基于優化BP神經網絡的汽車座椅舒適性評價

劉麗萍，鞠偉男，邵學彬，王云川，溫泉，劉嬌楊

(中汽研軟件測評(天津)有限公司，天津 300300)

1 引言

隨著人均汽車保有量的逐年增長，消費者對汽車的要求已不僅僅定位在“代步工具”，車輛的舒適性成為消費者日益關注的問題。座椅作為車輛內部空間主要的布置工具，其舒適性研究也成為主機廠及國內外專家學者重點研究的課題之一。

唐立華等[1]采用Tekscan體壓分布測量系統并結合主觀評價的綜合實驗方法，剖析了人體不同坐姿形式對坐姿舒適性的影響，研究結果表明，不同的坐姿可明顯影響體壓分布情況，進而影響人體舒適性，自然放松的靠背坐姿時，各體壓分布指標最小，是舒適性最好的坐姿形式。曹志偉等[2]對軌道交通工具中座椅裝備舒適度的評價方法及提升我國軌道交通工具中座椅舒適度的研究方向進行了探討，結果表明，座椅舒適度評價一般采用主觀和客觀相結合的綜合評價方法，體壓分布與主觀評價有顯著關系。Looze M P D等[3]也發現，在眾多的客觀評價方法當中，體壓分布對于主觀舒適性的表征效果最為顯著，通過體壓分布可分析出座椅舒適性信息。Kolich M等[4]分別用逐步多元線性回歸和神經網絡構建舒適性評價模型并進行比較，得出了神經網絡預測模型有更高的準確率。李培松等[5]提出一種基于模糊神經網絡的座椅舒適度評價模型，研究結果表明，與普通BP網絡模型對比，模糊神經網絡模型具有更好的預測效果。李娟等[6]將體壓指標對于坐墊舒適性及軟硬度的表征情況進行了分析，找到主觀舒適性與體壓分布之間的聯系，利用客觀變量預測主觀舒適性，對于汽車座椅的設計、整改都具有重要的意義。龍江等[7]提出利用人工蜂群算法優化后的BP神經網絡(ABC-BP)來預測座椅的舒適性的方法，研究結果表明，優化后的預測模型穩定性更強、預測效果更加精準。韓宇翃等[8]探究了在座椅舒適性評價中，皮電反射、心率變異性以及瞳孔直徑等數據與用戶主觀舒適性的關聯關系，研究結果顯示，一定條件下可以使用瞳孔數據協同優化座椅舒適度評價，暫無充分證據支持皮電反射和心率變異性與座椅舒適性存在顯著關聯。

綜上所述，國內外專家學者對座椅舒適性及其評價方法進行了大量研究，并取得了顯著成果，可以看出，體壓分布可以有效表征座椅舒適性，但主觀舒適性與體壓分布之間并非簡單的線性關系，因此，需要構建座椅舒適性評價模型。前人的研究為座椅舒適型評價提供了參考，但其評價指標相對局限，大多集中于體壓信息，并未考慮人體基本特征等物理因素對評價結果的影響；另外，不同變量對舒適性預測結果的貢獻度不同，可能存在無關變量影響預測結果的準確度。因此，本文綜合考慮4個人體基本特征、10個背部及臀部體壓信息，利用Lasso算法對特征向量進行提取，篩選出對預測結果貢獻度大的變量，并利用遺傳算法對BP神經網絡進行優化，建立基于優化BP神經網絡的汽車座椅舒適性評價模型，本研究可為汽車正向設計中座椅設計方案的篩選提供參考。

2 方法

2.1 基于Lasso算法的特征向量提取

影響汽車座椅舒適性的因素很多，考慮到變量對舒適度評價結果的影響程度不同，如果將所有變量輸入，訓練和預測的速度和精度將會受到影響，因此，需先對特征向量進行提取，選擇對舒適性影響較大的變量作為模型的輸入變量。

本文引入Lasso(Least Absolute Shrinkage and Selection Operator)算法[9]對輸入變量進行降維，該方法不僅能實現有效變量選擇，而且還可消除多重共線性等問題。該方法是基于懲罰方法對樣本數據進行變量選擇，通過對原本的系數進行壓縮，將原本很小的系數直接壓縮至0，從而將這部分系數所對應的變量視為非顯著性變量，將不顯著的變量直接舍棄，同時對原本系數較大的顯著自變量采取較輕的壓縮。最終，得到一個較為精煉的模型，實現降維的效果。

2.2 基于優化BP神經網絡的汽車座椅舒適性評價模型

BP(Back Propagation)神經網絡[10]是一種按誤差逆傳播算法訓練的多層前饋網絡，它具備很強的非線性映射能力和自學習、自適應能力，且結構簡單，性能優良，在眾多領域應用廣泛。BP神經網絡結構如圖1所示，圖中(x1,x2,…,xn)為輸入變量，(o1,o2,…,om)為輸出變量，wij、wjk，分別為輸入層與隱含層、隱含層與輸出層之間的連接加權系數。

圖1 BP神經網絡結構圖

由于BP神經網絡的學習規則是使用梯度下降法，通過反向傳播來不斷調整網絡的權值和閾值，因此不可避免的會存在收斂速度慢、易陷入局部極小值等缺陷，本文將利用遺傳算法對BP神經網絡進行優化[11]。首先，用遺傳算法對初始權值分布進行優化，在解空間中找出一個較好的搜索空間；然后，用BP算法在這個較小的解空間中搜索出最優解，遺傳算法優化神經網絡算法流程如圖2所示。

圖2 遺傳算法優化神經網絡算法流程

2.3 實驗設計

2.3.1 實驗對象及條件

以性別、身高、體重、年齡為依據選取200名被試者，其中男性與女性分別為100名，身高、體重、年齡基本呈正態分布。身高分布在150 ～181 mm之間，平均身高167 mm；體重分布在42 ～115 kg之間，平均體重62 kg；年齡分布在18～65歲之間，平均年齡39歲。

選取2輛實驗樣車，樣車參數如表1所示。采用Pliance-x壓力墊與配套軟件采集被試者的背部與臀部體壓數據，包括：平均壓力、峰值壓力、平均壓強、峰值壓強和接觸面積。

表1 實驗樣車基本參數

2.3.2 實驗內容

(1)被試者基本信息采集：向被試人員介紹實驗流程及要求，統計被試者性別、年齡、身高、體重等基本信息。

(2)實驗前準備：將Pliance-x壓力墊鋪放在汽車副駕駛座椅的座面和靠背上，調整座椅使靠背傾角為25°(靠背傾角指靠背與垂線夾角)，座椅高度為最低高度，如圖3所示。

圖3 實驗測試場景

(3)體壓參數測量：被試人員按要求統一身穿緊身內衣，并按照規定姿勢坐在座椅上，臀部和背部要求貼合壓力墊，保持自然姿態并雙腿并攏。待被試坐姿平穩后，試驗測試人員操作壓力墊進行體壓測試，并連續記錄一段10 s左右的壓力數據，數據輸出結果如圖4所示。

圖4 體壓數據輸出結果示例

(4)主觀舒適度評價：采用十分制打分的方式要求被試人員對乘坐舒適度進行主觀評分，評分越高代表越舒適，評分越低代表越不舒適，1～3分為不舒適，4～6分為舒適度一般，7～9分為舒適，10分為非常舒適。評價指標共計12項，如表2所示，主觀評價總得分為12項得分的平均值。

表2 汽車座椅主觀舒適度評價打分項

按照上述實驗步驟，分別組織200名被試乘坐2輛樣車開展實驗，共計采集得到400組實驗數據，每組數據所包含變量如表3所示。對原始數據進行處理，剔除不完整數據、非穩定數據、異常數據等所涉及的共24組實驗數據，最終確定出376組實驗數據作為統計分析的最終數據集，數據示例如表4所示。

表3 實驗采集數據項

表4 實驗數據示例

3 模型建立與驗證

從最終篩選得到的376組實驗數據中選取300組實驗數據作為訓練樣本集，剩余76組數據作為驗證樣本集。首先利用Lasso算法對特征向量進行提取，最終提取得到對預測結果影響較大的變量為：性別(X1)、身高(X3)、體重(X4)、背部平均壓強(X7)、背部峰值壓強(X8)、臀部平均壓強(X12)、臀部峰值壓強(X13)。以X1、X3、X4、X7、X8、X12、X13作為輸入變量，Y作為輸出變量，利用300組訓練樣本集數據對優化后的BP神經網絡進行訓練，經過2355次訓練，模型預測效果達到最優，訓練結果如圖5所示。

圖5 模型訓練誤差曲線

均方根誤差(root mean square error,RMSE)常用于衡量觀測值與真實值之間的偏差，是衡量機器學習預測結果準確度的常用指標[11]，RMSE數值越小，表明模型預測值與實際值越接近，模型預測精度越高，其計算公式為：

(1)

利用76組驗證樣本數據集對模型進行驗證，并將驗證結果與BP神經網絡輸出結果進行對比，如表5所示，兩種模型誤差波動如圖6所示。可以看出，與BP神經網絡預測結果相比，遺傳算法優化BP神經網絡模型的預測結果與真實值更為接近，準確率達到90.96%，預測誤差更小，且誤差波動更小，由此說明，本文所建立的模型在汽車座椅舒適性預測中具有較好效果。

表5 模型測試結果

圖6 BP神經網絡與優化BP神經網絡模型誤差波動

4 討論

本文對座椅舒適性評價方法進行研究，利用Lasso算法提取對評價結果具有顯著影響的變量，并建立基于遺傳算法優化BP神經網絡的汽車座椅舒適性評價模型。研究表明性別、身高、體重、背部平均壓強、背部峰值壓強、臀部平均壓強、臀部峰值壓強等參數對座椅舒適性預測效果明顯。分析認為，座椅的材質是影響舒適性的直接因素，而駕駛員在座椅上的生理物理指標可以有效表征座椅舒適性，因此可以用于座椅舒適性評價；駕駛員個體固有特征不同，對座椅不同部位的壓力壓強不同，因此對座椅舒適性的感知不同。

此外，本文利用遺傳算法對BP神經網絡進行了優化，建立座椅舒適性預測模型，通過對比驗證，可以看出，優化后的BP神經網絡預測精度更高。分析發現，用遺傳算法調整BP神經網絡的初始權重值和閾值，能夠較好地防止搜索陷入局部極小值，使優化后的BP神經網絡能夠更好地進行樣本預測，因此，模型具有更好的預測效果。

然而本文的研究仍存在一些不足：本文僅對座椅靜態舒適性進行了研究，未來，可以通過采集駕駛員在開車過程中的生理指標、行為動作等參數對駕駛員動態舒適性進行深入研究。

5 結論

座椅舒適性是消費者評價汽車整體性能的一項重要指標，座椅舒適性評價方法研究對汽車人機設計效果的提升具有重要意義。本文以汽車座椅靜態舒適性為研究對象，綜合考慮兩大因素(人體基本特征、座椅坐墊及靠墊設計)對舒適性的影響，建立基于遺傳算法優化BP神經網絡的座椅舒適性評價模型，得到以下結論：

(1)駕駛員基本物理信息及體壓信息能夠較好預測座椅舒適性。

(2)利用遺傳算法優化后的BP神經網絡預測準確率達到90.96%，比未優化的BP神經網絡準確率提高了8.28%，具有更好的預測效果。