CN101201907A - 一种基于模糊神经网络的热舒适度仿真模型 - Google Patents

Abstract

本发明公开了一种基于模糊神经网络的由局部到全身的热舒适度仿真模型，它属于计算机仿真研究领域中的功能服装CAD技术领域。针对热舒适度模型中人体心理生理参数难以精确量化以及心理和感觉系统的复杂性，采用模糊神经网络模型，基于皮肤和内核温度及它们的变化率，对各个身体局部部位建立局部热感觉模型，然后再建立基于各个身体局部热感觉的全身热舒适度模型。此模型基于人体热反应的生理心理过程，采用拟人的模糊神经网络方法，能正确反应传感器的适应性特点，预测人体各局部身体部位的感觉，降低了计算机网络建模的难度，提高了分析时间，解决了干扰问题，也使得对热感觉的预测更加准确。

Description

一种基于模糊神经网络的热舒适度仿真模型

技术领域

本发明属于计算机仿真研究领域中的功能服装CAD技术领域，特别是涉及用于功能服装设计中预测服装的热功能的实现方法。

背景技术

当前纺织服装产品的热舒适度功能日益引起人们的重视，服装工业中发展功能服装CAD的要求也越来越迫切。目前已有许多学者在纺织品的传热传湿性能及人体着装热湿仿真等研究领域做了大量工作，提出了有关计算和仿真模型。针对给定的服装结构和热环境，这些模型可以仿真人体的热生理状态及人体-服装-环境间的热湿传递过程。

由于着装人体所处的热环境是动态非一致环境，目前还没有适合的热舒适度模型来评价服装的热舒适度性能。以往的模型都是关于人体热感觉和热舒适度的研究主要针对静态和一致环境，另外还有一些针对动态或非一致环境模型的研究，这些模型都是致力于分析环境条件参数和人体热反应之间的关系，没有从人体的热生理基础考虑。

在热舒适度研究方面，传统的统计分析方法存在一些局限，包括多参数非线性关系拟合的复杂性，缺乏适应性，以及感觉和舒适度评价等心理指标数据难以正确获取。而模糊逻辑和神经网络理论方法在许多类似问题上取得了极大成功，在有关热环境和热舒适度的研究方面也得到了广泛的应用。模糊神经网络提供了一个人机友好的知识表示模式，可以获取、表达和使用领域专家的知识。在热舒适度研究领域，这一点非常重要，因为精确的系统转换函数难以建模，而准确的训练数据集也无法得到。

发明内容

本发明的目的在于克服现有技术的不足，提出了一种基于模糊神经网络的由局部到全身的热舒适度仿真模型。针对热舒适度模型中人体心理生理参数难以精确量化以及心理和感觉系统的复杂性，采用模糊神经网络模型，基于皮肤和内核温度及它们的变化率，对各个身体局部部位建立局部热感觉模型，然后再建立基于各个身体局部热感觉的全身热舒适度模型。此模型基于人体热反应的生理心理过程，不同于以往依靠实验测试和回归分析的方法，此模型将人体热反应的直接参数一人体内核和皮肤的温度作为输入，采用拟人的模糊神经网络方法，相比传统的回归统计模型，本发明的模型具有更好的适应能力而且更易计算机实现。

为了实现本发明目的，采用的技术方案如下：

一种基于模糊神经网络的热舒适度仿真模型，重点在于采用模糊神经网络模型，建立身体局部热感觉模型和建立基于局部热感觉的全身热舒适度模型。

所述的局部热感觉模型是根据人体内核和局部温度数据，来研究身体局部的热感觉。在人体热调节系统，皮肤温度的改变会影响内核温度。采用局部热感觉定义函数：S＝f(T_c，T_s，dT_s/dt)，其中T_C表示人体内核温度，Ts表示皮肤温度，dT_S/dt表示变化率。在模糊神经网络中，模糊集合的隶属函数系数是存储在网络权系数中。根据实际情况定义模糊输入语言变量，然后选择三角函数作为隶属函数，根据日常生活经验和一些现有的研究方法建立模糊推理规则即可。

所述的基于局部热感觉的全身热舒适度模型是通过将身体部位按其对象对全身的影响权重进行分组，综合所有的局部感觉，得出全身的总体感觉。对每个分组，首先计算该组的加权平均感觉，然后计算组中每个身体部位相对平均感觉的偏差，取偏差最大的那个部位的热感觉作为这个分组的输入值。

计算每组的加权平均感觉为：

${\stackrel{\‾}{S}}_l=\underset{i}{\mathrm{\Σ}}{W}_i{S}_{\mathrm{li}}/\underset{i}{\mathrm{\Σ}}{W}_i$

计算代表每组的输入感觉为：

$S_g={\stackrel{\‾}{S}}_l+\max (S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l)*\mathrm{sgn}(S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l)$

其中，

表示加权平均感觉，S_l表示局部热感觉，W表示局部热感觉系数，S_g表示分组最大偏差热感觉。每个分组的热感觉作为计算全身热感觉的输入参数，它们的模糊集合定义和隶属函数与局部热感觉模型中定义相同，然后再根据日常生活经验和一些现有的研究方法建立模糊推理规则即可。

所述的模糊神经网络模型是通过引入模糊集合概念，结合专家知识，可以降低神经网络对数据训练集的要求。本文的局部和全身热感觉模型都是四层前向网络，输入层神经元的个数与输入变量个数相同，第1个隐层代表输入变量的模糊集，第2个隐层代表输出变量的模糊集，第4层为输出层，只有一个神经元，代表一个输出。输入层使用S函数做为激活函数，输出层使用线性函数作为激活函数，这样既可实现复杂的非线性映射，又可得到较大的输出范围。

对网络的训练可以使用现在的应用软件实现。根据模糊隶属函数和推理规则，可以得出输入输出实数样本数据集，并将它们作为训练数据集。然后采用学习算法分析，学习算法可以采用误差后向传播算法。

本发明的优点在于：

1、模糊神经网络模型解决了干扰问题，也使得对热感觉的预测更加准确。应用模仿人类的模糊神经系统，对多变量的包含生理学、神经生理学及心理学的人体复杂热反应过程，解决了进行回归统计分析的困难；其次，由模糊推理规则，揭示了一个可靠易行的实验设计计划，不仅可以避免严格的实验室环境导致的干扰，也避免了获得精确的温度变化率数据的困难。

2、局部热感觉模型能正确反应传感器的适应性特点，预测人体各局部身体部位的感觉。本发明充分利用了人体-服装-环境间的联系，切实从人体出发，结合人体内核温度和皮肤温度，来建立模型。

3、全身热感觉模型，降低了计算机网络建模的难度，提高了分析时间。由于人体有许多不同的身体部位，研究热舒适度也没有统一的标准，导致了建立全身舒适度模型时，难以确定输入参数，本发明通过将身体部位按其对全身的影响权重进行了分组，这样简化了输入参数，降低了网络训练的难度，减少了处理时间。

4、基于神经网络的模型具有更好的适应能力且更易实现。模糊神经网络通过引入模糊集合概念，结合专家知识，可以降低对训练数据集的要求，使计算机实现更加容易。模糊神经网络采用的四层前向网络结构，既可实现复杂的非线性映射，又可得到较大的输出范围，提高了适应性。

附图说明

图1为模糊神经网络结构图；

图2为模糊集合的隶属函数示意图；

图3为基于模糊神经网络的热舒适度模型的构造流程图；

图4为全身热舒适模型的输入参数获取流程图。

具体实施方式

下面结合附图对本发明进行进一出阐述。

如图1所示，基于模糊神经网络的热舒适度仿真模型，它采用模糊神经网络模型，建立身体局部热感觉模型和建立基于局部热感觉的全身热舒适度模型。模糊神经网络模型引入模糊集合概念，采用输入隐层、中间隐层、输出隐层和输出层的四层前向网络结构。如图3所示，基于模糊神经网络的热舒适度的仿真模型，首先步骤300根据身体的温度数据，定义模糊语言变量作为模型的输入隐层；然后步骤301选择模糊隶属函数得到输入实数样本数据集；步骤302建立模糊推理规则，得出输出实数样本数据集；模糊隶属函数和推理规则作为中间隐层；然后步骤303将输入输出实数样本数据集作为训练数据集。然后步骤304输入测试数据集，步骤305采用学习算法分析得到服装热舒适度的判断，学习算法可以采用误差后向传播算法。

下面结合局部热舒适度模型和全局热舒适度模型进一步说明模糊神经网络的模型。

首先构造局部热舒适度模型。采用局部热感觉定义函数：S＝f(T_c，T_s，dT_s/dt)。其中T_C表示人体内核温度，Ts表示皮肤温度，dT_S/dt表示变化率

1)定义模糊输入语言变量，即为附图3中步骤300。参考如下表

所示定义：

变量名	模糊集合	实数值域	单位
				TC	(Low，Slightly low，Neutral，Slightly High，High)	[35.5，39.5]	℃
TS	(Low，Slightly low，Neutral，Slightly High，High)	[25，40]	℃
				dTS/dt	(Fast Decrease，Slow Decrease，Steady，SlowIncrease，Fast Increase)	[-2，2]	℃.Min-1
S	(Cold，Cool，Slightly Cool，Neutral，SlightlyWarm，Warm，Hot)	[-3，3]	-

2)然后选择三角函数作为隶属函数，步骤301。如图2。分别根据身体内核温度，皮肤温度，以及皮肤温度变化率的区间判断各个1)中的输入变量所对应的样本数据模糊集合。

3)步骤303，根据日常生活经验和一些现有的研究方法建立模糊推理规则。比如：如果Tcore是neutral，Tskin是low，而dTskin是steady，那么手的热感觉是cold；如果Tcore是slightly high，Tskin是low，而dTskin是steady，那么手的热感觉是cool；

然后，定义全身热舒适度模型，步骤300中的全身热感觉输入参数定义见附图4所示流程，具体如下。

1)将身体部位按其对象对全身的影响权重进行分组。可如下定义分组：

变量名	分组	身体部位
			Sbig	较大影响	背；大腿(左，右)
Smiddle	中等影响	胸，腹；上臂，小腿(左，右)
			Ssmall	较小影响	前额；前臂，手，足(左，右)

2)对每个分组，计算该组的加权平均感觉。依据公式：

${\stackrel{\‾}{S}}_l=\underset{i}{\mathrm{\Σ}}{W}_i{S}_{\mathrm{li}}/\underset{i}{\mathrm{\Σ}}{W}_i$ (表示加权平均感觉，S_l表示局部热感觉，W表示局部热感觉系数)

3)计算组中每个身体部位相对平均感觉的偏差，取偏差最大的那个部位的热感觉作为这个分组的输入值。平均偏差计算公式为：

$S_g={\stackrel{\‾}{S}}_l+\max (S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l)*\mathrm{sgn}(S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l),$ S_g表示分组最大偏差热感觉

4)将每个分组的热感觉作为计算全身热感觉的输入参数，至此我们完成了图4中的步骤，回到图3，步骤302和303，它们的模糊集合定义和隶属函数与局部热感觉模型中定义相同。

5)根据日常生活经验和一些现有的研究方法建立模糊推理规则即可。如：如果S_big是neutral，S_middle是neutral，而S_small是cold，那么全身热感觉是cool；如果S_big是cool，S_middle是cool，而S_small是cold，那么全身热感觉是cool；这样就完成了全身热舒适度模型的建立。

Claims (5)

1.一种基于模糊神经网络的热舒适度仿真模型，其特征在于，它采用模糊神经网络模型，建立身体局部热感觉模型和建立基于局部热感觉的全身热舒适度模型：

局部热感觉模型是根据人体内核和局部温度数据，来研究身体局部的热感觉；

基于局部热感觉的全身热舒适度模型是通过将身体部位按其对象对全身的影响权重进行分组，综合所有的局部感觉，得出全身的总体感觉。

2.根据权利要求1所述的基于模糊神经网络的热舒适度仿真模型，其特征在于，所述模糊神经网络模型引入模糊集合概念，采用输入隐层、中间隐层、输出隐层和输出层的四层前向网络结构。

3.根据权利要求1所述的基于模糊神经网络的热舒适度仿真模型，其特征在于，所述身体局部热感觉模型的局部热感觉定义函数为：S＝f(T_c，T_s，dT_s/dt)，其中T_C表示人体内核温度，Ts表示皮肤温度，dT_S/dt表示变化率。

4.根据权利要求1所述的基于模糊神经网络的热舒适度仿真模型，其特征在于，所述基于局部热感觉的全身热舒适度模型首先对每个分组计算该组的加权平均感觉，然后计算组中每个身体部位相对平均感觉的偏差，取偏差最大的那个部位的热感觉作为这个分组的输入值。

5.根据权利要求4所述的基于模糊神经网络的热舒适度仿真模型，其特征在于，所述每组的加权平均感觉计算方式为：

${\stackrel{\‾}{S}}_l=\underset{i}{\mathrm{\Σ}}{W}_i{S}_{\mathrm{li}}/\underset{i}{\mathrm{\Σ}}{W}_i$

所述代表每组的输入感觉计算方式为：

$S_g={\stackrel{\‾}{S}}_l+\max (S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l)*\mathrm{sgn}(S_{\mathrm{li}}-{\stackrel{\‾}{S}}_l)$

其中，表示加权平均感觉，S_l表示局部热感觉，W表示局部热感觉系数，S_g表示分组最大偏差热感觉。

Images