tài)熱濕傳遞測試法。本研究利用自行研制的微氣候測試圓筒儀作為織物的動態(tài)熱濕舒適性測試儀器。

在對36種針織面料進行客觀實驗和主觀實驗的基礎上，利用BP神經網絡技術，建立了以針織面料動態(tài)熱濕舒適性客觀評價指標為輸入參數，以主觀熱濕舒適性評價指標為輸出參數的預測模型。從而實現了快速對針織面料熱濕舒適性主觀感覺值進行預測的目的。

1 實 驗

為了探討人體在大運動量或高溫條件，也即顯汗情況下針織面料的熱濕傳遞性能，選取的實驗面料均為適合于制作運動服或夏季休閑穿著的針織面料，除了一些功能性新型面料如Coolmax、Tactel外，還選取了常用的棉、滌綸、羊毛、真絲等面料共36種。

微氣候測試圓筒儀的工作原理、測試方法及各測試指標表征的意義參考文獻[1-2]。選取以下5個客觀指標來評價針織面料的動態(tài)熱濕傳遞性能：KTs－出汗開始時溫度下降的初始斜率(℃/10s)；Tequ－溫度平衡值(℃)；ΔT－平衡溫度與最低溫度的差值(℃)；KTe－出汗結束后溫度回升時的初始斜率(℃/10s)；RHequ－濕度平衡值(%)。其中KTs和KTe值越大，織物熱濕舒適性越好；Tequ、ΔT和RHequ值越小，織物熱濕舒適性越好。36種針織面料的5個動態(tài)熱濕舒?zhèn)鬟f性客觀評價指標的測試結果見表1。

將這36種針織面料做成相同款式服裝各1件，進行主觀穿著試驗[3-4]。實驗環(huán)境溫度28 ℃，相對濕度65 %，氣流速度0.2 m/s。實驗共選取10名女性受試者，受試者要求具備的特征：心理及生理健全，身高(162±3)cm，體重(52±3)kg，年齡18～23歲的大學生。設計主觀舒適性問卷調查表，對針織面料主觀穿著感覺值如悶熱感、潮濕感、粘體感和運動后的冷感進行評價。這4個主觀感覺值能較全面地反映人體從出汗到出汗結束后織物的熱濕舒適性能。對4個主觀感覺指標用語意差別進行描述，采用5級標尺，最小值評分值為0，最大值評分值為4，感覺值越大，表明越不舒適。例如對悶熱感評分值為0，表明不冷不熱也不悶，感覺正舒適；評分值為1，表明局部皮膚感覺稍溫熱，衣內有熱氣；評分值為2，表明大部分皮膚感覺較熱，身體局部出汗，衣內熱氣較多；評分值為3，表明人體大量出汗，感覺悶熱，衣內熱烘烘，有明顯不舒適感；評分值為4，表明人體大汗淋漓，感覺非常悶熱，煩躁頭暈胸悶。設計的調查問卷如下(其他3個評價指標類似)：

2 BP神經網絡模型的構建

BP神經網絡是一種前饋式、反向傳播學習算法的人工神經網絡。BP神經網絡的工作原理是將數據輸入網絡輸入層，輸入層單元接收輸入信號，經傳遞函數向前傳播到隱層節(jié)點，計算權重，再把隱層節(jié)點輸出信號傳播到輸出節(jié)點，最后給出輸出結果[5]。

采用MatLab 6.5神經網絡工具箱函數編程，來實現對BP網絡模型的構建、訓練與仿真。

表1 36種針織面料的動態(tài)熱濕舒適性客觀評價指標值和主觀評價指標值Tab.1 The Dynamic Thermal-wet Comfort Objective Evaluation Indexes and Subjective Evaluation Indexes of 36 Kinds of Knitted Fabrics

構建BP網絡模型的第一步是建立網絡對象并初始化，可用Matlab神經網絡工具箱函數newff來建立一個可訓練的單隱層BP網絡，其語法為：

這里，PR是一個Rx2的矩陣，以定義R個輸入向量的最小值和最大值；{TF1 TF2}是包含每層用到的轉移函數名稱的細胞數組，取TF1為tansig，TF2為purelin；BTF是用到的訓練函數的名稱，主要采用trainbr函數；BLF為權值與閾值的學習函數，采用learngdm，其為帶動量項的BP學習規(guī)則；PF為網絡運行性能表征方式，采用最小誤差平方和函數mse。[S1 S2]是一個包含每層神經元個數的數組，本文的BP網絡輸出節(jié)點為4個，因此，S2＝4，S1根據具體情況來取得，有經驗公式可以利用[6]：

式(1)中：m為輸入層節(jié)點數；n為輸出層節(jié)點數；S1為隱層節(jié)點數。

2.1 輸入和輸出結點的確定

織物的熱濕舒適性客觀評價指標有5個，KTs、Tequ、ΔT、KTe和RHequ，這5個指標作為輸入層參數?？椢锏臒釢袷孢m性主觀評價指標有4個，悶熱感、粘體感、潮濕感和運動后的冷感，這4個指標作為輸出層參數。

2.2 網絡層數的確定

織物的客觀評價指標和主觀評價指標之間不是簡單的線性關系，因此對織造建立模型就不能簡單地用一層結構，必須采用多層網絡。從理論上講三層BP神經網絡可以逼近所有的函數。因此建立的模型都采用三層網絡結構，即輸入層、輸出層和一個隱層。

2.3 隱層結點數的確定

隱層結點數目的多少對整個網絡的性能和預測結果有直接影響。隱層神經元個數參考值可以根據上述的經驗式(1)計算。此外還有許多經驗公式，不過這些公式大都是依據具體試驗環(huán)境而得來的，普遍性不是很好，所以應結合本文的研究和經驗公式得到的參考值，進行試驗得出預測模型的最佳隱層結點數。

3 BP神經網絡模型的訓練

在36個樣本中隨機挑出4、9、17、21、24、27、31、35號8個樣本的測試數據作為網絡模型的預測檢驗樣本，其余28個樣本的測試數據作為網絡模型的訓練樣本，這樣隨機提取樣本的目的是為了提高預測精度。經大量訓練，所采用的最佳網絡參數見表2。

表2 BP神經網絡預測模型的優(yōu)化參數Tab.2 The Optimized Parameters of BP Neural Network Prediction Model

圖1是Trainbr函數訓練BP網絡的誤差變化曲線圖。SSE為網絡訓練誤差平方和，SSW為網絡權值與閾值平方和，Parameters為有效的權值與閾值個數。本模型迭代至122步SSE和SSW就達到恒值，網絡收斂，此時網絡的有效權值和閾值的個數為43.269 5。

圖1 網絡訓練過程曲線Fig.1 The Network Training Process Curve

4 BP神經網絡模型的驗證與分析

建立織物的熱舒適舒適性預測模型之后，其預測精度還需進一步驗證。現對其中的4、9、17、21、24、27、31、35號樣本來做檢驗。

根據上述網絡結構建立了以動態(tài)客觀指標為輸入參數的織物主觀熱濕舒適性預測模型，并對8個預測檢驗樣本作了預測，結果如表3所示。

表3 網絡模型預測檢驗結果Tab.3 The Prediction Results of Network Model

從表3可知，網絡模型的預測值與實測值非常接近。悶熱感的實測值與預測值的絕對誤差最大值為0.302 9，平均絕對誤差為0.185 0；粘體感的實測值與預測值的絕對誤差最大值為0.451 2，平均絕對誤差為0.204 5；潮濕感的實測值與預測值的絕對誤差最大值為0.378 7，平均絕對誤差為0.160 4；運動后的冷感的實測值與預測值的絕對誤差最大值為0.234 6，平均絕對誤差為0.088 6。最大絕對誤差值及平均絕對誤差值均小于0.5，這樣的預測精度值是很高的。

本文采用絕對誤差，而非相對誤差來分析預測精度，主要是因為4個主觀感覺值均采用5級標尺進行評判，評分在0～4之間，每一級標尺相差1分，也就是說只要預測值與實測值的評分相差不到1分，即表示主觀穿著感覺非常接近，若采用相對誤差來分析預測精度，反而不能很好說明問題。

從對模型的預測值與實測值的對比分析結果可知，采用BP神經網絡建立的以針織面料熱濕舒適性客觀評價指標為輸入參數，以針織面料熱濕舒適性主觀評價指標為輸出參數的預測模型精度高，能較好地用來預測針織面料的主觀熱濕舒適感。

5 結 論

通過對36種針織運動面料的動態(tài)熱濕舒適性客觀評價指標和主觀評價指標的測試，隨機選取其中28種針織面料建立了以織物動態(tài)熱濕舒適性客觀評價指標為輸入參數，以織物主觀熱濕舒適性評價指標為輸出參數的BP神經網絡預測模型，通過該模型對另外8種針織面料進行驗證和評估，結果表明，該網絡模型能較好地用來預測針織面料的主觀熱濕舒適性。

[1]柯寶珠.新型織物微氣候測試圓筒儀的研制[J].絲綢，2008(8)：40-43．

[2]柯寶珠.U形滌綸面料的動態(tài)熱濕傳遞性能[J].絲綢，2009(1)：39-41．

[3]尹繼亮，唐世君.服裝舒適性等級評價個體間差異的研究[J].中國紡織大學學報，2000，26(5)：102-104.

[4]李俊，張渭源.細旦丙綸針織物濕舒適性研究——主觀穿著試驗測試研究及綜合分析[J].中國紡織大學學報，1996，22(6)：6-13.

[5]尹紅風，戴汝為.人工神經網絡信息處理原理[J].模式識別與人工智能，1990，3(1)：1-12.

[6]姚桂芬，郭建生，周永元，等.神經網絡系統理論及在紡織研究中的應用[J].現代紡織技術，2002，10(4)：55-57，60.

Prediction of Knitted Fabric Subjective Thermal-wet Comfort Properties Based on BP Neural Network

KE Bao-zhu, CONG Shan

(College of Fashion Technology, Shanghai University of Engineering Science, Shanghai 201620, China)

In this paper, the dynamic thermal-wet comfort objective evaluation indexes of 36 kinds of knitted fabrics were tested and analyzed. And then the 36 kinds of knitted fabrics were made into clothes of same style. The thermal-wet comfort subjective evaluation indexes of these clothes were assessed by wearing tests.28 kinds of the fabrics were selected to establish the prediction model between the objective and subjective evaluation indexes based on BP neural network. The other 8 kinds of fabrics were used to validate the accuracy of the model. The results showed that the model can effectively predict the subjective thermal-wet comfort properties of fabrics.

Knitted fabric; BP neural network; Thermal-wet comfort; Prediction

TS101.923

A

1001-7003(2010)09-0026-04

2010-05-16；

2010-05-31

上海市科委自然基金項目(10ZR1412800)

柯寶珠(1977－ )，女，講師，博士研究生，主要從事功能性服裝面料的開發(fā)及服裝舒適性研究。