張高揚，翟成功，刁永輝

（1 軍事經(jīng)濟(jì)學(xué)院軍需系湖北武漢430035；2 湖北省纖維檢驗局湖北武漢430061）

1 緯編搖粒絨保暖測試數(shù)據(jù)的預(yù)測、鑒別和修訂的必要性

在傳統(tǒng)緯編搖粒絨織物保暖性測試方法中，測試數(shù)據(jù)經(jīng)常受到很多誤差的影響。尤其是織物的CLO值受到誤差的影響最大，經(jīng)常出現(xiàn)同一塊緯編搖粒絨面料使用同一種測試工具在不同的季節(jié)測試或在不同的測試單位測試，其CLO值相差甚大的情況，即便是同一天測試CLO值，上午、下午、晚上三個時段的CLO值也不同[1]。這些現(xiàn)象一直困擾著織物檢測人員，消除誤差，保證緯編搖粒絨織物保暖性測試結(jié)果的客觀性，成了織物檢測人員的當(dāng)務(wù)之急。

織物的厚度、克重等基礎(chǔ)性能與織物的保溫率、CLO值存在一定的函數(shù)映射關(guān)系。因此，若能將緯編搖粒絨織物的基礎(chǔ)數(shù)據(jù)和保暖性能的結(jié)果之間的函數(shù)映射關(guān)系通過計算機(jī)模擬和量化再現(xiàn)，將大大減少誤差對織物保暖性測試結(jié)果的影響。而人工神經(jīng)網(wǎng)絡(luò)具有人腦神經(jīng)細(xì)胞相類似的功能，而且具有很強(qiáng)的存儲和學(xué)習(xí)能力，可以充分逼近復(fù)雜的非線性關(guān)系，特別是RBF人工神經(jīng)網(wǎng)絡(luò)具有收斂快、糾錯能力強(qiáng)的特點。故本文采用RBF人工神經(jīng)網(wǎng)絡(luò)對緯編搖粒絨保暖性能的數(shù)據(jù)和結(jié)果進(jìn)行預(yù)測、鑒別和修訂，來減少誤差對保暖性結(jié)果影響，以保證其測試結(jié)果的準(zhǔn)確和客觀性。

2 RBF 人工神經(jīng)網(wǎng)絡(luò)概述

RBF人工神經(jīng)網(wǎng)絡(luò)具有生物學(xué)背景，在大腦皮層中，每一個感光神經(jīng)元都有一個感光區(qū)域，稱作感受野，這些感受野并不是完全獨立的，而是互相交疊的，有重合的部分，感受野的范圍也是可以調(diào)節(jié)的。基于感受野這一特性，1988年，Broomhead和Lowe將RBF引入到神經(jīng)網(wǎng)絡(luò)設(shè)計中，產(chǎn)生了RBF人工神經(jīng)網(wǎng)絡(luò)。1989年，Jackson論證了RBF人工神經(jīng)網(wǎng)絡(luò)對非線性連續(xù)函數(shù)的一致逼近性能[2]。由于RBF人工神經(jīng)網(wǎng)絡(luò)輸出層是對隱含層的線性加權(quán)，使得該網(wǎng)絡(luò)避免了像BP網(wǎng)絡(luò)那樣繁瑣冗長的計算，具有較高的運算速度和外推能力，同時使得網(wǎng)絡(luò)有較強(qiáng)的非線性映射功能。因此，現(xiàn)被廣泛應(yīng)用于數(shù)據(jù)分析、模式識別、非線性控制和圖像處理等領(lǐng)域[3]。

RBF神經(jīng)網(wǎng)絡(luò)是前饋神經(jīng)網(wǎng)絡(luò)，與BP網(wǎng)絡(luò)相比，RBF網(wǎng)絡(luò)不僅有生理學(xué)基礎(chǔ)，而且結(jié)構(gòu)更加簡潔，學(xué)習(xí)速度也更快。RBF人工神經(jīng)網(wǎng)絡(luò)通常由三層組成：輸入層、隱含層、輸出層，如圖1所示。它只有一個隱含層，輸出單元是線性求和單元，即輸出是各隱單元的加權(quán)求和，隱單元的轉(zhuǎn)移函數(shù)用徑向基函數(shù)（Radial Basis Function,RBF），輸入單元和隱單元的連接權(quán)值固定為1，只有隱單元和輸出單元的連接權(quán)值可調(diào)[4]。

圖1 RBF人工神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

在RBF網(wǎng)絡(luò)中，輸入單元到隱單元的映射為非線性的，而隱單元到輸出單元則是線性的，因而可以把輸出單元部分看作一個單層感知器，這樣，只有選擇適當(dāng)?shù)碾[單元數(shù)及其作用函數(shù)，就可以把原來的問題映射為一個線性可分問題，從而可用一個線性單元解決問題[5]。

人工神經(jīng)網(wǎng)絡(luò)可以看作一個“黑箱”，只要把數(shù)據(jù)輸入到一個已經(jīng)訓(xùn)練好的人工神經(jīng)網(wǎng)絡(luò)的輸入端，就可以從輸出端得到預(yù)期的結(jié)果。通過學(xué)習(xí)獲取知識并改進(jìn)自身性能是人工神經(jīng)網(wǎng)絡(luò)的一個非常重要特點，在一般情況下，性能的改善是按某種預(yù)定對象通過調(diào)節(jié)自身參數(shù)而達(dá)到。學(xué)習(xí)目的是通過向有限樣本的學(xué)習(xí)找到隱含在樣本背后的規(guī)律。MATLAB提供的人工神經(jīng)網(wǎng)絡(luò)工具箱是一個解決那些因為難以建立有效形式化模型且不存在直接求解算法的問題的工具，它是以人工神經(jīng)網(wǎng)絡(luò)理論為基礎(chǔ)，用MATLAB語言構(gòu)造出了該理論所設(shè)計的公式運算、矩陣擦破作何方程求解等大部分子程序，以用于人工神經(jīng)網(wǎng)絡(luò)設(shè)計和訓(xùn)練。用戶只要根據(jù)自己的需要調(diào)用相關(guān)程序，免除了自己編寫復(fù)雜龐大的算法程序的困擾[6]。所以本文使用了MATLAB提供的人工神經(jīng)網(wǎng)絡(luò)工具箱中的RBF人工神經(jīng)網(wǎng)絡(luò)對緯編搖粒絨保暖測試的數(shù)據(jù)進(jìn)行處理。

3 RBF 人工神經(jīng)網(wǎng)絡(luò)對緯編搖粒絨的保暖測試實驗

3.1 RBF 人工神經(jīng)網(wǎng)絡(luò)輸入輸出向量的確定

緯編搖粒絨的保暖測試通常在恒溫室測試，影響緯編搖粒絨織物保暖性的因素有，恒溫室的溫度、濕度，織物的克重、厚度，以及織物的組織結(jié)構(gòu)，纖維的導(dǎo)熱系數(shù)等因素。由于織物的組織結(jié)構(gòu)無法量化，為了保證實驗的準(zhǔn)確性和可行性，本試驗采取了相同組織結(jié)構(gòu)，同一種纖維（相同導(dǎo)熱系數(shù)）的織物作為試驗的樣本，就是采用100%滌綸緯編搖粒絨作為測試的樣本。測試樣品的CLO值，來表征緯編搖粒絨的保暖性能優(yōu)越性。測試所得到的數(shù)據(jù)和計算結(jié)果應(yīng)用到RBF人工神經(jīng)網(wǎng)絡(luò)中，在這個RBF人工神經(jīng)網(wǎng)絡(luò)中，其輸入向量確定為：溫度、濕度、織物的克重和厚度；輸出向量確定為：織物的CLO值。

3.2 訓(xùn)練樣本集的確定

對RBF人工神經(jīng)網(wǎng)絡(luò)來說，選取適當(dāng)數(shù)量的可靠樣本也是非常需要的。本文的樣本來自湖北省纖維檢驗局的測試數(shù)據(jù)。首先，選取50個不同的緯編搖粒絨織物樣品進(jìn)行測試，為了保證測試數(shù)據(jù)準(zhǔn)確性，每一個織物樣品進(jìn)行五次測試，然后，通過加權(quán)平均值得到樣品的CLO值。把50個織物樣品的克重、厚度及測試時恒溫室的溫度、濕度作為RBF人工神經(jīng)網(wǎng)絡(luò)的輸入，而與之相對應(yīng)的CLO值作為神經(jīng)網(wǎng)絡(luò)的輸出，從而組成RBF人工神經(jīng)網(wǎng)絡(luò)的樣本集。將其中30個作為訓(xùn)練樣本，20個作為測試樣本。

3.3 實驗結(jié)果及分析

RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練的結(jié)果如圖2、圖3所示。

圖2 RBF人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線

圖2為RBF人工神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差曲線，均方根誤差在訓(xùn)練5 000次后達(dá)到了0.0501，滿足誤差允許范圍。選取部分測試樣本比較如表1所示。

表1中測試樣本的CLO測試值作為CLO的期望值，其中表中的溫度、濕度、克重、厚度作為RBF人工神經(jīng)網(wǎng)絡(luò)的輸入，而CLO值作為RBF人工神經(jīng)網(wǎng)絡(luò)的輸出。圖3為CLO值的RBF人工神經(jīng)網(wǎng)絡(luò)實際輸出與CLO的期望輸出之間的差異比較。

圖3 CLO值RBF網(wǎng)絡(luò)實際輸出與期望輸出比較

表1 部分樣品的測試值

采用RBF人工神經(jīng)網(wǎng)絡(luò)進(jìn)行緯編搖粒絨織物厚度和克羅值之間的數(shù)據(jù)擬合修訂分析，得到了厚度與克羅值之間的RBF擬合修訂曲線，如圖4所示：

圖4 厚度與CLO值之間的RBF擬合曲線

通過圖4所示，可以清晰地看到，對于相同組織結(jié)構(gòu)的滌綸緯編搖粒絨織物來說，隨織物厚度的增加，其保暖性能顯著增強(qiáng)，尤其是當(dāng)織物的厚度比較小的時候，其厚度和CLO值近似成線性關(guān)系，也就是說厚度增加時，相應(yīng)地，CLO值增加的幅度也比較大。但是隨著織物厚度的繼續(xù)增加，其CLO值增加的幅度卻明顯變小。這是因為當(dāng)織物厚度比較小的時候，沿織物厚度方向的一維導(dǎo)熱過程和熱對流過程為熱量傳遞中的主要因素。但是隨著織物厚度很大的時候，織物的導(dǎo)熱過程和熱對流過程成為非常復(fù)雜的多維過程，同時熱量在傳遞過程中伴隨著熱量損失。故織物厚度很大的時候，相同厚度增加時，其CLO值增加趨勢減緩，增加幅度減小。當(dāng)然圖4除了揭示緯編搖粒絨織物的熱傳遞的一般規(guī)律以外，對織物檢測人員來說，更重要的是RBF人工神經(jīng)網(wǎng)絡(luò)擬合曲線剔除了檢測數(shù)據(jù)中的誤差，修訂了錯誤數(shù)據(jù)，從而提高了緯編搖粒絨保暖測試的精度。

4 結(jié)語

運用RBF人工神經(jīng)網(wǎng)絡(luò)來學(xué)習(xí)和模擬影響緯編搖粒絨織物保暖性能的因素與測試結(jié)果之間的函數(shù)映射關(guān)系，可以實現(xiàn)測試數(shù)據(jù)與運算結(jié)果的數(shù)據(jù)鑒別、修訂，剔除無效的測試數(shù)據(jù)，以減少誤差對測試結(jié)果的影響，保證了緯編搖粒絨織物保暖性能的測試結(jié)果的客觀性和準(zhǔn)確性。通過實驗表明，該方法具有較高的精確度，相信更多的訓(xùn)練數(shù)據(jù)將會進(jìn)一步改善RBF人工神經(jīng)網(wǎng)絡(luò)測試緯編搖粒絨保暖性能的精確度。

[1] 王宏亮.對服裝保暖性能與透汽性能物理測試方法的研究[J].物理實驗，2001；21（9）：15-18.

[2] Venkatrmanan Reddy. Analysis of Plant Measures trough Input-raining Neural Networks [J]. Computers chem, 1996;(20):889-894.

[3] 龐英智，趙曉丹，郭偉業(yè).一種基于RBF 人工神經(jīng)網(wǎng)絡(luò)的預(yù)測方法研究[J]. 情報科學(xué)，2009；27（11）：1707-1709.

[4] 呂曉玲，謝邦昌.數(shù)據(jù)挖掘方法與應(yīng)用[M].北京：中國人民大學(xué)出版社，2009：143-149.

[5] 冀雨瀟.基于RBF 神經(jīng)網(wǎng)絡(luò)的權(quán)證價格預(yù)測[J].商場現(xiàn)代化，2010；（1）：82-84.

[6] 施航，馬琳達(dá).人工神經(jīng)網(wǎng)絡(luò)在股票價格預(yù)測中的應(yīng)用[J].電腦開發(fā)與應(yīng)用，2007；（9）：65-67.