基于支持向量机的柴油机噪声品质客观评价参量权重分析

以一台6缸柴油机为研究对象,采用分类对偶比较法对采集到的目标机型在多工况下的辐射噪声品质进行主观评价试验,同时选取并计算了可以描述其声音特性的5个客观评价参量,引入支持向量机,建立了柴油机噪声品质预测模型,并借助噪声测试样本验证预测模型的准确性。然后以柴油机噪声品质预测模型为基础构建起客观评价参量的权重分析模型,分析柴油机噪声品质客观评价参量对主观评价结果的影响权重。研究表明,柴油机噪声品质主要受响度和粗糙度两个客观评价参量的影响。此次分析对高声品质柴油机的设计起到了指导性的作用。     

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。     

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。     

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EEMD与GA-小波神经网络的传动系声品质预测

为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。     

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。     

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。     

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RNR-WVD与GA-小波的非稳态排气噪声声品质研究

基于心里声学客观参量的GA-BP声品质预测模型能够准确的预测稳态排气噪声声品质。对于非稳态噪声研究,引入正则化非稳态回归技术(RNR)优化计算维格纳-威尔分布(WVD)的时频方法,建立新的声品质参量SQP-RW(Sound Quality Parameter Base on RNR-WVD),用此参量替换掉与满意度相关性较小的客观参量。同时,以Morlet小波基函数作为隐含层结点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),并用GA优化小波神经网络层间的权值和阈值,构造出GA-WNN并用于非稳态排气噪声声品质预测。结果表明:GA-WNN在非稳态排气噪声声品质预测上比GA-BP神经网络更加准确;引入SQP-RW参量,模型具有更高的精度,更能体现出非稳态信号特征及声品质特点。     

电动汽车驱动永磁同步电机声品质预测研究

对稳态工况下电动汽车驱动永磁同步电机的主观声品质预测模型进行研究。运用成对比较法对实验采集到的30组噪声样本进行主观评价评分,建立基于响度、尖锐度、粗糙度、抖动度与语义清晰度的客观心理声学指标评价体系。利用多元线性回归法,建立声品质主客观预测模型,分析影响永磁同步电机声品质的因素。此外,通过对预留样本的检验,验证了预测模型的准确性。结果表明:不同工况条件对客观心理声学参量存在不同程度影响;电机辐射高频边带噪声导致尖锐度与响度对主观偏好度的影响较为显著;基于多元线性回归方法所建立的预测模型对稳态工况下的主观声品质有较好预测能力,相关系数较高,误差率较小。该研究可为电驱动系统及整车声品质优化提供理论与实践基础。     

基于神经网络的柴油机声音品质评价预测

采用多元线性回归与人工神经网络系统（Artificial Neural Network，简称ANN）分别建立了柴油发动机噪声声音品质预测模型，并将两种模型的预测值与实测值进行比较。试验结果表明,该系统可以反映客观参数和主观满意度间的非线性关系，可以用来预测和描述柴油发动机噪声的声音品质。     

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,B...     

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。     

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。     

车辆排气噪声声品质仿真计算方法

采用成对比较法对车辆排气噪声进行主观评价,使用BP神经网络建立车辆排气噪声声音品质预测模型。采用计算流体动力学方法对消声器的声学特性进行仿真计算,得到车辆安装消声器后的排气噪声频谱结构,以心理声学理论为基础计算出该虚拟排气噪声频谱的响度、尖锐度、粗糙度、波动度等客观参数,并将计算结果输入到所建立的声音品质预测模型中得到满意度仿真计算结果。从而形成一套完整的车辆排气噪声声品质仿真计算方法,并将计算结果与实验结果进行对比,证明计算方法的可靠性。     

柴油机噪声烦躁度的评价研究

以4种类型柴油机在不同运行工况时机器旁1 m处噪声采集样本为评价对象,对柴油机噪声烦躁度用等级评分法进行了主观评价试验,分析计算了各噪声样本的主要心理声学客观参数,并通过相关分析和多元回归分析,建立了烦躁度评价数学模型。研究表明,稳态工况下柴油机噪声烦躁度主要受响度和尖锐度两个心理声学参数影响。