基于GRNN神經網絡的面料熱阻預測模型研究

周俊文 宋曉霞

摘要： 熱阻是衡量面料熱舒適性的一項重要指標，為獲得不同環境下面料的熱阻值，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境下的熱阻進行測試。運用Matlab，基于GRNN（General Regression Neural Network）廣義回歸神經網絡，使用少量輸入參數，對不同環境下的熱阻值進行預測。與傳統的測試相比，GRNN神經網絡實驗量小，方便快捷、省時省力且預測結果準確性好；與BP（Back Propagation）神經網絡相比，GRNN神經網絡人為設定量更少，更為客觀，預測結果更加準確。經Wilcoxon符號秩檢驗配對樣本檢驗發現，GRNN神經網絡預測值與實際值更加接近，可信度更強。

關鍵詞： 熱阻；預測；神經網絡；GRNN；BP

中圖分類號： TS941.15文獻標志碼： 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，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，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，而熱阻一般都是通過測試獲得。依據GB/T11048—2008《紡織品 生理舒適性 穩態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準，用于測試的面料試樣必須完全覆蓋測試板，試樣個數不少于3塊。測試面料熱阻不僅需要大量面料作為實驗試樣，而且測試時間很長，費時費力。因此，預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、平方米質量、組織結構等對面料熱阻的影響，多使用SPSS線性回歸、BP神經網絡等進行熱阻或濕阻的預測。但外部環境因素如濕度、溫度、風速的變化也是引起熱阻變化的重要因素。丁殷佳[6]論述了風速對面料熱阻的影響，建立了風速與熱阻的線性模型，預測了風速變化下熱阻的變化率，其模型是研究變化率的相對關系，但沒有預測出熱阻的值。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。

本研究為預測不同溫度、濕度、風速環境下面料的熱阻值，建立了GRNN神經網絡（General Regression Neural Network，即廣義回歸神經網絡），當環境因素（即溫度、濕度、風速）發生變化時，僅需依據面料厚度、已知的環境條件（即溫度、濕度、風速已知）及該環境條件下熱阻的大小，即可預測出另一種環境下面料的熱阻。同時，該網絡可以通過訓練使得預測值更加精確，通過增加訓練量，使得預測范圍更加廣泛。

1實驗數據

為實現GRNN神經網絡的建立，需選擇測試面料并對其熱阻進行測試，用于實驗的四種面料（竹纖維+氨綸、莫代爾+氨綸、棉+氨綸、棉）除厚度不同，面料的紗長、組織結構、寸數、針數都保持相同，從而保證實驗的準確性與客觀性。四種面料的基本信息如表1所示。

實驗使用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），實驗采用單一變量的方法，設置12組實驗，分三大類：

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

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

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

每組實驗每種面料采用3塊試樣進行測試，測試結果如表2所示。

依據表2測試數據，計算每組數據的平均值，并獲得折線圖（圖1）。

由圖1可看出，不同環境下面料熱阻都呈現波動的趨勢。進一步證明，運用SPSS對不同環境下面料的熱阻建立簡單的線性模型，擬合度低，準確性較差。由于樣本數目較少，樣本分布規律不明，考慮使用神經網絡建模，對不同環境下面料熱阻值變化曲線進行函數逼近，本研究選用了所需樣本少、逼近效果好的GRNN神經網絡。

2GRNN神經網絡

2.1GRNN神經網絡基本結構

GRNN神經網絡是RBF神經網絡（即徑向神經網絡）的分支，是建立在徑向基函數網絡和非參數回歸基礎上的，常用于函數逼近。將輸入向量由一定的函數運算，映射到隱含層中；在隱含層中確立中心點，確定映射關系；僅有線性映射傳到輸出空間。

2.1.1神經元結構

2.1.2網絡結構

2.2GRNN神經網絡的優勢

神經網絡作為一種計算模型，具有傳統建模方法所不具備的很多優點。神經網絡有很好的非線性映射能力，對建模對象的先驗知識要求不多，只需更換給出輸入、輸出數據，通過自主學習就可以達到輸入值與輸出值的完全符合[7]。GRNN神經網絡作為神經網絡的一個重要分支，在具備上述優勢以外，還具有以下優勢：建模需要的樣本數量少，在樣本數據較少的情況下能更好地滿足預測精度的要求；人為確定的參數少，最大限度地避免人為主觀假定對預測結果的影響[8]。

3GRNN神經網絡與BP神經網絡比較

面料熱阻在受面料本身性質影響之外，還受環境因素影響，這使得面料熱阻值受到內外兩方面因素復雜的影響。作為熱舒適性的一項重要指標，了解不同環境下不同面料熱阻的大小，在選擇面料制作成衣時，可為服裝舒適性提供參考。因此，預測不同環境下不同面料的熱阻值，不僅可以節約實驗時間及實驗面料的損耗，還具有一定的實用價值。

3.1GRNN神經網絡的建立與預測

本研究中GRNN神經網絡通過Matlab實現，數據樣本分訓練數據與預測數據，共40組數據，每組數據包括溫度、濕度、風速、厚度、熱阻共5項。為保證客觀性，將40組數據隨機排列，其中前36組數據作為訓練數據，后4組數據作為預測數據。

由于GRNN神經網絡在不知道樣本數據的分布規律的前提下，其函數逼近能力較強，因此可以在盡量減少輸入參數的情況下，得到較為理想的預測值。本研究中，為達到實驗量最小、操作最簡單的效果，僅將環境溫度、濕度、風速、面料厚度四項作為輸入項（此時只需測量面料厚度），形成40×4的矩陣p；熱阻值作為輸出項，形成40×1的矩陣t。p與t共同組成樣本數據矩陣（即網絡樣本數據mydata）。

隨后，使用檢驗樣本，對該網絡進行檢驗并反饋誤差，經反復訓練，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神經網絡spread即平滑參數是唯一一項人為確定的參數，因此spread值的確立尤為重要。spread越大，網絡對樣本數據的逼近越加平滑，相對的預測誤差也就越大。為得到適宜的spread值，本研究在[0.1，2]區間內以0.1為間隔，反復訓練確立平滑參數spread的最佳值，使得GRNN神經網絡的輸出預測值精度最佳。經反復訓練發現，spread=0.6時，網絡預測效果較好。

經上述程序，運行Matlab得出最佳輸入值、最佳輸出值及最佳平滑參數，從而建立新的GRNN神經網絡。運行該神經網絡，導入數據樣本中后4組輸入值的數據進行預測，得出預測值。經預測GRNN神經網絡4項預測值（grnnpredictionresult）為：0.0297、00288、0.0266、0.0262；預測誤差為：5.1284×10-6、89297×10-3、7.7647×10-5、1.9699×10-3。由此可見，預測準確度較好。

3.2BP神經網絡的建立與預測

為體現GRNN神經網絡的優勢，基于GRNN神經網絡的最佳輸入值與最佳輸出值，建立BP（Back Propagation）神經網絡并對熱阻進行預測。本研究設定show=50，epochs=2000，goal=10-3，運用trainlm算法訓練BP網絡（圖2）。

3.3預測結果比較

分析預測結果的相對誤差發現：GRNN神經網絡的預測誤差均小于BP神經網絡誤差。GRNN神經網絡的預測誤差，除第二項預測誤差較大，其余預測值精確度都很高；而BP神經網絡除第三項誤差較小，其余的預測誤差都較大。為減小誤差，可通過增加與面料本身性質相關的輸入參數、減少變量的變化梯度，或增加實驗量等方法對網絡進行優化。

由于樣本數據小，且無法得知樣本分布，因此，對預測結果進行非參數檢驗（表5）。本研究采用Wilcoxon符號秩檢驗配對樣本檢驗，其中預測值1表示GRNN神經網絡預測值，預測值2表示BP網絡預測值。由表5可知，GRNN神經網絡預測結果的漸近顯著性P1=0.285，P1值大于0.05，因此認為預測結果與實際值無顯著差異，可接受GRNN神經網絡的預測結果。BP神經網絡漸近顯著性P2=0.068，P2值同樣大于0.05，即BP神經網絡的預測結果也是可以接受的。但P1>P2，可見預測值1（GRNN神經網絡預測值）更加接近實際值。

4結論

本研究選擇以濕度、溫度、風速及面料厚度為參數，建立了GRNN神經網絡模型和BP神經網絡模型，對不同環境下面料的熱阻進行預測估計。經對比發現，GRNN神經網絡模型誤差比BP神經網絡模型誤差更小。通過Wilcoxon符號秩檢驗配對樣本檢驗，GRNN神經網絡預測模型預測值與實際值無顯著差異，可接受預測結果。

參考文獻：

[1]于瑤， 錢曉明. 針織服裝熱濕舒適性預測模型[J]. 紡織學報， 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， 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. 服裝通風對主觀熱濕舒適感的影響[J].紡織導報， 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. 基于人工神經網絡的針織內衣面料熱濕舒適性評價及預測[D]. 青島： 青島大學， 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. 夏季服用織物動態熱濕舒適性的影響因素研究[J]. 中國紡織大學學報， 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. 風速與汗濕對運動服面料熱濕舒適性的影響及綜合評價[D]. 杭州： 浙江理工大學， 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神經網絡43個案例分析[M]. 北京： 北京航空航天大學出版社， 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. 應用MATLAB實現神經網絡[M]. 北京： 國防工業出版社， 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. 基于組合神經網絡模型對紡織品熱阻與濕阻的估計研究[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.