显汗条件下针织面料主观热湿舒适性预测模型的建立

柯宝珠，丛 杉

(上海工程技术大学 服装学院，上海 201620)

显汗条件下针织面料主观热湿舒适性预测模型的建立

柯宝珠，丛 杉

(上海工程技术大学 服装学院，上海 201620)

对36种针织面料的动态热湿舒适性客观指标进行测试与分析，再将36种面料制作成服装，通过人体穿着试验对针织面料的主观热湿舒适性感觉进行评定。随机选取其中28种面料建立了针织面料热湿舒适性客观评价指标与主观评价指标之间的BP神经网络预测模型，并通过该模型对另外8种针织面料进行验证和评估，结果表明，该模型能较好地预测针织面料的主观热湿舒适性。

针织面料；BP神经网络；热湿舒适性；预测

织物主观热湿舒适性评价法是通过人体穿着实验对织物的闷热感、潮湿感和粘体感等热湿舒适性指标进行评价的一种方法，是具有实际意义的手段和方法。但主观评价法也存在许多无法克服的困难，比如试验条件难以控制、个体的差异等，在一定程度上影响了测试结果的准确性和可靠性。相比较而言，客观评价法不受上述因素的影响，试验结果稳定，误差较小，易于操作和控制，但缺点是测试指标不能直观地反应人体的主观穿着感觉。因而在客观评价指标与主观评价指标之间建立相关性模型是有必要的。这样只需要对织物的客观指标进行测试，就可利用相关性模型来预测其主观穿着感觉值。

织物的热湿舒适性客观评价法主要有静态法和动态法。静态法是对织物的单纯热传递或湿传递指标如热阻、透气率、透湿率等进行测试的一种方法。为了更好地模拟实际穿着情形，尤其是人体出汗时，应采用热湿同时测定的方法，也就是动态热湿传递测试法。本研究利用自行研制的微气候测试圆筒仪作为织物的动态热湿舒适性测试仪器。

在对36种针织面料进行客观实验和主观实验的基础上，利用BP神经网络技术，建立了以针织面料动态热湿舒适性客观评价指标为输入参数，以主观热湿舒适性评价指标为输出参数的预测模型。从而实现了快速对针织面料热湿舒适性主观感觉值进行预测的目的。

1 实 验

为了探讨人体在大运动量或高温条件，也即显汗情况下针织面料的热湿传递性能，选取的实验面料均为适合于制作运动服或夏季休闲穿着的针织面料，除了一些功能性新型面料如Coolmax、Tactel外，还选取了常用的棉、涤纶、羊毛、真丝等面料共36种。

微气候测试圆筒仪的工作原理、测试方法及各测试指标表征的意义参考文献[1-2]。选取以下5个客观指标来评价针织面料的动态热湿传递性能：KTs－出汗开始时温度下降的初始斜率(℃/10s)；Tequ－温度平衡值(℃)；ΔT－平衡温度与最低温度的差值(℃)；KTe－出汗结束后温度回升时的初始斜率(℃/10s)；RHequ－湿度平衡值(%)。其中KTs和KTe值越大，织物热湿舒适性越好；Tequ、ΔT和RHequ值越小，织物热湿舒适性越好。36种针织面料的5个动态热湿舒传递性客观评价指标的测试结果见表1。

将这36种针织面料做成相同款式服装各1件，进行主观穿着试验[3-4]。实验环境温度28 ℃，相对湿度65 %，气流速度0.2 m/s。实验共选取10名女性受试者，受试者要求具备的特征：心理及生理健全，身高(162±3)cm，体重(52±3)kg，年龄18～23岁的大学生。设计主观舒适性问卷调查表，对针织面料主观穿着感觉值如闷热感、潮湿感、粘体感和运动后的冷感进行评价。这4个主观感觉值能较全面地反映人体从出汗到出汗结束后织物的热湿舒适性能。对4个主观感觉指标用语意差别进行描述，采用5级标尺，最小值评分值为0，最大值评分值为4，感觉值越大，表明越不舒适。例如对闷热感评分值为0，表明不冷不热也不闷，感觉正舒适；评分值为1，表明局部皮肤感觉稍温热，衣内有热气；评分值为2，表明大部分皮肤感觉较热，身体局部出汗，衣内热气较多；评分值为3，表明人体大量出汗，感觉闷热，衣内热烘烘，有明显不舒适感；评分值为4，表明人体大汗淋漓，感觉非常闷热，烦躁头晕胸闷。设计的调查问卷如下(其他3个评价指标类似)：

2 BP神经网络模型的构建

BP神经网络是一种前馈式、反向传播学习算法的人工神经网络。BP神经网络的工作原理是将数据输入网络输入层，输入层单元接收输入信号，经传递函数向前传播到隐层节点，计算权重，再把隐层节点输出信号传播到输出节点，最后给出输出结果[5]。

采用MatLab 6.5神经网络工具箱函数编程，来实现对BP网络模型的构建、训练与仿真。

表1 36种针织面料的动态热湿舒适性客观评价指标值和主观评价指标值Tab.1 The Dynamic Thermal-wet Comfort Objective Evaluation Indexes and Subjective Evaluation Indexes of 36 Kinds of Knitted Fabrics

构建BP网络模型的第一步是建立网络对象并初始化，可用Matlab神经网络工具箱函数newff来建立一个可训练的单隐层BP网络，其语法为：

这里，PR是一个Rx2的矩阵，以定义R个输入向量的最小值和最大值；{TF1 TF2}是包含每层用到的转移函数名称的细胞数组，取TF1为tansig，TF2为purelin；BTF是用到的训练函数的名称，主要采用trainbr函数；BLF为权值与阈值的学习函数，采用learngdm，其为带动量项的BP学习规则；PF为网络运行性能表征方式，采用最小误差平方和函数mse。[S1 S2]是一个包含每层神经元个数的数组，本文的BP网络输出节点为4个，因此，S2＝4，S1根据具体情况来取得，有经验公式可以利用[6]：

式(1)中：m为输入层节点数；n为输出层节点数；S1为隐层节点数。

2.1 输入和输出结点的确定

织物的热湿舒适性客观评价指标有5个，KTs、Tequ、ΔT、KTe和RHequ，这5个指标作为输入层参数。织物的热湿舒适性主观评价指标有4个，闷热感、粘体感、潮湿感和运动后的冷感，这4个指标作为输出层参数。

2.2 网络层数的确定

织物的客观评价指标和主观评价指标之间不是简单的线性关系，因此对织造建立模型就不能简单地用一层结构，必须采用多层网络。从理论上讲三层BP神经网络可以逼近所有的函数。因此建立的模型都采用三层网络结构，即输入层、输出层和一个隐层。

2.3 隐层结点数的确定

隐层结点数目的多少对整个网络的性能和预测结果有直接影响。隐层神经元个数参考值可以根据上述的经验式(1)计算。此外还有许多经验公式，不过这些公式大都是依据具体试验环境而得来的，普遍性不是很好，所以应结合本文的研究和经验公式得到的参考值，进行试验得出预测模型的最佳隐层结点数。

3 BP神经网络模型的训练

在36个样本中随机挑出4、9、17、21、24、27、31、35号8个样本的测试数据作为网络模型的预测检验样本，其余28个样本的测试数据作为网络模型的训练样本，这样随机提取样本的目的是为了提高预测精度。经大量训练，所采用的最佳网络参数见表2。

表2 BP神经网络预测模型的优化参数Tab.2 The Optimized Parameters of BP Neural Network Prediction Model

图1是Trainbr函数训练BP网络的误差变化曲线图。SSE为网络训练误差平方和，SSW为网络权值与阈值平方和，Parameters为有效的权值与阈值个数。本模型迭代至122步SSE和SSW就达到恒值，网络收敛，此时网络的有效权值和阈值的个数为43.269 5。

图1 网络训练过程曲线Fig.1 The Network Training Process Curve

4 BP神经网络模型的验证与分析

建立织物的热舒适舒适性预测模型之后，其预测精度还需进一步验证。现对其中的4、9、17、21、24、27、31、35号样本来做检验。

根据上述网络结构建立了以动态客观指标为输入参数的织物主观热湿舒适性预测模型，并对8个预测检验样本作了预测，结果如表3所示。

表3 网络模型预测检验结果Tab.3 The Prediction Results of Network Model

从表3可知，网络模型的预测值与实测值非常接近。闷热感的实测值与预测值的绝对误差最大值为0.302 9，平均绝对误差为0.185 0；粘体感的实测值与预测值的绝对误差最大值为0.451 2，平均绝对误差为0.204 5；潮湿感的实测值与预测值的绝对误差最大值为0.378 7，平均绝对误差为0.160 4；运动后的冷感的实测值与预测值的绝对误差最大值为0.234 6，平均绝对误差为0.088 6。最大绝对误差值及平均绝对误差值均小于0.5，这样的预测精度值是很高的。

本文采用绝对误差，而非相对误差来分析预测精度，主要是因为4个主观感觉值均采用5级标尺进行评判，评分在0～4之间，每一级标尺相差1分，也就是说只要预测值与实测值的评分相差不到1分，即表示主观穿着感觉非常接近，若采用相对误差来分析预测精度，反而不能很好说明问题。

从对模型的预测值与实测值的对比分析结果可知，采用BP神经网络建立的以针织面料热湿舒适性客观评价指标为输入参数，以针织面料热湿舒适性主观评价指标为输出参数的预测模型精度高，能较好地用来预测针织面料的主观热湿舒适感。

5 结 论

通过对36种针织运动面料的动态热湿舒适性客观评价指标和主观评价指标的测试，随机选取其中28种针织面料建立了以织物动态热湿舒适性客观评价指标为输入参数，以织物主观热湿舒适性评价指标为输出参数的BP神经网络预测模型，通过该模型对另外8种针织面料进行验证和评估，结果表明，该网络模型能较好地用来预测针织面料的主观热湿舒适性。

[1]柯宝珠.新型织物微气候测试圆筒仪的研制[J].丝绸，2008(8)：40-43．

[2]柯宝珠.U形涤纶面料的动态热湿传递性能[J].丝绸，2009(1)：39-41．

[3]尹继亮，唐世君.服装舒适性等级评价个体间差异的研究[J].中国纺织大学学报，2000，26(5)：102-104.

[4]李俊，张渭源.细旦丙纶针织物湿舒适性研究——主观穿着试验测试研究及综合分析[J].中国纺织大学学报，1996，22(6)：6-13.

[5]尹红风，戴汝为.人工神经网络信息处理原理[J].模式识别与人工智能，1990，3(1)：1-12.

[6]姚桂芬，郭建生，周永元，等.神经网络系统理论及在纺织研究中的应用[J].现代纺织技术，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项目(10ZR1412800)

柯宝珠(1977－ )，女，讲师，博士研究生，主要从事功能性服装面料的开发及服装舒适性研究。