基于GA-BP神经网络的柴油机噪声品质评价方法

彭 涛,周 亨,邓维敏

（重庆交通大学 重庆 400074）

现在生活水平的提高，汽车噪声的问题渐渐的成为主要的环境污染。对于使用柴油机的汽车，柴油机是主要的噪声源，它越来越引起厂家的重视，一些大型厂家不惜投入大量资金去研究与控制柴油机噪声。因此，提高主观对柴油机噪声评价的准确性，优化内燃机的设计，具有重要的意义。

现目前国内外关于噪声的品质评价（SQE）提出了几十种评价指标，其中的A计权声级广泛用于内燃机噪声的评价，但是人耳对于声音的主观评价是一个非线性过程，它难以反映噪声对于人的主观感受[1]。而BP神经网络对于人的主观评价是一个非线性的逼近。但BP神经网络是基于梯度法，其收敛速度慢，且易于陷入局部极小值的困扰，非常影响评估的精度。而遗传算法(GA)全局搜索能力强，可以利用遗传算法优化BP神经网络的权重和阈值，从而改进BP网络性能，克服BP神经网络陷入局部极小值的缺点，实现全局收敛，提高神经网络泛化能力和评估准确性．

针对柴油机噪声的特点,本文在借鉴有关BP神经网络的柴油机噪声的评价方法的基础之上进行了改进[2-3]，结合遗传算法与BP神经网络的优点，根据柴油机噪声对于人主观感受的影响，建立了GA-BP网络预测模型。结果表明：对该模型的评估方法是有效的，收敛速度也比BP神经网络快，评估结果也是准确的与人的主观评价结构吻合良好，具有可靠性。

1 BP神经元网络结构及遗传算法

1.1 BP网络

BP 网络是一种单向传播的多层前馈神经网络，其主要特点是信号前向传播，误差反向传播,在前向传播中，输入信号从输入层经隐含层逐层处理，直至输出层。每一层的神经元状态只影响下一层神经元状态，如果输出层得不到期望输出，则转入反向传播，根据预测误差调整网络权值和阈值，从而使BP神经网络预测输出不断逼近期望输出[4]。由非线性变换单元组成的BP神经网络，不仅结构简单(仅含输入，输出和隐节点3层)，而且具有良好的适应性与自学能力，能够解决复杂的非线性问题。通过分析，此法在噪声评价中选用该模型是可行的。但是BP网络的缺点稳定性差，收敛速度很慢，如果初值选取不当，可能造成不收敛，或者收敛于局部极值得情况。

1.2 遗传算法

遗传算法起源于对生物系统所进行的计算机模拟研究。它是模拟生物在自然环境中的遗传和进化过程而形成的一种自适应全局优化方法。基于这一大特点，可以利用遗传算法优化BP神经网络的初始权重。遗传算法是将问题的求解表示成“染色体”，将其置于问题的“环境”中，进行编码，根据达尔文的进化论原则，从中选择出适应环境的 “染色体”（即适用度高的个体）进行复制，再通过交叉(crossover)、变异(mutation)两种基因操作产生出新一代更适合环境的种群，这样一代代不断改进，最后收敛到一定的精度条件，从而求得问题的最佳解。基本遗传算法可表示为如公式（1）[5]

SGA=（C,E,P0,M,Φ，Γ，Ψ，T） (1)

式中：C—个体编码方法;E—个体适应度评价函数;P0—初始种群;M—种群大小;Φ—选择算子;Γ—交叉算子;Ψ—变异算子;T—遗传算法终止

1.3 GA－BP神经网络模型

利用GA与BP神经网络所具有的的特点，本文将二者相结合，形成GA-BP算法，先利用遗传算法将BP网络的初始权值进行优化，再由BP网络进行训练，该方法充分利用遗传算法的全局寻优能力，可以避免局部收敛的情况发生。提高收敛的速度。遗传算法优化BP神经网络的流程图如图1所示。

图1 GA-BP算法流程图Fig.1 GA-BP algorithm flowing chart

2 柴油机噪声品质GA-BP网络模型建立

2.1 网络结构确立

选择柴油机噪声的声品质主观评价值（满意度指数）作为网络输出。与柴油机声品质评价有关的心理学特性，主要包括4个方面，这其中包括尖锐度，粗糙度，波动强度，响度，本文把上述四个方面作为网络的输入[6]，输出层为1个节点，表示为主观评价结果。隐含层节点数的选取根据经验公式n=+k，其中m为输入层节点数，n为输出层节点数，k为1～10的常数。本文n取5。在兼顾精度与网络结构尽量简单的情况之下选择3层网络结构，其拓扑结构见图2，隐层激活函数选择y=logsig(x)线性传递函数；输出层激活函数选择y=pureline(x)线性传递函数[7]。

图2 神经网络拓扑结构Fig.2 Neural network topology

2.2 神经网络数据采集

噪声的响度，尖锐度，波动度，粗糙度，音调度等因素影响人的主观评价，其中尖锐度，粗糙度，波动度，响度起着主要因素[8]。笔者采集到了某国产轿车上柴油机在不同转速及不同工况下的柴油机噪声的尖锐度，粗糙度，波动度，响度。采用分类成对比较法来进行听审测试，其中评审团选用有一定噪声经验的25名评价主体组成，年龄大体在25～35之间,并用成对比较法[9]对评审团进行培训。其组成如下表1。并把采集到的噪声样本在密闭的实验室内反复的播放2到3次。按照等级评分法，选取1-10分，主观感觉从很舒服到烦躁再到非常烦躁,结果经过筛选后取平均值。表2为部分柴油机噪声样本及测试数据。

表1 评审团组成Tab.1The jury

2.3 网络训练及其数据处理

2.3.1 参数设定

对于GA-BP网络模型，设定期望误差为0.002 5，学习效率定位0.2，训练轮回定位50 000次。遗传算法参数设置，种群规模为80，进化次数为200，交叉概率为0.4，变异概率为0.03，利用MATLAB中的遗传算法工具箱对它求解，并且把解作为BP网络的初始权值跟阀值。

2.3.2 数据处理

由于采集到的数据值得分布不在一个尺度上，并且他们不在一个数量级上，在训练前，需要对数据进行规范化处理，把表示5个特征的数据都规范到0到1，这样使得它们对模型的影响具有同样的尺度。其中尖锐度，粗糙度，波动强度，响度与主观评分值成正相关用公式（2）进行处理

表2 为部分柴油机噪声样本及测试数据Tab.2 Part of the diesel engine noise samples and test datas

其中yi为归一化处理后的值，xi为原始数据,xmin和xmax为该组信号中的最小值跟最大值

3 GA-BP网络训练及其与BP网络结果对比

1)BP算法仿真结果：网络结构选取1～60号数据作为训练样本，61～65号样本为检验样本。为了验证GA-BP神经网络模型的有效性，利用MATLAB神经网络工具箱分别对GA-BP神经网络和BP神经网络进行训练与仿真对比。图3为BP神经网络和输出的仿真结果，从图中可以看出，BP算法在经过2 885次迭代后达到目标精度。

图3 BP算法误差曲线Fig.3 BP algorithm error curve

2)GA-BP算法仿真结果：网络结构同样选取3-6-1三层结构。根据前面设置的遗传算法参数进行仿真，得到的结果如图4所示。算法经过1 183次迭代后达到目标精度。

图4 GA-BP算法误差曲线Fig.4 GA-BP algorithm error curve

通过对比结果可以发现，GA-BP算法明显优越BP算法。不仅在初始误差上小于BP算法，并且迭代次数也远远小于BP算法。而且不会陷入局部最优解。

表3为5样本在两种网络模型下的实测值与真实值的相对误差统计。从标准可以看出，BP算法的相对误差明显高于GA-BP算法的相对误差；GA-BP神经网络的准确性更高，能够很好的预测出人的主观评价结果。

表3 两种网络模型下的实测值与真实值的相对误差统计Tab.3 Relative errorstatistics of the measured values and the real valueunder twokinds of network models

4 结论

1）文中提出的GA-BP神经网络对于柴油机噪声品质评价，既满足了噪声主观评价的非线性关系，又克服了BP神经网络收敛速度低、易陷入局部极小值的缺点.Matlab仿真结果表明，GA-BP神经网络的柴油机噪声品质评价模型具有很高的泛化能力,稳定性和评估准确性，为柴油机噪声主观评价提供了可靠的辅助支持，也节约了大量的人力与财力。

2）目前，遗传算法与BP神经网络结合的方法，主要还是利用遗传算法来优化BP神经网络的权值和阈值，但是如何用遗传算法来优化BP神经网络的结构 （其隐含层还主要是利用经验公式去判断），则至今尚未有成熟的理论与方法，因此如何利用遗传算法来进一步优化BP神经网络结构，使之有更准确的评估结果还值得进一步研究。

[1]张群，卫海桥.高压共轨发动机降噪及其性能对噪声的影响[J].机械工程学报，2009，45(11)：58-64.ZHANG Qun,WEI Hai-qiao.Noise Reduction of Migh--pressure Common--rail Engine and the Impact of Engine Performances on the Noise [J].JournalofMechanical Engineering,2009，45(11)：58-64.

[2]段敏，王岩松，石晶.基于神经网络的发动机噪声预测[J].汽车工程，2002，24（6）：507-509.DUAN Min,WANG Yan-song,SHI Jing.Prediction of the noise in engine based on neural network[J]．Automotive Engineering,2002，24（6）：507-509.

[3]刘海，张俊红，张桂昌，等．车用柴油机噪声品质预测模型的建立[J]．机械工程学报，2012,48（2）：159-163．LIU Hai,ZHANG Jun-hong,ZHANG Gui-chang,etc.Prediction model for diesel engine noise quality[J].Journal of Mechanical Engineering,2012,48（2）：159-163．

[4]史忠植．神经网络[M]．北京：高等教育出版社，2009:49-56．

[5]雷英杰，张善文，李续武.MATLAB遗传算法工具箱及应用[M]．西安：西安电子科技大学出版社，2005.

[6]曾发林，李猛．基于神经网络的噪声品质评价方法[J]．噪声与振动控制，2008,28（3）：131-134．ZENG Fa-fin,LI Meng.Method of Evaluating Noise Quality Based on Neural Network[J]．Noise and Vibration Control，2008,28（3）：131-134．

[7]张德峰.MATLAB神经网络应用设计[M]．北京：机械工业出版社，2012.

[8]Hasting A L.Sound quality ofdieselengines[M]．West Lafayette:Purdue University,2004.

[9]毛东兴，俞悟周．声品质成对比较主观评价的数据检验及判据[J]．声学学报，2005，30(5)：468-472．MAO Dong-xing,YU Wu-zhou.Statistical validation and criterion forpaired comparsion data in sound quality evaluation[J]．Acta Acustica,2005，30(5)：468-472.