徐中明，謝耀儀，賀巖松，張志飛，涂梨娥

(1.重慶大學(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400030;2.重慶大學(xué)汽車工程學(xué)院，重慶 400030)

基于粒子群－向量機(jī)的汽車加速噪聲評(píng)價(jià)

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(xué)機(jī)械傳動(dòng)國(guó)家重點(diǎn)實(shí)驗(yàn)室，重慶 400030;2.重慶大學(xué)汽車工程學(xué)院，重慶 400030)

以乘用車由50 km/h加速到100 km/h時(shí)的噪聲信號(hào)為評(píng)價(jià)對(duì)象，用成對(duì)比較法對(duì)車內(nèi)加速噪聲品質(zhì)偏好性進(jìn)行主觀評(píng)價(jià)實(shí)驗(yàn)，獲得每個(gè)樣本的偏好性評(píng)價(jià)值。計(jì)算各噪聲樣本的主要心理聲學(xué)客觀參數(shù)并進(jìn)行相關(guān)分析。鑒于評(píng)價(jià)者對(duì)非穩(wěn)態(tài)噪聲主觀評(píng)價(jià)過程的復(fù)雜性，建立支持向量機(jī)(Support Vector Machine，SVM)的主客觀評(píng)價(jià)模型，并利用粒子群優(yōu)化算法(Particle Swarm Optimization，PSO)對(duì)模型參數(shù)進(jìn)行優(yōu)化。為對(duì)比優(yōu)化后預(yù)測(cè)效果，建立BP神經(jīng)網(wǎng)絡(luò)回歸模型。結(jié)果表明，優(yōu)化后的粒子群－向量機(jī)回歸模型用于噪聲聲品質(zhì)評(píng)價(jià)能獲得更好的預(yù)測(cè)效果，可較大程度提高聲品質(zhì)預(yù)測(cè)精度。

加速;聲品質(zhì);主客觀評(píng)價(jià);粒子群;向量機(jī)

汽車加速噪聲直接影響乘員的舒適性、語(yǔ)言清晰度及對(duì)車外各種聲音信號(hào)識(shí)別能力，因此車內(nèi)加速聲音品質(zhì)成為評(píng)價(jià)、選購(gòu)某款汽車的重要因素之一。鐘秤平等［1］計(jì)算加速噪聲的客觀心理聲學(xué)參數(shù)，通過相關(guān)分析及多元線性回歸方法建立汽車加速噪聲品質(zhì)偏好性評(píng)價(jià)數(shù)學(xué)模型，并用頻域?yàn)V波技術(shù)識(shí)別出指定頻率段對(duì)車內(nèi)噪聲偏好性影響;申秀敏等［2］以燃料電動(dòng)車怠速噪聲樣本為對(duì)象，首次提出用BP神經(jīng)網(wǎng)絡(luò)的方法確定聲品質(zhì)客觀參數(shù)對(duì)主觀評(píng)價(jià)結(jié)果影響權(quán)重。由于人主觀評(píng)價(jià)的隨機(jī)性，評(píng)價(jià)結(jié)果與心理聲學(xué)客觀參量之間存在較大非線性關(guān)系［3］，導(dǎo)致線性回歸模型不能較好映射主客觀評(píng)價(jià)間復(fù)雜的非線性關(guān)系，評(píng)價(jià)結(jié)果不理想。本文通過主客觀兩種評(píng)價(jià)方法計(jì)算汽車在加速工況下車內(nèi)聲品質(zhì)客觀參數(shù)，并用成對(duì)比較法進(jìn)行主觀評(píng)價(jià)實(shí)驗(yàn)。通過相關(guān)分析找出影響主觀評(píng)價(jià)值的主要心理聲學(xué)參數(shù)。構(gòu)建支持向量機(jī)的加速噪聲主客觀預(yù)測(cè)模型，利用粒子群優(yōu)化算法對(duì)向量機(jī)模型參數(shù)進(jìn)行優(yōu)化，通過誤差對(duì)比發(fā)現(xiàn)，優(yōu)化后的粒子群－向量機(jī)模型預(yù)測(cè)精度優(yōu)于原始的向量機(jī)模型及神經(jīng)網(wǎng)絡(luò)模型。

1 汽車加速噪聲樣本采集

1.1 原始信號(hào)采集

本試驗(yàn)參照GB/T18697中對(duì)車內(nèi)噪聲測(cè)量方法，測(cè)試路段選在某車輛較少高速路段，用B＆K雙耳麥克風(fēng)(Binaural Microphone Type 4101)及B＆K 6通道采集器記錄車內(nèi)噪聲信號(hào)。雙耳麥克風(fēng)分別由副駕駛員及左后排乘員佩戴。為便于數(shù)據(jù)截取及分析，用Race－Technology GPS慣性測(cè)速儀SPEEDBOX實(shí)時(shí)記錄速度。用3款不同車型的自動(dòng)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(fēng)加速噪聲、車速信號(hào)見圖1。

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

1.2 聲樣本預(yù)處理

通過對(duì)采集數(shù)據(jù)試聽、分析，按車速截取加速噪聲樣本，考慮聽審實(shí)驗(yàn)時(shí)間與噪聲樣本數(shù)的平方成正比，噪聲樣本過多會(huì)致評(píng)價(jià)者疲勞度增加，從而降低評(píng)價(jià)準(zhǔn)確度，而樣本過少難以全面真實(shí)反應(yīng)評(píng)價(jià)者對(duì)聲音樣本的偏好性，本文選11個(gè)滿意噪聲樣本。在PLUSE軟件中截取所選聲樣本，用于主觀評(píng)價(jià)的樣本信號(hào)長(zhǎng)度為7 s。

2 主觀評(píng)價(jià)及分析

2.1 評(píng)價(jià)實(shí)驗(yàn)設(shè)計(jì)

用成對(duì)比較法［4］進(jìn)行主觀評(píng)價(jià)實(shí)驗(yàn)。選22名男生、6名女生計(jì)28名無聽力障礙、身體狀況良好的在校研究生為聽審者進(jìn)行評(píng)價(jià)實(shí)驗(yàn)。

2.2 實(shí)驗(yàn)誤差判定

聲品質(zhì)主觀評(píng)價(jià)過程實(shí)際為心理測(cè)驗(yàn)過程，可通過人為設(shè)計(jì)相關(guān)試驗(yàn)［5］進(jìn)行評(píng)價(jià)結(jié)果可靠性檢驗(yàn)。內(nèi)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(huán)誤差判定。利用Matlab編寫相應(yīng)程序，分別統(tǒng)計(jì)聽審者在三種錯(cuò)誤類型中的誤判率，以計(jì)權(quán)一致性系數(shù)判斷數(shù)據(jù)的有效性，計(jì)算式為式中:Ci為第i種誤判實(shí)際產(chǎn)生的誤判率;Ei為第i種誤判可能產(chǎn)生的次數(shù)。

各評(píng)價(jià)者最終計(jì)權(quán)一致性系數(shù)見表1。為提高主觀評(píng)價(jià)試驗(yàn)精度，剔除計(jì)權(quán)一致性系數(shù)低于0.8的評(píng)價(jià)結(jié)果，剩余22組評(píng)價(jià)結(jié)果，剩余評(píng)價(jià)者的平均計(jì)權(quán)一致性系數(shù)為0.88，遠(yuǎn)超0.7～0.8以上［5］，因此本次聽審實(shí)驗(yàn)結(jié)果可信度較高。

表1 評(píng)價(jià)者計(jì)權(quán)一致性系數(shù)Tab.1 The weighted consistency coefficient of evaluators

2.3 主觀評(píng)價(jià)結(jié)果

將滿足誤差要求的評(píng)價(jià)結(jié)果取平均值，獲得每個(gè)加速噪聲最終偏好性得分，見表2。

表2 聲樣本主觀評(píng)價(jià)得分Tab.2 The subjective evaluation score of sound samples

3 客觀參數(shù)及相關(guān)分析

3.1 心理聲學(xué)參數(shù)及計(jì)算

心理聲學(xué)參數(shù)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(dòng)度、粗糙度等主要心理聲學(xué)參數(shù)進(jìn)行分析。利用PULSE軟件計(jì)算出11個(gè)加速噪聲樣本平均聲學(xué)客觀參數(shù)值及相應(yīng)的A計(jì)權(quán)聲壓級(jí)、聲壓級(jí)峰值，具體數(shù)據(jù)見表3。

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

3.2 相關(guān)分析

為研究加速噪聲偏好性主觀評(píng)價(jià)得分與心理聲學(xué)客觀參數(shù)之關(guān)系，用SPSS應(yīng)用統(tǒng)計(jì)學(xué)軟件對(duì)主觀聽審實(shí)驗(yàn)所得偏好性得分與客觀參數(shù)值進(jìn)行相關(guān)分析。結(jié)果見表4。由表4看出，響度與偏好性相關(guān)性最高，達(dá)0.896，表明響度對(duì)偏好性影響起重要作用。除響度外，尖銳度、粗糙度、A聲級(jí)相關(guān)性分別為0.735、0.803、0.826。抖動(dòng)度相關(guān)性為0.606，表明在非穩(wěn)態(tài)噪聲中，抖動(dòng)度對(duì)評(píng)價(jià)者偏好性也有一定影響。

表4 主觀偏好性與客觀參數(shù)相關(guān)性Tab.4 The correlation of subjectivepreferences and objective parameters

4 粒子群－向量機(jī)預(yù)測(cè)模型

鑒于評(píng)價(jià)者對(duì)噪聲偏好性主觀評(píng)價(jià)過程的復(fù)雜性，本文采用向量機(jī)(SVM)對(duì)噪聲主觀評(píng)價(jià)得分進(jìn)行預(yù)測(cè)。為提高向量機(jī)預(yù)測(cè)精度，用粒子群優(yōu)化算法(PSO)對(duì)向量機(jī)懲罰因子c及核函數(shù)參數(shù)g進(jìn)行優(yōu)化選擇。

4.1 支持向量機(jī)(SVM)

支持向量機(jī)方法建立在統(tǒng)計(jì)學(xué)習(xí)理論的VC維理論及結(jié)構(gòu)風(fēng)險(xiǎn)最小原理基礎(chǔ)上［6］，據(jù)有限樣本信息在模型的復(fù)雜性及學(xué)習(xí)能力間尋求最佳折衷，以獲得最好的推廣能力。

對(duì)函數(shù)F(x)=wx+b，設(shè)樣本數(shù)據(jù)為{(xi，yi)，i= 1，2…，n}，xi∈Rd，yi∈R。設(shè)存在函數(shù)F在ε精度能估計(jì)所有(xi，yi)數(shù)據(jù)，則尋找最小w問題可表示為凸優(yōu)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(jīng)推導(dǎo)可得由式(5)～式(7)聯(lián)合構(gòu)成的優(yōu)化問題對(duì)偶問題，即

通過訓(xùn)練樣本獲得合適的ai，a，b即可對(duì)數(shù)據(jù)進(jìn)行回歸預(yù)測(cè)。其中(xix)對(duì)應(yīng)不同核函數(shù)，本文選高斯徑向基函數(shù)為核函數(shù)，即

式中:σ2為核函數(shù)參數(shù)，用g表示，在SVM模型建立中c及g的選擇對(duì)模型回歸預(yù)測(cè)精度有較大影響。為提高預(yù)測(cè)精度，本文利用SVM對(duì)噪聲主觀評(píng)價(jià)結(jié)果回歸預(yù)測(cè)前利用粒子群優(yōu)化算法對(duì)向量機(jī)c，g優(yōu)化選擇。

4.2 粒子群優(yōu)化算法(PSO)

粒子群優(yōu)化算法為進(jìn)化計(jì)算技術(shù)，利用群體中個(gè)體對(duì)信息共享使整個(gè)群體運(yùn)動(dòng)在問題求解空間中產(chǎn)生從無序到有序的演化過程，從而獲得最優(yōu)解［7］。設(shè)D維空間中經(jīng)k次迭代，第i個(gè)粒子速度、位置分別記為、，每個(gè)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(shù)不同取值。個(gè)體位置極值及全局位置極值分別記為pbest、gbest。故粒子i進(jìn)行k次迭代時(shí)速度、位置更新計(jì)算式［8］為

式中:w為保持原速度的慣性權(quán)重系數(shù);c1為粒子跟蹤自己歷史最優(yōu)值的權(quán)重系數(shù)，表示粒子自身認(rèn)識(shí);c2為粒子跟蹤群體最優(yōu)值的權(quán)重系數(shù)，表示粒子對(duì)整個(gè)群體認(rèn)識(shí);c1，c2通常不大于2;r1，r2為［0，1］的隨機(jī)數(shù)。

4.3 粒子群－向量機(jī)模型(PSO-SVM)

通過Matlab編寫PSO－SVM程序，用粒子群優(yōu)化算法對(duì)向量機(jī)參數(shù)c，g優(yōu)化選擇，再用優(yōu)化后向量機(jī)模型對(duì)加速噪聲主觀評(píng)價(jià)結(jié)果進(jìn)行SVM回歸預(yù)測(cè)，優(yōu)化后預(yù)測(cè)精度較優(yōu)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(shù)優(yōu)化選擇適應(yīng)度MSEFig.3 The fitness MSE of c and g parameter optimization

粒子群優(yōu)化選擇參數(shù)c，g過程中SVM均方誤差適應(yīng)度見圖3。圖中，c1=1.5，c2=1.7，終止代數(shù)為200，種群數(shù)量為20，cbest=31.221 4，g=0.01，CVmse= 0.023 19。粒子群優(yōu)化適應(yīng)度表示給出的粒子位置對(duì)優(yōu)化結(jié)果好壞評(píng)價(jià)標(biāo)準(zhǔn)，圖3反映出向量機(jī)c，g參數(shù)在不同迭代次數(shù)下預(yù)測(cè)值與真實(shí)值的均方誤差，藍(lán)、紅線條分別為當(dāng)前所有迭代次數(shù)下平均均方誤差及最小均方誤差。優(yōu)化后的c，g最優(yōu)取值分別為31.22及0.01，由圖3看出，經(jīng)參數(shù)優(yōu)化的向量機(jī)模型精度較高。

5 回歸模型精度比較

為驗(yàn)證PSO－SVM回歸模型的預(yù)測(cè)效果，建立BP神經(jīng)網(wǎng)絡(luò)偏好性預(yù)測(cè)模型。

5.1 BP神經(jīng)網(wǎng)絡(luò)模型

BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練規(guī)則為用快速下降法通過反向傳播不斷調(diào)整網(wǎng)絡(luò)權(quán)值、閾值，使網(wǎng)絡(luò)誤差平方和最小，網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)含輸入層、隱含層及輸出層［9］。通過Matlab編寫B(tài)P網(wǎng)絡(luò)程序。由于一個(gè)三層的神經(jīng)網(wǎng)絡(luò)可完成任意映射，本文BP網(wǎng)絡(luò)用三層結(jié)構(gòu)，即以1 ～8號(hào)噪聲樣本響度、尖銳度、粗糙度、抖動(dòng)度及A計(jì)權(quán)聲壓級(jí)5個(gè)聲學(xué)參數(shù)為輸入量，輸入層神經(jīng)元個(gè)數(shù)n= 5;以1～8號(hào)加速噪聲偏好性得分為輸出量，輸出層取節(jié)點(diǎn)數(shù)p=1;隱含層個(gè)數(shù)尚無確定性理論指導(dǎo)，故由計(jì)算式［10］確定，即

式中:m為確定的隱含層個(gè)數(shù);α為1～10間常數(shù)，本文取a=10，則m=12。所建BP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)為5－12－1，見圖4。

圖4 神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.4 The structure diagram ofneural network

5.2 偏好性預(yù)測(cè)模型誤差對(duì)比

為比較PSO－SVM、SVM、神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)精度，以9～ 11號(hào)噪聲為測(cè)試樣本，預(yù)測(cè)結(jié)果、誤差見表5、表6。由兩表看出，向量機(jī)SVM能按較少樣本信息尋求模型學(xué)習(xí)精度與樣本識(shí)別能力間最佳平衡點(diǎn)，預(yù)測(cè)精度明顯高于BP神經(jīng)網(wǎng)絡(luò)模型;通過粒子群優(yōu)化后的PSOSVM模型最大相對(duì)誤差為3.3%，較優(yōu)化前的SVM向量機(jī)模型，預(yù)測(cè)精度大幅度提高。

表5 偏好性模型預(yù)測(cè)結(jié)果Tab.5 The prediction results of preferences model

表6 偏好性模型預(yù)測(cè)誤差Tab.6 The prediction deviation of preferences model

6 結(jié)論

(1)本文利用成對(duì)比較法完成汽車內(nèi)加速噪聲主觀評(píng)價(jià)實(shí)驗(yàn)，并利用Matlab編寫相關(guān)程序驗(yàn)證主觀評(píng)價(jià)得分的可靠性，通過SPSS統(tǒng)計(jì)分析獲得噪聲客觀心理參數(shù)與主觀偏好性間相關(guān)性。

(2)通過SVM向量機(jī)建立主客觀預(yù)測(cè)模型，并用粒子群優(yōu)化算法對(duì)SVM向量基懲罰因子及核函數(shù)參數(shù)進(jìn)行優(yōu)化。經(jīng)粒子群優(yōu)化后的向量機(jī)模型預(yù)測(cè)精度遠(yuǎn)優(yōu)于傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)模型。

［1］鐘秤平，陳劍，汪念平.車內(nèi)噪聲聲品質(zhì)偏好性評(píng)價(jià)與分析實(shí)驗(yàn)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(zhì)客觀評(píng)價(jià)參量的權(quán)重［J］.振動(dòng)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(nèi)噪聲聲品質(zhì)的神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)［J］.聲學(xué)技術(shù)，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(nèi)聲品質(zhì)主觀評(píng)價(jià)與分析方法的研究［D］.上海:同濟(jì)大學(xué)，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(yōu)化的故障特征提取技術(shù)研究［J］.振動(dòng)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(yōu)化聚類的汽輪機(jī)組振動(dòng)故障診斷［J］.振動(dòng)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(jīng)網(wǎng)絡(luò)模型的車門關(guān)閉聲聲品質(zhì)評(píng)價(jià)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(guó)家自然科學(xué)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(dǎo)師，1963年生郵箱:xuzm@cqu.edu.cn