基于粒子群－向量机的汽车加速噪声评价

徐中明，谢耀仪，贺岩松，张志飞，涂梨娥

(1.重庆大学机械传动国家重点实验室，重庆 400030;2.重庆大学汽车工程学院，重庆 400030)

基于粒子群－向量机的汽车加速噪声评价

徐中明1，2，谢耀仪2，贺岩松2，张志飞1，2，涂梨娥2

(1.重庆大学机械传动国家重点实验室，重庆 400030;2.重庆大学汽车工程学院，重庆 400030)

以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象，用成对比较法对车内加速噪声品质偏好性进行主观评价实验，获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性，建立支持向量机(Support Vector Machine，SVM)的主客观评价模型，并利用粒子群优化算法(Particle Swarm Optimization，PSO)对模型参数进行优化。为对比优化后预测效果，建立BP神经网络回归模型。结果表明，优化后的粒子群－向量机回归模型用于噪声声品质评价能获得更好的预测效果，可较大程度提高声品质预测精度。

加速;声品质;主客观评价;粒子群;向量机

汽车加速噪声直接影响乘员的舒适性、语言清晰度及对车外各种声音信号识别能力，因此车内加速声音品质成为评价、选购某款汽车的重要因素之一。钟秤平等［1］计算加速噪声的客观心理声学参数，通过相关分析及多元线性回归方法建立汽车加速噪声品质偏好性评价数学模型，并用频域滤波技术识别出指定频率段对车内噪声偏好性影响;申秀敏等［2］以燃料电动车怠速噪声样本为对象，首次提出用BP神经网络的方法确定声品质客观参数对主观评价结果影响权重。由于人主观评价的随机性，评价结果与心理声学客观参量之间存在较大非线性关系［3］，导致线性回归模型不能较好映射主客观评价间复杂的非线性关系，评价结果不理想。本文通过主客观两种评价方法计算汽车在加速工况下车内声品质客观参数，并用成对比较法进行主观评价实验。通过相关分析找出影响主观评价值的主要心理声学参数。构建支持向量机的加速噪声主客观预测模型，利用粒子群优化算法对向量机模型参数进行优化，通过误差对比发现，优化后的粒子群－向量机模型预测精度优于原始的向量机模型及神经网络模型。

1 汽车加速噪声样本采集

1.1 原始信号采集

本试验参照GB/T18697中对车内噪声测量方法，测试路段选在某车辆较少高速路段，用B＆K双耳麦克风(Binaural Microphone Type 4101)及B＆K 6通道采集器记录车内噪声信号。双耳麦克风分别由副驾驶员及左后排乘员佩戴。为便于数据截取及分析，用Race－Technology GPS惯性测速仪SPEEDBOX实时记录速度。用3款不同车型的自动档汽车，分别以缓加速、全油门加速两种方式由50 km/h到100 km/h。采集的双耳麦克风加速噪声、车速信号见图1。

图1 副驾驶员处加速噪声与速度原始信号Fig.1 The acceleration noise and speed signal in co－pilot seat

1.2 声样本预处理

通过对采集数据试听、分析，按车速截取加速噪声样本，考虑听审实验时间与噪声样本数的平方成正比，噪声样本过多会致评价者疲劳度增加，从而降低评价准确度，而样本过少难以全面真实反应评价者对声音样本的偏好性，本文选11个满意噪声样本。在PLUSE软件中截取所选声样本，用于主观评价的样本信号长度为7 s。

2 主观评价及分析

2.1 评价实验设计

用成对比较法［4］进行主观评价实验。选22名男生、6名女生计28名无听力障碍、身体状况良好的在校研究生为听审者进行评价实验。

2.2 实验误差判定

声品质主观评价过程实际为心理测验过程，可通过人为设计相关试验［5］进行评价结果可靠性检验。内容包括相同声事件误差判定、不同回放顺序误差判定、三角循环误差判定。利用Matlab编写相应程序，分别统计听审者在三种错误类型中的误判率，以计权一致性系数判断数据的有效性，计算式为式中:Ci为第i种误判实际产生的误判率;Ei为第i种误判可能产生的次数。

各评价者最终计权一致性系数见表1。为提高主观评价试验精度，剔除计权一致性系数低于0.8的评价结果，剩余22组评价结果，剩余评价者的平均计权一致性系数为0.88，远超0.7～0.8以上［5］，因此本次听审实验结果可信度较高。

表1 评价者计权一致性系数Tab.1 The weighted consistency coefficient of evaluators

2.3 主观评价结果

将满足误差要求的评价结果取平均值，获得每个加速噪声最终偏好性得分，见表2。

表2 声样本主观评价得分Tab.2 The subjective evaluation score of sound samples

3 客观参数及相关分析

3.1 心理声学参数及计算

心理声学参数为描述不同噪声造成主观感受差异程度的客观物理量。本文选尖锐度、响度、抖动度、粗糙度等主要心理声学参数进行分析。利用PULSE软件计算出11个加速噪声样本平均声学客观参数值及相应的A计权声压级、声压级峰值，具体数据见表3。

表3 声样本客观参数Tab.3 The objective parameters of sound samples

3.2 相关分析

为研究加速噪声偏好性主观评价得分与心理声学客观参数之关系，用SPSS应用统计学软件对主观听审实验所得偏好性得分与客观参数值进行相关分析。结果见表4。由表4看出，响度与偏好性相关性最高，达0.896，表明响度对偏好性影响起重要作用。除响度外，尖锐度、粗糙度、A声级相关性分别为0.735、0.803、0.826。抖动度相关性为0.606，表明在非稳态噪声中，抖动度对评价者偏好性也有一定影响。

表4 主观偏好性与客观参数相关性Tab.4 The correlation of subjectivepreferences and objective parameters

4 粒子群－向量机预测模型

鉴于评价者对噪声偏好性主观评价过程的复杂性，本文采用向量机(SVM)对噪声主观评价得分进行预测。为提高向量机预测精度，用粒子群优化算法(PSO)对向量机惩罚因子c及核函数参数g进行优化选择。

4.1 支持向量机(SVM)

支持向量机方法建立在统计学习理论的VC维理论及结构风险最小原理基础上［6］，据有限样本信息在模型的复杂性及学习能力间寻求最佳折衷，以获得最好的推广能力。

对函数F(x)=wx+b，设样本数据为{(xi，yi)，i= 1，2…，n}，xi∈Rd，yi∈R。设存在函数F在ε精度能估计所有(xi，yi)数据，则寻找最小w问题可表示为凸优化问题，即

约束条件为

若误差超过ε，则可引入松弛因子ξ，ξ*。因此上式可写为

约束条件改为

式中:ξi≥0;ξi*≥0;c为惩罚因子。

经推导可得由式(5)～式(7)联合构成的优化问题对偶问题，即

通过训练样本获得合适的ai，a，b即可对数据进行回归预测。其中(xix)对应不同核函数，本文选高斯径向基函数为核函数，即

式中:σ2为核函数参数，用g表示，在SVM模型建立中c及g的选择对模型回归预测精度有较大影响。为提高预测精度，本文利用SVM对噪声主观评价结果回归预测前利用粒子群优化算法对向量机c，g优化选择。

4.2 粒子群优化算法(PSO)

粒子群优化算法为进化计算技术，利用群体中个体对信息共享使整个群体运动在问题求解空间中产生从无序到有序的演化过程，从而获得最优解［7］。设D维空间中经k次迭代，第i个粒子速度、位置分别记为、，每个粒子均保存自己的最好位置，本文中粒子位置代表c、g参数不同取值。个体位置极值及全局位置极值分别记为pbest、gbest。故粒子i进行k次迭代时速度、位置更新计算式［8］为

式中:w为保持原速度的惯性权重系数;c1为粒子跟踪自己历史最优值的权重系数，表示粒子自身认识;c2为粒子跟踪群体最优值的权重系数，表示粒子对整个群体认识;c1，c2通常不大于2;r1，r2为［0，1］的随机数。

4.3 粒子群－向量机模型(PSO-SVM)

通过Matlab编写PSO－SVM程序，用粒子群优化算法对向量机参数c，g优化选择，再用优化后向量机模型对加速噪声主观评价结果进行SVM回归预测，优化后预测精度较优化前有较大程度提高，PSO－SVM流程见图2。

图2 PSO－SVM流程图Fig.2 The flow diagram of PSO－SVM

图3 c，g参数优化选择适应度MSEFig.3 The fitness MSE of c and g parameter optimization

粒子群优化选择参数c，g过程中SVM均方误差适应度见图3。图中，c1=1.5，c2=1.7，终止代数为200，种群数量为20，cbest=31.221 4，g=0.01，CVmse= 0.023 19。粒子群优化适应度表示给出的粒子位置对优化结果好坏评价标准，图3反映出向量机c，g参数在不同迭代次数下预测值与真实值的均方误差，蓝、红线条分别为当前所有迭代次数下平均均方误差及最小均方误差。优化后的c，g最优取值分别为31.22及0.01，由图3看出，经参数优化的向量机模型精度较高。

5 回归模型精度比较

为验证PSO－SVM回归模型的预测效果，建立BP神经网络偏好性预测模型。

5.1 BP神经网络模型

BP神经网络训练规则为用快速下降法通过反向传播不断调整网络权值、阈值，使网络误差平方和最小，网络模型拓扑结构含输入层、隐含层及输出层［9］。通过Matlab编写BP网络程序。由于一个三层的神经网络可完成任意映射，本文BP网络用三层结构，即以1 ～8号噪声样本响度、尖锐度、粗糙度、抖动度及A计权声压级5个声学参数为输入量，输入层神经元个数n= 5;以1～8号加速噪声偏好性得分为输出量，输出层取节点数p=1;隐含层个数尚无确定性理论指导，故由计算式［10］确定，即

式中:m为确定的隐含层个数;α为1～10间常数，本文取a=10，则m=12。所建BP神经网络模型的拓扑结构为5－12－1，见图4。

图4 神经网络结构图Fig.4 The structure diagram ofneural network

5.2 偏好性预测模型误差对比

为比较PSO－SVM、SVM、神经网络预测精度，以9～ 11号噪声为测试样本，预测结果、误差见表5、表6。由两表看出，向量机SVM能按较少样本信息寻求模型学习精度与样本识别能力间最佳平衡点，预测精度明显高于BP神经网络模型;通过粒子群优化后的PSOSVM模型最大相对误差为3.3%，较优化前的SVM向量机模型，预测精度大幅度提高。

表5 偏好性模型预测结果Tab.5 The prediction results of preferences model

表6 偏好性模型预测误差Tab.6 The prediction deviation of preferences model

6 结论

(1)本文利用成对比较法完成汽车内加速噪声主观评价实验，并利用Matlab编写相关程序验证主观评价得分的可靠性，通过SPSS统计分析获得噪声客观心理参数与主观偏好性间相关性。

(2)通过SVM向量机建立主客观预测模型，并用粒子群优化算法对SVM向量基惩罚因子及核函数参数进行优化。经粒子群优化后的向量机模型预测精度远优于传统的神经网络模型。

［1］钟秤平，陈剑，汪念平.车内噪声声品质偏好性评价与分析实验研究［J］.汽车工程，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.燃料电池轿车声品质客观评价参量的权重［J］.振动与冲击，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，何吕昌，等.车内噪声声品质的神经网络预测［J］.声学技术，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］毛东兴.车内声品质主观评价与分析方法的研究［D］.上海:同济大学，2003.

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

［7］潘宏侠，黄晋英，毛鸿伟，等.基于粒子群优化的故障特征提取技术研究［J］.振动与冲击，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］刘福荣，王宏伟，高晓智.基于粒子群优化聚类的汽轮机组振动故障诊断［J］.振动与冲击，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］张波，毕传兴，徐亮.基于人工神经网络模型的车门关闭声声品质评价方法研究［J］.汽车工程，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

国家自然科学基金(51275540，50975296)

2013－11－29修改稿收到日期:2014－01－15

徐中明男，教授，博士生导师，1963年生邮箱:xuzm@cqu.edu.cn