周俊文 宋曉霞

摘要： 熱阻是衡量面料熱舒適性的一項(xiàng)重要指標(biāo)，為獲得不同環(huán)境下面料的熱阻值，多采用測試獲得。文章通過YG（B）606G 型紡織品熱阻和濕阻測試儀，對不同面料在不同環(huán)境下的熱阻進(jìn)行測試。運(yùn)用Matlab，基于GRNN（General Regression Neural Network）廣義回歸神經(jīng)網(wǎng)絡(luò)，使用少量輸入?yún)?shù)，對不同環(huán)境下的熱阻值進(jìn)行預(yù)測。與傳統(tǒng)的測試相比，GRNN神經(jīng)網(wǎng)絡(luò)實(shí)驗(yàn)量小，方便快捷、省時(shí)省力且預(yù)測結(jié)果準(zhǔn)確性好；與BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)相比，GRNN神經(jīng)網(wǎng)絡(luò)人為設(shè)定量更少，更為客觀，預(yù)測結(jié)果更加準(zhǔn)確。經(jīng)Wilcoxon符號秩檢驗(yàn)配對樣本檢驗(yàn)發(fā)現(xiàn)，GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測值與實(shí)際值更加接近，可信度更強(qiáng)。

關(guān)鍵詞： 熱阻；預(yù)測；神經(jīng)網(wǎng)絡(luò)；GRNN；BP

中圖分類號： TS941.15文獻(xiàn)標(biāo)志碼： A文章編號： 1001-7003（2018）08-0041-06引用頁碼： 081108

Abstract： Thermal resistance is an important measurement index of the thermal comfort of fabrics. The heat resistance value of fabrics in different environments is mostly gained by testing. Thermal resistance values of different fabrics were tested under different environments through YG （B） 606G textile thermal resistance and moisture resistance equipment. Thermal resistance values of fabrics under different environments were predicted with a few input parameters by Matlab and GRNN （General Regression Neural Network）. Compared with traditional test， smaller experiment indexes are needed by using GRNN. At the same time， the method is simpler， more convenient and more accurate. Compared with BP（Back Propagation） neural network， fewer subjective indexes are needed in GRNN， so the prediction result of the model is more objective and more accurate. Wilcoxon signed rank test paired sample test result indicates that， the predictions of GRNN are more accurate and more reliable.

Key words： thermal resistance； prediction； neural network； GRNN； BP

熱阻是衡量紡織品熱舒適性的重要指標(biāo)，熱阻值越大，保暖性能越好；相反，熱阻越小，保暖性越差。在制作成衣時(shí)，熱阻值的大小可以為面料選擇提供參考。秋冬服裝適合使用熱阻較大的面料，利于保暖；春夏的服裝宜選熱阻較小的面料，利于散熱。于瑤等[1]、李云鳳[2]、柯瑩等[3]、王林玉[4]、蔣培清等[5]都將熱阻作為衡量服裝面料熱舒適性的重要指標(biāo)，而熱阻一般都是通過測試獲得。依據(jù)GB/T11048—2008《紡織品 生理舒適性 穩(wěn)態(tài)條件下熱阻和濕阻的測定》中對紡織品面料熱阻測試基本標(biāo)準(zhǔn)，用于測試的面料試樣必須完全覆蓋測試板，試樣個(gè)數(shù)不少于3塊。測試面料熱阻不僅需要大量面料作為實(shí)驗(yàn)試樣，而且測試時(shí)間很長，費(fèi)時(shí)費(fèi)力。因此，預(yù)測面料熱阻具有重要意義。

介于面料固有屬性如面料的成份、透氣性、回潮率、平方米質(zhì)量、組織結(jié)構(gòu)等對面料熱阻的影響，多使用SPSS線性回歸、BP神經(jīng)網(wǎng)絡(luò)等進(jìn)行熱阻或濕阻的預(yù)測。但外部環(huán)境因素如濕度、溫度、風(fēng)速的變化也是引起熱阻變化的重要因素。丁殷佳[6]論述了風(fēng)速對面料熱阻的影響，建立了風(fēng)速與熱阻的線性模型，預(yù)測了風(fēng)速變化下熱阻的變化率，其模型是研究變化率的相對關(guān)系，但沒有預(yù)測出熱阻的值。此外，對于不同溫度、濕度下面料熱阻的大小的變化也未涉及。

本研究為預(yù)測不同溫度、濕度、風(fēng)速環(huán)境下面料的熱阻值，建立了GRNN神經(jīng)網(wǎng)絡(luò)（General Regression Neural Network，即廣義回歸神經(jīng)網(wǎng)絡(luò)），當(dāng)環(huán)境因素（即溫度、濕度、風(fēng)速）發(fā)生變化時(shí)，僅需依據(jù)面料厚度、已知的環(huán)境條件（即溫度、濕度、風(fēng)速已知）及該環(huán)境條件下熱阻的大小，即可預(yù)測出另一種環(huán)境下面料的熱阻。同時(shí)，該網(wǎng)絡(luò)可以通過訓(xùn)練使得預(yù)測值更加精確，通過增加訓(xùn)練量，使得預(yù)測范圍更加廣泛。

1實(shí)驗(yàn)數(shù)據(jù)

為實(shí)現(xiàn)GRNN神經(jīng)網(wǎng)絡(luò)的建立，需選擇測試面料并對其熱阻進(jìn)行測試，用于實(shí)驗(yàn)的四種面料（竹纖維+氨綸、莫代爾+氨綸、棉+氨綸、棉）除厚度不同，面料的紗長、組織結(jié)構(gòu)、寸數(shù)、針數(shù)都保持相同，從而保證實(shí)驗(yàn)的準(zhǔn)確性與客觀性。四種面料的基本信息如表1所示。

實(shí)驗(yàn)使用YG（B）606G型紡織品熱阻和濕阻測試儀（溫州大榮儀器有限公司），實(shí)驗(yàn)采用單一變量的方法，設(shè)置12組實(shí)驗(yàn)，分三大類：

1）變量為濕度（共4組），保持溫度為25℃，風(fēng)速為1m/s，濕度分別設(shè)為65%、70%、75%、80%；

2）變量為溫度（共4組），保持濕度為65%，風(fēng)速為1m/s，溫度分別設(shè)為15、20、25、30℃；

3）變量為風(fēng)速（共4組），保持濕度為65%，保持溫度為25℃，風(fēng)速分別定為0.1、0.5、1.0、1.5m/s。

每組實(shí)驗(yàn)每種面料采用3塊試樣進(jìn)行測試，測試結(jié)果如表2所示。

依據(jù)表2測試數(shù)據(jù)，計(jì)算每組數(shù)據(jù)的平均值，并獲得折線圖（圖1）。

由圖1可看出，不同環(huán)境下面料熱阻都呈現(xiàn)波動的趨勢。進(jìn)一步證明，運(yùn)用SPSS對不同環(huán)境下面料的熱阻建立簡單的線性模型，擬合度低，準(zhǔn)確性較差。由于樣本數(shù)目較少，樣本分布規(guī)律不明，考慮使用神經(jīng)網(wǎng)絡(luò)建模，對不同環(huán)境下面料熱阻值變化曲線進(jìn)行函數(shù)逼近，本研究選用了所需樣本少、逼近效果好的GRNN神經(jīng)網(wǎng)絡(luò)。

2GRNN神經(jīng)網(wǎng)絡(luò)

2.1GRNN神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

GRNN神經(jīng)網(wǎng)絡(luò)是RBF神經(jīng)網(wǎng)絡(luò)（即徑向神經(jīng)網(wǎng)絡(luò)）的分支，是建立在徑向基函數(shù)網(wǎng)絡(luò)和非參數(shù)回歸基礎(chǔ)上的，常用于函數(shù)逼近。將輸入向量由一定的函數(shù)運(yùn)算，映射到隱含層中；在隱含層中確立中心點(diǎn)，確定映射關(guān)系；僅有線性映射傳到輸出空間。

2.1.1神經(jīng)元結(jié)構(gòu)

2.1.2網(wǎng)絡(luò)結(jié)構(gòu)

2.2GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)勢

神經(jīng)網(wǎng)絡(luò)作為一種計(jì)算模型，具有傳統(tǒng)建模方法所不具備的很多優(yōu)點(diǎn)。神經(jīng)網(wǎng)絡(luò)有很好的非線性映射能力，對建模對象的先驗(yàn)知識要求不多，只需更換給出輸入、輸出數(shù)據(jù)，通過自主學(xué)習(xí)就可以達(dá)到輸入值與輸出值的完全符合[7]。GRNN神經(jīng)網(wǎng)絡(luò)作為神經(jīng)網(wǎng)絡(luò)的一個(gè)重要分支，在具備上述優(yōu)勢以外，還具有以下優(yōu)勢：建模需要的樣本數(shù)量少，在樣本數(shù)據(jù)較少的情況下能更好地滿足預(yù)測精度的要求；人為確定的參數(shù)少，最大限度地避免人為主觀假定對預(yù)測結(jié)果的影響[8]。

3GRNN神經(jīng)網(wǎng)絡(luò)與BP神經(jīng)網(wǎng)絡(luò)比較

面料熱阻在受面料本身性質(zhì)影響之外，還受環(huán)境因素影響，這使得面料熱阻值受到內(nèi)外兩方面因素復(fù)雜的影響。作為熱舒適性的一項(xiàng)重要指標(biāo)，了解不同環(huán)境下不同面料熱阻的大小，在選擇面料制作成衣時(shí)，可為服裝舒適性提供參考。因此，預(yù)測不同環(huán)境下不同面料的熱阻值，不僅可以節(jié)約實(shí)驗(yàn)時(shí)間及實(shí)驗(yàn)面料的損耗，還具有一定的實(shí)用價(jià)值。

3.1GRNN神經(jīng)網(wǎng)絡(luò)的建立與預(yù)測

本研究中GRNN神經(jīng)網(wǎng)絡(luò)通過Matlab實(shí)現(xiàn)，數(shù)據(jù)樣本分訓(xùn)練數(shù)據(jù)與預(yù)測數(shù)據(jù)，共40組數(shù)據(jù)，每組數(shù)據(jù)包括溫度、濕度、風(fēng)速、厚度、熱阻共5項(xiàng)。為保證客觀性，將40組數(shù)據(jù)隨機(jī)排列，其中前36組數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)，后4組數(shù)據(jù)作為預(yù)測數(shù)據(jù)。

由于GRNN神經(jīng)網(wǎng)絡(luò)在不知道樣本數(shù)據(jù)的分布規(guī)律的前提下，其函數(shù)逼近能力較強(qiáng)，因此可以在盡量減少輸入?yún)?shù)的情況下，得到較為理想的預(yù)測值。本研究中，為達(dá)到實(shí)驗(yàn)量最小、操作最簡單的效果，僅將環(huán)境溫度、濕度、風(fēng)速、面料厚度四項(xiàng)作為輸入項(xiàng)（此時(shí)只需測量面料厚度），形成40×4的矩陣p；熱阻值作為輸出項(xiàng)，形成40×1的矩陣t。p與t共同組成樣本數(shù)據(jù)矩陣（即網(wǎng)絡(luò)樣本數(shù)據(jù)mydata）。

隨后，使用檢驗(yàn)樣本，對該網(wǎng)絡(luò)進(jìn)行檢驗(yàn)并反饋誤差，經(jīng)反復(fù)訓(xùn)練，求得誤差最小的輸入值與輸出值，即得出最佳輸入值（表3）與最佳輸出值（表4）。

由于GRNN神經(jīng)網(wǎng)絡(luò)spread即平滑參數(shù)是唯一一項(xiàng)人為確定的參數(shù)，因此spread值的確立尤為重要。spread越大，網(wǎng)絡(luò)對樣本數(shù)據(jù)的逼近越加平滑，相對的預(yù)測誤差也就越大。為得到適宜的spread值，本研究在[0.1，2]區(qū)間內(nèi)以0.1為間隔，反復(fù)訓(xùn)練確立平滑參數(shù)spread的最佳值，使得GRNN神經(jīng)網(wǎng)絡(luò)的輸出預(yù)測值精度最佳。經(jīng)反復(fù)訓(xùn)練發(fā)現(xiàn)，spread=0.6時(shí)，網(wǎng)絡(luò)預(yù)測效果較好。

經(jīng)上述程序，運(yùn)行Matlab得出最佳輸入值、最佳輸出值及最佳平滑參數(shù)，從而建立新的GRNN神經(jīng)網(wǎng)絡(luò)。運(yùn)行該神經(jīng)網(wǎng)絡(luò)，導(dǎo)入數(shù)據(jù)樣本中后4組輸入值的數(shù)據(jù)進(jìn)行預(yù)測，得出預(yù)測值。經(jīng)預(yù)測GRNN神經(jīng)網(wǎng)絡(luò)4項(xiàng)預(yù)測值（grnnpredictionresult）為：0.0297、00288、0.0266、0.0262；預(yù)測誤差為：5.1284×10-6、89297×10-3、7.7647×10-5、1.9699×10-3。由此可見，預(yù)測準(zhǔn)確度較好。

3.2BP神經(jīng)網(wǎng)絡(luò)的建立與預(yù)測

為體現(xiàn)GRNN神經(jīng)網(wǎng)絡(luò)的優(yōu)勢，基于GRNN神經(jīng)網(wǎng)絡(luò)的最佳輸入值與最佳輸出值，建立BP（Back Propagation）神經(jīng)網(wǎng)絡(luò)并對熱阻進(jìn)行預(yù)測。本研究設(shè)定show=50，epochs=2000，goal=10-3，運(yùn)用trainlm算法訓(xùn)練BP網(wǎng)絡(luò)（圖2）。

3.3預(yù)測結(jié)果比較

分析預(yù)測結(jié)果的相對誤差發(fā)現(xiàn)：GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差均小于BP神經(jīng)網(wǎng)絡(luò)誤差。GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測誤差，除第二項(xiàng)預(yù)測誤差較大，其余預(yù)測值精確度都很高；而BP神經(jīng)網(wǎng)絡(luò)除第三項(xiàng)誤差較小，其余的預(yù)測誤差都較大。為減小誤差，可通過增加與面料本身性質(zhì)相關(guān)的輸入?yún)?shù)、減少變量的變化梯度，或增加實(shí)驗(yàn)量等方法對網(wǎng)絡(luò)進(jìn)行優(yōu)化。

由于樣本數(shù)據(jù)小，且無法得知樣本分布，因此，對預(yù)測結(jié)果進(jìn)行非參數(shù)檢驗(yàn)（表5）。本研究采用Wilcoxon符號秩檢驗(yàn)配對樣本檢驗(yàn)，其中預(yù)測值1表示GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測值，預(yù)測值2表示BP網(wǎng)絡(luò)預(yù)測值。由表5可知，GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測結(jié)果的漸近顯著性P1=0.285，P1值大于0.05，因此認(rèn)為預(yù)測結(jié)果與實(shí)際值無顯著差異，可接受GRNN神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果。BP神經(jīng)網(wǎng)絡(luò)漸近顯著性P2=0.068，P2值同樣大于0.05，即BP神經(jīng)網(wǎng)絡(luò)的預(yù)測結(jié)果也是可以接受的。但P1>P2，可見預(yù)測值1（GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測值）更加接近實(shí)際值。

4結(jié)論

本研究選擇以濕度、溫度、風(fēng)速及面料厚度為參數(shù)，建立了GRNN神經(jīng)網(wǎng)絡(luò)模型和BP神經(jīng)網(wǎng)絡(luò)模型，對不同環(huán)境下面料的熱阻進(jìn)行預(yù)測估計(jì)。經(jīng)對比發(fā)現(xiàn)，GRNN神經(jīng)網(wǎng)絡(luò)模型誤差比BP神經(jīng)網(wǎng)絡(luò)模型誤差更小。通過Wilcoxon符號秩檢驗(yàn)配對樣本檢驗(yàn)，GRNN神經(jīng)網(wǎng)絡(luò)預(yù)測模型預(yù)測值與實(shí)際值無顯著差異，可接受預(yù)測結(jié)果。

參考文獻(xiàn)：

[1]于瑤， 錢曉明. 針織服裝熱濕舒適性預(yù)測模型[J]. 紡織學(xué)報(bào)， 2011， 32（12）： 108-118.

YU Yao， QIAN Xiaoming. Prediction model of thermal-wet comfort of knitted garments [J]. Journal of Textile Research， 2011， 32（12）： 108-118.

[2]李云鳳. 不同混紡比下仿棉聚醋針織物熱濕舒適性研究[D]. 上海： 東華大學(xué)， 2014： 9-12.

LI Yunfeng. Study on Heat-Moisture Comfort of Cotton-Like Polyester Knitted Fabrics with Various Blend Ratios [D]. Shanghai： Donghua University， 2014： 9-12.

[3]柯瑩， 李俊. 服裝通風(fēng)對主觀熱濕舒適感的影響[J].紡織導(dǎo)報(bào)， 2016（12）： 72-74.

KE Yin， LI Jun. Effects of clothing ventilation on subjective thermal-wet comfort sensations [J].China Textile Leader， 2016（12）： 72-74.

[4]王林玉. 基于人工神經(jīng)網(wǎng)絡(luò)的針織內(nèi)衣面料熱濕舒適性評價(jià)及預(yù)測[D]. 青島： 青島大學(xué)， 2006： 3-18.

WANG Linyu. Evaluation and Prediction for Knit Inner Wear Comfort Proper Based on Artificial Neural Network [D]. Qingdao： Qingdao University， 2006： 3-18.

[5]蔣培清， 唐世君， 諶玉紅. 夏季服用織物動態(tài)熱濕舒適性的影響因素研究[J]. 中國紡織大學(xué)學(xué)報(bào)， 1999， 25（2）： 9-13.

JIANG Peiqing，TANG Shijun，SHEN Yuhong. Study on the factors to influence dynamic heat-moisture comfort of summer clothing fabrics [J]. Journal of China Textile University， 1999， 25（2）： 9-13.

[6]丁殷佳. 風(fēng)速與汗?jié)駥\(yùn)動服面料熱濕舒適性的影響及綜合評價(jià)[D]. 杭州： 浙江理工大學(xué)， 2015： 36-47.

DING Yinjia.The Influence and Comprehensive Evaluation of Air Velocity and Sweat on Thermal-Wet Comfort of Sportswear Fabrics [D]. Hangzhou： Zhejiang Sci-Tech University， 2015： 36-47.

[7]王小川， 史峰， 郁磊. MATLAB神經(jīng)網(wǎng)絡(luò)43個(gè)案例分析[M]. 北京： 北京航空航天大學(xué)出版社， 2013（8）： 67-73.

WANG Xiaochuan， SHI Feng， YU Lei. The 43 Cases Analysis of MATLAB Neural Network [M]. Beijing： National Defense Industry Press， 2013（8）： 67-73.

[8]聞新， 李新， 張興旺， 等. 應(yīng)用MATLAB實(shí)現(xiàn)神經(jīng)網(wǎng)絡(luò)[M]. 北京： 國防工業(yè)出版社， 2015（6）： 205-223.

WEN Xin， LI Xin， ZHANG Xingwang，et al. The Application of MATLAB Neural Network [M]. Beijing： National Defense Industry Press， 2015（6）： 205-223.

[9]楚艷艷， 汪青， 崔世忠， 等. 基于組合神經(jīng)網(wǎng)絡(luò)模型對紡織品熱阻與濕阻的估計(jì)研究[J]. 絲綢， 2008（4）： 40-42.

CHU Yanyan， WANG Qing， CUI Shizhong， et al. Estimation of thermal resistance and moisture resistance of fabric base on combination neural network model [J]. Journal of Silk， 2008（4）： 40-42.