在服装人体工程学中,服装压力预测问题事关服装舒适性与人体健康,是服装领域专家学者研究的热门课题.其目的在于通过分析服装压力的影响因素,建立起服装压力与人体身体特征之间的关系,从而对服装的舒适程度进行及时地调整以确保不影响人体健康.由于近年来BP神经网络在多领域的成功应用,而在服装领域的应用研究较少,因此利用BP神经网络预测服装压力是一个值得研究的方向.服装压力往往受到人体身体特征的影响,因个人身体特征不同,收集到的数据也不尽相同且庞大而又繁琐,进而导致服装压力与人体身体特征之间的关系错综复杂.本文提出了一种改进的BP神经网络与主成分分析(PCA)相结合的新算法,解决服装压力预测过程中出现的困难.本文的研究主要为:首先,针对服装压力预测问题,提出了附加动量—弹性梯度下降—自适应学习速率·的BP神经网络,该算法针对传统BP神经网络存在学习步长的选取和权值大小、方向的不易确定且学习速率也不易控制等问题进行了改进.仿真实验表明,改进的BP神经网络相比传统的BP神经网络,平均错误率降低了 5个百分点.其次,为了降低改进的BP神经网络的网络规模,提高计算效率与预测精度,本文提出了改进的PCA-BP神经网络模型.该模型是先对输入样本进行PCA处理,降低输入样本维数,再在此基础上运用改进后的BP神经网络预测服装压力.实验结果表明,本文提出的改进的PCA-BP神经网络模型无论是在网络规模还是运行时间上都取得了很好的改善,同时也使得网络的收敛性得到了提高,服装压力的实测值与预测值相比单纯改进的BP神经网络,平均相对误差减少了 4.35%,平均绝对误差减少了 0.31,运行时间减少了10.407秒.