基于GA-BP神經(jīng)網(wǎng)絡(luò)的柴油機噪聲品質(zhì)評價方法

彭 濤,周 亨,鄧維敏

（重慶交通大學(xué) 重慶 400074）

現(xiàn)在生活水平的提高，汽車噪聲的問題漸漸的成為主要的環(huán)境污染。對于使用柴油機的汽車，柴油機是主要的噪聲源，它越來越引起廠家的重視，一些大型廠家不惜投入大量資金去研究與控制柴油機噪聲。因此，提高主觀對柴油機噪聲評價的準(zhǔn)確性，優(yōu)化內(nèi)燃機的設(shè)計，具有重要的意義。

現(xiàn)目前國內(nèi)外關(guān)于噪聲的品質(zhì)評價（SQE）提出了幾十種評價指標(biāo)，其中的A計權(quán)聲級廣泛用于內(nèi)燃機噪聲的評價，但是人耳對于聲音的主觀評價是一個非線性過程，它難以反映噪聲對于人的主觀感受[1]。而BP神經(jīng)網(wǎng)絡(luò)對于人的主觀評價是一個非線性的逼近。但BP神經(jīng)網(wǎng)絡(luò)是基于梯度法，其收斂速度慢，且易于陷入局部極小值的困擾，非常影響評估的精度。而遺傳算法(GA)全局搜索能力強，可以利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)重和閾值，從而改進BP網(wǎng)絡(luò)性能，克服BP神經(jīng)網(wǎng)絡(luò)陷入局部極小值的缺點，實現(xiàn)全局收斂，提高神經(jīng)網(wǎng)絡(luò)泛化能力和評估準(zhǔn)確性．

針對柴油機噪聲的特點,本文在借鑒有關(guān)BP神經(jīng)網(wǎng)絡(luò)的柴油機噪聲的評價方法的基礎(chǔ)之上進行了改進[2-3]，結(jié)合遺傳算法與BP神經(jīng)網(wǎng)絡(luò)的優(yōu)點，根據(jù)柴油機噪聲對于人主觀感受的影響，建立了GA-BP網(wǎng)絡(luò)預(yù)測模型。結(jié)果表明：對該模型的評估方法是有效的，收斂速度也比BP神經(jīng)網(wǎng)絡(luò)快，評估結(jié)果也是準(zhǔn)確的與人的主觀評價結(jié)構(gòu)吻合良好，具有可靠性。

1 BP神經(jīng)元網(wǎng)絡(luò)結(jié)構(gòu)及遺傳算法

1.1 BP網(wǎng)絡(luò)

BP 網(wǎng)絡(luò)是一種單向傳播的多層前饋神經(jīng)網(wǎng)絡(luò)，其主要特點是信號前向傳播，誤差反向傳播,在前向傳播中，輸入信號從輸入層經(jīng)隱含層逐層處理，直至輸出層。每一層的神經(jīng)元狀態(tài)只影響下一層神經(jīng)元狀態(tài)，如果輸出層得不到期望輸出，則轉(zhuǎn)入反向傳播，根據(jù)預(yù)測誤差調(diào)整網(wǎng)絡(luò)權(quán)值和閾值，從而使BP神經(jīng)網(wǎng)絡(luò)預(yù)測輸出不斷逼近期望輸出[4]。由非線性變換單元組成的BP神經(jīng)網(wǎng)絡(luò)，不僅結(jié)構(gòu)簡單(僅含輸入，輸出和隱節(jié)點3層)，而且具有良好的適應(yīng)性與自學(xué)能力，能夠解決復(fù)雜的非線性問題。通過分析，此法在噪聲評價中選用該模型是可行的。但是BP網(wǎng)絡(luò)的缺點穩(wěn)定性差，收斂速度很慢，如果初值選取不當(dāng)，可能造成不收斂，或者收斂于局部極值得情況。

1.2 遺傳算法

遺傳算法起源于對生物系統(tǒng)所進行的計算機模擬研究。它是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的一種自適應(yīng)全局優(yōu)化方法?；谶@一大特點，可以利用遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的初始權(quán)重。遺傳算法是將問題的求解表示成“染色體”，將其置于問題的“環(huán)境”中，進行編碼，根據(jù)達爾文的進化論原則，從中選擇出適應(yīng)環(huán)境的 “染色體”（即適用度高的個體）進行復(fù)制，再通過交叉(crossover)、變異(mutation)兩種基因操作產(chǎn)生出新一代更適合環(huán)境的種群，這樣一代代不斷改進，最后收斂到一定的精度條件，從而求得問題的最佳解?；具z傳算法可表示為如公式（1）[5]

SGA=（C,E,P0,M,Φ，Γ，Ψ，T） (1)

式中：C—個體編碼方法;E—個體適應(yīng)度評價函數(shù);P0—初始種群;M—種群大小;Φ—選擇算子;Γ—交叉算子;Ψ—變異算子;T—遺傳算法終止

1.3 GA－BP神經(jīng)網(wǎng)絡(luò)模型

利用GA與BP神經(jīng)網(wǎng)絡(luò)所具有的的特點，本文將二者相結(jié)合，形成GA-BP算法，先利用遺傳算法將BP網(wǎng)絡(luò)的初始權(quán)值進行優(yōu)化，再由BP網(wǎng)絡(luò)進行訓(xùn)練，該方法充分利用遺傳算法的全局尋優(yōu)能力，可以避免局部收斂的情況發(fā)生。提高收斂的速度。遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的流程圖如圖1所示。

圖1 GA-BP算法流程圖Fig.1 GA-BP algorithm flowing chart

2 柴油機噪聲品質(zhì)GA-BP網(wǎng)絡(luò)模型建立

2.1 網(wǎng)絡(luò)結(jié)構(gòu)確立

選擇柴油機噪聲的聲品質(zhì)主觀評價值（滿意度指數(shù)）作為網(wǎng)絡(luò)輸出。與柴油機聲品質(zhì)評價有關(guān)的心理學(xué)特性，主要包括4個方面，這其中包括尖銳度，粗糙度，波動強度，響度，本文把上述四個方面作為網(wǎng)絡(luò)的輸入[6]，輸出層為1個節(jié)點，表示為主觀評價結(jié)果。隱含層節(jié)點數(shù)的選取根據(jù)經(jīng)驗公式n=+k，其中m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)，k為1～10的常數(shù)。本文n取5。在兼顧精度與網(wǎng)絡(luò)結(jié)構(gòu)盡量簡單的情況之下選擇3層網(wǎng)絡(luò)結(jié)構(gòu)，其拓撲結(jié)構(gòu)見圖2，隱層激活函數(shù)選擇y=logsig(x)線性傳遞函數(shù)；輸出層激活函數(shù)選擇y=pureline(x)線性傳遞函數(shù)[7]。

圖2 神經(jīng)網(wǎng)絡(luò)拓撲結(jié)構(gòu)Fig.2 Neural network topology

2.2 神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)采集

噪聲的響度，尖銳度，波動度，粗糙度，音調(diào)度等因素影響人的主觀評價，其中尖銳度，粗糙度，波動度，響度起著主要因素[8]。筆者采集到了某國產(chǎn)轎車上柴油機在不同轉(zhuǎn)速及不同工況下的柴油機噪聲的尖銳度，粗糙度，波動度，響度。采用分類成對比較法來進行聽審測試，其中評審團選用有一定噪聲經(jīng)驗的25名評價主體組成，年齡大體在25～35之間,并用成對比較法[9]對評審團進行培訓(xùn)。其組成如下表1。并把采集到的噪聲樣本在密閉的實驗室內(nèi)反復(fù)的播放2到3次。按照等級評分法，選取1-10分，主觀感覺從很舒服到煩躁再到非常煩躁,結(jié)果經(jīng)過篩選后取平均值。表2為部分柴油機噪聲樣本及測試數(shù)據(jù)。

表1 評審團組成Tab.1The jury

2.3 網(wǎng)絡(luò)訓(xùn)練及其數(shù)據(jù)處理

2.3.1 參數(shù)設(shè)定

對于GA-BP網(wǎng)絡(luò)模型，設(shè)定期望誤差為0.002 5，學(xué)習(xí)效率定位0.2，訓(xùn)練輪回定位50 000次。遺傳算法參數(shù)設(shè)置，種群規(guī)模為80，進化次數(shù)為200，交叉概率為0.4，變異概率為0.03，利用MATLAB中的遺傳算法工具箱對它求解，并且把解作為BP網(wǎng)絡(luò)的初始權(quán)值跟閥值。

2.3.2 數(shù)據(jù)處理

由于采集到的數(shù)據(jù)值得分布不在一個尺度上，并且他們不在一個數(shù)量級上，在訓(xùn)練前，需要對數(shù)據(jù)進行規(guī)范化處理，把表示5個特征的數(shù)據(jù)都規(guī)范到0到1，這樣使得它們對模型的影響具有同樣的尺度。其中尖銳度，粗糙度，波動強度，響度與主觀評分值成正相關(guān)用公式（2）進行處理

表2 為部分柴油機噪聲樣本及測試數(shù)據(jù)Tab.2 Part of the diesel engine noise samples and test datas

其中yi為歸一化處理后的值，xi為原始數(shù)據(jù),xmin和xmax為該組信號中的最小值跟最大值

3 GA-BP網(wǎng)絡(luò)訓(xùn)練及其與BP網(wǎng)絡(luò)結(jié)果對比

1)BP算法仿真結(jié)果：網(wǎng)絡(luò)結(jié)構(gòu)選取1～60號數(shù)據(jù)作為訓(xùn)練樣本，61～65號樣本為檢驗樣本。為了驗證GA-BP神經(jīng)網(wǎng)絡(luò)模型的有效性，利用MATLAB神經(jīng)網(wǎng)絡(luò)工具箱分別對GA-BP神經(jīng)網(wǎng)絡(luò)和BP神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練與仿真對比。圖3為BP神經(jīng)網(wǎng)絡(luò)和輸出的仿真結(jié)果，從圖中可以看出，BP算法在經(jīng)過2 885次迭代后達到目標(biāo)精度。

圖3 BP算法誤差曲線Fig.3 BP algorithm error curve

2)GA-BP算法仿真結(jié)果：網(wǎng)絡(luò)結(jié)構(gòu)同樣選取3-6-1三層結(jié)構(gòu)。根據(jù)前面設(shè)置的遺傳算法參數(shù)進行仿真，得到的結(jié)果如圖4所示。算法經(jīng)過1 183次迭代后達到目標(biāo)精度。

圖4 GA-BP算法誤差曲線Fig.4 GA-BP algorithm error curve

通過對比結(jié)果可以發(fā)現(xiàn)，GA-BP算法明顯優(yōu)越BP算法。不僅在初始誤差上小于BP算法，并且迭代次數(shù)也遠遠小于BP算法。而且不會陷入局部最優(yōu)解。

表3為5樣本在兩種網(wǎng)絡(luò)模型下的實測值與真實值的相對誤差統(tǒng)計。從標(biāo)準(zhǔn)可以看出，BP算法的相對誤差明顯高于GA-BP算法的相對誤差；GA-BP神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性更高，能夠很好的預(yù)測出人的主觀評價結(jié)果。

表3 兩種網(wǎng)絡(luò)模型下的實測值與真實值的相對誤差統(tǒng)計Tab.3 Relative errorstatistics of the measured values and the real valueunder twokinds of network models

4 結(jié)論

1）文中提出的GA-BP神經(jīng)網(wǎng)絡(luò)對于柴油機噪聲品質(zhì)評價，既滿足了噪聲主觀評價的非線性關(guān)系，又克服了BP神經(jīng)網(wǎng)絡(luò)收斂速度低、易陷入局部極小值的缺點.Matlab仿真結(jié)果表明，GA-BP神經(jīng)網(wǎng)絡(luò)的柴油機噪聲品質(zhì)評價模型具有很高的泛化能力,穩(wěn)定性和評估準(zhǔn)確性，為柴油機噪聲主觀評價提供了可靠的輔助支持，也節(jié)約了大量的人力與財力。

2）目前，遺傳算法與BP神經(jīng)網(wǎng)絡(luò)結(jié)合的方法，主要還是利用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值，但是如何用遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu) （其隱含層還主要是利用經(jīng)驗公式去判斷），則至今尚未有成熟的理論與方法，因此如何利用遺傳算法來進一步優(yōu)化BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，使之有更準(zhǔn)確的評估結(jié)果還值得進一步研究。

[1]張群，衛(wèi)海橋.高壓共軌發(fā)動機降噪及其性能對噪聲的影響[J].機械工程學(xué)報，2009，45(11)：58-64.ZHANG Qun,WEI Hai-qiao.Noise Reduction of Migh--pressure Common--rail Engine and the Impact of Engine Performances on the Noise [J].JournalofMechanical Engineering,2009，45(11)：58-64.

[2]段敏，王巖松，石晶.基于神經(jīng)網(wǎng)絡(luò)的發(fā)動機噪聲預(yù)測[J].汽車工程，2002，24（6）：507-509.DUAN Min,WANG Yan-song,SHI Jing.Prediction of the noise in engine based on neural network[J]．Automotive Engineering,2002，24（6）：507-509.

[3]劉海，張俊紅，張桂昌，等．車用柴油機噪聲品質(zhì)預(yù)測模型的建立[J]．機械工程學(xué)報，2012,48（2）：159-163．LIU Hai,ZHANG Jun-hong,ZHANG Gui-chang,etc.Prediction model for diesel engine noise quality[J].Journal of Mechanical Engineering,2012,48（2）：159-163．

[4]史忠植．神經(jīng)網(wǎng)絡(luò)[M]．北京：高等教育出版社，2009:49-56．

[5]雷英杰，張善文，李續(xù)武.MATLAB遺傳算法工具箱及應(yīng)用[M]．西安：西安電子科技大學(xué)出版社，2005.

[6]曾發(fā)林，李猛．基于神經(jīng)網(wǎng)絡(luò)的噪聲品質(zhì)評價方法[J]．噪聲與振動控制，2008,28（3）：131-134．ZENG Fa-fin,LI Meng.Method of Evaluating Noise Quality Based on Neural Network[J]．Noise and Vibration Control，2008,28（3）：131-134．

[7]張德峰.MATLAB神經(jīng)網(wǎng)絡(luò)應(yīng)用設(shè)計[M]．北京：機械工業(yè)出版社，2012.

[8]Hasting A L.Sound quality ofdieselengines[M]．West Lafayette:Purdue University,2004.

[9]毛東興，俞悟周．聲品質(zhì)成對比較主觀評價的數(shù)據(jù)檢驗及判據(jù)[J]．聲學(xué)學(xué)報，2005，30(5)：468-472．MAO Dong-xing,YU Wu-zhou.Statistical validation and criterion forpaired comparsion data in sound quality evaluation[J]．Acta Acustica,2005，30(5)：468-472.