基于主成分分析法对纺织品抗紫外线性能的研究*

陈 东 石程玉 徐 丽 刘洪玲

东华大学纺织学院，上海 201620

基于主成分分析法对纺织品抗紫外线性能的研究*

陈 东 石程玉 徐 丽 刘洪玲

东华大学纺织学院，上海 201620

采用主成分分析法对纺织品的抗紫外线性能进行分析，将织物的6个基本参数简化成2个主成分，再通过多元线性回归分析，结果显示织物面密度、厚度、经密、纬密所代表的第1主成分对织物抗紫外线性能的影响程度更大。

主成分分析法， 纺织品， 抗紫外线性能

众所周知，人体长时间受到紫外线的照射会产生很多不良影响。因此，纺织品的紫外线防护能力成为了人们选择服装考虑的重要因素之一。

紫外线防护系数(即UPF值)是指在使用防护品(如衣服)与不使用防护品条件下，紫外线的辐射使皮肤达到相同损伤程度所需的时间之比。防护品的UPF值越大，表明其防紫外线效果越好[1]。吴玥[2]采用定量分析法比较了棉织物的UPF值，讨论了织物颜色和面密度对织物抗紫外线性能的影响。张辉等[3]采用辐射强度计和紫外分光光度计分别测定了不同织物的抗紫外线性能，表明2种方法的测试结果的相关性较好。周永凯等[4]采用紫外分光光度计测定了毛织物的紫外线透过率，并通过比较它们的UPF值，讨论了织物厚度、覆盖系数、组织结构和颜色对织物抗紫外线性能的影响。

有越来越多的研究人员应用主成分分析法来解决多元统计分析问题。Zucconi等[5]对无筋砌体建筑物可承受的载荷进行主成分分析，从7个影响参数中提取3个主成分，其中第1主成分主要综合了建筑物的结构类型和修建时间跨度，代表了原始变量约60.00%的信息。Stevenson等[6]为了阐明运用二维高效液相色谱从化学工业废品的后处理过程中采集的指纹样本数据的显著特征，对指纹样本数据进行主成分分析，从中提取2个主成分，可反映原始变量89.40%的信息。殷冬梅等[7]运用主成分分析法对花生的蛋白质、含油量、亚油酸、油酸等主要品质性状进行分析，10个主要品质性状可归结为4个主成分，代表了原始变量80.73%的信息。张红等[8]运用主成分分析法计算出中国城市软实力综合指标后构建了两阶段回归模型，得出了35个大中城市的软实力综合指标数值对各自城市房价都有着明显的正相关影响，且这种作用从中国东部到西部呈现出逐渐减弱的趋势。

本文运用主成分分析法，从织物的多个基本参数中，提取对织物抗紫外线性能起主要作用的主成分。

1 试验部分

1.1 材料

本试验采用11种织物作为样品(编号为1～11)，参照有关标准，测试其6个基本参数(表1)。

表1 样品基本参数

1.2 评价标准

本试验采用澳大利亚/新西兰标准(AS/NZS 4399-l996)，利用紫外分光光度计获得各样品的分光透过率曲线，从而得出290～400 nm波长范围内各样品的紫外线透过率，评价其紫外线防护效果。

UPF值是评价织物抗紫外线性能的一个重要指标，其值越大，织物的抗紫外线性能越好。UPF值的计算公式：

(1)

式中：Eλ为相对红斑量光谱影响力；Sλ为太阳光谱辐射度，W/(m2·nm)；Tλ为某一波段上紫外线透过织物的百分数，%；△λ为波长间隔，nm。

2 纺织品抗紫外线性能的主成分分析

2.1 主成分分析法原理

主成分分析法(principal component analysis， PCA)是采用降维的思想，用较少的几个不相关的主成分，来代表原始参数的大部分信息，且主成分为原始参数的线性组合[9]。主成分选取的原则是尽可能多地保留原始参数中所包含的信息。通过线性变换，将数据从原始的坐标系上变换到1个新的坐标系上，使每个数据投影的最大方差位于第1个坐标系(一般叫作第1主成分)上、次大方差位于第2个坐标系(称为第2主成分)上，以此类推[10]，即方差越大，所包含的信息量越大。本文采用SPSS19.0软件，运用主成分分析法分析各参数对织物抗紫外线性能的影响程度。

2.2 试验数据的主成分分析

选取表1中11种织物的6个参数进行主成分分析，并采用SPSS19.0软件进行运算分析，为简化分析过程，通过提取主成分来实现参数的简化。

2.2.1 样品适应性检验

在分析前，首先要对样品做适应性检验。本文采用KMO检验和Bartlett球形检验2种方法。

2.2.1.1 KMO检验

KMO(Kaiser-Meyer-Olkin)检验统计量是比较参数间简单相关系数和偏相关系数的指标，其值介于0～1之间。当参数间简单相关系数的平方和远远大于其偏相关系数的平方和时，KMO值接近于1。KMO值越接近1，说明参数越适合进行主成分分析[11]5。从表2可以看到，对11种样品的6个参数的主成分分析得出的KMO值为0.673，说明原始参数适合进行主成分分析。

2.2.1.2 Bartlett球形检验

Bartlett球形检验用于判断相关矩阵是否为单位矩阵，即参数间是否各自独立[12]43。一般检验的原假设是相关矩阵为单位矩阵，如果不能拒绝原假设，则说明参数独立提供一些信息，不适合做主成分分析[11]4。表2中的“df”表示自由度，P值表示Bartlett球形检验的显著性意义。一般认为，若P<0.050则原假设被拒绝，说明参数间具有相关性，适合做主成分分析。从表2可看出，本试验中P值=0.000<0.050，差异显著，故拒绝原假设，适合做主成分分析[13]。

表2 2种方法的适应性检验结果

2.2.2 描述统计表

表3是11种样品的6个基本参数的描述统计表，显示了6个基本参数的均值、标准误差和参与计算的样品数。

表3 样品基本参数描述统计表

2.2.3 碎石图

图1为11种样品的6个基本参数的主成分分析的特征值碎石图。碎石图是按照特征值大小排列的成分图，其纵轴表示特征值，横轴表示成分[12]45，横轴上的1～6分别指第1主成分、第2主成分，以此类推。从图1可看到1个较为明显的拐点，且特征值大于1的成分有2个，因此提取第1主成分和第2主成分即可概括样品的大部分信息。

图1 碎石图

2.2.4 相关性

相关性可以用共同度表征。共同度表示所选取的所有主成分所反映的原始参数信息的总和，其值介于0～1之间，值越高则主成分所反映的原始参数的信息越多。当共同度的值为1时，说明这个原始参数的所有信息体现在被提取的主成分中[12]44。表4为11种样品的6个基本参数的初始及提取数据的公因子方差，可以看出，6个基本参数的提取效果都很好，其公因子方差最高的可达0.959。

表4 样品基本参数初始及提取数据的公因子方差

表5为总方差解释表。“成分”栏的1～6分别指第1主成分、第2主成分，以此类推。“初始特征值”栏中，“总值”表示各主成分的特征值，其值越大，表明该主成分的方差贡献率越大；“方差”表示各主成分的方差贡献率，其值越大，表示该主成分反映的信息越多，它是衡量主成分重要程度的指标；“累计”表示主成分方差贡献率的累计值。从表5可以看出，第1主成分的方差贡献率为63.392%，第2主成分的方差贡献率为27.933%，它们的累计方差贡献率为91.325%。一般来说，主成分累计方差贡献率达到80.000%以上，效果就比较理想。因此，提取这两个主成分就足以反映原始参数的大部分信息。

表5 总方差解释表

2.2.5 成分矩阵

表6为成分矩阵，又称因子载荷矩阵。因子载荷表明参数与主成分的相关程度，其绝对值越接近于1，就说明参数与主成分间的相关性越高，即主成分提取的效果越好[14]4。为了便于分析，将表6进行正交旋转，得表7。

表6 成分矩阵

表7 旋转成分矩阵

从表7可以看出，第1主成分包含面密度、厚度、经密、纬密4个基本参数，第2主成分包含透气率和紧度2个基本参数。根据表7可得出表征2个主成分的数值公式，F1表示第1主成分的数值，F2表示第2主成分的数值，则：

F1= 0.939×厚度-0.920×经密-

0.906×纬密+0.891×面密度

(2)

F2= 0.962×紧度-0.933×透气率

(3)

将11种样品的6个基本参数值(表1)代入上述2个公式，即可得到2个主成分的数值。再将表征纺织品抗紫外线性能的UPF值(用y表示)与2个 主成分进行多元线性拟合，即可分析出2个主成分与UPF值之间的关系，结果如表8所示。

表8 11种样品的F1、 F2和y值

从表8可以看出，这些原始数据的数值差异大，可能会造成回归系数小。因此，需要处理原始数据，将其标准化至[0， 1]区间内。鉴于已知最大值和最小值，采用极值标准化方法即可使原始数据分布在[0， 1]区间上，计算式：

(4)

表9 11种样品的和y′值

表10 系数

从表10可以得到

(5)

显然0.620>0.423，由此可以看出F1对y的影响程度大于F2。F1所表示的第1主成分包含面密度、厚度、经密、纬密4个基本参数，F2所表示的第2主成分包含透气率和紧度2个基本参数，因此面密度、厚度、经密、纬密对纺织品抗紫外线性能的影响程度更大。

3 结论

本文测试了11种不同织物的紫外线透过率和紫外线防护系数(UPF值)，并利用SPSS19.0软件，通过主成分分析法探讨了6个基本参数对纺织品抗紫外线性能的影响程度，得出：

(1) 6个基本参数可简化成2个主成分，第1主成分包含面密度、厚度、经密、纬密4个基本参数，第2主成分包含透气率和紧度2个基本参数。

(2) 通过多元线性回归分析可知，第1主成分对纺织品UPF值的影响程度大于第2主成分，即织物面密度、厚度、经密、纬密对纺织品抗紫外线性能的影响程度更大。

[1] 刘晓东，靳玉伟.防紫外线纺织品性能测试方法[J].中国个体防护装备，2004(5)：31-32.

[2] 吴玥.定量分析法研究棉织物的抗紫外性能[J].科技通报，2012，28(10)：119-121.

[3] 张辉，范立红，俞行.织物防紫外线性能与测试方法的研究[J].合成纤维，2004，33(2)：25-26+34.

[4] 周永凯，胡羽轩，韩凌，等.毛织物的抗紫外线性能评价[J].毛纺科技，2004(8)：48-52.

[5] ZUCCONI M， SORRENTINO L， FERLITO R. Principal component analysis for a seismic usability model of unreinforced masonry buildings[J]. Soil Dynamics & Earthquake Engineering， 2017， 96： 64-75.

[6] STEVENSON P G， BURNS N K， PURCELLE S D， et al. Application of 2D-HPLC coupled with principal component analysis to study an industrial opiate processing stream[J]. Talanta， 2017， 166： 119-125.

[7] 殷冬梅，张幸果，王允，等.花生主要品质性状的主成分分析与综合评价[J].植物遗传资源学报，2011，12(4)：507-512+518.

[8] 张红，李洋，张志峰.中国城市软实力对住房价格的影响——基于主成分分析法和面板数据模型[J].南京审计学院学报，2014，11(3)：24-29.

[9] 聂宏展，聂耸，乔怡，等.基于主成分分析法的输电网规划方案综合决策[J].电网技术，2010，34(6)：134-138.

[10] 金建华.基于主成分分析法的3G网络综合性能评价[D].大连：大连理工大学，2013.

[11] 傅德印.主成分分析中的统计检验问题[J].统计教育，2007(9)：4-7.

[12] 吴茜茜.中国企业跨国并购绩效实证研究[D].上海：复旦大学，2011.

[13] 李秀珍.来华韩国留学生学习适应的影响因素研究[D].上海：华东师范大学，2009.

[14] 徐石勇，应伟伟，苏盼盼，等.提花窗帘织物隔音性能及影响因子分析[J].现代纺织技术，2014(4)：1-5.

Study on the ultraviolet resistance property of textiles based on the principal component analysis

ChenDong，ShiChengyu，XuLi，LiuHongling

College of Textiles， Donghua University， Shanghai 201620， China

The principal component factor analysis method was used to analyze the ultraviolet resistance of textiles， in which six basic parameters of fabric were attributed to two main components. Then by multiple linear regression analysis， the results showed that the first main component represented by the fabric surface density， thickness， warp density and weft density had a greater influence on the ultraviolet resistance of fabric.

principal component analysis， textile， ultraviolet resistance

*上海市大学生创新训练项目(sh201510255110)

2016-07-02

2017-03-27

陈东，女，1995年出生，在读本科生，主要研究方向为纺织材料改性

刘洪玲，Email： hlliu@dhu.edu.cn

TS101.293

A

1004-7093(2017)06-0021-05