基于遗传-支持向量回归的车内稳态噪声声品质预测

为了稳定、精确地评价车内稳态噪声声品质,以车内稳态噪声为研究对象,进行主观评价试验,计算客观心理声学参数并完成了相关性分析。建立基于支持向量回归(Support Vector Regression,SVR)的车内稳态噪声声品质预测模型,并使用遗传算法(Genetic Algorithm,GA)对支持向量回归的超参数进行优化。其后建立基于反向传播神经网络(Back Propagation Artificial Neural Network,BPANN)的声品质预测模型。对比分析发现遗传-支持向量回归(GASVR)模型预测精度高于BP神经网络。结果表明,遗传-支持向量回归适用于车内稳态噪声声品质预测,能够较大提高车内稳态噪声声品质预测精度和工程效率。     

基于神经网络的噪声品质评价方法

提出一种基于人工神经网络（ANN）的噪声品质评价方法。该方法相比较目前的其它声质量评价方法，具有非线性的特点。通过神经网络的训练对非线性的声质量主观评价过程进行逼近。文中利用Matlab的神经网络工具箱对汽车车内采集到的噪声信号进行评价分析，并与实测结果进行对照分析，说明该方法对于汽车车内噪声品质评价是有效的。     

基于GA-BP的混合动力汽车匀速工况声品质预测模型

为快速准确评价混合动力汽车车内声品质,在分析BP神经网络和遗传算法(GA)特点的基础上,利用遗传算法对BP神经网络的权值和阈值进行优化,从而建立GA-BP的混合动力汽车声品质客观评价模型。利用此模型进行混合动力汽车匀速工况车内声品质预测后,把GA-BP模型预测结果与多元线性回归模型和传统BP神经网络模型预测结果进行比较。对比结果显示GA-BP模型预测结果精度最高。证明所建立的GA-BP声品质预测模型的有效性,说明该模型较适用于混合动力汽车车内声品质预测。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

某混合动力汽车非稳态车内声品质评价研究

针对某混合动力汽车非稳态工况下的车内声品质评价进行研究。采集该车内不同位置、不同驱动模式以及不同车速情况下的车内噪声样本,对不同的非稳态工况进行客观参量分析,得出电机单独驱动模式下可以用尖锐度评价非稳态车内声品质、混合驱动与发动机单独驱动模式下可以用响度评价非稳态车内声品质的结论。基于BP神经网络模型,进行基于心理声学客观参量与临界频率带解析小波分解的非稳态车内声品质评价,预测结果表明后者的预测效果优于前者,且稳定性较高。     

基于BP神经网络的车内噪声时变综合烦躁度评价模型

对非平稳工况下的车内噪声进行声品质评价。考虑到车内噪声的时变性,在非平稳工况下建立噪声库,计算相关的噪声心理学参量时变值。将采集到的噪声进行主观评价试验,以"时变综合烦躁度"作为声品质主观评价指标,并将语义细分法作为声品质主观评价方法。评价者依据自己对声音的主观感受滑动评价软件滑块,得到连续时变噪声评价值。根据噪声心理学参量时变值和实时主观评价值,建立BP神经网络客观模型。再通过四折交叉法检验,检验结果显示此评价模型对噪声时变综合烦躁度预测有效。     

支持向量机车内加速噪声声品质预测

为准确评价车内加速噪声声品质,利用成对比较法对14款汽车从30 km/h加速到80 km/h行驶时的车内噪声进行主观评价试验,同时计算5个主要心理声学客观参量,并通过相关分析得出对声品质有重要影响的客观参量。采用支持向量机建立车内加速噪声声品质的预测模型,经验证其预测相对误差都在9.5%以内,表明该模型可以准确地对车内噪声声品质进行预测。     

车内噪声综合烦躁度模糊综合评价

以车内噪声为研究对象,研究了声品质的主观模糊综合评价方法。根据汽车车内噪声测量标准设计噪声采集方案,对平稳和非平稳车内噪声进行了数据采集、信号预处理,建立噪声样本数据库。采用参考语义细分法对四款汽车车内噪声的综合烦躁度进行主观评价试验研究,基于主观评价试验结果和模糊综合算法,建立了综合烦躁度模糊综合评价模型,可以计算出整车噪声综合烦躁度总值。结果表明不同车型有其自身的声品质特征。所提出的方法可用于实施不同车辆的声品质比较和评判。     

瞬态声品质时域传递路径方法与应用研究

全球化竞争日趋激烈和消费者对汽车舒适性要求越来越高,迫使各汽车公司加快了NVH开发进程,汽车声音的控制逐渐进入声品质控制阶段。创新性提出一种基于时域传递路径分析的瞬态声品质分析方法和流程。采用考虑奇异值截断的去卷积滤波器方法建立时域去卷积网络。构建了车内瞬态噪声合成模型,并在时频域上分解和分析了发动机的结构声贡献和空气声贡献。通过视听比较合成噪声和测量噪声,以评审团主观评价打分的形式来验证模型的准确性。进一步对合成噪声进行主观声品质评价,将车内噪声合成模型延伸至虚拟车内声品质预测模型。基于该模型,找到声品质贡献较大的路径,并且通过虚拟修改各路径传递函数值,来优化车内声品质,为制定车内声品质改善措施提供指导依据。     

基于粒子群-向量机的汽车加速噪声评价

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。     

雨刮-风窗系统摩擦噪声声品质主客观评价

为探索雨刮-风窗系统摩擦噪声对车内声品质的影响,文章采集了某新能源汽车雨刮-风窗系统不同工况下的摩擦噪声并进行分析。基于声品质客观参数,计算该系统摩擦噪声响度、尖锐度等客观评价指标;采用语义细分法进行主观评价实验得到主观评价结果,基于支持向量机建立该系统摩擦噪声声品质预测模型。结果表明,雨刮-风窗系统刮片反转过程产生的噪声是影响车内声品质的主要因素;声品质预测模型效果较好。研究结果为雨刮-风窗系统摩擦噪声的声品质控制提供参考。     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

针对传统客观心理学参量在非稳态噪声品质预测中的不足，以汽车关门声为对象，提出一种基于EEMD分解的样本熵表征关门声的信号特征，并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量，计算各IMF分量的样本熵，并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比，构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明，在关门声品质预测中，EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性，预测效果更好；且小波神经网络较BP网络的预测精度更高，模型训练速度更快。     

竞品车急加速进气噪声品质评价方法研究

从主客观评价角度出发,针对竞品车急加速进气噪声建立了声品质物理评价模型。通过测试竞品车急加速进气噪声,对获取的声音样本采用等级评分法进行主观评价与典型声品质客观参量的计算。利用相关分析与主成分分析对获取的主客观指标的关联性进行研究,并分别以相关分析和主成分分析结果为输入建立反向传播（Back Propagation,BP）神经网络模型。分析结果表明：客观参量存在信息的重叠时,主成分分析能够更好地反映声音样本指标间的关联性,实现简化神经网络输入并保证预测精度的效果。     

音乐控制法改善车内声品质的试验研究

以4种类型汽车内采集到的32个不同噪声样本为评价对象,通过试验研究建立了以心理声学客观参数描述主观评价结果的车内声品质模型,并对声品质较差的噪声样本实施了音乐掩蔽控制试验,试验结果表明,车内噪声的低沉度下降,音调度上升。研究结果表明音乐掩蔽控制法用于改善汽车声品质的可行性和有效性。     

B级轿车车内噪声品质的主观评价研究

以6种B级轿车在不同车速下匀速行驶时的车内噪声样本为评价对象,采用成对比较法对B级轿车的噪声品质偏好性进行了主观评价试验,计算了各噪声样本的主要心理声学客观参数,并通过线性相关分析和多元回归分析,建立了噪声偏好性主观评价的数学模型。研究表明,在匀速工况下B级车的噪声品质偏好性主要受响度和尖锐度两个参数影响。     

基于遗传支持向量机的柴油机辐射噪声品质预测技术

以一台六缸车用柴油机为例,研究了其在变负荷及转速工况下表面辐射噪声品质情况,为进一步提高整机声品质,开展柴油机结构声学设计奠定了理论基础。研究国内外车用柴油机客观评价特征,并选取响度、尖锐度、粗糙度和波动度来描述辐射噪声的客观评价特征;针对柴油机噪声特点,采用成对比较法开展以专业陪审团人群为目标的满意度评价研究;应用遗传算法优化支持向量机（GA-SVM）建立起该车用柴油机声品质预测模型,并与BP神经网络预测模型进行比较,结果表明,基于遗传算法优化的支持向量机辐射噪声品质预测模型较神经网络建模预测精度更高,能够更准确地反映客观评价参量与主观满意度之间的非线性映射关系。     

燃料电池轿车声品质客观评价参量的权重

本文以燃料电池轿车( fuel cell vehicle, FCV )为研究对象,采集其怠速工况不同位置的声音信号作为试验样本,采用成对比较法对其中的24个样本信号进行了主观评价试验,同时计算了可以描述其声音特性的6个客观评价参量,并引入BP神经网络建立了FCV声品质预测模型。通过所建立的模型计算FCV声品质客观评价参量对主观评价结果的影响权重,文中首次提出使用BP神经网络的方法来确定声品质评价中客观评价参量对主观评价结果的影响权重,研究结果表明,FCV声品质主要受响度、粗糙度和A声级三个客观参量的影响。此次分析,不仅适用于燃料电池轿车对其它领域的声品质分析与评价都起到了指导性的意义。     

地铁车内噪声主观烦恼度模糊综合评价方法

声品质是地铁车内乘坐舒适性的一项重要指标。以地铁列车车内噪声为研究对象,探讨声品质的主观模糊综合评价方法。以上海地铁9号线为例,考虑地铁运行的三种工况、两种乘客乘坐姿态,分别测取车内不同位置的噪声信号,采用分组成对比较法对测点噪声进行主观评价实验和模糊综合,计算得出地铁整车的烦恼度评价综合值,可用以实施不同列车的声品质比较和评判。所提出的方法对地铁声学设计和提高乘坐舒适性提供参考。