電動轎車警示聲設(shè)計(jì)方法研究?

陳燕虹，趙 健，梁 杰，井曉瑞

(吉林大學(xué)，汽車仿真與控制國家重點(diǎn)實(shí)驗(yàn)室，長春 130025)

前言

目前，各國政府越來越重視電動汽車的發(fā)展，各大汽車企業(yè)和科研機(jī)構(gòu)也加大了對電動汽車的研發(fā)力度。隨之而來的問題也不斷顯現(xiàn)出來，其中由于以電機(jī)代替發(fā)動機(jī)作為驅(qū)動機(jī)構(gòu)，致使電動車在低速行駛時，車外過于安靜，行人無法有效感知到行駛的車輛，不能及時發(fā)現(xiàn)和避讓車輛，從而釀成交通事故。可見，在電動車上安裝行人警示系統(tǒng)以確保道路上行人的安全是十分必要的。

2011年，日產(chǎn)公司通過分析各類人群對聲音的敏感程度，提出適合不同人群的聲音設(shè)計(jì)原則。基于該原則不僅可以提高老年人和正常行人對聲音的感知程度，還能減少車外噪聲對環(huán)境造成的噪聲污染[1]。同年，AVL公司針對電動汽車在許多駕駛條件下車內(nèi)外總的聲壓級比傳統(tǒng)汽車低，且聲音特性有很大不同的情況，提出通過聲學(xué)調(diào)諧的方法來對電動車進(jìn)行聲音設(shè)計(jì)，滿足車內(nèi)外人群對車輛噪聲舒適性的要求[2]。他們在概念設(shè)計(jì)和聲學(xué)設(shè)計(jì)階段對電動車的NVH性能進(jìn)行仿真設(shè)計(jì)，提出了聲音設(shè)計(jì)新的戰(zhàn)略和想法，確保低速行駛的電動車能及時被行人發(fā)現(xiàn)。2013年，文獻(xiàn)[3]中指出在電動車上添加警示聲是一對矛盾體：一方面，電動車低速行駛時非常安靜，對減少城市交通噪聲將非常有利；另一方面，安靜的車外環(huán)境對車外行人將非常危險。他們通過不同的感知試驗(yàn)發(fā)現(xiàn)不同的音色參數(shù)將影響聲音的可檢測性、車輛距離與車速的判斷和噪聲污染的等級等。指出可根據(jù)具體的使用要求進(jìn)行聲音音色參數(shù)的設(shè)計(jì)，來平衡這一對矛盾體。目前，國內(nèi)只有個別公司和研究機(jī)構(gòu)開展對電動轎車警示聲的研究，研究的內(nèi)容也只停留在發(fā)聲系統(tǒng)的設(shè)計(jì)上，并未真正涉及警示聲。因此，對于警示聲設(shè)計(jì)方法的研究顯得十分必要。

本文中依據(jù)國內(nèi)外警示聲設(shè)計(jì)方面的經(jīng)驗(yàn)，以傳統(tǒng)的內(nèi)燃機(jī)汽車車外聲為基礎(chǔ)進(jìn)行警示聲的設(shè)計(jì)，然后利用聲品質(zhì)分析的相關(guān)理論與試驗(yàn)，挑選出合適的聲音作為電動轎車的警示聲，使挑選出來的警示聲不僅能及時警示行人避讓車輛，還應(yīng)使挑選出的聲音對環(huán)境產(chǎn)生的噪聲污染最小，同時，為簡化警示聲設(shè)計(jì)過程，建立SAGA-BP神經(jīng)網(wǎng)絡(luò)的警示聲聲品質(zhì)主觀評價客觀量化模型，可用該模型代替后續(xù)警示聲設(shè)計(jì)過程中的主觀評價過程，從而節(jié)省大量的人力物力成本。

1 警示聲的設(shè)計(jì)合成

1.1 車外聲音樣本的采集

錄制傳統(tǒng)車的車外噪聲信號，將為后續(xù)聲音信號的合成和選出適合的警示聲提供基礎(chǔ)，因此保證錄制環(huán)境無背景噪聲的干擾尤為重要，同時對錄音的位置、錄音話筒的高度和車輛運(yùn)行情況等條件皆須予以細(xì)致的考慮。錄制環(huán)境選擇在半消聲室內(nèi)，采用專業(yè)的錄音話筒進(jìn)行錄制，并通過專業(yè)軟件進(jìn)行保存，存儲的格式為.wav。錄音麥克風(fēng)的位置參考測量排氣噪聲的方法和聲場分布，選擇在車輛縱向中心面上，以距離車前懸0.5m畫圓弧，所畫圓弧左右45°弧線上的任一位置放置傳聲器，傳聲器的高度參考加速噪聲測量方法，選擇0.9～1.2m的高度范圍，如圖1所示。

圖1 半消聲室內(nèi)車外噪聲錄制和錄音位置示意圖

在滿足上述要求的前提下，在半消聲室轉(zhuǎn)鼓上分別錄制5輛傳統(tǒng)車的車外噪聲信號。錄制的噪聲信號分別包括10，20和30km/h工況。從錄制好的聲音樣本中截取長度為5s的樣本，并對其進(jìn)行編號記錄，方便后續(xù)處理。

1.2 警示聲的設(shè)計(jì)合成

試驗(yàn)顯示，不同人群對同一聲音樣本在不同頻率成分的反應(yīng)不同。老年人群對0.6kHz附近的聲音更加敏感，正常聽力人群對2.5kHz附近聲音的感知能力較強(qiáng)，而1kHz附近的聲音易對環(huán)境造成噪聲污染[4]。

為達(dá)到對各類行人具有最好警示效果的同時噪聲污染最小，利用Matlab設(shè)計(jì)帶通濾波器。為保證采集到的聲音信號幅值不失真，采用的聲音頻率為4.8kHz。根據(jù)上文，需要提取的聲音信號的頻率區(qū)間為 0.5～0.7kHz，0.9～1.1kHz和 2.4～2.6kHz。由于過渡帶較窄，將會使濾波器階數(shù)較高，如果使用經(jīng)典濾波器設(shè)計(jì)方法，將會使運(yùn)算出現(xiàn)錯誤?？偨Y(jié)各種濾波器設(shè)計(jì)方法之后，設(shè)計(jì)數(shù)字濾波器fdesign+design，此濾波器通過通帶、阻帶等參數(shù)來設(shè)計(jì)，其主要優(yōu)點(diǎn)是得到的濾波器被分解為多個2階濾波器的串接，系數(shù)對精度要求低，在濾波過程中不會產(chǎn)生溢出[5]。所設(shè)計(jì)的濾波器符合設(shè)計(jì)要求，能夠得到很好的效果。濾波器阻帶衰減為90dB，通帶波紋為3dB。圖2為所設(shè)計(jì)的帶通數(shù)字濾波器的幅值響應(yīng)曲線，濾波區(qū)間為2.4～2.6kHz。

利用設(shè)計(jì)的帶通數(shù)字濾波器對采集的車外噪聲樣本進(jìn)行濾波處理，提取所需頻段的噪聲樣本。用波形編碼技術(shù)對所采集的車外噪聲信號和濾波后得到的各個頻段內(nèi)的聲音信號進(jìn)行合成，以改變特定頻段內(nèi)信號的幅值。由于不能確定特定頻段內(nèi)信號的幅值為何值時警示聲的警示效果最好，所以須進(jìn)行大量的聲音信號合成，找出主觀評價最好的聲音信號做為警示聲?，F(xiàn)以采集的某車型車外噪聲信號為例，在該聲音信號的基礎(chǔ)上，按4種主要思路進(jìn)行聲音信號的合成。

圖2 帶通濾波器幅值響應(yīng)曲線

(1)不改變所采集的車外噪聲信號的幅值，在此基礎(chǔ)上按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

(2)降低所采集的原始信號的幅值，然后在此基礎(chǔ)上按不同比例增加 0.5～0.7kHz和 2.4～2.6kHz頻率范圍內(nèi)聲音信號的幅值。

(3)不改變所采集的車外噪聲信號的幅值，在此基礎(chǔ)上按不同比例降低0.9～1.1kHz范圍內(nèi)頻率成分的幅值，然后再按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

(4)降低所采集的車外噪聲信號的幅值，在此基礎(chǔ)上再按不同比例降低0.9～1.1kHz范圍內(nèi)頻率成分的幅值，然后再按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

按上述方法總共得到120個聲音樣本，由于篇幅所限，本文中僅列舉一組按上述4種方法合成所得聲音信號的頻譜圖，如圖3所示。

2 警示聲主客觀評價試驗(yàn)

2.1 主觀評價試驗(yàn)

人的主觀感受是評價任何聲音適應(yīng)性的重要指標(biāo)，是以人為主體、以人主觀感受上的舒適性來評價聲音質(zhì)量的好壞。聲品質(zhì)主觀評價通過組織聽音試驗(yàn)來對聲音樣本進(jìn)行主觀打分，能比較直接地反映人對所聽到聲音的主觀感受[6]。

圖3 合成后語音頻譜圖

聲品質(zhì)主觀評價過程中評價人員的選取對評價結(jié)果的準(zhǔn)確性至關(guān)重要，須從產(chǎn)品經(jīng)驗(yàn)、聽審經(jīng)驗(yàn)和統(tǒng)計(jì)學(xué)等多個方面綜合考慮進(jìn)行選擇[7]。根據(jù)試驗(yàn)要求和國內(nèi)外聲品質(zhì)主觀評價經(jīng)驗(yàn)，選取30名評價人員，他們由聲學(xué)專家、汽車研究人員、高校學(xué)生和多年從事汽車振動噪聲研究的工程師和學(xué)者組成。其中，男女分別為21人和9人，年齡在24～56歲之間，聽力均正常。在進(jìn)行主觀評價試驗(yàn)之前對所有評價人員進(jìn)行一定的培訓(xùn)。

為了更細(xì)致地區(qū)分各聲音樣本的特性，須對聲音樣本做響度均衡化處理[8]。為保證評價試驗(yàn)的準(zhǔn)確性，在評價試驗(yàn)之前對所有聲音樣本進(jìn)行隨機(jī)排序，確保評價者在不了解所有聲音樣本屬性的情況下進(jìn)行評價試驗(yàn)，避免評價者在評價過程中通過經(jīng)驗(yàn)和個人喜好直接對聲音樣本做出判斷。常用的聲品質(zhì)主觀評價方法有等級評分法(magnitude estima-tion)和成對比較法(paired comparison)[9]。本試驗(yàn)采用等級評分法，樣本訓(xùn)練試聽采用成對比較法。按照國際標(biāo)準(zhǔn)將煩躁度劃分為11個等級，如表1所示。

表1 主觀評價煩躁度等級對照

在主觀評價試驗(yàn)過程中不可避免地存在各種干擾因素，不能保證每個數(shù)據(jù)都有效，所以必須進(jìn)行數(shù)據(jù)相關(guān)性檢驗(yàn)。Spearman是對不同變量的秩做線性相關(guān)分析，適用于主觀評價數(shù)據(jù)的相關(guān)性檢驗(yàn)。表2所示為用SPSS軟件計(jì)算各評價人員之間的平均相關(guān)系數(shù)，當(dāng)相關(guān)系數(shù)低于0.7時就意味著相關(guān)程度較低，應(yīng)予以剔除。 由表可見，第4，7，12，18號評價者的結(jié)果與其他評價者之間的相關(guān)系數(shù)為0.633，0.584，0.619，0.605，均小于 0.65，這說明這4位評價者的評價結(jié)果與其他評價結(jié)果之間的線性關(guān)系較弱，結(jié)果的離散性較大，不具有參考性，應(yīng)予以剔除，然后對剩下的主觀評價結(jié)果進(jìn)行平均，即可得到各噪聲樣本的聲品質(zhì)主觀評價分值。

2.2 客觀參數(shù)計(jì)算

聲品質(zhì)客觀心理聲學(xué)參數(shù)是描述人對聲音的主觀感受，建立心理聲學(xué)、物理聲學(xué)與聲品質(zhì)主觀感受特性之間的聯(lián)系，即通過一些具體的參量來直觀地表述人對聲音的主觀感受[9]。選取響度、粗糙度、尖銳度、抖動度、語言清晰度和A計(jì)權(quán)聲壓級6個參數(shù)作為聲品質(zhì)客觀評價參數(shù)。利用Head/Artmis軟件分別計(jì)算這120個聲音樣本的客觀評價參數(shù)。

在主客觀評價之后，按照不同工況下采集和合成的聲音樣本進(jìn)行分類，即分為在10，20和30km/h工況下采集和合成的聲音樣本，選擇各組中主觀評價分值最高的聲音樣本做為各自工況范圍內(nèi)的警示聲。

表2 各評價者之間的平均相關(guān)系數(shù)

3 SAGA-BP神經(jīng)網(wǎng)絡(luò)

為簡化警示聲設(shè)計(jì)過程，為后續(xù)警示聲的設(shè)計(jì)提供方便，可建立聲品質(zhì)主觀評價客觀量化預(yù)測模型，從而可省去繁雜的主觀評價過程，節(jié)省人力物力成本，縮短警示聲設(shè)計(jì)周期，同時可減小人員和環(huán)境等因素對主觀評價分值的影響。

3.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP(back propagation)神經(jīng)網(wǎng)絡(luò)即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其誤差和信號的傳播方向相反，信號向前傳播，而誤差向后傳播。BP網(wǎng)絡(luò)能對有限個不連續(xù)點(diǎn)的函數(shù)進(jìn)行逼近，是目前應(yīng)用比較廣泛的一種神經(jīng)網(wǎng)絡(luò)。它采用均方誤差作為適應(yīng)度函數(shù)，網(wǎng)絡(luò)的收斂過程是使均方誤差最小化的過程，但BP神經(jīng)網(wǎng)絡(luò)存在全局搜索能力較差、容易陷入局部極小值和搜索速度較慢等缺點(diǎn)，因此須對BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化來改善其性能[10]。

3.2 遺傳算法和模擬退火算法

遺傳算法是模擬生物進(jìn)化和遺傳機(jī)制而演變出來的一種迭代搜索全局最優(yōu)解的算法[11]。通過對父代優(yōu)良基因的繼承和子代染色體之間的相互作用，逐漸使種群進(jìn)化到最優(yōu)解的狀態(tài)。

模擬退火算法(simulated annealing)模擬物體退火的過程，由Metroplis算法和退火過程構(gòu)成。其基本思路是：物體在高溫時出現(xiàn)各種狀態(tài)的概率基本相同，在此狀態(tài)下進(jìn)行粗略搜索，找到能量較低的區(qū)域；隨著溫度慢慢降低，每個狀態(tài)出現(xiàn)的概率將有較大差別，搜索精度也將不斷提高，從而逐漸準(zhǔn)確地找到整個搜索空間中能量函數(shù)極小點(diǎn)[12]。

模擬退火算法擁有較強(qiáng)的局部搜索能力，能避免陷入局部最優(yōu)解，但把握整個搜索空間的能力較差，收斂速度較慢，使模擬退火算法的運(yùn)算效率不高[13]。遺傳算法采用迭代搜索方法，能夠很好地把握總體搜索方向，具有很強(qiáng)的自適應(yīng)調(diào)整能力、魯棒性和全局搜索能力，但其局部搜索能力較差。

3.3 SAGA-BP神經(jīng)網(wǎng)絡(luò)

由上面分析可知，模擬退火算法和遺傳算法兩種算法都有各自的優(yōu)缺點(diǎn)，但將兩種算法結(jié)合起來，形成一種新的算法，則可彌補(bǔ)各自的缺點(diǎn)，充分發(fā)揮各算法的優(yōu)點(diǎn)，使算法達(dá)到理想的效果。采用模擬退火遺傳算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化后的SAGA-BP神經(jīng)網(wǎng)絡(luò)可以有效避免典型BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值點(diǎn)、學(xué)習(xí)效率低等缺點(diǎn)，能在最短的時間內(nèi)尋找到全局最優(yōu)解，提高網(wǎng)絡(luò)的精度、學(xué)習(xí)速度、網(wǎng)絡(luò)的使用效率及應(yīng)用范圍。SAGA-BP神經(jīng)網(wǎng)絡(luò)的具體步驟如下。

(1)確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和算法編碼方案，輸入數(shù)據(jù)并對數(shù)據(jù)做歸一化處理，確定種群規(guī)模、交叉與變異概率、迭代次數(shù)和退火初始溫度T0與終止溫度Tend。

(2)計(jì)算群體中個體的適應(yīng)度值f(x0)，再進(jìn)行遺傳操作，得到新種群，計(jì)算新種群的適應(yīng)度值f(xn)，每進(jìn)行一次選擇、交叉和變異操作，則迭代數(shù)i＝i+1。

(3)判斷f(x0)和f(xn)的大小，若f(x0)≥f(xn)，則將x0作為SA算法的初始最優(yōu)點(diǎn)，否則執(zhí)行x0＝xn，再將x0作為SA算法的初始最優(yōu)點(diǎn)。

(4)確定擾動次數(shù)k＝1和最大循環(huán)步驟Lmax。

(5)在x0附近產(chǎn)生擾動，得到一個新解xm，并計(jì)算f(x0)，f(xm)和Δf。

(6)根據(jù)Metropolis準(zhǔn)則判斷，若 Δf＞0，計(jì)算接受概率p＝exp(-Δf/T)，如果p＞rand(0，1)，則接受xm，即x0＝xm進(jìn)入下一步；相反則不接受xm，進(jìn)入下一步；如果Δf≤0，則x0＝xm，進(jìn)入下一步；由于模擬退火算法和遺傳算法單獨(dú)使用時適應(yīng)度函數(shù)互為倒數(shù)，當(dāng)使用混合模擬退火遺傳算法時應(yīng)該特別注意，在退火過程中Metropolis準(zhǔn)則應(yīng)做相應(yīng)的改動。

(7)判斷是否達(dá)到擾動次數(shù)最大值，沒有達(dá)到，則k＝k+1，轉(zhuǎn)至步驟(5)；否則進(jìn)入下一步。判斷SA抽樣是否穩(wěn)定，穩(wěn)定則進(jìn)入下一步產(chǎn)生新種群，否則進(jìn)行退火處理。退火次數(shù)r＝r+1，更新溫度T(r)，轉(zhuǎn)至步驟(4)。

(8)判斷新種群是否滿足收斂準(zhǔn)則，滿足則進(jìn)行解碼操作，得到最優(yōu)解作為BP網(wǎng)絡(luò)的權(quán)值和閾值；否則轉(zhuǎn)入步驟(2)，繼續(xù)進(jìn)行模擬退火遺傳算法操作。

(9)計(jì)算BP神經(jīng)網(wǎng)絡(luò)誤差，判斷誤差精度能否滿足要求，滿足要求則進(jìn)入下一步；否則繼續(xù)此步操作，更新其權(quán)值和閾值，直到滿足結(jié)束條件，進(jìn)入下一步。

(10)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，進(jìn)行預(yù)測分析，得到滿意的結(jié)果。

4 主觀評價客觀量化模型的建立

4.1 確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在用模擬退火算法和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立SAGA-BP神經(jīng)網(wǎng)絡(luò)，以6個聲品質(zhì)客觀參量作為網(wǎng)絡(luò)的輸入，以聲品質(zhì)主觀評分值作為網(wǎng)絡(luò)的期望輸出，建立電動轎車警示聲聲品質(zhì)的主觀評價客觀量化模型。目前尚沒有明確的理論指導(dǎo)隱含層神經(jīng)元數(shù)目的選取，只能依靠經(jīng)驗(yàn)公式配合實(shí)際訓(xùn)練時的誤差、精度和訓(xùn)練時間等參數(shù)來選取。隱含層選取的經(jīng)驗(yàn)公式為

式中：n和l分別為輸入層和輸出層神經(jīng)元的個數(shù)；α為1～10之間的常數(shù)。

在實(shí)際操作過程中，一般從較少的隱含層數(shù)開始對網(wǎng)絡(luò)進(jìn)行訓(xùn)練，逐步增加神經(jīng)元的個數(shù)，比較網(wǎng)絡(luò)收斂后網(wǎng)絡(luò)的誤差、精度和訓(xùn)練時間，從而選取合適的隱含層神經(jīng)元數(shù)目。

本文中結(jié)合經(jīng)驗(yàn)公式和實(shí)際訓(xùn)練情況，選取隱含層神經(jīng)元數(shù)為12，此時精度最高、檢驗(yàn)誤差最小，同時訓(xùn)練時間也比較適中。從而所構(gòu)建的電動轎車警示聲聲品質(zhì)智能化的主觀評價客觀量化SAGABP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)為 6-12-1，如圖 4所示。

圖4 SAGA-BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖

4.2 網(wǎng)絡(luò)參數(shù)的設(shè)定

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前采用SAGA算法對其初始權(quán)值和閾值進(jìn)行優(yōu)化，遺傳代數(shù)選擇為130，交叉概率選取為0.6，變異概率為0.05；模擬退火中初始溫度T為999℃，退火速率α選為0.9，最大循環(huán)步驟Lmax為20；BP神經(jīng)網(wǎng)絡(luò)期望誤差為0.000 9，訓(xùn)練次數(shù)為5 000次，學(xué)習(xí)速率為0.04，附加動量因子為0.5。

選擇120個聲音樣本中的前80%，即96個樣本作為訓(xùn)練樣本，剩下的24個樣本用來檢驗(yàn)?zāi)Ｐ汀Ｓ?xùn)練之前需對所有樣本進(jìn)行歸一化處理：

式中：和xi為歸一化處理前、后樣本值，xmax和xmin為樣本中的最大值和最小值。

該模型采用訓(xùn)練輸出值和期望輸出值的均方誤差作為模型誤差，用MES表示：

式中：MES為模型誤差；L為樣本數(shù)；tk為網(wǎng)絡(luò)第k組樣本的實(shí)際輸出值；yk為第k組樣本的期望輸出值。

4.3 模型訓(xùn)練與檢驗(yàn)

圖5為SAGA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差性能曲線，在訓(xùn)練了1 086步后誤差為0.000 899 84，達(dá)到了設(shè)定的目標(biāo)精度。

圖5 SAGA-BP神經(jīng)網(wǎng)絡(luò)誤差性能曲線

圖6為SAGA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測值與期望輸出值之間的相關(guān)系數(shù)散點(diǎn)圖。從圖中可以看出，SAGA-BP神經(jīng)網(wǎng)絡(luò)模型的相關(guān)性高達(dá)0.985 94，具有強(qiáng)相關(guān)性，說明SAGA-BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地完成客觀參數(shù)到主觀評價值的映射。

圖7為模型對檢驗(yàn)樣本的百分比誤差。由圖可見，其檢驗(yàn)誤差均在5%以內(nèi)，這說明通過遺傳算法和模擬退火算法優(yōu)化過的BP神經(jīng)網(wǎng)絡(luò)模型能很好地實(shí)現(xiàn)聲品質(zhì)客觀參量到主觀評分值的映射。在后續(xù)警示聲設(shè)計(jì)的過程中，只需將聲音信號的客觀參量代入模型計(jì)算即可精確地預(yù)測聲音樣本的主觀煩躁度，而省去組織試聽人員進(jìn)行主觀評價試驗(yàn)，簡化了聲品質(zhì)分析過程中煩瑣步驟，避免了因人為因素而導(dǎo)致的誤差，節(jié)省大量人力物力等成本。

圖6 SAGA-BP網(wǎng)絡(luò)模型預(yù)測值與期望值之間的相關(guān)性

圖7 SAGA-BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)樣本百分比誤差

5 結(jié)論

本文中針對電動轎車在低速行駛時車外聲很小的問題提出一種車外警示聲的設(shè)計(jì)方法。首先，在采集不同傳統(tǒng)車車外噪聲的基礎(chǔ)上利用語音波形合成技術(shù)進(jìn)行聲音的設(shè)計(jì)與合成，得到大量的車外聲樣本；其次，借助國內(nèi)外聲品質(zhì)的研究經(jīng)驗(yàn)，通過聲品質(zhì)的主觀評價試驗(yàn)選出各工況下評分最高的聲音樣本作為該工況下電動轎車的車外警示聲；最后，依據(jù)聲品質(zhì)的主客觀評價試驗(yàn)數(shù)據(jù)，利用遺傳算法和模擬退火算法來優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，建立SAGA-BP神經(jīng)網(wǎng)絡(luò)的電動轎車警示聲聲品質(zhì)主觀評價客觀量化模型。從模型的運(yùn)行結(jié)果可以看出，所建立的模型具有很高的預(yù)測精度和收斂速度，可直接替代主觀評價過程，從而節(jié)省大量的人力物力資源，提高工作效率，節(jié)省成本。

參考文獻(xiàn)

[1]HEATHER K， MANABU S， TODD S.Development of approaching vehicle sound for pedestrians(VSP)for quiet electric vehicles[C].SAE Paper 2011-01-0928.

[2]STEPHAN B，BERNHARD G.Sound engineering for electric and hybrid vehicles[C].SAE Paper 2011-39-7228.

[3]ETIENNE P，RYAN R，CHAMARD J C.Detectability and annoyance of warning sounds for electric vehicles[J].Proceeding of Meeting on Acoustics，2013，19：040033.

[4]HEATHER K， MANABU S，TODD S， et al.Development of approaching vehicle sound for pedestrians(VSP)for quiet electric vehicles[C].SAE Paper 2011-01-0928.

[5]宋知用.MATLAB在語音信號分析與合成中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2013.

[6]劉強(qiáng).重型商用車駕駛室內(nèi)聲品質(zhì)預(yù)測分析技術(shù)[D].長春：吉林大學(xué)，2016.

[7]沈哲，左言言，等.影響車輛聲品質(zhì)聽審實(shí)驗(yàn)的相關(guān)因素研究[J].噪聲與振動控制，2008(8)：188-192.

[8]謝軍.汽車聲品質(zhì)評價技術(shù)及方法研究[D].長春：吉林大學(xué)，2009.

[9]錢堃.駕駛室內(nèi)聲品質(zhì)合成等效模型的建立及聲品質(zhì)評價分析研究[D].長春：吉林大學(xué)，2013.

[10]劉月娥，何東健，李崢嶸.一種用于BP網(wǎng)絡(luò)優(yōu)化的并行模擬退火遺傳算法[J].計(jì)算機(jī)應(yīng)用，2006，26(1)：204-206.

[11]邊霞，米良.遺傳算法理論及其應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2010(7)：2425-2434.

[12]朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010.

[13]HOLLAND J H.Adaptation in natural and artificial systems[M].Cambridge MIT Press，1975.