支持向量机在汽车加速车内声品质预测中的应用

崔丹丹

摘 要：对汽车加速时车内声品质采用支持向量机实施预测。将客观评价参量作为输入因子，诸如噪声样本的响度、粗糙度以及尖锐度等，而可以经评价结果作为输入因子，也就是主观烦躁度，借助支持向量机回归方法，将汽车加速车内声品质的预测模型切实的建立起来，能够将客观评价参量和主观烦躁度之间的非线性映射关系反映出来，有着较高的预测精度。

关键词：车内噪声；声品质；支持向量机；预测模型

中图分类号：U467 文献标志码：A 文章编号：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 支持向量机原理

支持向量机主要是按照统计学理论和结构风险，提出的基于有限样本的前提上的一种机器学习方法。支持向量机器对比传统的机器学习而言，能够对欠学习以及局部极值等进行切实有效解决，不管是在分类文本上，还是在时间序列预测等领域上，支持向量机都得到了非常成功的应用。关于对非线性回归问题原理，采用支持向量机解决的原理如下。

已知训练样本集：

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

对于函数的回归问题而言，可以将其描述成为一个拟合函数f∈F让期望风险

R（f）= L（y f（x），x）d p（x，y） （1）

达到最小。

式中：损失函数为L（y f（x），x）；概率分布为p（x，y）。

将损失函数在支持向量机当中选择为

式中：先确定？着为一个正数。

如果已经知道训练样本点呈现的关系为线性，则这个时候的回归函数表示为

F（x）=？棕.x+b （3）

式中：在分类超平面当中将？棕作为权系数的向量；则将阈值用b表示，且b∈R。但是样本点在大部分情况下呈现的是非线性关系，而采用支持向量机的思路，主要是将非线性的数据空间，通过对非线性映射的借助，最终实现映射到高维特征空间的目的，然后将线性回归在特征空间当中，则式（3）的回归函数则可以表示为

f（x）=？棕？椎（x）+b （4）

式中：映射函数则用？准（x）进行表示。

当将式（4），也就是非线性回归函数通过拟合的方式成为训练样本集时，按照结构风险具有的原则，也就是将风险降到最小化的原则，则f（x）应该将 ||？棕|| 最小化。 以此类推最终得到非线性支持向量回归机：

2 汽车加速车内声品质分析

现阶段对于声品质的研究，主要还是集中在两种方法上，一种主要就是主观评价方法（评审团），则另外一种方法就是客观評价方法（心理声学参数）。这两种方法各自有各自的特点，但是应该怎么才能够在两种方法上将映射关系建立起来，这也是当前研究当中的一个难点。本文主要对两者之间的对应关系进行研究，与此同时将支持向量机的方法引入到其中，以便能够在不是稳态的工作条件下，对车内噪声和两者之间的映射关系进行更为准确的描述，从而将一个非稳态声品质预测模型建立起来。

3 基于SVM的加速车内声品质预测

3.1 SVM声品质预测模型的建立

本文在对汽车加速车内声品质的预测实验上，主要是基于支持向量机方法的基础上进行的，需要注意的是仿真实验的环境是在Matlab Libsvm下实现的。在实施预测仿真实验的过程中，第一个步骤就是需要将所需要的样本数据采集到一起，然后随机抽取主观和客观中结果中的数据，然后将其作为训练样本，用于对支持向量机的声品质预测模型的建立。

3.2 样本数据的归一化处理

因为所采集到的样本数据中，各个单位间存在很大的差异，不但如此，在数值的大小上也有着很大的不同，为了能够让各个数据之间的关联性得到增强，就需要对网络的收敛性进行迅速的训练，以便能够让声品质预测模型的精度得到进一步的提高，最终对数据归一化的预处理。将经过处理后的数据实施预测仿真实验，然后对支持向量机品质预测模型的输出结果进行分析，评价指标则用其平方有关的系数和平均相对误差进行表示。

3.3 SVM核函数的选择endprint

事实上，在预测支持向量回归机的性能过程中，会受到各种各样原因的影响，而其中最具有代表性的两个方面，就是核函数的形式和参数。现阶段对于核函数的选择上，在国际上并没有从理论上给出比较统一的模式，因此只能够借助实验的方式来对核函数进行选择，基于此种情况下让其的选择上具有著较大的随意性。本文中对于样本数据的预测仿真实验，主要采用不同核函数的方式，在确定不同核函数上的最优参数上，则主要是根据交叉验证法和网络搜寻法相结合的方式，则评价指标将用支持向量机声品质模型的预测结果平均相对误差进行表示。

根据表1的结果可以得出，预测径向基础函数误差并不是非常大，且是所有预测效果最好的一个，然后预测效果排在第二的就是多项式函数，而最不好的则是线性核函数。基于此，本文在建立支持向量机的汽车加速车内声品质预测模型上，选择的是径向基核函数来建立的。

3.4 SVM核函数参数的优化

核函数参数是对支持向量回归机性能影响最大的一个因素，现阶段对于参数的选择上并没有一个比较固定的方法和理论，经验选择法还有留一法等都是实际应用当中较为常用的几种方法。而本文在预测模型的结果上，主要选择了交叉验证法和网络搜索法相结合的方法，以此来对参数的范围进行确定，然后再选择用试凑法来对模型参数进行确定。

4 对比SVM模型和多元线性回归模型

为了对汽车加速车内声品质中，支持向量机的预测应用效果进行检验，本文将支持向量机和多元性回归进行了比较。通过对比发现，如果采用传统的多元性回归进行预测，会存在着比较大的误差，但是因为支持向量机具有非线性等显著的优点，因此采用此种方法进行预测会有着比较显著的效果。

5 结束语

（1）根据主观评价在试验的过程中具有的耗费时间等特点，将对于支持向量机的汽车加速车内声品质的预测模型上，采用心理声学参数来对车内的发出的噪声进行主观评价。

（2）对比多元线性回归模型，采用支持向量机预测模型能够让建模时间得到有效的缩短，因此表示在小样本汽车本质研究上，采用支持向量机进行研究，在应用前景上比较广泛。

（3）如果能够将参数优化的方法进行不断改进，则预测模型可以拥有更高的性能。

参考文献：

[1]刘阳.基于支持向量机的车内加速噪声声品质研究[D].湖北工业大学，2015.

[2]王大鹏.基于支持向量机的公路车流量数据分析与预测模型[D].哈尔滨工程大学，2006.

[3]贺岩松，涂梨娥，徐中明，等.支持向量机在汽车加速车内声品质预测中的应用[J].汽车工程，2015（11）：1328-1333.

[4]黄灿银.加速状态小型乘用汽车车内声品质的优化研究[D].昆明理工大学，2011.

[5]李育恒，赵峰.支持向量机在变压器故障诊断中的应用[J].科技创新与应用，2014（16）：46-47.endprint