支持向量機(jī)在汽車加速車內(nèi)聲品質(zhì)預(yù)測(cè)中的應(yīng)用

崔丹丹

摘 要：對(duì)汽車加速時(shí)車內(nèi)聲品質(zhì)采用支持向量機(jī)實(shí)施預(yù)測(cè)。將客觀評(píng)價(jià)參量作為輸入因子，諸如噪聲樣本的響度、粗糙度以及尖銳度等，而可以經(jīng)評(píng)價(jià)結(jié)果作為輸入因子，也就是主觀煩躁度，借助支持向量機(jī)回歸方法，將汽車加速車內(nèi)聲品質(zhì)的預(yù)測(cè)模型切實(shí)的建立起來，能夠?qū)⒖陀^評(píng)價(jià)參量和主觀煩躁度之間的非線性映射關(guān)系反映出來，有著較高的預(yù)測(cè)精度。

關(guān)鍵詞：車內(nèi)噪聲；聲品質(zhì)；支持向量機(jī)；預(yù)測(cè)模型

中圖分類號(hào)：U467 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：2095-2945（2018）02-0163-02

Abstract： Support Vector Machine（SVM） is used to predict the internal sound quality of the vehicle. Objective evaluation parameters are taken as input factors， such as noise samples' loudness， roughness and sharpness， and the evaluation results can be used as input factors， that is， subjective irritability， with the help of support vector machine regression method. The prediction model of vehicle internal sound quality can be established to reflect the nonlinear mapping relationship between objective evaluation parameters and subjective irritability， which has high prediction accuracy.

Keywords： interior noise； sound quality； support vector machine； prediction model

1 支持向量機(jī)原理

支持向量機(jī)主要是按照統(tǒng)計(jì)學(xué)理論和結(jié)構(gòu)風(fēng)險(xiǎn)，提出的基于有限樣本的前提上的一種機(jī)器學(xué)習(xí)方法。支持向量機(jī)器對(duì)比傳統(tǒng)的機(jī)器學(xué)習(xí)而言，能夠?qū)η穼W(xué)習(xí)以及局部極值等進(jìn)行切實(shí)有效解決，不管是在分類文本上，還是在時(shí)間序列預(yù)測(cè)等領(lǐng)域上，支持向量機(jī)都得到了非常成功的應(yīng)用。關(guān)于對(duì)非線性回歸問題原理，采用支持向量機(jī)解決的原理如下。

已知訓(xùn)練樣本集：

T={（x1，y1），（x2，y2），...，（xm，ym）}∈（X×Y）m式中：xi∈X=RN；yi∈Y=R；i=1，...，m。

對(duì)于函數(shù)的回歸問題而言，可以將其描述成為一個(gè)擬合函數(shù)f∈F讓期望風(fēng)險(xiǎn)

R（f）= L（y f（x），x）d p（x，y） （1）

達(dá)到最小。

式中：損失函數(shù)為L(zhǎng)（y f（x），x）；概率分布為p（x，y）。

將損失函數(shù)在支持向量機(jī)當(dāng)中選擇為

式中：先確定？著為一個(gè)正數(shù)。

如果已經(jīng)知道訓(xùn)練樣本點(diǎn)呈現(xiàn)的關(guān)系為線性，則這個(gè)時(shí)候的回歸函數(shù)表示為

F（x）=？棕.x+b （3）

式中：在分類超平面當(dāng)中將？棕作為權(quán)系數(shù)的向量；則將閾值用b表示，且b∈R。但是樣本點(diǎn)在大部分情況下呈現(xiàn)的是非線性關(guān)系，而采用支持向量機(jī)的思路，主要是將非線性的數(shù)據(jù)空間，通過對(duì)非線性映射的借助，最終實(shí)現(xiàn)映射到高維特征空間的目的，然后將線性回歸在特征空間當(dāng)中，則式（3）的回歸函數(shù)則可以表示為

f（x）=？棕？椎（x）+b （4）

式中：映射函數(shù)則用？準(zhǔn)（x）進(jìn)行表示。

當(dāng)將式（4），也就是非線性回歸函數(shù)通過擬合的方式成為訓(xùn)練樣本集時(shí)，按照結(jié)構(gòu)風(fēng)險(xiǎn)具有的原則，也就是將風(fēng)險(xiǎn)降到最小化的原則，則f（x）應(yīng)該將 ||？棕|| 最小化。 以此類推最終得到非線性支持向量回歸機(jī)：

2 汽車加速車內(nèi)聲品質(zhì)分析

現(xiàn)階段對(duì)于聲品質(zhì)的研究，主要還是集中在兩種方法上，一種主要就是主觀評(píng)價(jià)方法（評(píng)審團(tuán)），則另外一種方法就是客觀評(píng)價(jià)方法（心理聲學(xué)參數(shù)）。這兩種方法各自有各自的特點(diǎn)，但是應(yīng)該怎么才能夠在兩種方法上將映射關(guān)系建立起來，這也是當(dāng)前研究當(dāng)中的一個(gè)難點(diǎn)。本文主要對(duì)兩者之間的對(duì)應(yīng)關(guān)系進(jìn)行研究，與此同時(shí)將支持向量機(jī)的方法引入到其中，以便能夠在不是穩(wěn)態(tài)的工作條件下，對(duì)車內(nèi)噪聲和兩者之間的映射關(guān)系進(jìn)行更為準(zhǔn)確的描述，從而將一個(gè)非穩(wěn)態(tài)聲品質(zhì)預(yù)測(cè)模型建立起來。

3 基于SVM的加速車內(nèi)聲品質(zhì)預(yù)測(cè)

3.1 SVM聲品質(zhì)預(yù)測(cè)模型的建立

本文在對(duì)汽車加速車內(nèi)聲品質(zhì)的預(yù)測(cè)實(shí)驗(yàn)上，主要是基于支持向量機(jī)方法的基礎(chǔ)上進(jìn)行的，需要注意的是仿真實(shí)驗(yàn)的環(huán)境是在Matlab Libsvm下實(shí)現(xiàn)的。在實(shí)施預(yù)測(cè)仿真實(shí)驗(yàn)的過程中，第一個(gè)步驟就是需要將所需要的樣本數(shù)據(jù)采集到一起，然后隨機(jī)抽取主觀和客觀中結(jié)果中的數(shù)據(jù)，然后將其作為訓(xùn)練樣本，用于對(duì)支持向量機(jī)的聲品質(zhì)預(yù)測(cè)模型的建立。

3.2 樣本數(shù)據(jù)的歸一化處理

因?yàn)樗杉降臉颖緮?shù)據(jù)中，各個(gè)單位間存在很大的差異，不但如此，在數(shù)值的大小上也有著很大的不同，為了能夠讓各個(gè)數(shù)據(jù)之間的關(guān)聯(lián)性得到增強(qiáng)，就需要對(duì)網(wǎng)絡(luò)的收斂性進(jìn)行迅速的訓(xùn)練，以便能夠讓聲品質(zhì)預(yù)測(cè)模型的精度得到進(jìn)一步的提高，最終對(duì)數(shù)據(jù)歸一化的預(yù)處理。將經(jīng)過處理后的數(shù)據(jù)實(shí)施預(yù)測(cè)仿真實(shí)驗(yàn)，然后對(duì)支持向量機(jī)品質(zhì)預(yù)測(cè)模型的輸出結(jié)果進(jìn)行分析，評(píng)價(jià)指標(biāo)則用其平方有關(guān)的系數(shù)和平均相對(duì)誤差進(jìn)行表示。

3.3 SVM核函數(shù)的選擇endprint

事實(shí)上，在預(yù)測(cè)支持向量回歸機(jī)的性能過程中，會(huì)受到各種各樣原因的影響，而其中最具有代表性的兩個(gè)方面，就是核函數(shù)的形式和參數(shù)。現(xiàn)階段對(duì)于核函數(shù)的選擇上，在國(guó)際上并沒有從理論上給出比較統(tǒng)一的模式，因此只能夠借助實(shí)驗(yàn)的方式來對(duì)核函數(shù)進(jìn)行選擇，基于此種情況下讓其的選擇上具有著較大的隨意性。本文中對(duì)于樣本數(shù)據(jù)的預(yù)測(cè)仿真實(shí)驗(yàn)，主要采用不同核函數(shù)的方式，在確定不同核函數(shù)上的最優(yōu)參數(shù)上，則主要是根據(jù)交叉驗(yàn)證法和網(wǎng)絡(luò)搜尋法相結(jié)合的方式，則評(píng)價(jià)指標(biāo)將用支持向量機(jī)聲品質(zhì)模型的預(yù)測(cè)結(jié)果平均相對(duì)誤差進(jìn)行表示。

根據(jù)表1的結(jié)果可以得出，預(yù)測(cè)徑向基礎(chǔ)函數(shù)誤差并不是非常大，且是所有預(yù)測(cè)效果最好的一個(gè)，然后預(yù)測(cè)效果排在第二的就是多項(xiàng)式函數(shù)，而最不好的則是線性核函數(shù)?；诖?，本文在建立支持向量機(jī)的汽車加速車內(nèi)聲品質(zhì)預(yù)測(cè)模型上，選擇的是徑向基核函數(shù)來建立的。

3.4 SVM核函數(shù)參數(shù)的優(yōu)化

核函數(shù)參數(shù)是對(duì)支持向量回歸機(jī)性能影響最大的一個(gè)因素，現(xiàn)階段對(duì)于參數(shù)的選擇上并沒有一個(gè)比較固定的方法和理論，經(jīng)驗(yàn)選擇法還有留一法等都是實(shí)際應(yīng)用當(dāng)中較為常用的幾種方法。而本文在預(yù)測(cè)模型的結(jié)果上，主要選擇了交叉驗(yàn)證法和網(wǎng)絡(luò)搜索法相結(jié)合的方法，以此來對(duì)參數(shù)的范圍進(jìn)行確定，然后再選擇用試湊法來對(duì)模型參數(shù)進(jìn)行確定。

4 對(duì)比SVM模型和多元線性回歸模型

為了對(duì)汽車加速車內(nèi)聲品質(zhì)中，支持向量機(jī)的預(yù)測(cè)應(yīng)用效果進(jìn)行檢驗(yàn)，本文將支持向量機(jī)和多元性回歸進(jìn)行了比較。通過對(duì)比發(fā)現(xiàn)，如果采用傳統(tǒng)的多元性回歸進(jìn)行預(yù)測(cè)，會(huì)存在著比較大的誤差，但是因?yàn)橹С窒蛄繖C(jī)具有非線性等顯著的優(yōu)點(diǎn)，因此采用此種方法進(jìn)行預(yù)測(cè)會(huì)有著比較顯著的效果。

5 結(jié)束語

（1）根據(jù)主觀評(píng)價(jià)在試驗(yàn)的過程中具有的耗費(fèi)時(shí)間等特點(diǎn)，將對(duì)于支持向量機(jī)的汽車加速車內(nèi)聲品質(zhì)的預(yù)測(cè)模型上，采用心理聲學(xué)參數(shù)來對(duì)車內(nèi)的發(fā)出的噪聲進(jìn)行主觀評(píng)價(jià)。

（2）對(duì)比多元線性回歸模型，采用支持向量機(jī)預(yù)測(cè)模型能夠讓建模時(shí)間得到有效的縮短，因此表示在小樣本汽車本質(zhì)研究上，采用支持向量機(jī)進(jìn)行研究，在應(yīng)用前景上比較廣泛。

（3）如果能夠?qū)?shù)優(yōu)化的方法進(jìn)行不斷改進(jìn)，則預(yù)測(cè)模型可以擁有更高的性能。

參考文獻(xiàn)：

[1]劉陽.基于支持向量機(jī)的車內(nèi)加速噪聲聲品質(zhì)研究[D].湖北工業(yè)大學(xué)，2015.

[2]王大鵬.基于支持向量機(jī)的公路車流量數(shù)據(jù)分析與預(yù)測(cè)模型[D].哈爾濱工程大學(xué)，2006.

[3]賀巖松，涂梨娥，徐中明，等.支持向量機(jī)在汽車加速車內(nèi)聲品質(zhì)預(yù)測(cè)中的應(yīng)用[J].汽車工程，2015（11）：1328-1333.

[4]黃燦銀.加速狀態(tài)小型乘用汽車車內(nèi)聲品質(zhì)的優(yōu)化研究[D].昆明理工大學(xué)，2011.

[5]李育恒，趙峰.支持向量機(jī)在變壓器故障診斷中的應(yīng)用[J].科技創(chuàng)新與應(yīng)用，2014（16）：46-47.endprint