基于BP神經(jīng)網(wǎng)絡(luò)的車內(nèi)噪聲時(shí)變綜合煩躁度評價(jià)模型

陳 卉，孫躍東，王巖松，周 萍馮天培

(1.上海理工大學(xué) 機(jī)械工程學(xué)院，上海 200093； 2.上海工程技術(shù)大學(xué)，上海 201620)

聲品質(zhì)在反映聲音特性的同時(shí)體現(xiàn)了人的生理心理狀態(tài)和對聲音的認(rèn)知度。其研究分為主觀評價(jià)部分和客觀參量評價(jià)部分。目前，主觀評價(jià)以人對車輛噪聲的感受作為評價(jià)指標(biāo)，常用的試驗(yàn)方法有排序法、等級(jí)評分法、成對比較法和語義細(xì)分法等[1]。在客觀評價(jià)方面，人們常通過響度、尖銳度、粗糙度、A計(jì)權(quán)聲壓級(jí)等客觀參量對噪聲進(jìn)行量化處理，建立多元線性回歸、支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等模型進(jìn)行客觀評價(jià)[2–4]。

然而，常用的評價(jià)方法是對單工況（勻速、加速或減速等）下采集的噪聲的單值評價(jià)，隨著聲品質(zhì)評價(jià)的發(fā)展，非平穩(wěn)工況下車輛噪聲聲品質(zhì)及其評價(jià)方法的研究也越來越受到關(guān)注。日本學(xué)者Sonoko和Seichiro Namba在文獻(xiàn)對連續(xù)評價(jià)的反應(yīng)時(shí)間進(jìn)行了研究，說明了主觀評價(jià)具有一定的延遲效應(yīng)[5]。Etienne Parizet等也對長時(shí)間不穩(wěn)定噪聲進(jìn)行評價(jià)，并發(fā)現(xiàn)了其中最不舒適的時(shí)間區(qū)段[6]。進(jìn)行非平穩(wěn)工況下的噪聲研究，可模擬實(shí)車行駛過程中的噪聲。

本文通過采集汽車連續(xù)變工況下的噪聲，建立非平穩(wěn)車內(nèi)噪聲信號(hào)庫。將時(shí)變綜合煩躁度作為主觀評價(jià)試驗(yàn)的指標(biāo)，組織主觀評價(jià)人員利用語義細(xì)分法[7]進(jìn)行評價(jià)試驗(yàn)。得到實(shí)時(shí)、連續(xù)的主觀評價(jià)數(shù)據(jù)。計(jì)算響度、尖銳度、粗糙度、A計(jì)權(quán)聲壓級(jí)等客觀參數(shù)的時(shí)變值，并分析與時(shí)變綜合煩躁度值間的相關(guān)性并剔除相關(guān)性較小的聲學(xué)參量，得到BP神經(jīng)網(wǎng)絡(luò)的輸入?yún)⒘俊Ｒ源?，通過BP神網(wǎng)絡(luò)建立車內(nèi)時(shí)變綜合煩躁度客觀評價(jià)模型并通過四折交叉法[8]進(jìn)行結(jié)果的驗(yàn)證。

1 汽車車內(nèi)非平穩(wěn)噪聲信號(hào)采集

非平穩(wěn)工況連續(xù)噪聲樣本：

本文運(yùn)用LMS標(biāo)準(zhǔn)聲信號(hào)測量設(shè)備和數(shù)字人工頭采集設(shè)定工況下目標(biāo)車輛車內(nèi)整體噪聲信號(hào)，采樣頻率為44100 Hz（車輛副駕駛位雙耳連續(xù)整體噪聲）。試驗(yàn)車輛選擇6輛不同品牌的國產(chǎn)轎車，分別標(biāo)記為A、B、C、D、E與F車。參考GB18352.3-2005輕型汽車污染物排放限值及測量方法設(shè)置汽車連續(xù)行駛工況，該工況狀態(tài)包括加速行駛、勻速行駛與減速行駛[9]，工況設(shè)為兩種，工況a為開始階段50 km/h勻速行駛，后全油門加速至80 km/h保持勻速，再減速至40 km/h并保持勻速。工況b為開始階段50 km/h勻速行駛，后全油門加速至90 km/h保持勻速，再減速至20 km/h結(jié)束。每車均進(jìn)行3次試驗(yàn)，采集車輛前排司機(jī)位、副駕駛位和后排左乘客位雙耳處噪聲，取質(zhì)量較好的噪聲作為樣本，建立本文汽車非平穩(wěn)車內(nèi)噪聲數(shù)據(jù)庫，共12個(gè)噪聲樣本。圖1為工況a和工況b。圖2為A車在a工況下左耳噪聲時(shí)域圖。

圖1 試驗(yàn)工況

2 時(shí)變綜合煩躁度主觀評價(jià)試驗(yàn)

進(jìn)行聲品質(zhì)的主觀評價(jià)，從而獲得聲音特性及用戶體驗(yàn)，并且加深對聲音的理解，對聲音的完備性描述具有重要意義。主觀試驗(yàn)的結(jié)果也可用于客觀評價(jià)結(jié)果準(zhǔn)確性的驗(yàn)證。

圖2 A車在a工況下左耳噪聲時(shí)域圖

2.1 基于語義細(xì)分法的聲品質(zhì)連續(xù)評價(jià)方法及工具設(shè)計(jì)

常用的聲品質(zhì)的主觀評價(jià)方法有排序法、等級(jí)評分法、成對比較法和語義細(xì)分法等[10]。語義細(xì)分法是評價(jià)者運(yùn)用意義相反的形容詞對所聽到的聲音進(jìn)行等級(jí)描述[11]。本文在語義細(xì)分法的基礎(chǔ)上開發(fā)聲品質(zhì)連續(xù)評價(jià)方法和工具，對變工況非平穩(wěn)噪聲進(jìn)行連續(xù)聲品質(zhì)評價(jià)。在電子計(jì)算機(jī)上，利用LabVIEW編程語言編制聲品質(zhì)連續(xù)評價(jià)軟件，軟件界面見圖3。

在評價(jià)者對播放的目標(biāo)樣本進(jìn)行聽音的同時(shí)，可對照語義細(xì)分評價(jià)參考形容詞（見圖3與表1），依據(jù)對噪聲的實(shí)時(shí)綜合煩躁度感受程度，利用鼠標(biāo)拖動(dòng)滑塊來匹配實(shí)時(shí)聲品質(zhì)感受，完成連續(xù)綜合煩躁度的記錄。

2.2 主觀評價(jià)試驗(yàn)

本文組織35人構(gòu)成的聽音評價(jià)團(tuán)，男性25名，女性10名，其中27名為車輛工程專業(yè)研究生，16名有2年以上駕齡。在試驗(yàn)前對評價(jià)組成員進(jìn)行相關(guān)培訓(xùn)，包括對評價(jià)指標(biāo)、評價(jià)選項(xiàng)、噪聲樣本和軟件使用等的說明，使得評價(jià)者更好的理解實(shí)驗(yàn)?zāi)康摹⒗斫庠u價(jià)詞匯描述的聲品質(zhì)特征、預(yù)先形成聽覺感受和熟悉試驗(yàn)的流程及軟件的使用方法，提高聽音評價(jià)試驗(yàn)質(zhì)量。本文中主觀評價(jià)試驗(yàn)場地選擇為背景噪聲小，房間溫度適宜的實(shí)驗(yàn)室，試驗(yàn)設(shè)備選擇為Lenovo筆記本電腦，板載聲卡，音箱，播放器為自主設(shè)計(jì)的Labview主觀評價(jià)軟件程序，時(shí)變聲品質(zhì)采樣間隔設(shè)為50 ms。

圖3 聲品質(zhì)時(shí)變綜合煩躁度主觀評價(jià)軟件界面

表1 語義細(xì)分法分值設(shè)置

2.3 評價(jià)值處理

計(jì)算每兩位評價(jià)者之間的Spearman相關(guān)系數(shù)，將每個(gè)評價(jià)者與其他評價(jià)人員間的Spearman相關(guān)系數(shù)取算術(shù)平均值求得該評價(jià)者的平均相關(guān)系數(shù)，并剔除平均相關(guān)系數(shù)較低（低于0.7）的評價(jià)者及評價(jià)值，對剩余評價(jià)人員的評價(jià)化的評價(jià)結(jié)果取均值，得到各噪聲樣本的主觀評價(jià)曲線。其中A車a工況下車內(nèi)噪聲的主觀時(shí)變聲品質(zhì)評價(jià)曲線如圖4所示。

圖4 A車在a工況下車內(nèi)噪聲主觀評價(jià)曲線

結(jié)合聲品質(zhì)實(shí)時(shí)評價(jià)反應(yīng)滯后現(xiàn)象和試驗(yàn)結(jié)果曲線，評價(jià)者實(shí)時(shí)打分存在延遲效應(yīng)，根據(jù)文獻(xiàn)[5–6]，本文中設(shè)定延遲時(shí)間為1 s，并將各樣本的主觀評價(jià)曲線前移1 s，最終得到各噪聲樣本的時(shí)變綜合煩躁度主觀評價(jià)結(jié)果。

3 基于BP神經(jīng)網(wǎng)絡(luò)的時(shí)變綜合煩惱度評價(jià)

本文利用BP神經(jīng)網(wǎng)絡(luò)逼近主觀評價(jià)結(jié)果和客觀心理聲學(xué)參量之間的非線性關(guān)系，建立車內(nèi)噪聲時(shí)變綜合煩躁度客觀評價(jià)模型，采用四折交叉法檢驗(yàn)?zāi)Ｐ偷念A(yù)測性能。

3.1 BP神經(jīng)網(wǎng)絡(luò)模型建立和驗(yàn)證

BP神經(jīng)網(wǎng)絡(luò)是多層前饋神經(jīng)網(wǎng)絡(luò)，由輸入層、隱含層和隱含層3部分組成。設(shè)置合適的輸入節(jié)點(diǎn)數(shù)，隱含層節(jié)點(diǎn)數(shù)和輸出節(jié)點(diǎn)數(shù)并通過信息的正向傳遞和反向傳播，調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，實(shí)現(xiàn)復(fù)雜函數(shù)的非線性擬合。圖5為BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，反應(yīng)其函數(shù)映射關(guān)系[12]。

圖5 BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)

X1,X2,…,Xn是BP神經(jīng)網(wǎng)絡(luò)的輸入值，Y1,Y2,…,Ym是BP神經(jīng)網(wǎng)絡(luò)的預(yù)測值，ωij和ωjk為BP網(wǎng)絡(luò)權(quán)值，n為輸入節(jié)點(diǎn)數(shù)，m為輸出節(jié)點(diǎn)數(shù)。

由于1個(gè)S型隱含層加上1個(gè)線性輸出的神經(jīng)網(wǎng)絡(luò)可逼近任何函數(shù)[13]。本文選用3層神經(jīng)網(wǎng)絡(luò)構(gòu)建時(shí)變噪聲的聲品質(zhì)評價(jià)模型。

3.2 時(shí)變聲品質(zhì)評價(jià)模型建立和驗(yàn)證

以50 ms為時(shí)間間隔，利用LMS Test.lab軟件分別計(jì)算左右耳兩個(gè)通道的客觀參數(shù)噪聲樣本的A計(jì)權(quán)聲壓級(jí)、響度、粗糙度等心理聲學(xué)客觀參量時(shí)變值。其中，響度的雙通道合成需要考慮屏蔽效應(yīng)，采用日本HONDA公司提出的式1計(jì)算合成響度[14]。

式中NB為雙耳響度，NL為左耳響度；NR為右耳響度。

其他參數(shù)均采用兩耳值的算術(shù)平均值，求得各個(gè)非平穩(wěn)噪聲樣本的響度、尖銳度、粗糙度、A計(jì)權(quán)聲壓級(jí)、聲壓級(jí)和語義清晰度的時(shí)變值。計(jì)算其與綜合煩躁度評價(jià)結(jié)果的相關(guān)性，見表2。

表2 客觀參數(shù)與主觀評價(jià)的Pearson相關(guān)系數(shù)

時(shí)變綜合煩躁度評價(jià)結(jié)果與響度的Pearson相關(guān)系數(shù)最高，為0.8233，與A計(jì)權(quán)聲壓級(jí)和語義清晰度的相關(guān)性較高，粗糙度、尖銳度和線性聲壓級(jí)的相關(guān)系數(shù)在0.1到0.4之間，相關(guān)性較低。語義清晰度和評價(jià)值為–0.7943，呈負(fù)相關(guān)。本文采用響度、A計(jì)權(quán)聲壓級(jí)和語義清晰度作為建立客觀評價(jià)模型的特征。將樣本進(jìn)行歸一化處理，確保所有的數(shù)據(jù)在0到1之間。圖6為A車在a工況下歸一化后的網(wǎng)絡(luò)參量值，在勻速階段，主客觀值都趨于穩(wěn)定；在加速階段，A計(jì)權(quán)聲壓級(jí)值和響度值上升，語義清晰度值下降，主觀評價(jià)值也上升；在減速階段，A計(jì)權(quán)聲壓級(jí)值和響度值下降，語義清晰度值上升，主觀評價(jià)值下降。可看出主觀評價(jià)值和A計(jì)權(quán)值與響度值呈正相關(guān)趨勢，和語義清晰度值呈負(fù)相關(guān)趨勢。

圖6 A車在a工況下主觀評價(jià)、客觀參量圖

BP神經(jīng)網(wǎng)絡(luò)中隱含層節(jié)點(diǎn)數(shù)的大小對模型預(yù)測結(jié)果有著重要的影響。當(dāng)隱含層節(jié)點(diǎn)數(shù)過小時(shí)，模型學(xué)習(xí)不充分，影響學(xué)習(xí)效果；當(dāng)隱含層節(jié)點(diǎn)數(shù)過多時(shí)，易造成訓(xùn)練時(shí)間過長，訓(xùn)練過度，導(dǎo)致模型精度降低等的不良后果。根據(jù)經(jīng)驗(yàn)公式[15]

式中：n為輸入層神經(jīng)元個(gè)數(shù)，p為輸出層神經(jīng)元個(gè)數(shù)，q為1～10之間的常數(shù)。由上文，n=2，p=1，根據(jù)上式計(jì)算，隱含層節(jié)點(diǎn)數(shù)在4～13之間。

再用試湊法求得10次不同隱含層節(jié)點(diǎn)數(shù)的網(wǎng)絡(luò)誤差均方根，試驗(yàn)選得13（見表3）。

本文中，綜合考慮訓(xùn)練精度和時(shí)間問題，試驗(yàn)選得8。隱含層傳遞函數(shù)為tansig函數(shù)，輸出層傳遞函數(shù)為purelin函數(shù)，訓(xùn)練算法為Levenberg-Marquardt算法[16]。并將訓(xùn)練參數(shù)中期望誤差設(shè)立為0.0001，迭代次數(shù)為100，學(xué)習(xí)速率為0.1。

通過四折交叉法對模型進(jìn)行驗(yàn)證，取10次試驗(yàn)的均值，得到誤差為0.3818，方差為0.0947。圖7為A車在a工況下通過BP網(wǎng)絡(luò)預(yù)測得出的誤差。

表3 不同隱含層節(jié)點(diǎn)的網(wǎng)絡(luò)誤差均方根

圖7 A車在a工況下輸出值與期望值對比圖

可看出除了在加速階段和中間勻速階段誤差較大，開始勻速階段和減速階段均誤差較小，預(yù)測輸出曲線和期望輸出曲線有較高的吻合度，驗(yàn)證了本文建立的時(shí)變綜合煩躁度模型達(dá)到預(yù)期的效果，對非平穩(wěn)工況下的綜合煩躁度預(yù)測是有效的。

4 結(jié)語

本文考慮到實(shí)車行駛工況的連續(xù)性，在非平穩(wěn)連續(xù)工況下建立時(shí)變噪聲庫。組織評價(jià)者進(jìn)行主觀評價(jià)試驗(yàn)，運(yùn)用語義細(xì)分法建立時(shí)變綜合煩躁度數(shù)據(jù)庫。進(jìn)行相關(guān)性分析，得出A計(jì)權(quán)聲壓級(jí)，響度和語義清晰度對時(shí)變綜合煩躁度的影響較大。以A計(jì)權(quán)聲壓級(jí)，響度和語義清晰度作為模型輸入?yún)⒘?，運(yùn)用BP神經(jīng)網(wǎng)絡(luò)對主觀評價(jià)值進(jìn)行預(yù)測，建立了時(shí)變綜合煩躁度客觀模型。最后通過四折交叉法對模型進(jìn)行檢驗(yàn)，表明該模型對實(shí)時(shí)綜合煩躁度預(yù)測有效。此模型簡單且預(yù)測較精確，體現(xiàn)了連續(xù)工況下汽車噪聲時(shí)變聲品質(zhì)主觀評價(jià)值和瞬時(shí)客觀參數(shù)之間的非線性關(guān)系。本文中設(shè)定的延遲時(shí)間為1 s，在實(shí)際中延遲時(shí)間會(huì)隨主觀評價(jià)者不同而有差異，這需要在下一步研究中完善，從而可將此模型用于實(shí)車非平穩(wěn)工況下的噪聲瞬時(shí)聲品質(zhì)評價(jià)，提高車內(nèi)聲品質(zhì)測量的響應(yīng)速度，為車輛的聲學(xué)設(shè)計(jì)和聲品質(zhì)改進(jìn)提供參考依據(jù)。

[1]汪念平，陳劍，鐘秤平.汽車聲品質(zhì)分析方法與評價(jià)流程[J].汽車工程，2007(9)：800-803.

[2]陳雙籍，陳端石.基于心理聲學(xué)參數(shù)的車內(nèi)聲品質(zhì)偏好性評價(jià)[J].噪聲與振動(dòng)控制，2005，25(3)：45-47.

[3]肖淙文.基于SVM的非平穩(wěn)車內(nèi)噪聲品質(zhì)評價(jià)系統(tǒng)研究[D].上海：上海工程技術(shù)大學(xué)，2014.

[4]申秀敏，左曙光.車內(nèi)噪聲聲品質(zhì)的神經(jīng)網(wǎng)絡(luò)預(yù)測[J].聲學(xué)技術(shù)，2009，28(3)：264-268.

[5]SONOKO KUWANO,SEICHIRO NAMBA.Continuous judgment of level-fluctuating sounds and the relationship between overall loudness and instantaneous loudness[J].Psychological Research,1985,47:27-37.

[6]ETIENNE PARIZET,NACER HAMZAOUI,LIONEL SEGAUD,etal.Continuous evaluation of noise uncomfort in a bus[J].Acta Acustica united with Acustica,Hirzel Verlag(S.Hirzel Verlag),2003,89:900-907.

[7]YOON JI-HYUN,YANG IN-HYUNG,JEONG JAEEUN,et al.Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network model[J].Applied Acoustics,2012,73(11):1099-1103.

[8]KOHAVI R.A study of cross-validation and bootstrap for accuracy estimation and model selection[C].Proc.of the 14th International Joint Conference on Artificial Intelligence.Montreal,Canada:Morgan Kaufmann,1995:1137-1143.

[9]GB 18352.3-2005.輕型汽車污染物排放限值及測量方法(中國Ⅲ、Ⅳ階段)[S].北京：中國標(biāo)準(zhǔn)出版社，2005.

[10]賀巖松，涂梨娥，徐中明，等.汽車聲品質(zhì)研究綜述[J].汽車工程學(xué)報(bào)，2014(6)：391-401.

[11]BODDEN M,HEINRICHS R,LINOW A,et al.Sound quality evaluation of interior vehicle noise using an efficient psychoacoustic method[C].Proc.of the 3rd European Conference on Noise Control-Euronoise,1998,98:609-614.

[12]XMATLAB中文論壇.MATLAB神經(jīng)網(wǎng)絡(luò)30個(gè)案列分析[M].北京：北京航空航天大學(xué)出版社，2010：1-2.

[13]ROBERT H N.Theory of the back-propagation neural network[J].Neural Networks,1989(1):593-605.

[14]DIN 45692,Measurement technique for the simulation of the auditory sensation of sharpness[S].Berlin:Beuth Verlag,2009.

[15]程嶼菲，聶規(guī)劃.BP網(wǎng)絡(luò)在企業(yè)管理巾的應(yīng)用研究[J]．武漢理工大學(xué)學(xué)報(bào)(信息與工程版)，2004，26(4)：139-142.

[16]張京軍，王二成，何麗麗，等.基于BP神經(jīng)網(wǎng)絡(luò)的壓電智能結(jié)構(gòu)振動(dòng)系統(tǒng)辨識(shí)[J].噪聲與振動(dòng)控制，2008，28(3)：35-38.