張高揚(yáng)，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(yàn)局湖北武漢430061）

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

在傳統(tǒng)緯編搖粒絨織物保暖性測(cè)試方法中，測(cè)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(cè)試工具在不同的季節(jié)測(cè)試或在不同的測(cè)試單位測(cè)試，其CLO值相差甚大的情況，即便是同一天測(cè)試CLO值，上午、下午、晚上三個(gè)時(shí)段的CLO值也不同[1]。這些現(xiàn)象一直困擾著織物檢測(cè)人員，消除誤差，保證緯編搖粒絨織物保暖性測(cè)試結(jié)果的客觀(guān)性，成了織物檢測(cè)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(guò)計(jì)算機(jī)模擬和量化再現(xiàn)，將大大減少誤差對(duì)織物保暖性測(cè)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(lèi)似的功能，而且具有很強(qiáng)的存儲(chǔ)和學(xué)習(xí)能力，可以充分逼近復(fù)雜的非線(xiàn)性關(guān)系，特別是RBF人工神經(jīng)網(wǎng)絡(luò)具有收斂快、糾錯(cuò)能力強(qiáng)的特點(diǎn)。故本文采用RBF人工神經(jīng)網(wǎng)絡(luò)對(duì)緯編搖粒絨保暖性能的數(shù)據(jù)和結(jié)果進(jìn)行預(yù)測(cè)、鑒別和修訂，來(lái)減少誤差對(duì)保暖性結(jié)果影響，以保證其測(cè)試結(jié)果的準(zhǔn)確和客觀(guān)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(gè)感光神經(jīng)元都有一個(gè)感光區(qū)域，稱(chēng)作感受野，這些感受野并不是完全獨(dú)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?；诟惺芤斑@一特性，1988年，Broomhead和Lowe將RBF引入到神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)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(duì)非線(xiàn)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(duì)隱含層的線(xiàn)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(zhǎng)的計(jì)算，具有較高的運(yùn)算速度和外推能力，同時(shí)使得網(wǎng)絡(luò)有較強(qiáng)的非線(xiàn)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(shí)別、非線(xiàn)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(jiǎn)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(gè)隱含層，輸出單元是線(xiàn)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(xiàn)性的，而隱單元到輸出單元?jiǎng)t是線(xiàn)性的，因而可以把輸出單元部分看作一個(gè)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(lái)的問(wèn)題映射為一個(gè)線(xiàn)性可分問(wèn)題，從而可用一個(gè)線(xiàn)性單元解決問(wèn)題[5]。

人工神經(jīng)網(wǎng)絡(luò)可以看作一個(gè)“黑箱”，只要把數(shù)據(jù)輸入到一個(gè)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(guò)學(xué)習(xí)獲取知識(shí)并改進(jìn)自身性能是人工神經(jīng)網(wǎng)絡(luò)的一個(gè)非常重要特點(diǎn)，在一般情況下，性能的改善是按某種預(yù)定對(duì)象通過(guò)調(diào)節(jié)自身參數(shù)而達(dá)到。學(xué)習(xí)目的是通過(guò)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(gè)解決那些因?yàn)殡y以建立有效形式化模型且不存在直接求解算法的問(wèn)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(yǔ)言構(gòu)造出了該理論所設(shè)計(jì)的公式運(yùn)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(jì)和訓(xùn)練。用戶(hù)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(xiě)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(duì)緯編搖粒絨保暖測(cè)試的數(shù)據(jù)進(jìn)行處理。

3 RBF 人工神經(jīng)網(wǎng)絡(luò)對(duì)緯編搖粒絨的保暖測(cè)試實(shí)驗(yàn)

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(cè)試通常在恒溫室測(cè)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(wú)法量化，為了保證實(shí)驗(yàn)的準(zhǔn)確性和可行性，本試驗(yàn)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(yàn)的樣本，就是采用100%滌綸緯編搖粒絨作為測(cè)試的樣本。測(cè)試樣品的CLO值，來(lái)表征緯編搖粒絨的保暖性能優(yōu)越性。測(cè)試所得到的數(shù)據(jù)和計(jì)算結(jié)果應(yīng)用到RBF人工神經(jīng)網(wǎng)絡(luò)中，在這個(gè)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(duì)RBF人工神經(jīng)網(wǎng)絡(luò)來(lái)說(shuō)，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(lái)自湖北省纖維檢驗(yàn)局的測(cè)試數(shù)據(jù)。首先，選取50個(gè)不同的緯編搖粒絨織物樣品進(jìn)行測(cè)試，為了保證測(cè)試數(shù)據(jù)準(zhǔn)確性，每一個(gè)織物樣品進(jìn)行五次測(cè)試，然后，通過(guò)加權(quán)平均值得到樣品的CLO值。把50個(gè)織物樣品的克重、厚度及測(cè)試時(shí)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(duì)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(gè)作為訓(xùn)練樣本，20個(gè)作為測(cè)試樣本。

3.3 實(shí)驗(yàn)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(xiàn)

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

表1中測(cè)試樣本的CLO測(cè)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(shí)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(shí)際輸出與期望輸出比較

表1 部分樣品的測(cè)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(xiàn)，如圖4所示：

圖4 厚度與CLO值之間的RBF擬合曲線(xiàn)

通過(guò)圖4所示，可以清晰地看到，對(duì)于相同組織結(jié)構(gòu)的滌綸緯編搖粒絨織物來(lái)說(shuō)，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(shí)候，其厚度和CLO值近似成線(xiàn)性關(guān)系，也就是說(shuō)厚度增加時(shí)，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?yàn)楫?dāng)織物厚度比較小的時(shí)候，沿織物厚度方向的一維導(dǎo)熱過(guò)程和熱對(duì)流過(guò)程為熱量傳遞中的主要因素。但是隨著織物厚度很大的時(shí)候，織物的導(dǎo)熱過(guò)程和熱對(duì)流過(guò)程成為非常復(fù)雜的多維過(guò)程，同時(shí)熱量在傳遞過(guò)程中伴隨著熱量損失。故織物厚度很大的時(shí)候，相同厚度增加時(shí)，其CLO值增加趨勢(shì)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(duì)織物檢測(cè)人員來(lái)說(shuō)，更重要的是RBF人工神經(jīng)網(wǎng)絡(luò)擬合曲線(xiàn)剔除了檢測(cè)數(shù)據(jù)中的誤差，修訂了錯(cuò)誤數(shù)據(jù)，從而提高了緯編搖粒絨保暖測(cè)試的精度。

4 結(jié)語(yǔ)

運(yùn)用RBF人工神經(jīng)網(wǎng)絡(luò)來(lái)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(cè)試結(jié)果之間的函數(shù)映射關(guān)系，可以實(shí)現(xiàn)測(cè)試數(shù)據(jù)與運(yùn)算結(jié)果的數(shù)據(jù)鑒別、修訂，剔除無(wú)效的測(cè)試數(shù)據(jù)，以減少誤差對(duì)測(cè)試結(jié)果的影響，保證了緯編搖粒絨織物保暖性能的測(cè)試結(jié)果的客觀(guān)性和準(zhǔn)確性。通過(guò)實(shí)驗(yàn)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(huì)進(jìn)一步改善RBF人工神經(jīng)網(wǎng)絡(luò)測(cè)試緯編搖粒絨保暖性能的精確度。

[1] 王宏亮.對(duì)服裝保暖性能與透汽性能物理測(cè)試方法的研究[J].物理實(shí)驗(yàn)，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(cè)方法研究[J]. 情報(bào)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(guó)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(jià)格預(yù)測(cè)[J].商場(chǎng)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(jià)格預(yù)測(cè)中的應(yīng)用[J].電腦開(kāi)發(fā)與應(yīng)用，2007；（9）：65-67.