車內(nèi)穩(wěn)態(tài)噪聲干擾度有源增益系數(shù)提前梯度優(yōu)化方法

徐海卿， 周　鋐， 靳　暢

(1.同濟(jì)大學(xué) 汽車學(xué)院,上海 201804；2.同濟(jì)大學(xué) 新能源汽車工程中心，上海 201804)

?

車內(nèi)穩(wěn)態(tài)噪聲干擾度有源增益系數(shù)提前梯度優(yōu)化方法

徐海卿1，2， 周鋐1，2， 靳暢1，2

(1.同濟(jì)大學(xué) 汽車學(xué)院,上海 201804；2.同濟(jì)大學(xué) 新能源汽車工程中心，上海 201804)

摘要：為使用有源噪聲均衡技術(shù)快速優(yōu)化車內(nèi)穩(wěn)態(tài)噪聲干擾度，分析了傳統(tǒng)枚舉方法搜索有源均衡最優(yōu)增益系數(shù)向量用以優(yōu)化噪聲品質(zhì)的特點；通過主觀評價建立了車內(nèi)20-500Hz頻率范圍內(nèi)穩(wěn)態(tài)噪聲對于人員注意力的干擾程度的噪聲品質(zhì)，干擾度；建立了以20-500Hz頻率范圍內(nèi)各個臨界頻帶線性總聲壓幅值為輸入的噪聲干擾度反向傳播(BP)神經(jīng)網(wǎng)絡(luò)客觀計算模型；推導(dǎo)了以收斂后的BP神經(jīng)網(wǎng)絡(luò)權(quán)值表示的各個輸入對于噪聲干擾度的靈敏度和貢獻(xiàn)量；推導(dǎo)了一個頻帶的有源增益系數(shù)、有源均衡前幅值頻譜、參考信號，與有源均衡后頻帶內(nèi)線性總聲壓幅值的關(guān)系；基于這個關(guān)系和噪聲干擾度的靈敏度以及貢獻(xiàn)量提出了搜索最優(yōu)增益系數(shù)的提前梯度優(yōu)化方法.使用提前梯度方法有源優(yōu)化車內(nèi)穩(wěn)態(tài)噪聲干擾度，優(yōu)化過程耗時較少，主觀評價試驗顯示，優(yōu)化效果較準(zhǔn)確，車內(nèi)穩(wěn)態(tài)噪聲干擾度改善較顯著.

關(guān)鍵詞：噪聲干擾度； 有源噪聲均衡； 最優(yōu)增益系數(shù)； 提前梯度優(yōu)化

有源噪聲均衡技術(shù)(active noise equalization，ANE)，是主動噪聲控制技術(shù)(active noise cancellation，ANC)技術(shù)的衍生產(chǎn)物，ANC技術(shù)最早由德國物理學(xué)家Paul Leug于1933年提出[1-2]，電子技術(shù)發(fā)展成熟之后ANC技術(shù)得到了比較快速的發(fā)展和廣泛的應(yīng)用.在汽車噪聲領(lǐng)域，ANC系統(tǒng)適合消除車內(nèi)低頻噪聲，而ANE系統(tǒng)[3]則適合實現(xiàn)車內(nèi)低頻噪聲的均衡，從而控制車內(nèi)噪聲頻譜和噪聲品質(zhì).ANE系統(tǒng)通過最小均方誤差(LMS)算法[4]來控制使得作為控制目標(biāo)的偽誤差信號最小化，忽略穩(wěn)態(tài)誤差的前提下，偽誤差信號收斂時，誤差信號為實現(xiàn)均衡前的初級聲信號的β倍，β為ANE系統(tǒng)的增益系數(shù).各個頻帶的增益系數(shù)控制各個頻帶的線性總聲壓幅值，修正人耳對噪聲的感覺，控制噪聲品質(zhì).使用ANE技術(shù)優(yōu)化車內(nèi)穩(wěn)態(tài)噪聲品質(zhì)(穩(wěn)態(tài)是指發(fā)動機(jī)轉(zhuǎn)速和檔位保持穩(wěn)定)的一般流程是先通過主觀評價建立噪聲品質(zhì)主觀模型，然后建立噪聲品質(zhì)的客觀計算模型，再根據(jù)噪聲品質(zhì)的客觀計算模型使用ANE技術(shù)優(yōu)化噪聲品質(zhì)，最后通過主觀評價驗證優(yōu)化效果[5].其中使用ANE技術(shù)優(yōu)化噪聲品質(zhì)是較重要的部分.

使用ANE優(yōu)化車內(nèi)穩(wěn)態(tài)噪聲品質(zhì)一般都是對多個控制頻帶進(jìn)行有源噪聲均衡，這些控制頻帶一般就是計算響度使用的臨界頻帶，每個臨界頻帶分別有一個增益系數(shù)βi，這些增益系數(shù)一起構(gòu)成增益系數(shù)向量B，如式(1)所示.

(1)式中，n為控制頻帶的數(shù)量，計算響度和尖銳度時，n=24.使用ANE優(yōu)化噪聲品質(zhì)的一個重要問題是根據(jù)建立的噪聲品質(zhì)客觀計算模型，尋找一個最優(yōu)增益系數(shù)向量Bopt，使得各個控制頻帶在使用這個最優(yōu)增益系數(shù)向量實施有源噪聲均衡后，噪聲品質(zhì)實現(xiàn)最優(yōu).這個最優(yōu)增益系數(shù)向量，現(xiàn)在一般使用枚舉方法得到.枚舉方法的流程如圖1所示[5].枚舉方法能夠比較準(zhǔn)確地找到使得噪聲品質(zhì)最優(yōu)的增益系數(shù)向量Bopt，因為枚舉方法對每個增益系數(shù)向量B都實施有源噪聲均衡，并且根據(jù)噪聲有源均衡收斂后的實際誤差信號來計算噪聲品質(zhì)，因此經(jīng)過枚舉之后所得到的最優(yōu)增益系數(shù)向量Bopt就是實際系統(tǒng)在增益系數(shù)選擇范圍內(nèi)和變化間隔下能使噪聲品質(zhì)最優(yōu)的增益系數(shù)向量.枚舉方法尋找最優(yōu)增益系數(shù)向量需要花費較多時間.因為枚舉方法對于每個增益系數(shù)向量B都需要實施噪聲有源均衡，每個增益系數(shù)向量B的有源噪聲均衡需要較短的時間，在LMS算法收斂系數(shù)取值合適并且硬件系統(tǒng)實時性較好的條件下基本可以忽略，但是為了計算每個增益系數(shù)向量B所對應(yīng)的噪聲品質(zhì)，需要求出實施有源噪聲均衡后的聲壓頻譜，這需要足夠的聲壓信號采樣點，即使選擇較高的采樣頻率，也需要一定的時間，特別當(dāng)噪聲品質(zhì)客觀計算模型的輸入量式響度和尖銳度等心理聲學(xué)參數(shù)時，枚舉方法需要對全部24個臨界頻帶實施有源噪聲均衡，如圖1所示的各個臨界頻帶增益系數(shù)βi以0.1為間隔，從0變化到1.5的情況，增益系數(shù)向量的B一共有1624種可能的情況，對每一種增益系數(shù)向量B實施有源噪聲均衡并計算均衡后的噪聲品質(zhì)需要花費較多.而在搜索最優(yōu)增益系數(shù)向量Bopt過程中不需要實施有源均衡的搜索方法還比較少.

為提高使用ANE系統(tǒng)優(yōu)化車內(nèi)噪聲品質(zhì)的效率，使用基于考駕駛員反應(yīng)時間和注意力的噪聲品質(zhì)主觀評價方法[6]建立了噪聲品質(zhì)，干擾度；基于BP神經(jīng)網(wǎng)絡(luò)建立了噪聲干擾度客觀計算模型和噪聲干擾度靈敏度及貢獻(xiàn)量；推導(dǎo)了用一個控制頻帶的有源增益系數(shù)預(yù)測實施均衡后頻帶線性總聲壓幅值的計算公式；提出了噪聲干擾度提前梯度優(yōu)化方法；通過有源均衡試驗和主觀評價試驗驗證了噪聲干擾度提前梯度優(yōu)化方法的快速和準(zhǔn)確，并且較顯著改善了車內(nèi)穩(wěn)態(tài)噪聲樣本的干擾度.

圖1　枚舉優(yōu)化方法確定最優(yōu)增益系數(shù)向量Bopt計算流程

1噪聲干擾度主、客觀模型的建立

1.1噪聲樣本采集和處理

為研究車內(nèi)500 Hz以內(nèi)低頻噪聲對于人員注意力的干擾程度，在一輛汽車內(nèi)駕駛員位置采集41個不同工況的穩(wěn)態(tài)噪聲樣本，樣本工況如表1所示，其中代表工況的命名方法為xGy_β_z，其中x、y和z分別代表檔位、發(fā)動機(jī)轉(zhuǎn)速和ANE系統(tǒng)增益系數(shù)，比如5G2400_β_1.5表示檔位為5檔、發(fā)動機(jī)轉(zhuǎn)速為2400 r·min-1、ANE系統(tǒng)增益系數(shù)為1.5的勻速巡航噪聲樣本.噪聲樣本的采集環(huán)境是半消聲室，所有噪聲樣本都經(jīng)過截止頻率為500 Hz的低通濾波.濾波的原因是試驗的工況為半消聲室內(nèi)采集的穩(wěn)態(tài)工況，發(fā)動機(jī)轉(zhuǎn)速不超過2500 r·min-1，由此引起的階次噪聲能量主要集中在500 Hz以下，而頻率高于500 Hz的噪聲適合用被動降噪手段處理，通過優(yōu)化車輛的隔聲和吸聲性能可較有效地消除，本次研究的主要目的是通過適合處理低頻噪聲的ANE系統(tǒng)優(yōu)化車內(nèi)噪聲干擾度，因此高于500 Hz的噪聲通過低頻濾波被忽略.噪聲樣本的采集、處理和回放分別使用Head Acoustics公司的人工頭聲學(xué)傳感器、Artimis軟件以及回放均衡系統(tǒng)(PEQ)高保真回放系統(tǒng).

表1　噪聲樣本工況

1.2噪聲干擾度主觀評價

噪聲樣本使用考慮駕駛員反應(yīng)時間和注意力的噪聲品質(zhì)主觀評價方法[6]進(jìn)行評價，評價主體為20名20～30歲的聽力健全的汽車行業(yè)從業(yè)者和研究生，通過Spearman相關(guān)分析[7]剔除三位與整體評價標(biāo)準(zhǔn)相關(guān)性較低的評價者后其余評價者的Spearman相關(guān)系數(shù)平均值為0.824，主觀評價結(jié)果，噪聲干擾度如圖2所示.噪聲干擾度得分1、2、3、4、5依次表示“干擾非常嚴(yán)重”、“干擾比較嚴(yán)重”、“干擾一般”、“干擾輕微”、“干擾可以忽略甚至有利于注意力集中”.

圖2　噪聲樣本的干擾度主觀評價值

1.3噪聲干擾度客觀計算模型建立

噪聲品質(zhì)客觀計算模型的常用方法是使用心理聲學(xué)參數(shù)作為輸入，使用線性回歸或者神經(jīng)網(wǎng)絡(luò)對主觀評價結(jié)果進(jìn)行擬合[8-9].ANE技術(shù)通過增益系數(shù)向量B直接控制多個頻帶內(nèi)的線性總聲壓幅值，因此以需要控制的各個頻帶的線性總聲壓幅值作為輸入，采用非線性擬合效果好的BP神經(jīng)網(wǎng)絡(luò)作為擬合算法，適合噪聲品質(zhì)的客觀計算模型建立，且方便使用ANE優(yōu)化噪聲品質(zhì).

由于建立噪聲干擾度主觀評價模型的噪聲樣本都經(jīng)過500 Hz低通濾波，而人耳聽覺的下限頻率為20 Hz，因此選擇20～500 Hz以內(nèi)的臨界頻帶線性總聲壓幅值向量作為BP神經(jīng)網(wǎng)絡(luò)的輸入，對噪聲干擾度主觀評價結(jié)果進(jìn)行擬合.經(jīng)過頻譜分析，20～22 Hz以及447～500 Hz頻率范圍內(nèi)的噪聲幅值非常小，可以忽略不計，因此作為噪聲干擾度BP神經(jīng)網(wǎng)絡(luò)客觀計算模型輸入的20～500 Hz以內(nèi)的臨界頻帶Bark的近似下限頻率和上限頻率見表2.

表2　20～500 Hz頻率范圍內(nèi)臨界頻帶邊界

神經(jīng)網(wǎng)絡(luò)的隱含層神經(jīng)元使用tansig傳遞函數(shù)(是)，輸出層神經(jīng)元使用purelin傳遞函數(shù)，分別如式(2)和式(3)所示，這樣的BP神經(jīng)網(wǎng)絡(luò)理論上可以逼近任何的連續(xù)函數(shù).

(2)

2噪聲干擾度的靈敏度和貢獻(xiàn)量

2.1噪聲干擾度靈敏度

對于連續(xù)可微的多元函數(shù)求極值問題，一般采用的方法是求出各個自變量對于應(yīng)變量的偏導(dǎo)數(shù)構(gòu)成的梯度，使得輸入向量按照當(dāng)前的梯度方向以一定的步長變化，直到滿足收斂關(guān)系.噪聲干擾度與各個輸入量之間的函數(shù)關(guān)系不明，先前建立的以20～500 Hz以內(nèi)的臨界頻帶線性總聲壓幅值作為輸入的BP神經(jīng)網(wǎng)絡(luò)就是對這一函數(shù)關(guān)系的估計.訓(xùn)練結(jié)束后，BP神經(jīng)網(wǎng)絡(luò)計算噪聲干擾度的方法如式(4)所示.

(4)式中：k=1,2,…,l; ωij為輸入節(jié)點j與隱節(jié)點i間的網(wǎng)絡(luò)權(quán)值；θi是隱節(jié)點i的網(wǎng)絡(luò)閾值；f1(x)是隱含層神經(jīng)元的傳遞函數(shù)；Tki是隱節(jié)點i與輸出節(jié)點k間的網(wǎng)絡(luò)權(quán)值；θk是輸出節(jié)點k的網(wǎng)絡(luò)閾值；f2(x)是隱含層神經(jīng)元的傳遞函數(shù).求輸入節(jié)點值xj對輸出節(jié)點值Ok的偏導(dǎo)數(shù)如式(5)所示.

(5)

(6)對于先前建立的噪聲干擾度BP神經(jīng)網(wǎng)絡(luò)客觀計算模型，n=5、m=7、l=1.則用訓(xùn)練后的BP神經(jīng)網(wǎng)絡(luò)權(quán)值表示的一個臨界頻帶線性總聲壓幅值對于噪聲干擾度靈敏度如式(7)所示，所有輸入臨界頻帶線性總聲壓幅值的靈敏度梯度如式(8)所示.

(7)式中，j=1,2,…,5， k=1.

(8)2.2噪聲干擾度貢獻(xiàn)量

噪聲干擾度是一個以20～500 Hz頻率范圍內(nèi)的5個臨界頻帶線性總聲壓幅值為自變量的多元函數(shù)，可以使用噪聲干擾度靈敏度構(gòu)成的梯度來進(jìn)行優(yōu)化.但是對于以20～500 Hz頻率范圍內(nèi)的臨界頻帶線性總聲壓幅值為輸入量的噪聲干擾度BP神經(jīng)網(wǎng)絡(luò)客觀計算模型，如果根據(jù)靈敏度梯度來控制輸入的大小，當(dāng)靈敏度為負(fù)時會存在以下兩種的情況可能導(dǎo)致噪聲干擾度優(yōu)化效率降低.

(1)某個臨界頻帶的噪聲干擾度靈敏度為負(fù)且絕對值較大，應(yīng)顯著減小該輸入，但如果此時該臨界頻帶線性總聲壓幅值已經(jīng)非常小，即使通過有源均衡，也無法顯著減小輸入量；

(2)某個臨界頻率的噪聲干擾度靈敏度為負(fù)且絕對值很小，相對應(yīng)的輸入不應(yīng)該顯著改變，但是該臨界頻帶線性總聲壓幅值很大，仍對與噪聲干擾度造成顯著的負(fù)貢獻(xiàn)，應(yīng)該顯著改變，但是根據(jù)噪聲干擾度靈敏度組成的噪聲干擾度梯度方向優(yōu)化時，存在這種情況的臨界頻帶的改變將不顯著.

當(dāng)靈敏度為正時也會存在兩個類似的情況.因此定義噪聲干擾度貢獻(xiàn)量如式(9)，噪聲干擾度貢獻(xiàn)量梯度如式(10).

(9)

式中， j=1,2,…,5， k=1.

(10)

3頻帶增益系數(shù)與頻帶線性總聲壓幅值的關(guān)系

離散系統(tǒng)下一個臨界頻帶內(nèi)的線性總聲壓幅值TP(j)(程序中以TP(j)表示)計算方法如式(11)所示.

(11)式中：W(f)代表臨界頻帶內(nèi)頻率f下的聲壓幅值譜函數(shù)P(f)的權(quán)值，當(dāng)f為臨界頻帶的上限頻率fmax(i)或下限頻率fmin(i)，W(f)=0.5，當(dāng)f介于臨界頻帶的上限頻率fmax(i)和下限頻率fmin(i)之間，W(f)=1.窄帶ANE的作用是將頻帶內(nèi)的窄帶參考信號成分所對應(yīng)的聲壓幅值譜函數(shù)峰值及其附近的聲壓幅值譜函數(shù)值均衡至原來的β倍，而聲壓幅值譜函數(shù)的其余部分保持不變.如圖3所示的是噪聲樣本0G1750的車內(nèi)控制點57.00 Hz參考信號對應(yīng)頻率附近的不同β均衡下的聲壓幅值譜函數(shù).

經(jīng)過分析，本次有源噪聲均衡對應(yīng)的所有參考信號頻譜對應(yīng)的“頻率峰”都不超過以參考信號為中心，寬度為2 Hz的頻率范圍.因此這個以參考信號為中心，寬度為2 Hz的頻率范圍，就是單個窄帶參考信號所能有效均衡的噪聲頻率.把臨界頻帶內(nèi)的所有參考信號對應(yīng)的頻率范圍內(nèi)的幅值譜分量定義為該臨界頻帶內(nèi)的參考信號分量Pr(f)，把臨界頻帶內(nèi)的剩余頻率范圍內(nèi)的幅值譜分量定義為該臨界頻帶內(nèi)的非參考信號分量Pn(f).把臨界頻帶中的幅值分量P(f)分為參考信號分量Pr(f)和非參考信號分量Pn(f)，則可以寫成如式(12)的形式如下：

(12)

根據(jù)窄帶ANE控制后參考信號分量Pr(f)變?yōu)樵瓉淼摩卤哆@一特點，對一個頻帶進(jìn)行窄帶ANE控制后的頻帶內(nèi)線性總聲壓幅值TPβ(j)(程序中以TPβ(j)表示)如式(13)所示.

(13)

反過來，對于以TPβ(j)為均衡目標(biāo)的情況，可以求出所需要使用的增益系數(shù)，如式(14)所示.

(14)

圖3不同增益系數(shù)下噪聲樣本0G1750的車內(nèi)控制點57 Hz聲壓頻域信號

Fig.3Amplitude spectrums of sound pressure of noise sample 0G1750 at 57 Hz under equalization with different gain coefficients

4噪聲干擾度提前梯度優(yōu)化方法及其驗證

提前梯度優(yōu)化方法中的“梯度”指的是使用式(7)所示的噪聲干擾度靈敏度或式(9)所示的噪聲干擾度貢獻(xiàn)量組成的如式(8)或式(10)所示的噪聲干擾度梯度作為修正各個臨界頻帶線性總聲壓幅值的梯度；提前梯度優(yōu)化方法中的“提前”指的是滿足收斂條件找到最優(yōu)輸入向量后，再根據(jù)式(14)計算出實現(xiàn)最優(yōu)輸入向量所需的各個臨界頻帶所對應(yīng)的最優(yōu)增益系數(shù)，最后使用最優(yōu)增益系數(shù)對車內(nèi)噪聲實施有源均衡，而在最優(yōu)增益系數(shù)搜索過程中不需要實施有源噪聲均衡，將優(yōu)化提前到了實施有源均衡之前.根據(jù)噪聲干擾度靈敏度梯度的提前梯度優(yōu)化方法流程如圖4所示，其中Grad(i)=|S(i)|，Err(i)=|SQ(i)-SQ(i-1)|.

圖4中的退出優(yōu)化條件為i≥imax，Grad(i)=|S(i)|≤Tgrad和Err(i)≤Terr.根據(jù)噪聲干擾度貢獻(xiàn)量梯度的提前梯度優(yōu)化方法流程只是將圖4中靈敏度Sj(i)和靈敏度梯度S(i)分別替換成噪聲干擾度貢獻(xiàn)量Cj(i)和貢獻(xiàn)量梯度C(i)，其余部分一致.

設(shè)定優(yōu)化退出條件的參數(shù)為imax=1 000，Tgrad=0.01和Terr=0.01，使用兩種提前梯度優(yōu)化方法對表1中均衡前的噪聲樣本進(jìn)行噪聲干擾度優(yōu)化，優(yōu)化結(jié)果預(yù)測值和主觀評價驗證值分別如表3和表4所示。以噪聲樣本0G1750為例，對其使用基于噪聲干擾度靈敏度的提前梯度方法，其噪聲干擾度預(yù)測值變化過程如圖5所示，滿足Err(i)≤Terr退出優(yōu)化，兩種提前梯度方法優(yōu)化其他噪聲樣本的情況與此類似.

主觀評價驗證試驗中，評價者的Spearman相關(guān)系數(shù)平均值為0.793，一致性較好.在兩種提前梯度優(yōu)化方法得到的最優(yōu)增益系數(shù)向量Bopt均衡下，表3和表4所示的各個噪聲樣本的干擾度預(yù)測值和主觀評價值接近，驗證了兩種提前梯度優(yōu)化方法以及噪聲干擾度BP神經(jīng)網(wǎng)絡(luò)客觀計算模型的準(zhǔn)確性，且兩種提前梯度優(yōu)化方法將噪聲干擾度平均提高了1.33.圖1所示枚舉優(yōu)化方法，當(dāng)參考信號涉及5個臨界頻帶，每個頻帶枚舉16個水平，一共需要枚舉65 536次，需要較長時間，對兩種提前梯度優(yōu)化方法，各個噪聲樣本優(yōu)化的迭代次數(shù)都不超過100次，如表5所示，對于一般的個人電腦或者控制硬件，優(yōu)化過程都不超過2 s，優(yōu)化過程比較快速.

本次研究的噪聲樣本頻率范圍為20～500 Hz，如果擴(kuò)展到汽車室外正常行駛工況的5 000 Hz左右的噪聲頻率范圍，有源優(yōu)化噪聲干擾度的效果主要存在兩種情況.第一種是如果次級通路[5]能滿足有效控制車內(nèi)噪聲所有頻率的要求，則有源優(yōu)化噪聲干擾度的效果與控制20～500 Hz的情況相同；如果不滿足第一種情況，則有源優(yōu)化噪聲干擾度的效果取決于被動降噪措施對于車內(nèi)高頻噪聲的抑制效果.抑制較好，有源優(yōu)化效果也較好，反之則較差.

圖4　提前梯度優(yōu)化方法確定最優(yōu)增益系數(shù)向量Bopt計算流程

圖5　噪聲樣本0G1750優(yōu)化中SQ(i)變化曲線

5結(jié)語

以臨界頻帶線性總聲壓幅值為輸入的BP神經(jīng)網(wǎng)絡(luò)可以較準(zhǔn)確地預(yù)測噪聲干擾度，供噪聲干擾度評估和優(yōu)化方法設(shè)計使用.

訓(xùn)練好的BP神經(jīng)網(wǎng)絡(luò)權(quán)值表示的噪聲干擾度靈敏度可以較準(zhǔn)確地預(yù)測各個臨界頻帶線性總聲壓級對噪聲干擾度的靈敏度，從而找出對噪聲干擾度影響比較顯著的臨界頻帶信息，供噪聲干擾度優(yōu)化方法設(shè)計使用.

根據(jù)噪聲干擾度靈敏度和貢獻(xiàn)量的提前梯度優(yōu)化方法可以快速準(zhǔn)確且較顯著地優(yōu)化噪聲干擾度，從而通過有源噪聲均衡技術(shù)來降低車內(nèi)穩(wěn)態(tài)噪聲對于車內(nèi)人員注意力的干擾程度.

表3　根據(jù)噪聲干擾度靈敏度的提前梯度優(yōu)化方法的優(yōu)化結(jié)果及其驗證

表4　根據(jù)噪聲干擾度貢獻(xiàn)量的提前梯度優(yōu)化方法的優(yōu)化結(jié)果及其驗證

表5枚舉與提前梯度優(yōu)化方法的優(yōu)化循環(huán)次數(shù)

Tab.5Number of iterations of enumeration and two advance gradient optimization methods

樣本編號樣本名稱枚舉優(yōu)化根據(jù)噪聲干擾度靈敏度的提前梯度優(yōu)化根據(jù)噪聲干擾度貢獻(xiàn)量的提前梯度優(yōu)化10G1250409613520G150065536323130G17506553610540G20004096122550G25006553672764G150065535302374G200065535111085G22004096688790G8002569293

參考文獻(xiàn):

[1]Lueg P. Process of silencing sound oscillations[P]. German: 655508, 1933.

[2]Lueg P. Process of silencing sound oscillations[P]. US: 2043416, 1936-09-06.

[3]Kuo S M, Ji M J, Jiang X H. Development and experiment of narrowband active noise equalizer[J]. Noise Control Engineering Journal, 1993, 41(3): 281.

[4]Burgress J C. Active adaptive sound control in a duct: a computer simulation[J]. Journal of the Acoustical Society of America, 1981, 70(3): 715.

[5]劉宗巍. 車內(nèi)噪聲聲品質(zhì)建模分析與自適應(yīng)主動控制研究[D]. 長春：吉林大學(xué)汽車工程學(xué)院，2007.

LIU Zongwei. Research on model analysis and adaptive active control for sound quality of vehicle interior noise[D]. Changchun: College of Automotive Engineering, Jilin University, 2007.

[6]徐海卿，周鋐，任永連. 考慮駕駛員反映時間和注意力的噪聲品質(zhì)主觀評價[J]. 汽車工程，2013，35(8): 740.

XU Haiqing, ZHOU Hong, REN Yonglian. A subjective evaluation method of noise quality considering response time and distraction[J]. Automotive Engineering, 2013, 35(8): 740.

[7]方積乾，徐勇勇，陳峰. 衛(wèi)生統(tǒng)計學(xué)[M]. 7版. 北京:人民衛(wèi)生出版社，2012.

FANG Jiqian, XU Yongyong, CHEN Feng. Medical statistics[M]. 7th ed. Beijing: People’s Medical Publishing House, 2012.

[8]Noumura K, Yoshida J. Perception modeling and quantification of sound quality in cabin[C]// 2003 SAE Noise and Vibration Conference. Grand Traverse, Michigan: SAE, 2003. 2003-01-1514.

[9]Yildirim S, Eski I. Sound quality analysis of cars using hybrid neural networks[J]. Simulation Modeling Practice and Theory, 2008, 16 (4): 410.

[10]韓立群，康芊. 人工神經(jīng)網(wǎng)絡(luò)理論、設(shè)計及應(yīng)用[M]. 北京: 化學(xué)工業(yè)出版社，2002.

HAN Liqun, KANG Qian. Artificial neural network-theory, design and application[M]. Beijing: Chemical Industry Press, 2002.

An Advance Gradient Optimization Method to Optimize Sound Distraction Levels of a Passenger Vehicle’s Interior Stationary Noise Samples with Active Noise Equalization

XU Haiqing1, 2, ZHOU Hong1, 2, JIN Chang1, 2

(1. School of Automotive Studies, Tongji University, Shanghai, 201804, China; 2. Clean Energy Automotive Engineering Center, Tongji University, Shanghai, 201804, China)

Abstract：In order to quickly optimize a passenger vehicle’s interior stationary noise samples’ sound distraction levels with active noise equalization, the traditional enumeration method used to search for optimal gain coefficient vector of active noise equalization system and to optimize sound quality was analyzed; subjective evaluation was used to evaluate the distraction levels of the passenger vehicle’s interior stationary noise samples within 20-500 Hz; Back Propagation (BP) neural network using the barks’ total sound pressure linear amplitudes within 20-500 Hz as inputs was used to fit the noise samples’ sound distraction levels; the trained BP neural network’s weights were used to deduce the network’s inputs’ sensitivities and contributions to the sound distraction levels; an equation was deduced to predict the total sound pressure linear amplitude of a bark after active noise equalization with a given gain coefficient, the original sound pressure amplitude spectrum and the reference signal of the active equalization system; based on this equation, the sound distraction levels’ sensitivities and contributions, an advance gradient optimization method was designed to search for optimal gain coefficient vector and to optimize sound distraction levels of the noise samples. The time consumption of the optimization process is low. Active noise equalization using the gain coefficient vectors acquired by the advance gradient optimization method was executed and the equalized noise samples’ sound distraction levels were evaluated with subjective evaluation. The result shows good accuracy and the sound distraction levels are improved significantly.

Key words：sound distraction level; active noise equalization; optimal gain coefficient; advance gradient optimization

文獻(xiàn)標(biāo)志碼：A

中圖分類號：U461.4

收稿日期：2015-03-10

第一作者： 徐海卿(1986—)，男，博士生，主要研究方向為車輛試驗學(xué).E-mail: coldplay901@126.com