風(fēng)雨場(chǎng)中汽車乘員艙氣動(dòng)噪聲聲品質(zhì)預(yù)測(cè)模型研究

宗軼琦 張昊 許國(guó)猛 楊易 羅澤敏

【摘要】為研究雨天行駛時(shí)汽車的聲品質(zhì)，對(duì)風(fēng)雨場(chǎng)中汽車乘員艙氣動(dòng)噪聲信號(hào)進(jìn)行聲品質(zhì)客觀參量計(jì)算和主觀評(píng)價(jià)，并對(duì)二者進(jìn)行了相關(guān)分析。采用基于改進(jìn)鯨魚優(yōu)化算法的反向傳播（IWOA-BP）算法，以響度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度、語(yǔ)言干擾度和聲壓級(jí)6個(gè)客觀參數(shù)為輸入，以主觀評(píng)分作為輸出，建立預(yù)測(cè)模型，并與傳統(tǒng)的反向傳播（BP）神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型和鯨魚優(yōu)化算法-反向傳播（WOA-BP）預(yù)測(cè)模型進(jìn)行了對(duì)比。結(jié)果表明，BP、WOA-BP、IWOA-BP算法的平均絕對(duì)百分比誤差分別為28.33%、6.35%和2.82%，證明了基于IWOA-BP算法建立的風(fēng)雨場(chǎng)中汽車乘員艙氣動(dòng)噪聲聲品質(zhì)預(yù)測(cè)模型精度更高，效果更好。

主題詞：聲品質(zhì) 風(fēng)雨場(chǎng) 氣動(dòng)噪聲 心理聲學(xué)參數(shù) 改進(jìn)鯨魚優(yōu)化算法

中圖分類號(hào)：TB533.2 ? 文獻(xiàn)標(biāo)志碼：A ? DOI： 10.19620/j.cnki.1000-3703.20230918

Research on Prediction Model of Aerodynamic Noise Sound Quality

of Automobile Cockpit in Wind-Rain Field

Zong Yiqi1， Zhang Hao1， Xu Guomeng1， Yang Yi2， Luo Zemin3

（1. Yangzhou University， Yangzhou 225127; 2. Hunan University， Changsha 410082; 3. Automobile Engineering Research Institute of Guangzhou Automobile Group Co.， Ltd.， Guangzhou 511434）

【Abstract】To study the sound quality of vehicle in rainy day driving， objective parameter calculation and subjective evaluation were conducted for the sound quality of the vehicle cockpit aerodynamic noise signals in the wind-rain field， with a correlation analysis between the two parameters. Based on the Improved Whale Optimization Algorithm-Back Propagation （IWOA-BP） algorithm， six objective parameters including loudness， roughness， jitter， speech intelligibility， speech interference and sound pressure level as input， and subjective scoring as output were used to establish a prediction model， which was compared with the traditional BP neural network prediction model and the WOA-BP prediction model. The results indicate that the mean absolute percentage error of BP， WOA-BP and IWOA-BP algorithms are 28.33%， 6.35% and 2.82% respectively， proving that the sound quality prediction model of automobile cockpit aerodynamic noise in wind-rain field established based on IWOA-BP algorithm has a higher accuracy and a better effect.

Key words： Sound quality， Wind-rain field， Aerodynamic noise， Psychoacoustic parameter， Improved Whale Optimization Algorithm （IWOA） algorithm

【引用格式】 宗軼琦， 張昊， 許國(guó)猛， 等. 風(fēng)雨場(chǎng)中汽車乘員艙氣動(dòng)噪聲聲品質(zhì)預(yù)測(cè)模型研究[J]. 汽車技術(shù)， 2024（5）： 51-57.

ZONG Y Q， ZHANG H， XU G M， et al. Research on Prediction Model of Aerodynamic Noise Sound Quality of Automobile Cockpit in Wind-Rain Field[J]. Automobile Technology， 2024（5）： 51-57.

1 前言

近年來(lái)，隨著汽車振動(dòng)與噪聲控制技術(shù)的發(fā)展，傳統(tǒng)的針對(duì)汽車聲壓級(jí)的研究已無(wú)法滿足消費(fèi)者對(duì)汽車乘坐舒適性的要求，越來(lái)越多的研究人員通過研究汽車聲品質(zhì)來(lái)提高汽車乘坐的舒適性。汽車聲品質(zhì)是指人對(duì)特定環(huán)境下噪聲的主觀感受，可以通過對(duì)心理聲學(xué)參數(shù)的測(cè)量和計(jì)算量化體現(xiàn)。

目前，針對(duì)汽車聲品質(zhì)的研究方法大多是建立主觀評(píng)價(jià)結(jié)果與心理聲學(xué)客觀參數(shù)之間的預(yù)測(cè)模型。張教超、Yoon等[1-2]利用多元線性回歸方法建立了客觀聲學(xué)參數(shù)與主觀評(píng)價(jià)結(jié)果間的擬合模型，對(duì)汽車變速器和供熱通風(fēng)與空氣調(diào)節(jié)系統(tǒng)（Heating， Ventilation， and Air Conditioning，HAVC）進(jìn)行了聲品質(zhì)分析。申秀敏等[3]利用反向傳播（Back Propagation，BP）神經(jīng)網(wǎng)絡(luò)建立了聲品質(zhì)預(yù)測(cè)模型，該方法具有良好的非線性映射關(guān)系，但因?yàn)槌跏紮?quán)值和閾值的不確定性，無(wú)法保證每次預(yù)測(cè)結(jié)果均相同，穩(wěn)定性較差。此外，研究人員針對(duì)不同工況下的聲品質(zhì)進(jìn)行了預(yù)測(cè)研究。孫利文[4]等研究了全油門加速工況下車內(nèi)噪聲聲品質(zhì)情況。黃海波[5]等研究了勻速行駛工況下的車內(nèi)噪聲聲品質(zhì)情況。楊易[6]等研究了天窗和左、右側(cè)窗不同開度條件下車內(nèi)風(fēng)振噪聲聲品質(zhì)情況。綜合上述研究發(fā)現(xiàn)，目前針對(duì)車內(nèi)氣動(dòng)噪聲聲品質(zhì)的研究方法無(wú)法達(dá)到理想效果，穩(wěn)定性較差。此外，針對(duì)不同環(huán)境下的乘坐舒適性，黃娟[7]等研究了不同海拔對(duì)列車乘坐舒適性的影響，但是對(duì)于汽車而言，受限于天氣變化的影響，主要依靠風(fēng)洞試驗(yàn)來(lái)模擬雨、雪等天氣，而風(fēng)洞試驗(yàn)成本很高，因此，本文使用實(shí)車道路試驗(yàn)的方法研究不同雨況下的車內(nèi)噪聲情況，采用數(shù)值模擬方法分析左前側(cè)窗噪聲分布情況，并使用基于改進(jìn)鯨魚優(yōu)化算法（Improved Whale Optimization Algorithm，IWOA）的BP神經(jīng)網(wǎng)絡(luò)算法，建立聲品質(zhì)預(yù)測(cè)模型。

2 樣本采集與噪聲分析

2.1 樣本采集

本文實(shí)車道路試驗(yàn)參照GB/T 18697—2002[8]，采用杭州億恒科技有限公司生產(chǎn)的16通道SAVANT MI-7016數(shù)據(jù)采集器，如圖1所示。傳聲器和前置放大器采用杭州愛華儀器有限公司生產(chǎn)的AWA14604和AWA14423。傳聲器的布置位置如圖2所示，其垂向位置為座椅表面與頭枕表面交線上方0.70±0.05 m處，水平位置為座椅的縱截面向右0.20±0.02 m處。小雨、中雨、大雨的降雨強(qiáng)度分別為>0～2.5 mm/h、>2.5～8.0 mm/h、 ? ? ? ?>8.0～16.0 mm/h，本文記錄某款轎車在無(wú)雨、小雨（2.5 mm/h）、中雨（8.0 mm/h）和大雨（16.0 mm/h）天氣下車速分別為80 km/h、90 km/h、100 km/h、110 km/h和120 km/h時(shí)駕駛員左耳處噪聲信號(hào)，共計(jì)20組。

2.2 數(shù)值模擬

本文研究的風(fēng)雨場(chǎng)本質(zhì)上是氣液兩相流場(chǎng)，因此，本文氣動(dòng)噪聲聲源產(chǎn)生的原因是氣相與液相的相互作用以及車身表面與氣相和液相流體的相互作用，主要表現(xiàn)為偶極子聲源。使用Realizable k-ε湍流模型模擬無(wú)雨時(shí)的單向流流場(chǎng)，添加離散相模型（Discrete Phase Model，DPM）模擬有雨時(shí)的兩相流流場(chǎng)。

為了研究噪聲分布情況，在左前車窗表面選取若干監(jiān)測(cè)點(diǎn)，如圖3所示。

分析工況為車速110 km/h、小雨天氣，瞬態(tài)計(jì)算時(shí)開啟FW-H（Ffowcs Williams and Hawkings）模型，計(jì)算后取0.5 s數(shù)據(jù)，得到各監(jiān)測(cè)點(diǎn)脈動(dòng)壓力譜，通過傅里葉變換，并將不同監(jiān)測(cè)點(diǎn)在各中心頻率處的聲壓級(jí)作平均，得到左前車窗平均聲壓級(jí)頻譜如圖4所示。

2.3 主觀評(píng)價(jià)

采用等級(jí)評(píng)分法對(duì)所收集的噪聲信號(hào)進(jìn)行量化打分，該方法簡(jiǎn)單直接，便于后續(xù)研究。等級(jí)評(píng)分標(biāo)準(zhǔn)采用國(guó)際常用噪聲煩惱度主觀評(píng)價(jià)刻度表[9]，具體評(píng)價(jià)標(biāo)準(zhǔn)如表1所示。評(píng)價(jià)人員為20位車輛工程專業(yè)的研究人員，依次對(duì)20組噪聲進(jìn)行2次打分。為了驗(yàn)證主觀評(píng)價(jià)結(jié)果的準(zhǔn)確性，使用斯皮爾曼（Spearman）等級(jí)相關(guān)系數(shù)來(lái)獲取評(píng)價(jià)人員2次評(píng)價(jià)結(jié)果間的相關(guān)性，對(duì)2次評(píng)價(jià)差距較大的不予采用。最終得到的主觀評(píng)價(jià)結(jié)果如圖5所示。

2.4 客觀評(píng)價(jià)

本文選擇響度、粗糙度、抖動(dòng)度、尖銳度、語(yǔ)音清晰度、語(yǔ)言干擾度以及聲壓級(jí)7個(gè)心理聲學(xué)參數(shù)作為聲品質(zhì)客觀評(píng)價(jià)指標(biāo)，根據(jù)實(shí)車道路試驗(yàn)所得的噪聲數(shù)據(jù)，導(dǎo)入MATLAB軟件中可得到心理聲學(xué)參數(shù)如圖6所示。

2.5 相關(guān)性分析

為了提高聲品質(zhì)預(yù)測(cè)模型的準(zhǔn)確性，需要進(jìn)行心理聲學(xué)客觀參數(shù)與主觀評(píng)價(jià)之間的相關(guān)性分析，利用SPSS進(jìn)行分析，結(jié)果如表2所示，響度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度、語(yǔ)言干擾級(jí)和聲壓級(jí)與主觀評(píng)價(jià)之間均顯現(xiàn)出顯著性，且顯著性P值均小于0.01，表明分析結(jié)果的偶然性小于0.01，意味著6個(gè)客觀參量與主觀評(píng)價(jià)之間均存在正相關(guān)關(guān)系。尖銳度與主觀評(píng)價(jià)間的相關(guān)系數(shù)為0.212，且顯著性P值大于0.05，表明尖銳度與主觀評(píng)價(jià)間沒有相關(guān)性。

3 基于改進(jìn)鯨魚優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)

3.1 基于鯨魚優(yōu)化算法的BP神經(jīng)網(wǎng)絡(luò)

人耳對(duì)聲音的評(píng)級(jí)具有強(qiáng)非線性關(guān)系，因此，采用具有非線性映射能力的BP神經(jīng)網(wǎng)絡(luò)算法進(jìn)行聲音評(píng)價(jià)。BP神經(jīng)網(wǎng)絡(luò)不需要確定輸入-輸出映射關(guān)系的數(shù)學(xué)方程，僅通過自身的訓(xùn)練與學(xué)習(xí)即可根據(jù)輸入值得到期望輸出結(jié)果，已廣泛應(yīng)用于汽車噪聲聲品質(zhì)的研究。但是，隨著算法的不斷發(fā)展，BP神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)速度慢、泛化性差、不穩(wěn)定等缺點(diǎn)逐步顯現(xiàn)，因此，本文引入鯨魚優(yōu)化算法（Whale Optimization Algorithm，WOA）[10]優(yōu)化BP神經(jīng)網(wǎng)絡(luò)。作為一種新興的群體智能優(yōu)化算法，WOA因機(jī)制簡(jiǎn)單、參數(shù)少和尋優(yōu)能力強(qiáng)，被越來(lái)越多的學(xué)者青睞。算法原理與鯨魚捕食行為類似，鯨魚捕食的目的是捕獲獵物，一群鯨魚在共同搜尋獵物時(shí)，必然存在某條鯨魚先發(fā)現(xiàn)獵物，而后其他鯨魚向其包圍以搶奪獵物的情況，在WOA求解問題的過程中，一個(gè)解可以用一條鯨魚個(gè)體表示，若干個(gè)解就可以用若干條鯨魚個(gè)體表示，因此，WOA模型搜索問題解的過程可視為若干條鯨魚個(gè)體不斷更新位置，直至搜索到滿意的解的過程。其流程包括包圍獵物、發(fā)泡網(wǎng)攻擊和搜索捕食3個(gè)階段。

WOA算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)具體步驟如圖7所示：

a. 初始化BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值。

b. 初始化WOA參數(shù)，計(jì)算WOA算法的決策長(zhǎng)度，選取均方誤差作為優(yōu)化目標(biāo)函數(shù)。

c. 設(shè)置算法停止準(zhǔn)則，利用WOA算法優(yōu)化神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值參數(shù)。

d. 將優(yōu)化后的權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)。

e. 對(duì)優(yōu)化后的BP神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練與測(cè)試，與優(yōu)化前的BP神經(jīng)網(wǎng)絡(luò)對(duì)比分析。

3.2 改進(jìn)鯨魚算法

鯨魚算法同樣存在一些缺陷，如在其指定的全局最優(yōu)解為所有個(gè)體的尋優(yōu)對(duì)象時(shí)易陷入局部最優(yōu)解，以及種群初始化收斂速度慢。IWOA的提出，提高了算法的尋優(yōu)能力，具體改進(jìn)方法包括混合策略[11]、混沌映射初始化種群[12-13]和反向?qū)W習(xí)策略[14-15]。

本文主要通過混合反向?qū)W習(xí)策略對(duì)鯨魚算法進(jìn)行改進(jìn)，結(jié)合透鏡成像反向?qū)W習(xí)策略和最優(yōu)最差反向?qū)W習(xí)策略，在初始種群位置迭代后，將當(dāng)前種群個(gè)體按照適應(yīng)度排序，取適應(yīng)度較大的前一半個(gè)體，計(jì)算其反向種群，將反向種群與原鯨魚種群進(jìn)行比較，保留適應(yīng)度較優(yōu)的個(gè)體，并引入較優(yōu)的反向種群因子，以加強(qiáng)算法的全局尋優(yōu)能力，增加算法的成熟性。

4 基于IWOA-BP算法的聲品質(zhì)預(yù)測(cè)模型

本文選擇響度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度、語(yǔ)言干擾度和聲壓級(jí)6個(gè)聲品質(zhì)心理學(xué)客觀參數(shù)作為輸入，以聲品質(zhì)主觀評(píng)分作為輸出，使用IWOA-BP算法反映客觀輸入與主觀輸出的關(guān)系。訓(xùn)練樣本為某轎車在不同雨況和車速條件下采集到的20個(gè)噪聲信號(hào)，每個(gè)信號(hào)通過計(jì)算分析得出6個(gè)心理學(xué)參數(shù)及1個(gè)主觀評(píng)價(jià)參數(shù)。

4.1 樣本預(yù)處理

不同樣本的單位不同，本文將客觀參量與主觀評(píng)價(jià)參數(shù)進(jìn)行歸一化處理，使其數(shù)據(jù)大小均保持在[0，1]范圍內(nèi)，以滿足神經(jīng)網(wǎng)絡(luò)輸入、輸出的要求，避免出現(xiàn)飽和。

4.2 確定BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)和訓(xùn)練參數(shù)

BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可分為前饋型與反饋型兩種，其中前饋型網(wǎng)絡(luò)結(jié)構(gòu)的特征是從輸入層到隱含層，再到輸出層的逐層傳遞信息，非線性映射關(guān)系和泛化能力較好。因此，本文選取的是1個(gè)輸入層、1個(gè)S型隱含層和1個(gè)輸出層的3層BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。輸入層為6個(gè)心理聲學(xué)客觀參量，節(jié)點(diǎn)數(shù)取6；輸出層為聲品質(zhì)主觀評(píng)價(jià)參數(shù)，節(jié)點(diǎn)數(shù)取1；隱含層的節(jié)點(diǎn)數(shù)根據(jù)試湊法計(jì)算獲得，如圖8所示，最終確定最佳的節(jié)點(diǎn)數(shù)為5，其相應(yīng)的均方誤差為0.015。

此BP神經(jīng)網(wǎng)絡(luò)反向傳播訓(xùn)練函數(shù)為Traingdx函數(shù)，權(quán)值學(xué)習(xí)函數(shù)為L(zhǎng)eamgdm，性能函數(shù)為均方誤差（Mean-Square Error，MSE）。設(shè)置訓(xùn)練步數(shù)為1 000步、學(xué)習(xí)速率為0.01、動(dòng)量因子為0.01、訓(xùn)練最小誤差為0.000 01、顯示頻率為25，表示每訓(xùn)練25次顯示一次結(jié)果。

4.3 WOA優(yōu)化設(shè)置

WOA優(yōu)化BP神經(jīng)網(wǎng)絡(luò)主要是對(duì)權(quán)值和閾值進(jìn)行優(yōu)化，主要優(yōu)化流程為：

a. 參數(shù)設(shè)置。設(shè)定初始種群數(shù)量為n=20，最大進(jìn)化代數(shù)為lmax=30；優(yōu)化的自變量數(shù)量為N=inhn+hn+hnon+on，其中in、hn、on分別為BP神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的輸入層、隱含層和輸出層的神經(jīng)元數(shù)量。

b. 調(diào)整適應(yīng)函數(shù)。計(jì)算WOA的決策變量函數(shù)，以均方誤差作為適應(yīng)度函數(shù)，算法迭代過程中，適應(yīng)度越小，均方誤差越小，預(yù)測(cè)結(jié)果越精確。均方誤差計(jì)算公式為：

[ems=1mi=1m（yi-xi）2] ? ? ? ? ? ? ? ? ? ? ? （1）

式中：m為測(cè)試的樣本數(shù)量，xi為第i個(gè)真實(shí)值，yi為第i個(gè)預(yù)測(cè)值。

c. 鯨魚算法不斷優(yōu)化權(quán)值和閾值，均方誤差最小時(shí)，鯨魚算法停止訓(xùn)練，將此時(shí)的權(quán)值和閾值賦給BP神經(jīng)網(wǎng)絡(luò)算法。

4.4 IWOA優(yōu)化設(shè)置

改進(jìn)鯨魚算法主要流程如下：

a. 使用Tent混沌映射策略對(duì)搜索空間中分布相對(duì)均勻的n個(gè)個(gè)體進(jìn)行初始化。

b. 按照數(shù)值大小將種群進(jìn)行重新排列，將函數(shù)值最小的位置設(shè)為最優(yōu)位置。

c. 通過自適應(yīng)閾值和權(quán)重進(jìn)行相關(guān)參數(shù)更新及種群位置更新。

d. 挑選一個(gè)最差個(gè)體和一個(gè)精英個(gè)體進(jìn)行混合反向?qū)W習(xí)，更新全局最優(yōu)位置及適應(yīng)度值。

4.5 計(jì)算結(jié)果分析

根據(jù)相關(guān)性分析獲得的結(jié)果，以響度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度、語(yǔ)言干擾度和聲壓級(jí)作為輸入，主觀評(píng)分作為輸出。表3所示為采用不同優(yōu)化方法時(shí)BP模型測(cè)試集的預(yù)測(cè)值與實(shí)際值的對(duì)比結(jié)果。分析可知，IWOA-BP預(yù)測(cè)模型的擬合效果更好。

圖9所示分別為BP、WOA-BP和IWOA-BP預(yù)測(cè)模型的實(shí)際誤差和相對(duì)誤差，表4所示為3種預(yù)測(cè)模型的平均絕對(duì)誤差（Mean Absolute Error，MAE）、MSE、均方根誤差（Root Mean Squared Error，RMSE）以及平均絕對(duì)百分比誤差（Mean Absolute Percentage Error，MAPE），可以看出IWOA-BP模型預(yù)測(cè)風(fēng)雨場(chǎng)中駕駛室噪聲聲品質(zhì)的計(jì)算精度最高。

5 結(jié)束語(yǔ)

本文通過實(shí)車道路試驗(yàn)，對(duì)采集的噪聲樣本進(jìn)行分析，得到了7個(gè)聲品質(zhì)客觀參量和1個(gè)主觀評(píng)價(jià)參量，并對(duì)主、客觀參量進(jìn)行相關(guān)性分析，建立了以響度、粗糙度、抖動(dòng)度、語(yǔ)音清晰度、語(yǔ)言干擾度和聲壓級(jí)作為輸入，主觀評(píng)價(jià)作為輸出的IWOA-BP模型，對(duì)風(fēng)雨場(chǎng)中汽車乘員艙氣動(dòng)噪聲聲品質(zhì)進(jìn)行預(yù)測(cè)，結(jié)果顯示，IWOA-BP預(yù)測(cè)模型的平均絕對(duì)誤差、均方誤差、均方根誤差、平均絕對(duì)百分比誤差均優(yōu)于傳統(tǒng)的BP預(yù)測(cè)模型和WOA-BP預(yù)測(cè)模型的計(jì)算結(jié)果，證明了IWOA-BP模型預(yù)測(cè)結(jié)果的準(zhǔn)確性。

參 考 文 獻(xiàn)

[1] 張教超， 強(qiáng)登科， 莫詩(shī)婕. 變速器聲品質(zhì)評(píng)價(jià)方法研究[J]. 汽車零部件， 2021（7）： 61-64.

ZHANG J C， QIANG D K， MO S J. Study of Transmissions Sound-quality Evaluation Method[J]. Automobile Parts， 2021（7）： 61-64.

[2] YOON J， YANG I， JEONG J， et al. Reliability Improvement of a Sound Quality Index for a Vehicle HAVC System Using a Regression and Neural Network Model[J]. Applied ? ? ? ?Acoustics， 2012， 73（11）： 1099-1103.

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

SHENG X M， ZUO S G， HE L C， et al. BP Neural Network Prediction of Car Interior Sound Quality[J]. Technical ? ? ? ?Acoustics， 2009， 28（3）： 264-268.

[4] 孫利文， 劉海， 王海洋， 等. 應(yīng)用GA-BP神經(jīng)網(wǎng)絡(luò)對(duì)加速工況車內(nèi)聲品質(zhì)研究[J]. 科學(xué)技術(shù)與工程， 2017， 17（17）： 340-345.

SUN L W， LIU H， WANG H Y， et al. Research on Vehicle Interior Sound Quality Based on GA-BP Neural Network[J]. Science Technology and Engineering， 2017， 17（17）： 340-345.

[5] 黃海波， 李人憲， 黃曉蓉， 等. 基于Adaboost算法的車內(nèi)噪聲聲品質(zhì)預(yù)測(cè)[J]. 汽車工程， 2016， 38（9）： 1120-1125.

HUANG H B， LI R X， HUANG X R， et al. Sound Quality Prediction of Vehicle Interior Noise Based on Adaboost ? ? ?Algorithm[J]. Automotive Engineering， 2016， 38（9）： 1120-1125.

[6] 楊易， 高駿， 谷正氣， 等. 基于GA-BP的汽車風(fēng)振噪聲聲品質(zhì)預(yù)測(cè)模型[J]. 機(jī)械工程學(xué)報(bào)， 2021， 57（24）： 241-249.

YANG Y， GAO J， GU Z Q， et al. Research on Sound Quality Prediction Model of Automobile Wind Buffeting Noise Based on GA-BP[J]. Journal of Mechanical Engineering， 2021， 57（24）： 241-249.

[7] 黃娟， 何洪， 楊偉超， 等. 海拔對(duì)鐵路隧道內(nèi)瞬變壓力及車廂內(nèi)乘坐舒適性的影響[J]. 鐵道科學(xué)與工程學(xué)報(bào)， 2022（3）： 608-615.

HUANG J， HE H， YANG W C， et al. Influence of Altitude on Transient Pressure and Ride Comfort in Railway Tunnel[J]. Journal of Railway Science and Engineering， 2022（3）： 608-615.

[8] 中國(guó)科學(xué)院. 聲學(xué) 汽車車內(nèi)噪聲測(cè)量方法： GB/T 18697—2002[S]. 北京： 中國(guó)標(biāo)準(zhǔn)出版社， 2002.

National Development and Reform Commission. Acoustics-Measurement of Noise Inside Motor Vehicles： GB/T 18697—2002[S]. Beijing： Standards Press of China， 2002.

[9] 田建濤， 余志龍， 龐瀛洲. 工程機(jī)械噪聲主觀評(píng)價(jià)的等級(jí)評(píng)分法試驗(yàn)研究[J]. 工程機(jī)械， 2014， 45（9）： 25-30.

TIAN J T， YU Z L， PANG Y Z. Test and Research on Classification Method of Subjective Evaluation for Construction Machinery Noise[J]. Construction Machinery and Equipment， 2014， 45（9）： 25-30.

[10] MIRJALILI S， LEWIS A. The Whale Optimization ? ? ? ? ? Algorithm[J]. Advances in Engineering Software， 2016， 95： 51-67.

[11] 徐航， 張達(dá)敏， 王依柔， 等. 混合策略改進(jìn)鯨魚優(yōu)化算法[J]. 計(jì)算機(jī)工程與設(shè)計(jì)， 2020， 41（12）： 3397-3404.

XU H， ZHANG D M， WANG Y R， et al. Hybrid Strategy to Improve Whale Optimization Algorithm[J]. Computer ? ? ? ? Engineering and Design， 2020， 41（12）： 3397-3404.

[12] 滕志軍， 呂金玲， 郭力文， 等. 一種基于Tent映射的混合灰狼優(yōu)化的改進(jìn)算法[J]. 哈爾濱工業(yè)大學(xué)學(xué)報(bào)， 2018， 50（11）： 40-49.

TENG Z J， LV J L， GUO L W， et al. An Improved Hybrid Grey Wolf Optimization Algorithm Based on Tent Mapping[J]. Journal of Harbin Institute of Technology， 2018， 50（11）： 40-49.

[13] 張娜， 趙澤丹， 包曉安， 等. 基于改進(jìn)的Tent混沌萬(wàn)有引力搜索算法[J]. 控制與決策， 2020， 35（4）： 893-900.

ZHANG N， ZHAO Z D， BAO X A， et al. Gravitational Search Algorithm Based on Improved Tent Chaos[J]. ? ? ?Control and Decision， 2020， 35（4）： 893-900.

[14] 龍文， 伍鐵斌， 唐明珠， 等. 基于透鏡成像學(xué)習(xí)策略的灰狼優(yōu)化算法[J]. 自動(dòng)化學(xué)報(bào)， 2020， 46（10）： 2148-2164.

LONG W， WU T B， TANG M Z， et al. Grey Wolf Optimizer Algorithm Based on Lens Imaging Learning Strategy[J]. ? ?Acta Automatica Sinica， 2020， 46（10）： 2148-2164.

[15] 張新明， 王霞， 康強(qiáng). 改進(jìn)的灰狼優(yōu)化算法及其高維函數(shù)和FCM優(yōu)化[J]. 控制與決策， 2019， 34（10）： 2073-2084.

ZHANG X M， WANG X， KANG Q. Improved Grey Wolf Optimizer and Its Application to High-Dimensional ? ? ?Function and FCM Optimization[J]. Control and Decision， 2019， 34（10）： 2073-2084.

（責(zé)任編輯 斛 畔）

修改稿收到日期為2023年11月28日。