基于BP神經網絡的車內噪聲時變綜合煩躁度評價模型

陳 卉，孫躍東，王巖松，周 萍馮天培

(1.上海理工大學 機械工程學院，上海 200093； 2.上海工程技術大學，上海 201620)

聲品質在反映聲音特性的同時體現了人的生理心理狀態和對聲音的認知度。其研究分為主觀評價部分和客觀參量評價部分。目前，主觀評價以人對車輛噪聲的感受作為評價指標，常用的試驗方法有排序法、等級評分法、成對比較法和語義細分法等[1]。在客觀評價方面，人們常通過響度、尖銳度、粗糙度、A計權聲壓級等客觀參量對噪聲進行量化處理，建立多元線性回歸、支持向量機、BP神經網絡等模型進行客觀評價[2–4]。

然而，常用的評價方法是對單工況（勻速、加速或減速等）下采集的噪聲的單值評價，隨著聲品質評價的發展，非平穩工況下車輛噪聲聲品質及其評價方法的研究也越來越受到關注。日本學者Sonoko和Seichiro Namba在文獻對連續評價的反應時間進行了研究，說明了主觀評價具有一定的延遲效應[5]。Etienne Parizet等也對長時間不穩定噪聲進行評價，并發現了其中最不舒適的時間區段[6]。進行非平穩工況下的噪聲研究，可模擬實車行駛過程中的噪聲。

本文通過采集汽車連續變工況下的噪聲，建立非平穩車內噪聲信號庫。將時變綜合煩躁度作為主觀評價試驗的指標，組織主觀評價人員利用語義細分法[7]進行評價試驗。得到實時、連續的主觀評價數據。計算響度、尖銳度、粗糙度、A計權聲壓級等客觀參數的時變值，并分析與時變綜合煩躁度值間的相關性并剔除相關性較小的聲學參量，得到BP神經網絡的輸入參量。以此，通過BP神網絡建立車內時變綜合煩躁度客觀評價模型并通過四折交叉法[8]進行結果的驗證。

1 汽車車內非平穩噪聲信號采集

非平穩工況連續噪聲樣本：

本文運用LMS標準聲信號測量設備和數字人工頭采集設定工況下目標車輛車內整體噪聲信號，采樣頻率為44100 Hz（車輛副駕駛位雙耳連續整體噪聲）。試驗車輛選擇6輛不同品牌的國產轎車，分別標記為A、B、C、D、E與F車。參考GB18352.3-2005輕型汽車污染物排放限值及測量方法設置汽車連續行駛工況，該工況狀態包括加速行駛、勻速行駛與減速行駛[9]，工況設為兩種，工況a為開始階段50 km/h勻速行駛，后全油門加速至80 km/h保持勻速，再減速至40 km/h并保持勻速。工況b為開始階段50 km/h勻速行駛，后全油門加速至90 km/h保持勻速，再減速至20 km/h結束。每車均進行3次試驗，采集車輛前排司機位、副駕駛位和后排左乘客位雙耳處噪聲，取質量較好的噪聲作為樣本，建立本文汽車非平穩車內噪聲數據庫，共12個噪聲樣本。圖1為工況a和工況b。圖2為A車在a工況下左耳噪聲時域圖。

圖1 試驗工況

2 時變綜合煩躁度主觀評價試驗

進行聲品質的主觀評價，從而獲得聲音特性及用戶體驗，并且加深對聲音的理解，對聲音的完備性描述具有重要意義。主觀試驗的結果也可用于客觀評價結果準確性的驗證。

圖2 A車在a工況下左耳噪聲時域圖

2.1 基于語義細分法的聲品質連續評價方法及工具設計

常用的聲品質的主觀評價方法有排序法、等級評分法、成對比較法和語義細分法等[10]。語義細分法是評價者運用意義相反的形容詞對所聽到的聲音進行等級描述[11]。本文在語義細分法的基礎上開發聲品質連續評價方法和工具，對變工況非平穩噪聲進行連續聲品質評價。在電子計算機上，利用LabVIEW編程語言編制聲品質連續評價軟件，軟件界面見圖3。

在評價者對播放的目標樣本進行聽音的同時，可對照語義細分評價參考形容詞（見圖3與表1），依據對噪聲的實時綜合煩躁度感受程度，利用鼠標拖動滑塊來匹配實時聲品質感受，完成連續綜合煩躁度的記錄。

2.2 主觀評價試驗

本文組織35人構成的聽音評價團，男性25名，女性10名，其中27名為車輛工程專業研究生，16名有2年以上駕齡。在試驗前對評價組成員進行相關培訓，包括對評價指標、評價選項、噪聲樣本和軟件使用等的說明，使得評價者更好的理解實驗目的、理解評價詞匯描述的聲品質特征、預先形成聽覺感受和熟悉試驗的流程及軟件的使用方法，提高聽音評價試驗質量。本文中主觀評價試驗場地選擇為背景噪聲小，房間溫度適宜的實驗室，試驗設備選擇為Lenovo筆記本電腦，板載聲卡，音箱，播放器為自主設計的Labview主觀評價軟件程序，時變聲品質采樣間隔設為50 ms。

圖3 聲品質時變綜合煩躁度主觀評價軟件界面

表1 語義細分法分值設置

2.3 評價值處理

計算每兩位評價者之間的Spearman相關系數，將每個評價者與其他評價人員間的Spearman相關系數取算術平均值求得該評價者的平均相關系數，并剔除平均相關系數較低（低于0.7）的評價者及評價值，對剩余評價人員的評價化的評價結果取均值，得到各噪聲樣本的主觀評價曲線。其中A車a工況下車內噪聲的主觀時變聲品質評價曲線如圖4所示。

圖4 A車在a工況下車內噪聲主觀評價曲線

結合聲品質實時評價反應滯后現象和試驗結果曲線，評價者實時打分存在延遲效應，根據文獻[5–6]，本文中設定延遲時間為1 s，并將各樣本的主觀評價曲線前移1 s，最終得到各噪聲樣本的時變綜合煩躁度主觀評價結果。

3 基于BP神經網絡的時變綜合煩惱度評價

本文利用BP神經網絡逼近主觀評價結果和客觀心理聲學參量之間的非線性關系，建立車內噪聲時變綜合煩躁度客觀評價模型，采用四折交叉法檢驗模型的預測性能。

3.1 BP神經網絡模型建立和驗證

BP神經網絡是多層前饋神經網絡，由輸入層、隱含層和隱含層3部分組成。設置合適的輸入節點數，隱含層節點數和輸出節點數并通過信息的正向傳遞和反向傳播，調整網絡的權值和閾值，實現復雜函數的非線性擬合。圖5為BP神經網絡的拓撲結構，反應其函數映射關系[12]。

圖5 BP神經網絡的拓撲結構

X1,X2,…,Xn是BP神經網絡的輸入值，Y1,Y2,…,Ym是BP神經網絡的預測值，ωij和ωjk為BP網絡權值，n為輸入節點數，m為輸出節點數。

由于1個S型隱含層加上1個線性輸出的神經網絡可逼近任何函數[13]。本文選用3層神經網絡構建時變噪聲的聲品質評價模型。

3.2 時變聲品質評價模型建立和驗證

以50 ms為時間間隔，利用LMS Test.lab軟件分別計算左右耳兩個通道的客觀參數噪聲樣本的A計權聲壓級、響度、粗糙度等心理聲學客觀參量時變值。其中，響度的雙通道合成需要考慮屏蔽效應，采用日本HONDA公司提出的式1計算合成響度[14]。

式中NB為雙耳響度，NL為左耳響度；NR為右耳響度。

其他參數均采用兩耳值的算術平均值，求得各個非平穩噪聲樣本的響度、尖銳度、粗糙度、A計權聲壓級、聲壓級和語義清晰度的時變值。計算其與綜合煩躁度評價結果的相關性，見表2。

表2 客觀參數與主觀評價的Pearson相關系數

時變綜合煩躁度評價結果與響度的Pearson相關系數最高，為0.8233，與A計權聲壓級和語義清晰度的相關性較高，粗糙度、尖銳度和線性聲壓級的相關系數在0.1到0.4之間，相關性較低。語義清晰度和評價值為–0.7943，呈負相關。本文采用響度、A計權聲壓級和語義清晰度作為建立客觀評價模型的特征。將樣本進行歸一化處理，確保所有的數據在0到1之間。圖6為A車在a工況下歸一化后的網絡參量值，在勻速階段，主客觀值都趨于穩定；在加速階段，A計權聲壓級值和響度值上升，語義清晰度值下降，主觀評價值也上升；在減速階段，A計權聲壓級值和響度值下降，語義清晰度值上升，主觀評價值下降。可看出主觀評價值和A計權值與響度值呈正相關趨勢，和語義清晰度值呈負相關趨勢。

圖6 A車在a工況下主觀評價、客觀參量圖

BP神經網絡中隱含層節點數的大小對模型預測結果有著重要的影響。當隱含層節點數過小時，模型學習不充分，影響學習效果；當隱含層節點數過多時，易造成訓練時間過長，訓練過度，導致模型精度降低等的不良后果。根據經驗公式[15]

式中：n為輸入層神經元個數，p為輸出層神經元個數，q為1～10之間的常數。由上文，n=2，p=1，根據上式計算，隱含層節點數在4～13之間。

再用試湊法求得10次不同隱含層節點數的網絡誤差均方根，試驗選得13（見表3）。

本文中，綜合考慮訓練精度和時間問題，試驗選得8。隱含層傳遞函數為tansig函數，輸出層傳遞函數為purelin函數，訓練算法為Levenberg-Marquardt算法[16]。并將訓練參數中期望誤差設立為0.0001，迭代次數為100，學習速率為0.1。

通過四折交叉法對模型進行驗證，取10次試驗的均值，得到誤差為0.3818，方差為0.0947。圖7為A車在a工況下通過BP網絡預測得出的誤差。

表3 不同隱含層節點的網絡誤差均方根

圖7 A車在a工況下輸出值與期望值對比圖

可看出除了在加速階段和中間勻速階段誤差較大，開始勻速階段和減速階段均誤差較小，預測輸出曲線和期望輸出曲線有較高的吻合度，驗證了本文建立的時變綜合煩躁度模型達到預期的效果，對非平穩工況下的綜合煩躁度預測是有效的。

4 結語

本文考慮到實車行駛工況的連續性，在非平穩連續工況下建立時變噪聲庫。組織評價者進行主觀評價試驗，運用語義細分法建立時變綜合煩躁度數據庫。進行相關性分析，得出A計權聲壓級，響度和語義清晰度對時變綜合煩躁度的影響較大。以A計權聲壓級，響度和語義清晰度作為模型輸入參量，運用BP神經網絡對主觀評價值進行預測，建立了時變綜合煩躁度客觀模型。最后通過四折交叉法對模型進行檢驗，表明該模型對實時綜合煩躁度預測有效。此模型簡單且預測較精確，體現了連續工況下汽車噪聲時變聲品質主觀評價值和瞬時客觀參數之間的非線性關系。本文中設定的延遲時間為1 s，在實際中延遲時間會隨主觀評價者不同而有差異，這需要在下一步研究中完善，從而可將此模型用于實車非平穩工況下的噪聲瞬時聲品質評價，提高車內聲品質測量的響應速度，為車輛的聲學設計和聲品質改進提供參考依據。

[1]汪念平，陳劍，鐘秤平.汽車聲品質分析方法與評價流程[J].汽車工程，2007(9)：800-803.

[2]陳雙籍，陳端石.基于心理聲學參數的車內聲品質偏好性評價[J].噪聲與振動控制，2005，25(3)：45-47.

[3]肖淙文.基于SVM的非平穩車內噪聲品質評價系統研究[D].上海：上海工程技術大學，2014.

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

[5]SONOKO KUWANO,SEICHIRO NAMBA.Continuous judgment of level-fluctuating sounds and the relationship between overall loudness and instantaneous loudness[J].Psychological Research,1985,47:27-37.

[6]ETIENNE PARIZET,NACER HAMZAOUI,LIONEL SEGAUD,etal.Continuous evaluation of noise uncomfort in a bus[J].Acta Acustica united with Acustica,Hirzel Verlag(S.Hirzel Verlag),2003,89:900-907.

[7]YOON JI-HYUN,YANG IN-HYUNG,JEONG JAEEUN,et al.Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network model[J].Applied Acoustics,2012,73(11):1099-1103.

[8]KOHAVI R.A study of cross-validation and bootstrap for accuracy estimation and model selection[C].Proc.of the 14th International Joint Conference on Artificial Intelligence.Montreal,Canada:Morgan Kaufmann,1995:1137-1143.

[9]GB 18352.3-2005.輕型汽車污染物排放限值及測量方法(中國Ⅲ、Ⅳ階段)[S].北京：中國標準出版社，2005.

[10]賀巖松，涂梨娥，徐中明，等.汽車聲品質研究綜述[J].汽車工程學報，2014(6)：391-401.

[11]BODDEN M,HEINRICHS R,LINOW A,et al.Sound quality evaluation of interior vehicle noise using an efficient psychoacoustic method[C].Proc.of the 3rd European Conference on Noise Control-Euronoise,1998,98:609-614.

[12]XMATLAB中文論壇.MATLAB神經網絡30個案列分析[M].北京：北京航空航天大學出版社，2010：1-2.

[13]ROBERT H N.Theory of the back-propagation neural network[J].Neural Networks,1989(1):593-605.

[14]DIN 45692,Measurement technique for the simulation of the auditory sensation of sharpness[S].Berlin:Beuth Verlag,2009.

[15]程嶼菲，聶規劃.BP網絡在企業管理巾的應用研究[J]．武漢理工大學學報(信息與工程版)，2004，26(4)：139-142.

[16]張京軍，王二成，何麗麗，等.基于BP神經網絡的壓電智能結構振動系統辨識[J].噪聲與振動控制，2008，28(3)：35-38.