支持向量機在汽車加速車內聲品質預測中的應用

崔丹丹

摘 要：對汽車加速時車內聲品質采用支持向量機實施預測。將客觀評價參量作為輸入因子，諸如噪聲樣本的響度、粗糙度以及尖銳度等，而可以經評價結果作為輸入因子，也就是主觀煩躁度，借助支持向量機回歸方法，將汽車加速車內聲品質的預測模型切實的建立起來，能夠將客觀評價參量和主觀煩躁度之間的非線性映射關系反映出來，有著較高的預測精度。

關鍵詞：車內噪聲；聲品質；支持向量機；預測模型

中圖分類號：U467 文獻標志碼：A 文章編號：2095-2945（2018）02-0163-02

Abstract： Support Vector Machine（SVM） is used to predict the internal sound quality of the vehicle. Objective evaluation parameters are taken as input factors， such as noise samples' loudness， roughness and sharpness， and the evaluation results can be used as input factors， that is， subjective irritability， with the help of support vector machine regression method. The prediction model of vehicle internal sound quality can be established to reflect the nonlinear mapping relationship between objective evaluation parameters and subjective irritability， which has high prediction accuracy.

Keywords： interior noise； sound quality； support vector machine； prediction model

1 支持向量機原理

支持向量機主要是按照統計學理論和結構風險，提出的基于有限樣本的前提上的一種機器學習方法。支持向量機器對比傳統的機器學習而言，能夠對欠學習以及局部極值等進行切實有效解決，不管是在分類文本上，還是在時間序列預測等領域上，支持向量機都得到了非常成功的應用。關于對非線性回歸問題原理，采用支持向量機解決的原理如下。

已知訓練樣本集：

T={（x1，y1），（x2，y2），...，（xm，ym）}∈（X×Y）m式中：xi∈X=RN；yi∈Y=R；i=1，...，m。

對于函數的回歸問題而言，可以將其描述成為一個擬合函數f∈F讓期望風險

R（f）= L（y f（x），x）d p（x，y） （1）

達到最小。

式中：損失函數為L（y f（x），x）；概率分布為p（x，y）。

將損失函數在支持向量機當中選擇為

式中：先確定？著為一個正數。

如果已經知道訓練樣本點呈現的關系為線性，則這個時候的回歸函數表示為

F（x）=？棕.x+b （3）

式中：在分類超平面當中將？棕作為權系數的向量；則將閾值用b表示，且b∈R。但是樣本點在大部分情況下呈現的是非線性關系，而采用支持向量機的思路，主要是將非線性的數據空間，通過對非線性映射的借助，最終實現映射到高維特征空間的目的，然后將線性回歸在特征空間當中，則式（3）的回歸函數則可以表示為

f（x）=？棕？椎（x）+b （4）

式中：映射函數則用？準（x）進行表示。

當將式（4），也就是非線性回歸函數通過擬合的方式成為訓練樣本集時，按照結構風險具有的原則，也就是將風險降到最小化的原則，則f（x）應該將 ||？棕|| 最小化。 以此類推最終得到非線性支持向量回歸機：

2 汽車加速車內聲品質分析

現階段對于聲品質的研究，主要還是集中在兩種方法上，一種主要就是主觀評價方法（評審團），則另外一種方法就是客觀評價方法（心理聲學參數）。這兩種方法各自有各自的特點，但是應該怎么才能夠在兩種方法上將映射關系建立起來，這也是當前研究當中的一個難點。本文主要對兩者之間的對應關系進行研究，與此同時將支持向量機的方法引入到其中，以便能夠在不是穩態的工作條件下，對車內噪聲和兩者之間的映射關系進行更為準確的描述，從而將一個非穩態聲品質預測模型建立起來。

3 基于SVM的加速車內聲品質預測

3.1 SVM聲品質預測模型的建立

本文在對汽車加速車內聲品質的預測實驗上，主要是基于支持向量機方法的基礎上進行的，需要注意的是仿真實驗的環境是在Matlab Libsvm下實現的。在實施預測仿真實驗的過程中，第一個步驟就是需要將所需要的樣本數據采集到一起，然后隨機抽取主觀和客觀中結果中的數據，然后將其作為訓練樣本，用于對支持向量機的聲品質預測模型的建立。

3.2 樣本數據的歸一化處理

因為所采集到的樣本數據中，各個單位間存在很大的差異，不但如此，在數值的大小上也有著很大的不同，為了能夠讓各個數據之間的關聯性得到增強，就需要對網絡的收斂性進行迅速的訓練，以便能夠讓聲品質預測模型的精度得到進一步的提高，最終對數據歸一化的預處理。將經過處理后的數據實施預測仿真實驗，然后對支持向量機品質預測模型的輸出結果進行分析，評價指標則用其平方有關的系數和平均相對誤差進行表示。

3.3 SVM核函數的選擇endprint

事實上，在預測支持向量回歸機的性能過程中，會受到各種各樣原因的影響，而其中最具有代表性的兩個方面，就是核函數的形式和參數。現階段對于核函數的選擇上，在國際上并沒有從理論上給出比較統一的模式，因此只能夠借助實驗的方式來對核函數進行選擇，基于此種情況下讓其的選擇上具有著較大的隨意性。本文中對于樣本數據的預測仿真實驗，主要采用不同核函數的方式，在確定不同核函數上的最優參數上，則主要是根據交叉驗證法和網絡搜尋法相結合的方式，則評價指標將用支持向量機聲品質模型的預測結果平均相對誤差進行表示。

根據表1的結果可以得出，預測徑向基礎函數誤差并不是非常大，且是所有預測效果最好的一個，然后預測效果排在第二的就是多項式函數，而最不好的則是線性核函數。基于此，本文在建立支持向量機的汽車加速車內聲品質預測模型上，選擇的是徑向基核函數來建立的。

3.4 SVM核函數參數的優化

核函數參數是對支持向量回歸機性能影響最大的一個因素，現階段對于參數的選擇上并沒有一個比較固定的方法和理論，經驗選擇法還有留一法等都是實際應用當中較為常用的幾種方法。而本文在預測模型的結果上，主要選擇了交叉驗證法和網絡搜索法相結合的方法，以此來對參數的范圍進行確定，然后再選擇用試湊法來對模型參數進行確定。

4 對比SVM模型和多元線性回歸模型

為了對汽車加速車內聲品質中，支持向量機的預測應用效果進行檢驗，本文將支持向量機和多元性回歸進行了比較。通過對比發現，如果采用傳統的多元性回歸進行預測，會存在著比較大的誤差，但是因為支持向量機具有非線性等顯著的優點，因此采用此種方法進行預測會有著比較顯著的效果。

5 結束語

（1）根據主觀評價在試驗的過程中具有的耗費時間等特點，將對于支持向量機的汽車加速車內聲品質的預測模型上，采用心理聲學參數來對車內的發出的噪聲進行主觀評價。

（2）對比多元線性回歸模型，采用支持向量機預測模型能夠讓建模時間得到有效的縮短，因此表示在小樣本汽車本質研究上，采用支持向量機進行研究，在應用前景上比較廣泛。

（3）如果能夠將參數優化的方法進行不斷改進，則預測模型可以擁有更高的性能。

參考文獻：

[1]劉陽.基于支持向量機的車內加速噪聲聲品質研究[D].湖北工業大學，2015.

[2]王大鵬.基于支持向量機的公路車流量數據分析與預測模型[D].哈爾濱工程大學，2006.

[3]賀巖松，涂梨娥，徐中明，等.支持向量機在汽車加速車內聲品質預測中的應用[J].汽車工程，2015（11）：1328-1333.

[4]黃燦銀.加速狀態小型乘用汽車車內聲品質的優化研究[D].昆明理工大學，2011.

[5]李育恒，趙峰.支持向量機在變壓器故障診斷中的應用[J].科技創新與應用，2014（16）：46-47.endprint