基于粒子群－向量機的汽車加速噪聲評價

徐中明，謝耀儀，賀巖松，張志飛，涂梨娥

(1.重慶大學機械傳動國家重點實驗室，重慶 400030;2.重慶大學汽車工程學院，重慶 400030)

基于粒子群－向量機的汽車加速噪聲評價

徐中明1，2，謝耀儀2，賀巖松2，張志飛1，2，涂梨娥2

(1.重慶大學機械傳動國家重點實驗室，重慶 400030;2.重慶大學汽車工程學院，重慶 400030)

以乘用車由50 km/h加速到100 km/h時的噪聲信號為評價對象，用成對比較法對車內加速噪聲品質偏好性進行主觀評價實驗，獲得每個樣本的偏好性評價值。計算各噪聲樣本的主要心理聲學客觀參數并進行相關分析。鑒于評價者對非穩態噪聲主觀評價過程的復雜性，建立支持向量機(Support Vector Machine，SVM)的主客觀評價模型，并利用粒子群優化算法(Particle Swarm Optimization，PSO)對模型參數進行優化。為對比優化后預測效果，建立BP神經網絡回歸模型。結果表明，優化后的粒子群－向量機回歸模型用于噪聲聲品質評價能獲得更好的預測效果，可較大程度提高聲品質預測精度。

加速;聲品質;主客觀評價;粒子群;向量機

汽車加速噪聲直接影響乘員的舒適性、語言清晰度及對車外各種聲音信號識別能力，因此車內加速聲音品質成為評價、選購某款汽車的重要因素之一。鐘秤平等［1］計算加速噪聲的客觀心理聲學參數，通過相關分析及多元線性回歸方法建立汽車加速噪聲品質偏好性評價數學模型，并用頻域濾波技術識別出指定頻率段對車內噪聲偏好性影響;申秀敏等［2］以燃料電動車怠速噪聲樣本為對象，首次提出用BP神經網絡的方法確定聲品質客觀參數對主觀評價結果影響權重。由于人主觀評價的隨機性，評價結果與心理聲學客觀參量之間存在較大非線性關系［3］，導致線性回歸模型不能較好映射主客觀評價間復雜的非線性關系，評價結果不理想。本文通過主客觀兩種評價方法計算汽車在加速工況下車內聲品質客觀參數，并用成對比較法進行主觀評價實驗。通過相關分析找出影響主觀評價值的主要心理聲學參數。構建支持向量機的加速噪聲主客觀預測模型，利用粒子群優化算法對向量機模型參數進行優化，通過誤差對比發現，優化后的粒子群－向量機模型預測精度優于原始的向量機模型及神經網絡模型。

1 汽車加速噪聲樣本采集

1.1 原始信號采集

本試驗參照GB/T18697中對車內噪聲測量方法，測試路段選在某車輛較少高速路段，用B＆K雙耳麥克風(Binaural Microphone Type 4101)及B＆K 6通道采集器記錄車內噪聲信號。雙耳麥克風分別由副駕駛員及左后排乘員佩戴。為便于數據截取及分析，用Race－Technology GPS慣性測速儀SPEEDBOX實時記錄速度。用3款不同車型的自動檔汽車，分別以緩加速、全油門加速兩種方式由50 km/h到100 km/h。采集的雙耳麥克風加速噪聲、車速信號見圖1。

圖1 副駕駛員處加速噪聲與速度原始信號Fig.1 The acceleration noise and speed signal in co－pilot seat

1.2 聲樣本預處理

通過對采集數據試聽、分析，按車速截取加速噪聲樣本，考慮聽審實驗時間與噪聲樣本數的平方成正比，噪聲樣本過多會致評價者疲勞度增加，從而降低評價準確度，而樣本過少難以全面真實反應評價者對聲音樣本的偏好性，本文選11個滿意噪聲樣本。在PLUSE軟件中截取所選聲樣本，用于主觀評價的樣本信號長度為7 s。

2 主觀評價及分析

2.1 評價實驗設計

用成對比較法［4］進行主觀評價實驗。選22名男生、6名女生計28名無聽力障礙、身體狀況良好的在校研究生為聽審者進行評價實驗。

2.2 實驗誤差判定

聲品質主觀評價過程實際為心理測驗過程，可通過人為設計相關試驗［5］進行評價結果可靠性檢驗。內容包括相同聲事件誤差判定、不同回放順序誤差判定、三角循環誤差判定。利用Matlab編寫相應程序，分別統計聽審者在三種錯誤類型中的誤判率，以計權一致性系數判斷數據的有效性，計算式為式中:Ci為第i種誤判實際產生的誤判率;Ei為第i種誤判可能產生的次數。

各評價者最終計權一致性系數見表1。為提高主觀評價試驗精度，剔除計權一致性系數低于0.8的評價結果，剩余22組評價結果，剩余評價者的平均計權一致性系數為0.88，遠超0.7～0.8以上［5］，因此本次聽審實驗結果可信度較高。

表1 評價者計權一致性系數Tab.1 The weighted consistency coefficient of evaluators

2.3 主觀評價結果

將滿足誤差要求的評價結果取平均值，獲得每個加速噪聲最終偏好性得分，見表2。

表2 聲樣本主觀評價得分Tab.2 The subjective evaluation score of sound samples

3 客觀參數及相關分析

3.1 心理聲學參數及計算

心理聲學參數為描述不同噪聲造成主觀感受差異程度的客觀物理量。本文選尖銳度、響度、抖動度、粗糙度等主要心理聲學參數進行分析。利用PULSE軟件計算出11個加速噪聲樣本平均聲學客觀參數值及相應的A計權聲壓級、聲壓級峰值，具體數據見表3。

表3 聲樣本客觀參數Tab.3 The objective parameters of sound samples

3.2 相關分析

為研究加速噪聲偏好性主觀評價得分與心理聲學客觀參數之關系，用SPSS應用統計學軟件對主觀聽審實驗所得偏好性得分與客觀參數值進行相關分析。結果見表4。由表4看出，響度與偏好性相關性最高，達0.896，表明響度對偏好性影響起重要作用。除響度外，尖銳度、粗糙度、A聲級相關性分別為0.735、0.803、0.826。抖動度相關性為0.606，表明在非穩態噪聲中，抖動度對評價者偏好性也有一定影響。

表4 主觀偏好性與客觀參數相關性Tab.4 The correlation of subjectivepreferences and objective parameters

4 粒子群－向量機預測模型

鑒于評價者對噪聲偏好性主觀評價過程的復雜性，本文采用向量機(SVM)對噪聲主觀評價得分進行預測。為提高向量機預測精度，用粒子群優化算法(PSO)對向量機懲罰因子c及核函數參數g進行優化選擇。

4.1 支持向量機(SVM)

支持向量機方法建立在統計學習理論的VC維理論及結構風險最小原理基礎上［6］，據有限樣本信息在模型的復雜性及學習能力間尋求最佳折衷，以獲得最好的推廣能力。

對函數F(x)=wx+b，設樣本數據為{(xi，yi)，i= 1，2…，n}，xi∈Rd，yi∈R。設存在函數F在ε精度能估計所有(xi，yi)數據，則尋找最小w問題可表示為凸優化問題，即

約束條件為

若誤差超過ε，則可引入松弛因子ξ，ξ*。因此上式可寫為

約束條件改為

式中:ξi≥0;ξi*≥0;c為懲罰因子。

經推導可得由式(5)～式(7)聯合構成的優化問題對偶問題，即

通過訓練樣本獲得合適的ai，a，b即可對數據進行回歸預測。其中(xix)對應不同核函數，本文選高斯徑向基函數為核函數，即

式中:σ2為核函數參數，用g表示，在SVM模型建立中c及g的選擇對模型回歸預測精度有較大影響。為提高預測精度，本文利用SVM對噪聲主觀評價結果回歸預測前利用粒子群優化算法對向量機c，g優化選擇。

4.2 粒子群優化算法(PSO)

粒子群優化算法為進化計算技術，利用群體中個體對信息共享使整個群體運動在問題求解空間中產生從無序到有序的演化過程，從而獲得最優解［7］。設D維空間中經k次迭代，第i個粒子速度、位置分別記為、，每個粒子均保存自己的最好位置，本文中粒子位置代表c、g參數不同取值。個體位置極值及全局位置極值分別記為pbest、gbest。故粒子i進行k次迭代時速度、位置更新計算式［8］為

式中:w為保持原速度的慣性權重系數;c1為粒子跟蹤自己歷史最優值的權重系數，表示粒子自身認識;c2為粒子跟蹤群體最優值的權重系數，表示粒子對整個群體認識;c1，c2通常不大于2;r1，r2為［0，1］的隨機數。

4.3 粒子群－向量機模型(PSO-SVM)

通過Matlab編寫PSO－SVM程序，用粒子群優化算法對向量機參數c，g優化選擇，再用優化后向量機模型對加速噪聲主觀評價結果進行SVM回歸預測，優化后預測精度較優化前有較大程度提高，PSO－SVM流程見圖2。

圖2 PSO－SVM流程圖Fig.2 The flow diagram of PSO－SVM

圖3 c，g參數優化選擇適應度MSEFig.3 The fitness MSE of c and g parameter optimization

粒子群優化選擇參數c，g過程中SVM均方誤差適應度見圖3。圖中，c1=1.5，c2=1.7，終止代數為200，種群數量為20，cbest=31.221 4，g=0.01，CVmse= 0.023 19。粒子群優化適應度表示給出的粒子位置對優化結果好壞評價標準，圖3反映出向量機c，g參數在不同迭代次數下預測值與真實值的均方誤差，藍、紅線條分別為當前所有迭代次數下平均均方誤差及最小均方誤差。優化后的c，g最優取值分別為31.22及0.01，由圖3看出，經參數優化的向量機模型精度較高。

5 回歸模型精度比較

為驗證PSO－SVM回歸模型的預測效果，建立BP神經網絡偏好性預測模型。

5.1 BP神經網絡模型

BP神經網絡訓練規則為用快速下降法通過反向傳播不斷調整網絡權值、閾值，使網絡誤差平方和最小，網絡模型拓撲結構含輸入層、隱含層及輸出層［9］。通過Matlab編寫BP網絡程序。由于一個三層的神經網絡可完成任意映射，本文BP網絡用三層結構，即以1 ～8號噪聲樣本響度、尖銳度、粗糙度、抖動度及A計權聲壓級5個聲學參數為輸入量，輸入層神經元個數n= 5;以1～8號加速噪聲偏好性得分為輸出量，輸出層取節點數p=1;隱含層個數尚無確定性理論指導，故由計算式［10］確定，即

式中:m為確定的隱含層個數;α為1～10間常數，本文取a=10，則m=12。所建BP神經網絡模型的拓撲結構為5－12－1，見圖4。

圖4 神經網絡結構圖Fig.4 The structure diagram ofneural network

5.2 偏好性預測模型誤差對比

為比較PSO－SVM、SVM、神經網絡預測精度，以9～ 11號噪聲為測試樣本，預測結果、誤差見表5、表6。由兩表看出，向量機SVM能按較少樣本信息尋求模型學習精度與樣本識別能力間最佳平衡點，預測精度明顯高于BP神經網絡模型;通過粒子群優化后的PSOSVM模型最大相對誤差為3.3%，較優化前的SVM向量機模型，預測精度大幅度提高。

表5 偏好性模型預測結果Tab.5 The prediction results of preferences model

表6 偏好性模型預測誤差Tab.6 The prediction deviation of preferences model

6 結論

(1)本文利用成對比較法完成汽車內加速噪聲主觀評價實驗，并利用Matlab編寫相關程序驗證主觀評價得分的可靠性，通過SPSS統計分析獲得噪聲客觀心理參數與主觀偏好性間相關性。

(2)通過SVM向量機建立主客觀預測模型，并用粒子群優化算法對SVM向量基懲罰因子及核函數參數進行優化。經粒子群優化后的向量機模型預測精度遠優于傳統的神經網絡模型。

［1］鐘秤平，陳劍，汪念平.車內噪聲聲品質偏好性評價與分析實驗研究［J］.汽車工程，2008，30(1):40－43.

ZHONG Cheng－ping，CHEN Jian，WANG Nian－ping.An experimentalevaluationandanalysisonsoundquality preference for In－car noise［J］.Automotive Engineering，2008，30(1):40－43.

［2］申秀敏，左曙光，何容.燃料電池轎車聲品質客觀評價參量的權重［J］.振動與沖擊，2011，30(1):91－94.

SHEN Xiu－min，ZUO Shu－guang，HE Rong.Weight of objective evaluation for fuel cell vehicle sound quality［J］. Journal of Vibration and Shock，2011，30(1):91－94.

［3］申秀敏，左曙光，何呂昌，等.車內噪聲聲品質的神經網絡預測［J］.聲學技術，2009，28(3):264－268.

SHEN Xiu－min，ZUO Shu－guang，HE Lü－chang，et al.BP neural network prediction of car interior sound quality［J］. Technical Acoustics，2009，28(3):264－268.

［4］Otto N.A subjective evaluation and analysis of automotive starter sounds［J］.Noise Control Engineering Journal，1993，41:377－382.

［5］毛東興.車內聲品質主觀評價與分析方法的研究［D］.上海:同濟大學，2003.

［6］Gunn S R.Supportvector machines for classification and regression［R］.English:University of Southampton，1997.

［7］潘宏俠，黃晉英，毛鴻偉，等.基于粒子群優化的故障特征提取技術研究［J］.振動與沖擊，2008，27(10):144－147.

PAN Hong－xia，HUANG Jin－ying，MAO Hong－wei，et al. Fault－characteristic extracting technology based on particle swarm optimization［J］.Journal of Vibration and Shock，2008，27(10):144－147.

［8］劉福榮，王宏偉，高曉智.基于粒子群優化聚類的汽輪機組振動故障診斷［J］.振動與沖擊，2010，29(8):9－12.

LIU Fu－rong，WANGHong－wei，GAOXiao－zhi.Steam turbine vibration fault diagnosis based on particle swarm optimization clustering［J］.Journal of Vibration and Shock，2010，29(8):9－12.

［9］Chen xia，Hu Hong－li，Zhang Juan，et al.An ECT system based on improved RBF network and adaptive wavelet image enhancement for solid/gas two－phase flow［J］.Chinese Journal of Chemical Engineering，2012，20(2):355－360.

［10］張波，畢傳興，徐亮.基于人工神經網絡模型的車門關閉聲聲品質評價方法研究［J］.汽車工程，2011，33(11): 1003－1006.

ZHANG Bo，BI Chuan－xing，XU Liang.A study on the evaluation method of vehicle door closing sound quality based onartificialneuralnetworkmodel［J］.Automotive Engineering，2011，33(11):1003－1006.

Evaluation of car interior sound quality based on PSO-SVM

XU Zhong－ming1，2，XIE Yao－yi2，HE Yan－song2，ZHANG Zhi－fei1，2，TU Li－e2
(1.State Key Laboratory of Mechanical Transmission，Chongqing University，Chongqing 400030，China; 2.College of Automotive Engineering of Chongqing University，Chongqing 400030，China)

The noise signals from passenger car during acceleration from 50km/h to 100km/h were selected as the evaluation object and subjective testings were carried out via the paired comparison method to get the annoyance scores. The BK software was used to calculate the main psychoacoustics parameters and then to find the correlation between them. In view of the complexity of subjective evaluation process for nonstationary noise，support vector machine(SVM)model was used to simulate the process of noise subjective evaluation，and then the input parameters of support vector machine were optimized by using the particle swarm optimization(PSO).In order to compare the prediction effect after optimization，a BP neural network was established at the same time.The results show that the quality evaluation of the acceleration noise can get better prediction effect with PSO－SVM model.It could largely improve the predictive accuracy of sound quality evaluation and has reference value to the evaluation and analysis of vehicle noise.

acceleration;sound quality;subjective and objective evaluation;PSO;SVM

U467.1

A

10.13465/j.cnki.jvs.2015.02.005

國家自然科學基金(51275540，50975296)

2013－11－29修改稿收到日期:2014－01－15

徐中明男，教授，博士生導師，1963年生郵箱:xuzm@cqu.edu.cn