一种车辆路噪主观评价值预测方法与流程

本发明涉及车辆路噪研究技术，尤其涉及一种车辆路噪主观评价值预测方法。

背景技术：

对车辆路噪水平的评价，一般采用客观评价和主观评价。客观评价即对车辆路噪数据进行采集及分析，得到路噪频谱数据；主观评价即专业人员对车辆路噪水平进行主观评分。客观评价在车辆路噪数据对比，问题解析等方面发挥着重大作用；主观评价不可或缺，车辆路噪水平的好坏最终要由用户来评价，而用户的评价都是主观评价。因此，客观评价和主观评价相辅相成，缺一不可。

客观评价是路噪频谱数据；主观评价是评价人员对车内噪声的主观感受评分，而路噪频谱数据是车内噪声的客观体现，主观评价也即对路噪频谱对应的车内噪声进行评价。因此，客观评价数据和主观评价数据之间定然存在着某种关系(映射)，这种关系是复杂的非线性关系，难以获取。

由于车辆路噪主观评价的主观性，同一台车，同一工况下的主观评价结果因人而异，差距较大，主观评价结果准确性不高。

技术实现要素：

本发明要解决的技术问题在于针对现有技术中的缺陷，提供一种车辆路噪主观评价值预测方法。

本发明解决其技术问题所采用的技术方案是：一种车辆路噪主观评价值预测方法，包括以下步骤：

1)获取各样本车辆路噪测试数据和对应的主观评价值作为训练样本数据；

2)根据各样本车辆路噪测试数据确定各样本车辆路噪的1/s倍频程频谱数据；

3)建立bp神经网络模型，神经网络模型以各样本车辆路噪的1/s倍频程频谱数据为输入，以主观评价值为输出；

4)设定bp神经网络输出误差限值，对bp神经网络进行训练，获得训练后用于预测主观评价值的神经网络模型；

5)采集待评价车辆路噪数据；

6)确定待评价车辆路噪的1/s倍频程频谱数据；s为一整数，一般可取值为3,6,12,24,48,96。如1/3倍频程指将倍频程每个频带分成3个小频带。

7)使用训练后的神经网络模型获得待评价车辆路噪主观评价预测值。

按上述方案，所述步骤1)车辆路噪测试数据为各车辆在同一车速，同一工况，同种路面，同种测试条件下的车内噪声数据。

按上述方案，所述步骤2)中根据各样本车辆路噪测试数据确定各样本车辆路噪的1/s倍频程频谱数据，具体如下：

2.1)对车辆路噪测试数据施加窗函数，进行fft分析,得到各频率下的声压值；

2.2)将2.1)中的数据转化为声压级，计算公式如下：

其中，pi为步骤2.1)中得到的第i个频率下的声压值，p0为基准声压；em为所施加的窗函数的能量修正系数，spl1i为第i个频率下的声压级；

2.3)将声压级转化为计权声压级，计算公式如下：

spl2i＝spl1i-li

其中，li为计权特性曲线(如a计权、c计权、线性计权)在第i个频率下的衰减值，spl2i为第i个频率下的计权声压级；

2.4)将计权声压级转化为1/s倍频程计权声压级，计算公式如下：

其中，flj为1/s倍频程的第j个频带的下限频率，fuj为1/s倍频程的第j个频带的上限频率，f(i)为步骤一中第i个数据所对应的频率，spl3j为1/s倍频程第j个频带的声压级；

2.5)计算出1/s倍频程所有频带的声压级，即得到车辆路噪1/s倍频程频谱数据。

按上述方案，所述步骤3)中bp神经网络模型由三层组成，第一层为输入层，第二层为隐含层，第三层为输出层。

按上述方案，所述步骤3)bp神经网络模型中输入层节点数n根据所选择的1/s倍频程及所考虑的频率范围确定，输出层节点数为p为1，隐藏层节点数m根据输入层节点数n确定，由下式估算得出：

m＝[log2n]。

按上述方案，所述步骤3)中神经网络模型以各样本车辆路噪的1/s倍频程频谱数据为输入，输入前进行数据规格化处理为0-1之间的数。

本发明产生的有益效果是：

本发明通过将路噪数据转换为车辆路噪1/s倍频程频谱数据进行神经网络训练，得到一种车辆路噪主观评价值预测方法，使用该方法通过测试车辆路噪数据，即可预测车辆路噪主观评价值，且主观评价值准确性高，大大方便了车辆路噪的主观评价工作。

附图说明

下面将结合附图及实施例对本发明作进一步说明，附图中：

图1是本发明实施例的方法流程图；

图2是本发明实施例的bp神经网络结构示意图；

图3是本发明实施例的神经网络激活函数sigmoid示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，本发明提供了一种车辆路噪主观评价预测方法，该方法通过测试车辆路噪数据，即可预测车辆路噪主观评价值。

参见图1、2方法流程图及bp神经网络结构图可知，本发明算法分两个流程：训练流程和预测流程。在训练流程，获取一定样本量的车辆路噪测试数据和主观评价数据，建立bp神经网络模型，设定bp神经网络输出误差限值，将计算得到的各车辆路噪频谱数据作为bp神经网络的输入，将各车辆路噪主观评价数据作为bp神经网络的输出，对bp神经网络进行训练。若训练结果的误差不满足设定的误差限值，则重新设定bp神经网络输出误差限值，重新对bp神经网络进行训练。若训练结果的误差满足设定的误差限值，则bp神经网络训练完成。在预测流程，测试某车辆路噪数据，经计算得到其频谱数据并将其输入到已完成训练的bp神经网络中，即可得到某车辆的主观评价值。

本发明中，训练流程步骤如下：

步骤一：获取各车辆路噪测试数据。

车辆路噪测试数据为各车辆在同一车速，同一工况，同种路面，同种测试条件下的车内噪声数据。

车辆路噪测试数据样本量要足够大，一般须大于30。样本须具广泛性、代表性。样本量也不能太大，否则会产生过拟合，使bp神经网络泛化能力变差。

步骤二：计算各车辆路噪的1/s倍频程频谱数据，其计算流程如下：

①对车辆路噪测试数据施加窗函数，如汉宁窗等，进行fft分析；

②将①中的数据转化为声压级，计算公式如下：

其中，pi为步骤一中得到的频率i下的声压值(单位：pa)；p0为基准声压，p0＝2*10^-5pa；em为所施加的窗函数的能量修正系数。spl1i为频率i下的声压级，单位为db。

③将②中的数据转化为计权声压级，计算公式如下：

spl2i＝spl1i-li

其中，li为计权特性曲线在频率i下的衰减值。spl2i为频率i下的计权声压级，若采用a计权，则记为dba；若采用c计权，则记为dbc；以此类推。

④：将③中的数据转化为1/s倍频程(如1/1倍频程、1/3倍频程等)计权声压级，计算公式如下：

其中，flj为1/s倍频程的第j个频带的下限频率，fuj为1/s倍频程的第j个频带的上限频率，f(i)为步骤一中第i个数据所对应的频率。spl3j为1/s倍频程第j个频带的声压级。

⑤计算出所有频带的声压级，即得到车辆路噪1/s倍频程频谱数据。

步骤三，获取各车辆路噪主观评价值。

各车辆路噪主观评价值为评价人员对各车辆在同一车速，同一工况，同种路面下的路噪水平的主观评价值。主观评价值须具有权威性，可采用权威专家对各车辆路噪水平的主观评分；也可采用对多个专业人员对各个车辆路噪水平的评分值取平均值得到。

步骤四：建立bp神经网络模型。

本发明采用的bp神经网络体系结构由三层组成，第一层为输入层，共n个节点，对应了表示n个输入参数。第二层为隐含层，共m个节点，由网络的训练过程以自适应的方式确定。第三层为输出层，共p个节点，由系统实际需要输出的响应确定。

该网络的数学模型为：

输入向量：x＝(x1,x2,...,xn)^t

中间层向量：y＝(y1,y2,...,ym)^t

输出向量：o＝(o1,o2,...,op)^t

输入向量与输出向量的函数关系为：

o＝f2(h*f1(w*x+b1)+b2)(1)

式1中，x,o即为输入向量和输出向量，中间层向量y的表达式为：

y＝w*x+b1(2)

式1中，w，h分别为输入层与中间层(隐藏层)、中间层与输出层之间的权重系数矩阵。

式(1)中，b1，b2分别为输入层与中间层(隐藏层)、中间层与输出层之间的偏置矩阵。

式(1)中，f1(z)、f2(z)为激活函数，一般采用sigmoid函数：

其函数图形如图3所示。

本发明中，输入层节点数n根据所选择的1/s倍频程及所考虑的频率范围确定，输出层节点数为p＝1。隐藏层节点数m由下式估算得出：

m＝[log2n]

输入信号的n个参数为路噪频谱数据。以1/3倍频程频谱数据为例，考虑20—5000hz范围内的路噪数据，则将中心频率分别为20，25，31.5，40，50，63，80，100，125，160，200，250，315，400，500，630，800，1000，1250，1600，2000，2500，3150，4000，5000hz所对应的声压级数据作为一组输入。表1为一组输入数据示例，其中第一列为中心频率，第二列为与中心频率对应的声压级。此例中，n＝25,即25个中心频率。将各个车辆的声压级数据组合在一起，即形成bp神经网络输入矩阵。

表1

在数据输入bp人工神经网络之前，需要将数据规格化为0-1之间的数。

具体而言，对于中心频率下的声压级l，按如下公式进行规格化

其中，lmax和lmin分别为中心频率下声压级的最大值和最小值,xi为中心频率下的声压级系数。

输出层的参数为车辆路噪主观评价值。

步骤五：设定bp神经网络输出误差限值。

误差限值的设定，与样本数量有关。样本量越大，误差限值越大。当样本数量一定时，先设定一较小的误差限值，如0.001或0.005等，对bp神经网络进行训练。若训练结果不满足误差限值要求，则逐步增大误差限值，直至满足要求。

步骤六：对bp神经网络进行训练。

建立好bp神经网络节点模型后，即可进行bp神经网络的训练。根据获取的训练样本，设定输入节点i和隐含层节点j之间的连接权值wij，隐层节点j和输出层节点k之间的连接权值hjk，隐层节点j的偏置值b1j，输出层节点k的偏置值b2k这4个矩阵的初始值，其均为-1到1之间的随机数。

根据输入向量x,矩阵w,偏置矩阵b1，运用式2,计算得到中间层(隐含层)向量y。

根据中间层向量y,矩阵h,偏置矩阵b2，运用式3和式1,计算得到输出向量o。

计算输出向量o与车辆路噪主观评价值之间的偏差。根据这个偏差，运用误差反向传播算法(bp算法)，不断修正wij和hjk的值，直至系统误差小于等于设定的输出误差限值时，完成bp神经网络的训练过程。

此处补充说明为何在数据输入bp人工神经网络之前，需要将数据规格化为0-1之间的数。图3为神经网络激活函数sigmoid图形。从图3中看出，当自变量x绝对值较大时(如＞3时)，因变量y处于饱和段，其梯度(导数)较小，接近为0。根据神经网络bp算法，此时wij和hjk得不到及时、有效的修正，导致神经网络训练过程变长，甚至训练失败的情况。当将自变量x限制在[0,1]的范围内时，因变量y处于线性段，其梯度(导数)较大，此时wij和hjk能得到及时、有效的修正，神经网络训练过程较为容易。

应当理解的是，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，而所有这些改进和变换都应属于本发明所附权利要求的保护范围。