基于GA-BP算法的着装时男性下体热湿舒适性预测

程朋朋 陈道玲

摘要： 为探究着装时男性下体热湿舒适性的影响因子，而这些因子之间又存在高度非线性的、复杂的关系，文章提出采用具有全局搜索寻优的遗传算法优化BP神经网络（即GA-BP），分析男性下体热湿舒适性指标及建立SVM模型进行预测，并与灰色关联度法、线性回归分析、模糊数学及BP算法的预测结果作对比。结果表明：影响男性下体热湿舒适性的主要因素是内裤面料的成分及纤维含量、回潮率、保温率、传热系数及衣下空气层;所建立的模型具有较高的精确度和可操作性，可以有效地预测主观舒适性，较优于其他算法。

关键词： 热湿舒适性;影响因素;GA-BP;男性;下体

中图分类号： TS941.17

文献标志码： A

文章编号： 1001-7003（2019）01-0038-07

引用页码： 011107

热湿舒适性一直以来就是服装领域中的研究热点之一，热湿对于人体机能或健康而言，也是不可忽略的关键因素。高温高湿均不利于机体的热平衡，如果不及时散热，高温易造成人体肌肉机能下降，导致疲劳感;湿度增高会阻止汗液蒸发，破坏热平衡。而热湿体现在服装中，两者是不可分割的，是共存的现象。即热湿舒适性的影响因子之间存在着微妙的关系，相互影响且成非线性关系。例如透湿的过程中也会带走一些热量，服装在导热的过程中也会带走一些蒸汽，故针对热湿舒适性的研究，就不能单一地去研究热舒适性或者湿舒适性。针对这种现象，本文采用GA-BP算法对男性着装时的下体热湿舒适性进行系统研究。

应用于内衣或内衣用面料舒适性评价的算法各式各样，其中BP算法应用较广。孔令剑等[1]通过灰色理论评价了麻织物的热湿舒适性，得出厚度和总紧度对织物透湿性能产生的影响是不同的;WANG等[2]采用线性回归分析对女性上衣进行了热舒适性的评价;王林玉等[3]利用人工神经网络对服装的热湿舒适性能进行预测;黄淑平等[4]采用灰色关联度法将织物热湿舒适性的主、客观评价结果进行综合处理，未对选取特征指标进行优化，得出评价模型;王美丽[5]尝试用人工神经网络中的反向传播学习算法人工神经网络（BP神经网络）来预测运动胸衣的舒适性;景晓宁等[6]通过BP神经网络对织物的热舒适性与湿舒适性分开单独预测，建立了新型再生纤维针织内衣面料的热、湿舒适性能预测模型;陈香云等[7]通过灰色理论分析织物的热湿舒适性能与纤维、纱线的性能及结构参数之间的关系，最终建立织物热湿舒适性指标的预测模型;王飞[8]通过模糊数学对混纺针织面料内衣的热湿舒适性、接触舒适性和其他相关性能指标进行综合评判;崔丹丹[9]用模糊数学综合评价方法分析了组织结构对混纺内裤服用性能的影响。

通过对上述算法关于研究服装热湿舒适性的总结发现，只局限于对面料或者仅穿内裤进行实验测试，没有对穿着状态下进行具体测试;灰色关联度法、模糊数学及BP算法等对于这种多因素耦合的研究结果准确性及适用性不高，存在一定的局限性。本文提出为优化测试数据及反映实验的真实性，通过设计新的实验方案，利用遗传算法优化BP神经网络来提高热湿舒适性研究的適应能力与预测准确度。其中，GA（Genetic Algorithm，遗传算法）算法有很强的全局搜索能力，BP（Back Propagation，反向传播算法）神经网络有很强的非线性模糊逼近能力，希望通过二者算法的结合评价热湿舒适性，得到较可靠且可信的结果。

1 实 验

1.1 人员选取

挑选5名在校且体型相近的健康大学生（表1）。

1.2 环境及要求

1）本次所有实验均在恒温恒湿的人工气候室进行，环境温度为（25±2）℃，相对湿度（65±5）%，风速≤0.1m/s。

2）选取50件号型为L且款式相同，面料不同的男性内裤（表2）。

3）进行每个实验前，保证所有实验用内裤恢复原来状态且在人工气候室放置24h。

4）测试人员在不被告知内裤面料的情况下随机挑选并依次试穿每条内裤进行实验。

5）测量时测试者上半身裸露，每个环节均测量3次，且在下一次测量时都需先脱下再重新穿上后进行测量。

1.3 内裤的热湿性能测试

1.3.1 仪器与设备

VITUS Smart三维人体扫描仪（北京力泰友联科技有限公司），出汗热平板仪（美国西北测试技术公司），YG（B）606D型平板式保温仪、YG（B）461D-Ⅱ型数字式织物透气量仪、YG（B）216-Ⅱ型织物透湿仪、YG（B）141D型数字式织物厚度仪、Y（B）802G型八篮恒温烘箱（温州市大荣纺织仪器有限公司）等相关仪器、设备。

1.3.2 性能测试

通过出汗热平板仪、YG（B） 606D型平板式保温仪、YG（B） 461D-Ⅱ型数字式织物透气量仪、YG（B） 216-Ⅱ型织物透湿仪等相关仪器对内裤面料进行了热湿舒适性能测试，见表3（因数据较多，本文则随机选取10条内裤以作示例）。

1.4 衣下空气层的确定

内裤作为紧贴人体的衣物而言，其与人体的空间可以忽略[10-11]，即空气层记为0。本实验涉及穿着时的空气层，实际为内裤与裤子的空气层。利用VITUS Smart三维人体扫描仪分别对只穿内裤（裸露上半身）、着装（均穿着同一条号型为175/86A的纯棉休闲裤）的测试者进行扫描（表4）然后通过逆向工程软件Geomagic Qualify对获取的只穿内裤和着装云数据进行优化，得出腰部至脚踝处的衣下空气层体积，即V空气=V着装-V内裤。其中，V空气表示内裤与外穿裤子的空气层体积，cm3;V着装表示穿着外裤的人体体积，cm3;V内裤表示只穿内裤的人体体积，cm3。

为了提高测试的准确性，要求5名测试者分别穿着所有的内裤进行扫描，衣下空气层体积为扫描5人后所获取数据的平均值，见表5。

1.5 主观舒适性评价

5名测试人员分别在不同天的同一时间进入人工气候室，按照实验要求进行准备。整个测试过程为：准备（20min，目的为适应测试环境）→静坐（15min）→肢体活动（10min）→休息（5min）→跑步机上慢跑（5min，速度控制在4.6km/h）→休息（15min）。每个测试人员依次穿着所有实验用内裤，按照以上测试过程进行测试。同时，工作人员都要记录每个环节中测试者的主观舒适性评价值，最后计算平均值，作为最终主观评价。

依照ENISO10551—2001《热环境人类工效学 主观评价热环境影响》进行主观评价，见表6。

2 GA-BP分析热湿舒适性数据及建立模型

2.1 GA-BP算法的模式设计

在BP神经网络的基础上，利用遗传算法（GA）优化BP算法的权值和阈值，提高BP算法的精度，最终建立SVM回归模型。综合文献[1，4-9，12-20]研究，将织物的13个特征变量（成分及纤维含量、厚度、平方米质量、纵密、横密、克罗值、回潮率、透气量、透湿量、湿阻、热阻、保温率和传热系数）及衣下空气层体积作为人工神经网络的输入层。其中，文献[21-25]对衣下空气层体积影响热舒适性进行了实验性研究，表明其状态很大程度上决定了人体是否舒适;同时空气层也决定着服装内部的热湿传递过程，说明衣下空气层是研究人体热湿舒适性的关键因子，故本文也将衣下空气层体积作为输入值。

隐含层为l=m+n+a，其中m为输入层变量个数（即输入层节点数或神经元数量），n为输出层变量个数（即输出层节点数或神经元数量），a为1～10的常数。根据一些研究显示[3，12-13]，隐含层一般为2～15，所以本次项目选取为10。输出层为主观舒适性值，那么，此次的网络结构为14-10-1。另外，设定本次训练最大次数为1000，学习率为0.1，最小学习误差为0.0001。

将染色体长度设置为14，染色体的每一位对应一个特征变量，每个染色体的基因用1或0表示，1表示该特征变量参与建模，0表示该特征变量不参与建模。

2.2 适应度函数计算

将10个长度为14的染色体作为GA算法的初始种群，迭代次数为100。将表2、表3、表4汇总为一个表格L，L作为BP的训练集，其所用的适应度函数：

由于输入层及输出层参数值的数量级不一致，故在训练前，要将数据归一化处理（除成分之外），将各参数值规范并介于[-1，1]：

式中：X、Z分别为归一化前后变量，Xmax、Xmin分别为X变量（将表3、表5、表6用Xi表示）中的最大值、最小值。

各参数规范后的值，见表7。

从表7数据中，通过Matlab软件随机选取7#、15#、22#、28#、32#作为检验样本，其余的45组数（包括未列举出的数据）据作为训练样本。

2.3 优化BP算法的权值和阈值

通过遺传算法对热湿舒适性指标进行优化，得出最能代表热湿舒适性评价因子为X=[1 0 0 0 0 0 1 0 0 0 0 1 1 1]，即这些染色体编号所对应的指标分别为：成分及纤维含量、回潮率、保温率、传热系数和衣下空气层体积。同时，经过大量的研究表明[4，6-9，14-18]，织物成分本身就是热湿舒适性的最关键因子，故可不进行筛选，成分及纤维含量可以直接作为输入因子。因此，成分及纤维含量、回潮率、保温率、传热系数及衣下空气层是影响男性下体主观评价热湿舒适性的主要指标。

3 建立SVM模型

将选取的训练样本构成SVM的训练集。用x表示输入层变量（成分及纤维含量、回潮率、保温率、传热系数、衣下空气层）;y表示输出层变量（主观评价值）。由于特征变量及衣下空气层体积与主观热舒适性评价的关系呈非线性关系，所以通过一些函数的运算进行线性回归，即K（xi，yi）=Φ（xi）·Φ（xj），其中x∈R5。最终构建的SVM回归模型[26-28]为：

通过SVM回归模型公式（3）对新训练集中的主观评价值进行拟合，拟合效果显著，均方误差mes=8.9677，拟合优度值R2=0.9989。为验证模型的效果，特将检验样本用来测试，预测值几乎接近主观评价值;同时，表3、表5、表6或表7数据按照文献[1-2，4，6-9，12]中灰色理论、线性回归分析、模糊数学及BP算法进行预测，与本文采取基于GA-BP算法的SVM预测进行对比，见表8。

表8结果显示，基于GA-BP指标筛选的SVM模型在舒适性预测中误差较小，BP人工神经网络、线性回归分析、模糊数学算法、灰色理论等预测值与主观评价值的误差较大。造成这种现象的主要原因是这些算法容易陷入局部最优解或不能很好地解决影响因素之间的相关性及非线性，最终造成影响因素缺失或冗余造成预测值的偏离，而GA-BP算法能较好地处理各影响因子之间的相关性和线性问题，同时GA-BP的结合拥有较强的鲁棒性且可准确获取全局最优解。故结果表明GA-BP指标筛选的SVM对热湿舒适性的主观评价值预测是合理可靠的。

4 结 论

1）对于研究人体热湿舒适性的研究已有很多，但是由于各种原因存在一定的局限性，本文设计新的实验方案，进行预测。结果表明，在预测热舒适性指标方面，基于GA-BP神经网络性能要优于其他算法，具有更高的精度和适应能力，能够较好地满足将其应用于以织物物理指标预测主观舒适性，并筛选出影响男性下体主观评价热湿舒适性的主要指标。

2）热湿舒适性影响因素较多且它们之间的关系是高度非线性的、复杂的关系，用普通的算法处理效果与主观评价存在一定的偏差。基于GA-BP算法建立的支持向量机模型能较好地处理这种关系，其模型的拟合与主观评价效果较为接近，SVM预测热湿舒适性是合理可靠的，使其具有普遍性，以便得以推广。

参考文献：

[1]孔令剑， 晏雄. 灰色理论在麻织物热湿舒适性研究中的应用[J]. 纺织学报， 2007，28（4）： 41-44.

KONG Lingjian， YAN Xiong. Application of gray system theory in evaluation of thermal and moisture comfort of bast fiber fabrics [J]. Journal of Textile Research， 2007， 28（4）： 41-44.

[2]WANG Yunyi， PAN Jinhuan， LIU Suyan. Study on the relation between the air gap size under clothing and the comfort sensations [J]. Journal of Donghua University， 2006（5）： 101-107.

[3]王林玉， 王厉冰. 人工神经网络在预测服装及面料舒适性方面的探讨[J]. 青岛大学学报（工程技术版）， 2006，21（1）： 82-85， 91.

WANG Linyu， WANG Libing. Discussion about artificial neural network predicting clothing and fabrics comfort [J]. Journal of Qingdao University（Engineering & Technology Edition）， 2006，21（1）： 82-85， 91.

[4]黄淑平， 马崇启， 周衡书. 竹原纤维织物热湿舒适性的灰色关联评价模型[J]. 纺织学报， 2009， 30（9）： 33-36.

HUANG Shuping， MA Chongqi， ZHOU Hengshu. Model of thermal and moisture comfort evaluation of bamboo fiber fabric based on grey correlation degree[J]. Journal of Textile Research， 2009， 30（9）： 33-36.

[5]王美麗. 基于人工神经网络休闲运动胸衣舒适性的研究[D]. 无锡： 江南大学， 2009.

WANG Meili. Study on Comfort of Leisure Sports Bra Based on Artificial Neural Network[D]. Wuxi： Jiangnan University， 2009.

[6]景晓宁， 李亚滨. 织物热湿舒适性能评价指标的灰色理论研究[J]. 国际纺织导报， 2011， 39（4）： 70-72， 74-75.

JING Xiaoning， LI Yabin. Study on heat-moisture comfort evaluation index of fabrics with grey theory [J]. Melliand China， 2011， 39（4）： 70-72， 74-75.

[7]陈香云， 班媛， 吴薇. 灰色理论在织物热湿舒适性预测中的应用[J]. 内蒙古工业大学学报（自然科学版）， 2011， 30（2）： 150-154.

CHEN Xiangyun， BAN Yuan， WU Wei. Gray theroy applied to forecasting comfortableness of fabrics against heat and moisture [J]. Journal of Inner Mongolia University of Technology （Natural Science）， 2011， 30（2）： 150-154.

[8]王飞. 内衣用PTT混纺针织面料的舒适性研究[D]. 苏州： 苏州大学， 2012.

WANG Fei. Study on Comfort of PTT Blended Knitted Fabric for Underwear [D]. Suzhou： Soochow University， 2012.

[9]崔丹丹. 牛奶纤维混纺针织内裤面料开发及其舒适性能研究[D]. 上海： 东华大学， 2015.

CUI Dandan. Development and Comfort Properties of Milk Fiber Blended Knitted Underwear Fabric [D]. Shanghai： Donghua University， 2015.

[10]TORVI D A. Heat Transfer in Thin Fibrous Materials under High Heat Flux Conditions[D]. Edmonton： University of Alberta， 1997.

[11]SONG Guowen. Clothing air gap layers and thermal protective performance in single layer garment [J]. Journal of Industrial Textiles， 2007， 36（3）： 193-205.

[12]孔令剑， 晏雄. 织物透湿性能测试与MATLAB应用研究[J]. 湖南工程学院学报（自然科学版）， 2005，15（2）： 84-87.

KONG Lingjian， YAN Xiong. Study on test of moisture permeability of fabric and application of MATLAB[J]. Joural of Hunan Institute of Engineering （Natural Science Edition）， 2005，15（2）： 84-87.

[13]景晓宁. 基于BP人工神经网络的新型面料热湿舒适性研究[D]. 天津： 天津工业大学， 2010.

JING Xiaoning. Study on Thermal and Moisture Comfort of New Fabric Based on BP Artificial Neural Network [D]. Tianjin： Tianjin Polytechnic University， 2010.

[14]何春燕， 周永凯， 张华. 不同面料的男士内裤热湿舒适性研究[J]. 天津纺织科技， 2013（1）： 40-43， 49.

HE Chunyan， ZHOU Yongkai， ZHANG Hua. Study on thermal and moisture comfort of men’s underwear with different fabrics[J]. Tianjin Textile Science & Technology， 2013（1）： 40-43， 49.

[15]刘丽英， 刘林. 服装舒适性主观评价及主客观指标间的相关性研究[J]. 青岛大学学报（工程技术版）， 2013， 28（3）： 60-63， 68.

LIU Liying， LIU Lin. Subjective evaluation of clothing comfort and their correlation with laboratory test [J]. Journal of Qingdao University（Engineering & Technology Edition）， 2013， 28（3）： 60-63， 68.

[16]李敏. 基于新型功能針织面料的舒适性评价及湿传递性能预测[D]. 上海： 东华大学， 2010.

LI Min. Comfort Evaluation and Moisture Transfer Performance Prediction of Knitted Fabrics Based on New Function [D]. Shanghai： Donghua University， 2010.

[17]柯宝珠. 新型运动面料的开发及织物主观热湿舒适性智能预测模型的建立[D]. 上海： 东华大学， 2006.

KE Baozhu. Development of New Sports Fabrics and Establishment of Intelligent Prediction Model for Subjective Thermal and Moisture Comfort of Fabrics [D]. Shanghai： Donghua University， 2006.

[18]段杏元. 新型热湿舒适性内衣面料的开发及应用[J]. 江苏纺织， 2008（3）： 50-52.

DUAN Xingyuan. Development and application of new thermal and moisture comfort underwear fabric [J]. Jiangsu Textile， 2008（3）： 50-52.

[19]孙菲菲， 李俊， 韩嘉珅. 基于织物物理性能的服装舒适感觉的评价与预测[J]. 纺织学报， 2006，27（11）： 82-85.

SUN Feifei， LI Jun， HAN Jiashen. Evaluation and prediction of clothing comfort based on fabric physical properties [J]. Journal of Textile Research， 2006，27（11）： 82-85.

[20]张昭华， 翟世瑾， 尹思源. 衣下间隙对织物系统热湿阻的影响[J]. 纺织学报， 2016， 37（6）： 101-106， 111.

ZHANG Zhaohua， ZHAI Shijin， YIN Siyuan. Influence of air gaps on thermal and evaporative resistances of fabric system[J]. Journal of Textile Research， 2016， 37（6）： 101-106， 111.

[21]苏云， 王云仪， 李俊. 消防服衣下空气层热传递机制研究进展[J]. 纺织学报， 2016， 37（1）： 167-172.

SU Yun， WANG Yunyi， LI Jun. Research progress of heat transfer mechanism of air gap under firefighter protective clothing[J]. Journal of Textile Research， 2016， 37（1）： 167-172.

[22]张昭华， 王云仪， 李俊. 衣下空气层厚度对着装人体热传递的影响[J]. 纺织学报， 2010， 31（12）： 103-107.

ZHANG Zhaohua， WANG Yunyi， LI Jun. Effect of thickness of air layer under clothing on heat transmission of wearer [J]. Journal of Textile Research， 2010， 31（12）： 103-107.

[23]王敏， 李俊. 衣下空间作用机制与防护服舒适性[J]. 中国个体防护装备， 2009（5）： 18-21.

WANG Min， LI Jun. The effect mechanism of the space under clothes and the comfort of protective clothes [J]. China Personal Protective Equipment， 2009（5）： 18-21.

[24]赖军， 张梦莹， 张华， 等. 消防服衣下空气层的作用与测定方法研究进展[J]. 纺织学报， 2017， 38（6）： 151-156.

LAI Jun， ZHANG Mengying， ZHANG Hua， et al. Research progress on air gap entrapped in firefighters’ protective clothing and its measurement methods [J]. Journal of Textile Research， 2017， 38（6）： 151-156.

[25]段杏元， 胡源盛. 男士针织内衣热性能的测量与分析[J]. 纺织学报， 2016， 37（12）：92-96.

DUAN Xingyuan， HU Yuansheng. Measurement and analysis on thermal properties of men’s knitted underwears [J]. Journal of Textile Research， 2016， 37（12）： 92-96.

[26]孙斌， 蒋能飞. 人工神经网络在预测热舒适性指标中的应用[J]. 土木建筑与环境工程， 2011， 33（S1）： 130-133.

SUN Bin， JIANG Nengfei. Application of thermal comfort index based on artificial neural network [J]. Journal of Civil， Architectural & Environmental Engineering， 2011， 33（S1）： 130-133.

[27]管愛红， 张红梅， 杨铁军， 等. MATLAB基础与应用教程[M]. 北京： 电子工业出版社， 2009.

GUAN Aihong， ZHANG Hongmei， YANG Tiejun， et al. MATLAB Basics and Applications Tutorial [M]. Beijing： Publishing House of Electronics Industry， 2009.

[28]许国根， 贾瑛. 模式误别与智能计算的MATLAB实现[M]. 北京： 北京航空航天大学出版社， 2012.

XU Guogen， JIA Ying. MATLAB Implementation of Pattern Error and Intelligent Calculation [M]. Beijing： Beihang University Press， 2012.