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。     

车内噪声声品质的神经网络预测

鉴于车内噪声声品质评价的复杂性和非线性的特征,分析了BP神经网络方法在车内噪声声品质预测中的应用,阐述了其基本原理和模型并结合实例提出了完整的实施流程。该预测方法具有很强的学习能力,各连接权重由网络通过学习自主生成,因此预测结果更具客观性和准确性。同时将用此种方法与现有的预测方法得出的结果进行比较,得出结论：神经网络用于车内噪声主客观评价数据处理可以得到更好的预测效果,从而在很大程度上提高评价者的决策水平,对现代汽车噪声的评价、分析与控制都具有重要意义。     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

GA改进BP神经网络在抗滑桩孔爆破开挖中的应用

目前桩孔开挖主要依靠工程类比进行,不同设计者设计的爆破参数往往因掌握的爆破理论和经验的不同而有所差异,爆破质量参差不齐。为此,提出基于遗传算法GA改进BP神经网络(GA-BP)建立爆破参数优化设计模型,该法不仅可以利用已有爆破经验数据和工程地质条件,同时,使用遗传算法优化BP神经网络阈值和权值可以弥补BP神经网络不稳定的缺陷,以达到获得更优爆破参数的目的。实践表明,基于遗传算法改进BP神经网络相比一般BP神经网络预测相对误差较小,同时GA-BP神经网络得到的优化爆破参数进行现场试验,取得了良好的爆破效果。因此,GA-BP神经网络模型应用于抗滑桩孔开挖爆破参数设计是可行的,可用于指导爆破施工。     

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。     

基于SCADA数据和改进BP神经网络的塔筒应力预测

针对风电机组载荷监测中应变片寿命短的缺陷,基于风电场海量状态监测数据,利用遗传算法和粒子群算法对BP神经网络进行改进,建立塔筒应力预测模型,并通过综合相关系数实现输入参量的有效选择.仿真结果表明,改进后的GA-BP神经网络预测模型和PSO-BP神经网络模型,预测结果的最大、最小相对误差等指标均比BP神经网络预测模型好;...     

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。     

基于优化BP神经网络的汽车座椅舒适性评价

目的 探索汽车座椅舒适性评价方法.方法 设计实验采集驾驶员基本物理信息及其在实车中的体压数据,利用Lasso算法提取具有较好预测效果的特征向量,利用遗传算法对BP(Back Propagation)神经网络进行优化,建立基于优化BP神经网络的汽车座椅舒适性评价模型.结果 利用遗传算法优化后的BP神经网络预测准确率达到9...     

基于神经网络的电弧增材制造铝合金力学性能预测

目的 预测不同工艺参数下电弧增材制造铝合金的力学性能。方法 通过实验建立了电弧增材制造6061铝合金及Ti C增强6061铝合金力学性能的数据集,并建立了一种以焊接电流、焊接速度、脉冲频率、TiC颗粒含量为输入,以屈服强度和抗拉强度为输出的神经网预测模型,对比了反向传播神经网络(BP)、粒子群算法优化BP神经网络(PSO-BP)、遗传算法优化BP神经网络(GA-BP)3种预测模型的精度。结果 与BP模型和PSO-BP模型相比,GA-BP预测模型具有更好的预测精度。其中,GA-BP模型预测6061铝合金屈服强度最佳结果的相关系数(R)为0.965,决定系数(R²)为0.93,平均绝对误差(Mean Absolute Error,MAE)为2.35,均方根误差(Root Mean Square Error,RMSE)为2.67;预测Ti C增强的6061铝合金抗拉强度最佳结果的R=1,R²高达0.99,MAE为0.46,RMSE为0.49,GA-BP具有良好的预测精度。结论 BP、PSO-BP、GA-BP 3种神经网络模型可以用来预测电弧增材制造...