听觉频带声能量对车内声品质客观评价影响研究

响度、尖锐度等心理声学客观参量常作为声学特征建立车辆噪声品质客观评价模型。考虑人耳听觉多频带滤波特性,研究听觉频带声能量对声品质客观评价的影响。建立基于频带声能量的汽车车内噪声品质客观量化模型,提高声品质识别的精度和稳定性。采集汽车匀速车内噪声并进行综合烦躁度主观评价试验,建立小波包耳蜗滤波器组提取听觉特征频带内声能量,利用支持向量机建立频带能量与主观评价结果之间的回归模型。交叉验证结果表明,相比于建立的基于心理声学客观参量综合烦躁度模型,建立的人耳听觉特征频带能量综合烦躁度客观评价模型预测的误差均值和误差方差更小,车内噪声品质评价的精度、稳定性均有提高。     

基于LS-SVM算法的加速车内噪声品质评价模型

以汽车加速车内噪声为研究对象,采用最小二乘支持向量机(LS-SVM)方法建立了声品质评价模型。分别以车辆噪声的客观评价结果和主观烦躁度作为模型的输入和输出,在相关分析和显著性检验的基础上,以响度、尖锐度、粗糙度、清晰度指数和A声级为变量建立了LS-SVM声品质评价模型。对未知噪声样本的预测检验表明:预测结果与主观烦躁度具有很高的相关性,预测精度高于多元线性回归方法。所建立的模型具有良好的泛化能力,可用于加速车内噪声品质的预测。     

车内声品质主客观评价分析

采集某纯电动汽车车内噪声样本,作为为实验评价对象,选取的车内噪声主观评价方法为等级评分法,并对噪声样本的响度、粗糙度、语义清晰度和尖锐度,此4种心理声学客观参量进行计算,通过相关性分析,得出各评价人员间的相关系数和主观评价值和心理声学客观参量间的相关性,排除相关性低的主观评价人员和心理声学客观参量,以主观评价值为因变量,以心理声学客观参量为自变量。建立车内声品质多元线性回归预测模型,预测车内声品质情况,以节省大量人力和物力成本,实现声品质的快速评价。     

基于降维-支持向量回归的车内稳态声品质预测

基于信号分析与机器学习方法,提出基于降维-支持向量回归(Dimension Reduction-Support Vector Regression,DRSVR)的声品质主观预测模型。以车内稳态声样本为研究对象,计算并分析了其基本物理参数、心理声学参数。运用成对比较法对声样本进行了主观偏好性实验,验证了烦恼度(Psychoacoustic Annoyance,PA)模型初步判断该类样本声品质好坏的可用性。通过因子分析、聚类分析与相关分析,完成了声样本的降维,提取出了主要影响参量,再以支持向量回归的方法建立了主观评价预测模型。相关分析显示,基于降维-支持向量回归预测模型的计算值与主观评价值的相关性较高,其预测能力比未降维的支持向量回归模型更优,证明运用DR-SVR方法对车内稳态声品质预测是有效的。     

基于掩蔽效应的汽车非平稳车内噪声烦恼度评价方法

基于采集的汽车加速与匀速运动时车内的噪声,利用参考语义细分法进行噪声烦恼度主观评价试验。考虑掩蔽效应,依据听音评价问卷调查结果,计算加速噪声后半时段和匀速噪声的时变心理声学参量平均值,利用支持向量机创建参量平均值与烦恼度主观评价值间的回归数学模型,建立基于掩蔽效应的非平稳车内噪声烦恼度评价方法。同时计算全部噪声样本的时变心理声学参量平均值并建立基于心理声学参量的烦恼度评价方法。留一法与十折交叉法检验结果表明,两种评价方法对非平稳车内噪声烦恼度的预测精确有效,而基于掩蔽效应的烦恼度评价方法预测结果更加精确、稳定性更高;在加速噪声烦恼度的预测方面,基于掩蔽效应的烦恼度评价方法具有更好的预测性能。     

基于最小二乘支持向量机的柴油机声品质预测

为研究柴油机排气噪声并准确评价排气噪声声品质,对某型号柴油机排气噪声进行研究,采集5种不同转速下6级载荷的排气噪声样本,使用参考语义细分法主观评价噪声样本;利用最小二乘支持向量机和多元线性回归分别建立两个排气噪声品质客观评价模型,以心理声学参数(响度、锐度、粗糙度、抖晃度、A声压级等)为模型输入,利用模型输出和主观评价结果对比。结果表明:最小二乘支持向量机可以用来作为声品质的预测模型,更接近主观评价结果,误差可以稳定控制在10%以内。     

基于噪声主动控制方法的非稳态车内声品质优化研究

首先对16辆各种型号的轿车进行了加速条件下车内噪声样本的采集,通过噪声信号的主客观分析研究,得出主观评价结果与客观物理参量之间的相关性,明确了加速状态下响度、尖锐度及粗糙度是影响车内声品质的主要因素。而后,对声品质最差的7号车运用噪声主动控制方法进行车内噪声优化实验,通过对比发现,车内噪声的响度、尖锐度及粗糙度都有明显的减少。将数据代入声品质客观计算模型,同时进行主观评价实验,结果表明其评分等级从16级降至12级,从而证明了噪声主动控制方法能有效提高加速条件下车内噪声的声品质。     

变速器声品质评价方法研究

针对某商用变速器台架加载噪声进行声品质评价方法研究,主要包括变速器声品质客观参量测试以及主观评价实验,通过相关性分析确定与主观评价实验结果相关系数较大的客观参数,通过多元线性回归建立了主观评价结果与客观参量之间的数学模型,并对该模型进行了有效性检验.结果表明:变速器加载噪声声品质主观评价主要受到尖锐度和响度影响,其中影...     

基于GA-BP模型的消声器声品质预测与控制技术研究

采用成对比较法的主观评价方法对车辆稳态与非稳态排气噪声进行主观试验,基于排气噪声频谱分析出的响度、尖锐度、粗糙度等心里声学客观参量,用遗传算法优化神经网络模型建立了排气噪声客观参量与主观满意度之间的非线性映射关系,训练拟合R值达到0.994,验证样本误差在5%以内。并将所建立的GA-BP模型应用于消声器的声品质提高设计中,探寻影响消声器声品质结构参数并加以控制,排气声品质满意度提高了16%,所建立模型可以用于预测指导汽车排气声品质的改善,通过控制消声器参数可实现消声器设计阶段声品质可控的目的。     

汽车声品质的GA-BP网络预测与权重分析

为了高效而准确地评价与控制车内噪声品质,以B级车稳态工况下副驾位置的车内噪声为研究对象,采用等级评分法对采集到的声音样本进行了主观评价试验,同时计算了7个客观参数。以客观参量为输入,声品质主观结果为输出,引入基于遗传算法的BP神经网络建立了声品质预测模型。实验显示该模型输出结果与实际评分的相关系数达到0.928,检验组的预测最大误差为±8%。以所建模型的连接权值,分析了客观参数对主观评价结果的贡献度,并以影响系数较大的参数为输入重新构建了预测模型。研究结果表明：稳态工况下,车内声品质主要受响度、粗糙度和尖锐度的影响,其预测模型可由这3个参数来描述。     

基于AWLS-SVM的污水处理过程软测量建模

针对污水处理过程建模中样本数据可能存在的测量误差对模型性能的影响,提出一种自适应加权最小二乘支持向量机(AWLS-SVM)回归的软测量建模方法。该方法基于最小二乘支持向量机模型,根据样本拟合误差,并结合改进的指数分布赋权规则,自适应地为每个建模样本分配不同的权值,以降低随机误差对模型性能的影响;同时采用一种全局优化算法——混沌粒子群模拟退火(CPSO-SA)算法对最小二乘支持向量机的模型参数进行优化选择,以提高模型的泛化能力。仿真实验表明,AWLS-SVM模型的预测精度及鲁棒性能优于LS-SVM和WLS-SVM。最后,应用AWLS-SVM方法建立污水处理过程出水水质关键参数的软测量模型,获得了较好的效果。     

设备状态趋势的SVM预示技术研究

SVM采用结构风险最优化准则,预示推广能力强并有很好的鲁棒性。分析了SVM技术的理论,推导了SVM进行机电设备趋势预测的理论算法,给出了进行预测的步骤,建立了SVM用于故障趋势预示的模型。将该模型用于某机组振动烈度的预示,进行了不同核函数和不同C值和ε值的比较,证明采用径向基函数和适当的损失函数,取得了较好的预测效果。并将SVM与AR模型的提前20步预测结果进行了比较。结果证明该算法对设备状态的趋势具有较好的预示能力。     

Optimisation of turning parameters by integrating genetic algorithm with support vector regression and artificial neural networks

This paper focuses on optimisation of process parameters of the turning operation, using artificial intelligence techniques such as support vector regression (SVR) and artificial neural networks (ANN) integrated with genetic algorithm (GA). The model is trained using the turning parameters as the input and corresponding surface roughness, tool wear and power required as the output. Data, obtained from conducting experiments is analysed using support vector machine (SVM) and artificial neural network. SVM, a nonlinear model, is learned by linear learning machine by mapping into high-dimensional kernel-induced feature space. The genetic algorithm is integrated with these to find the optimum from the response surface generated. The results are compared with those obtained by integrating GA with traditional models like response surface methodology (RSM) and regression analysis (RA). This paper illustrates the impact that techniques based on artificial intelligence have on optimising processes.     

基于SSA算法优化SVM的发动机润滑油信息状态评估

润滑油信息能够有效反映装甲车辆发动机的健康状态,对车辆发动机状态评估十分重要。以某型装甲车辆发动机为研究对象,提出一种基于麻雀搜索算法(Sparrow Search Algorithm, SSA)优化支持向量机(Support Vector Machine, SVM)的发动机状态评估算法。该算法首先对润滑油原始数据进行去噪及归一化处理,然后使用麻雀搜索算法优化支持向量机的核参数与惩罚参数,最后利用寻优后的参数建立评估模型。实验结果表明,采用麻雀搜索算法优化的支持向量机分类准确率高达96.67%,能够有效对发动机状态进行评估,为装甲车辆发动机的换油以及维修提供依据。     

基于SVM多元非线性回归的微波谐振腔谷物含水率测量法

使用微波谐振腔对物料含水率测量过程中，减少谐振参量与含水率多元非线性回归过程的误差是影响测量精度的主要因素。针对这一问题，建立了一种基于支持向量机多元非线性回归模型，并确定了其中谐振频率、品质因数和环境温度的特征值、贡献率。应用SVM—KM对该模型进行实验研究，利用50组数据对模型进行训练并验证其学习性能，利用另外15组数据验证其泛化能力。实验表明，该方法能够实现微波谐振腔物料含水率的软测量，且小样本条件下比神经元网络具有优势。对SVM多元非线性回归泛化性能进行测试，其均方根相对误差为1．06％，平均绝对相对误差为0．96％，最大绝对相对误差为1．16％。     

一种T-S模糊模型的自组织辨识算法及应用

提出了一种新的具有自适应学习能力的T-S模糊模型辨识算法.该算法通过使同一条规则的高斯函数的宽度参数彼此相等建立与支持向量机等效的T-S模糊模型,在此基础上,利用模糊聚类算法和支持向量机分别建立前后件辨识模型,并利用一种改进粒子群优化算法优化输出误差函数使前后件参数联合辨识,从而获得T-S模糊模型的结构和参数.仿真结果表明,相比其它方法,文中方法具有较高的逼近精度和较好的泛化能力,由此算法获得的直拉单晶炉热场模型具有0.1171的均方差,完全符合均方差小于0.5的要求.     

基于RS-SVM的TN软测量建模研究

采用粗糙集理论(RS)约简属性,在保留重要信息的前提下消除冗余信息,简化了模型结构。而支持向量机(SVM)是一种基于统计学习理论的新型学习机,本文根据TN(总氮)难于在线测量的情况,采用RS-SVM方法,用某城市污水处理厂的实际水质参数数据,建立了出水TN基于粗糙集-支持向量机的软测量模型。和未经粗糙集预处理的支持向量机模型及粗糙集-BP神经网络(RS-BPNN)模型进行了比较,选择RS-SVM模型作为最终的软测量模型。结果表明,有粗糙集预处理后,不仅测量值的误差值更小,而且大大降低了输人数据的维数,减小了模型的规模,更有利于软测量模型的实用化。同时也表明支持向量机作为建立软测量模型的工具,具有良好的性能,比神经网络更加具有优势。