Page 357 - 《振动工程学报》2025年第11期

第 11 期 张筱璐，等：融合特征降维与人工神经网络的坐姿人体头部振动特性研究 2815

预测值 参考线 参考区 预测值 参考线 参考区

4 4

3 3
预测值 2 预测值 2

1 R =0.9225 1
2
R =0.9657
2
0 0
0 1 2 3 4 0 1 2 3 4
试验值 试验值
(a) 无靠背 (a) 无靠背
(a) Without backrest contact (a) Without backrest contact
2 2

预测值 1 预测值 1

2
R =0.9200
2
R =0.9676
0 0
0 1 2 0 1 2
试验值 试验值
(b) 有靠背 (b) 有靠背
(b) With backrest contact (b) With backrest contact

图 7 PCA-BP-ANN 最佳模型预测头部传递函数的试验值- 图 8 KPCA-BP-ANN 最佳模型预测头部传递函数的试验值-
预测值散点图 预测值散点图
Fig. 7 Scatter diagrams of the experimental data and predicted Fig. 8 Scatter diagrams of the experimental data and predicted
data from the PCA-BP-ANN model for STHT data from the KPCA-BP-ANN model for STHT
前 3 个主成分的累计方差贡献率高 9%，且仅比前 4 个 型的预测结果与试验结果进行综合对比分析可知，
主成分的累计方差贡献率低 2%。前 4 个核主成分的 2 种坐姿条件下 3 种模型预测的 STHT 变化趋势均
累计方差贡献率更是达到 96%，比前 4 个主成分高出 与试验结果保持一致（见图 9），说明尽管上述模型在
8%（见图 6），表明 KPCA 能够更有效地捕捉体征参 数据处理和特征提取方面有所差异，但均能基本反
数的主要信息。为和 PCA 进行横向降维效果对比， 映振动传递过程的关键特征，并准确预测不同工况
可选取前 4 个核主成分作为 BP-ANN 模型的输入特征。 下的系统振动传递特性。
对使用 KPCA 降维后的体征参数再次进行超参 进一步对比 3 种模型对 STHT 共振频率及共振
数调优和模型训练，发现 KPCA-BP-ANN 与 PCA-BP- 处幅值的预测发现：对于无靠背坐姿，KPCA-BP-ANN
ANN 模型训练时间基本一致，这可能是因为 PCA 和 模型预测的 STHT 共振频率和幅值与试验结果基本
KPCA 均把体征参数降到 4 维，两个模型复杂度相 吻合，而 PCA-BP-ANN 和 BP-ANN 模型的 STHT 共振
似。图 8（散点横、纵坐标分别表示试验值和预测 频率预测值均比试验值略低，共振幅值则分别比试
值，参考线为 y=x，参考区边界为 y=x±0.2）散点分布 验值高 0.24 和 0.22，且 BP-ANN 模型在 6~8 Hz 频率
表明，在有、无靠背坐姿条件下，KPCA-BP-ANN 对 范围内的幅值最大预测误差为 0.38（见图 9(a)）；对于
2
STHT 进 行 预 测 拟 合 度 较 高 ， R 分 别 达 到 0.9657 和 有靠背坐姿，KPCA-BP-ANN 模型的 STHT 共振频率
0.9676， 99% 的 预 测 值 与 试 验 值 的 绝 对 误 差 均 小 于 预测值与试验值基本一致，而 PCA-BP-ANN 和 BP-ANN
0.2。这是因为 KPCA 将原始体征参数映射到 RKHS 模型的共振频率预测值分别比试验值低 0.375 Hz 和
中并确定体征参数间的非线性关联，有效解决了 BP- 0.125 Hz，且共振幅值预测值分别比试验值高 0.05 和

ANN 模型出现多重共线性问题，进而提升了模型的 低 0.26（见图 9(b)）。综上说明，KPCA-BP-ANN 模型
预测效果。 在共振频率和共振幅值预测方面表现最佳，PCA-BP-

2.3.3 模型预测性能对比与分析 ANN 次之。此外，相较于无靠背坐姿，有靠背坐姿
将 PCA-BP-ANN、 KPCA-BP-ANN 和 BP-ANN 模 条件下 PCA-BP-ANN 和 KPCA-BP-ANN 模型的 STHT