CN112687294A - 一种车载噪音识别方法 - Google Patents

Abstract

本发明提供一种车载噪音识别方法，包括以下步骤：步骤1：首先对输入车载噪音信号进行预加重、分帧加窗等预处理操作；步骤2：利用布谷鸟搜索(CS)算法的全局寻优能力去找到深度信念网络(DBN)的最优初始权值、学习率以及隐层神经元数目，获得最优的深度信念网络结构；步骤3：在激活函数的选择上，采用ReLU激活函数替换常用的sigmod函数，有效解决梯度消失问题；步骤4：采用改进后的深度信念网络模型实现输入车载噪音信号的自动特征提取；步骤5：将深度信念网络模型提取到的高层噪音特征作为基于卡方距离改进的高斯加权KNN算法(GCKNN)中的输入，实现最后的噪音识别。本发明结合了DBN自动提取特征的能力和GCKNN的快速学习能力，得到最佳的噪音识别效果。

Description

一种车载噪音识别方法

技术领域

本发明涉及一种车载噪音识别技术，具体涉及一种基于深度信念网络的车载噪音识别算法。

背景技术

当今计算机技术和人工智能的飞速发展，使噪音识别技术开始从实验室迈向市场化，进入智能可穿戴，智能车载，智能家居等领域，越来越贴近人们的生活。随着人们的出行对汽车的依赖性越来越强，汽车已经成为人们最便捷也是最重要的交通工具，然而车载电子设备功能强大的同时其操作造成的复杂性给驾驶员带来不少交通安全隐患，噪音识别技术在车载辅助系统上的应用增加了操作的便利性，可以避免驾驶员注意力的分散。但是高速行驶的汽车内存在着引擎噪声、轮胎噪声、气流噪声、空调噪声、车身震动噪声等各类噪声，驾驶员的噪音信号在车内的传播不可避免的会受到这些噪声的干扰，因此会很大程度上影响车载噪音识别系统的识别性能，严重情况下可能导致其无法使用。目前安静环境下的噪音识别准确率已经达到98％左右，但是在真实环境尤其是复杂的车载噪声环境下，噪音识别准确率将会急剧下降。因此，研究出一种基于复杂车载环境下噪音识别的方法，解决行车过程中复杂噪音信号难以识别的问题，有着广阔的发展前景。

发明内容

本发明的发明目的是：针对现有技术的不足，本算法首先利用改进激活函数的深度信念网络模型对采集到的车载噪音信号进行特征提取，接着以深度信念网络提取到的高层抽象噪音特征作为输入，利用GCKNN算法的快速学习能力，对噪音特征进行噪音识别。

本发明提供一种车载噪音识别算法，包括以下步骤：

步骤1：首先对输入车载噪音信号进行预加重、分帧加窗等预处理操作；

步骤2：利用布谷鸟搜索(CS)算法的全局寻优能力去找到DBN的最优初始权值、学习率以及隐层神经元数目，获得最优的深度信念网络结构；

步骤3：在激活函数的选择上，采用ReLU激活函数替换常用的sigmod函数，有效解决梯度消失问题；

步骤4：采用改进后的深度信念网络模型实现输入车载噪音信号的自动特征提取；

步骤5：将深度信念网络模型提取到的高层噪音特征作为基于卡方距离改进的高斯加权KNN算法中的输入，实现最后的噪音识别；

进一步的，所述步骤2包括，根据布谷鸟搜索算法的思想首先构建目标函数F(x)，x＝(x₁,x₂,…,x_d)^T，初始化一个具有n个鸟巢的种群x_i(i＝1,2,…n)，设置问题维数d、发现概率p_a及最大迭代次数t等参数。计算出每个鸟巢的适应度函数值F，选出当前最佳鸟巢；

保留上一代的最佳鸟巢，并对其他鸟巢位置根据公式进行更新；

式中,

表示第t代中第i个鸟巢的位置；

表示点对点乘法；c＞0为步长比例因子；L(λ)为随机搜索路径，即：

其中，

为第t代保留的最佳位置，u和v均服从正态分布；

通过位置更新后，用服从均匀分布的随机数r∈[0,1]与p_a对比，若r＞p_a，则对

进行随机改变，反之不变；最后选取适应度值较好的一组鸟巢位置，记作

鸟蛋被巢主鸟发现的这一过程采用偏好随机游动行为，在CS算法中模拟这一过程的公式如下所示：

式中，r为[0,1]间的随机数,

和

为第i代所有鸟巢中任意两个鸟巢的位置。选出最佳的

作为最优初始权值、学习率以及隐层神经元数目；

RBM是由可视层v，和隐含层h构成的一个两层结构的网络。假定可视层v中有i个单元，隐含层h有j个单元，将RBM作为一个系统，具有的能量定义为：

式中：i为可视层的单元数；j为隐含层的单元数，v_n为可视层单元n的状态；h_m为隐含层单元m的状态；a_n为可视层单元n的阈值；b_m为隐含层单元m的阈值，w_nm为可视层单元n与隐含层单元m之间的权值；v是可视层所有单元的状态向量；h是隐含层所有单元的状态向量；θ为RBM参数权值w、可视层阈值a和隐含层阈值b的简记；

由于每层的单元之间的相互独立性，能够得到(v,h)的联合概率分布为：

式中：Z(θ)＝∑e^-Γ(v,h|θ)为所有可视层和隐含层单元之间的能量值之和。

当给定可见层单元或者隐含层单元的状态时，能够求出隐单元m或者可视单元n的激活概率：

进一步的，所述步骤3中，激活函数是对各输入求和之后，做增强的函数，ReLU函数的增强效果更适合本专利中的噪音识别问题，其表达式如下：

f(x)＝max(0,x)

进一步的，所述步骤5中，采用卡方距离度量学习，应用新的距离度量函数代替欧式距离进行度量，利用高斯函数对距离进行加权，得到基于卡方距离的高斯加权KNN(GCKNN)算法，其表达式如下：

本发明的有益效果是：提出了新的混合深度学习噪音识别模型RDBN-GCKNN，该模型能充分利用大量的无标签数据对DBN部分进行无监督预训练，训练完成后使用DBN网络进行特征提取，使用标签数据对GCKNN部分进行监督训练。结合了DBN自动提取特征的能力和GCKNN的快速学习能力，得到最佳的噪音识别效果。

附图说明

图1是本发明的系统框图。

图2是CS算法的流程图。

具体是实施方式：

下面结合附图对本发明的具体实施方式以及工作原理作进一步详细说明。

如附图1所示，本发明提供一种车载噪音识别算法。其具体步骤为：

步骤1：对噪音信号进行预处理以改善噪音质量，首先对输入的噪音信号进行预加重和加窗处理，并将其作为深度信念网络模型的输入。

步骤2：根据布谷鸟搜索算法的思想首先构建目标函数F(x)，x＝(x₁,x₂,…,x_d)^T，初始化一个具有n个鸟巢的种群x_i(i＝1,2,…n)，设置问题维数d、发现概率p_a及最大迭代次数t等参数。计算出每个鸟巢的适应度函数值F，选出当前最佳鸟巢。

保留上一代的最佳鸟巢，并对其他鸟巢位置根据公式进行更新。

式中,

表示第t代中第i个鸟巢的位置；

表示点对点乘法；c＞0为步长比例因子；L(λ)为随机搜索路径，即：

其中，

为第t代保留的最佳位置，u和v均服从正态分布。

通过位置更新后，用服从均匀分布的随机数r∈[0,1]与p_a对比，若r＞p_a，则对

进行随机改变，反之不变。最后选取适应度值较好的一组鸟巢位置，记作

鸟蛋被巢主鸟发现的这一过程采用偏好随机游动行为，在CS算法中模拟这一过程的公式如下所示：

式中，r为[0,1]间的随机数,

和

为第i代所有鸟巢中任意两个鸟巢的位置。选出最佳的

作为最优初始权值、学习率以及隐层神经元数目。

RBM是由可视层v，和隐含层h构成的一个两层结构的网络。假定可视层v中有i个单元，隐含层h有j个单元，将RBM作为一个系统，具有的能量定义为：

式中：i为可视层的单元数；j为隐含层的单元数，v_n为可视层单元n的状态；h_m为隐含层单元m的状态；a_n为可视层单元n的阈值；b_m为隐含层单元m的阈值，w_nm为可视层单元n与隐含层单元m之间的权值；v是可视层所有单元的状态向量；h是隐含层所有单元的状态向量；θ为RBM参数权值w、可视层阈值a和隐含层阈值b的简记。

由于每层的单元之间的相互独立性，能够得到(v,h)的联合概率分布为：

式中：Z(θ)＝∑e^-Γ(v,h|θ)为所有可视层和隐含层单元之间的能量值之和。

当给定可见层单元或者隐含层单元的状态时，能够求出隐含层单元m或者可见单元n的激活概率：

式中：σ(x)为ReLU激活函数。

步骤3：本文中深度信念网络模型采用ReLU激活函数，其表达式如下：

f(x)＝max(0,x)

将CS与CD算法结合实现DBN网络的预训练，即最底层RBM通过CS搜索获得其最优网络参数，然后利用CD算法对输入数据进行训练，进行Gibbs采样得到隐层并重构显层，将底层输出作为高层输入逐层搜索网络参数并逐层训练RBM，最终得到DBN网络的每一层权值并训练每一个RBM，实现DBN网络预训练。

步骤4：采用对比散度算法更新调整参数θ，其具体过程包括以下步骤：

1)对RBM网络参数θ进行初始化，确定训练最大迭代次数，将输入向量X作为可视层的初始向量v⁰；

2)计算隐含层各单元初始激活概

然后从条件分布概率

中抽取h⁰～P(h⁰|v⁰)；

为隐单元m的初始值，

为可视层单元n的初始值；σ(·)是sigmoid函数。

3)计算可视层各单元的重构向量的初始激活概率

后从条件分布概率

中抽取v¹～P(v¹|h⁰)；v¹为可视层的重构向量，

为可视层单元n的重构值；

4)计算隐含层各单元

为隐含层单元m的重构值；

5)网络参数更新：

w＝w+ρ[P(h⁰＝1|v⁰)v^0T-P(h¹＝1|v¹)v^1T]；

a＝a+ρ(v⁰-v¹)；

b＝b+ρ[P(h⁰＝1|v⁰)-P(h¹＝1|v¹)]

式中：v^0T和v^1T分别为可视层的初始向量和重构向量的转置，ρ为学习率。

6)重复步骤2到5到最大迭代次数，完成该层RBM预训练过程。

当训练完第一层的RBM之后，将第一层的输出作为下一层RBM网络的输入，重复上述训练过程，依次类推直至最后一个RBM网络训练结束，整个DBN的预训练过程结束。

步骤5：将步骤4得到的高层抽象噪音信号输入到GCKNN算法中，进行噪音识别。本专利所采用的的KNN算法是在噪音分类时选出x的k个最近邻,看这k个近邻中的多数属于哪一类噪音,就把x分到哪一类噪音中。KNN算法的噪音识别精度由距离计算公式决定，一般的KNN算法采用欧式距离，欧式距离只考虑到数据特征之间的绝对距离，没有考虑特征之间的相对距离，卡方距离能充分考虑特征之间的相对距离变化。并利用高斯函数对距离进行加权，为每个点的距离增加一个权重，使得距离近的点可以得到更大的权重，大大增强识别效果。本专利采用改进后的GCKNN算法主要操作过程如下:

1)将数据样本分为测试集与训练集

2)设定一个初始k值。通过实验结果反复调整数值，直到选取到最优值。

3)计算高斯加权卡方距离。x表示为特征向量x＝(x¹,x²,L,xⁿ),xⁱ表示样本x的第i个特征的值。2个样本x_i和x_j的距离定义为d(x_i,x_j),距离公式为：

式中

α,β,ε为常数，通过实验效果调整。

4)按距离递增次序排序，选取与测试样本点距离最近的k个点。

5)统计前k个点所在的类别出现的频率，返回前k个点出现频率最高的类别作为当前点的预测噪音类别。

本发明采用基于RBM构建的深度信念网络DBN对车载噪音信号进行高层抽象特征抽取，形成用于噪音识别的特征向量数据基础，然后结合基于卡方距离度量的高斯加权KNN算法构建噪音识别模型。与传统的噪音识别算法相比,本专利所提供方法识别准确率更高、适应性更强。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.本发明公开了一种车载噪音识别方法，包括以下步骤：

步骤1：首先对输入车载噪音信号进行预加重、分帧加窗预处理操作；

步骤2：利用布谷鸟搜索(CS)算法的全局寻优能力去找到深度信念网络(DBN)的最优初始权值、学习率以及隐层神经元数目，获得最优的DBN结构；

步骤3：在激活函数的选择上，采用ReLU激活函数替换常用的sigmod函数，有效解决梯度消失问题；

步骤4：采用改进后的深度信念网络模型实现输入车载噪音信号的自动特征提取；

步骤5：将深度信念网络模型提取到的高层噪音特征输入基于卡方距离改进的高斯加权K最近邻(KNN)算法进行分类，实现不同类型车载噪音识别。

2.根据权利要求1所述的基于深度信念网络的车载噪音识别算法，其特征在于步骤2中的布谷鸟搜索算法获得最优DBN网络结构，具体包括以下步骤：

步骤2-1：首先构建目标函数F(x)，x＝(x₁,x₂,…,x_d)^T，初始化一个具有n个鸟巢的种群x_i(i＝1,2,…n)，设置问题维数d、发现概率p_a及最大迭代次数t等参数，计算出每个鸟巢的适应度函数值F，选出当前最佳鸟巢；

步骤2-2：保留上一代的最佳鸟巢，并对其他鸟巢位置根据公式进行更新：

式中,

表示第t代中第i个鸟巢的位置；

表示点对点乘法；c＞0为步长比例因子；L(λ)为随机搜索路径，即：

式中，

为第t代保留的最佳位置，u和v均服从正态分布；

步骤2-3：通过位置更新后，用服从均匀分布的随机数r∈[0,1]与p_a对比，若r＞p_a，则对

进行随机改变，反之不变；最后选取适应度值较好的一组鸟巢位置，记作

鸟蛋被巢主鸟发现的这一过程采用偏好随机游动行为，在CS算法中模拟这一过程的公式如下所示：

式中，r为[0,1]间的随机数,

和

为第i代所有鸟巢中任意两个鸟巢的位置。选出最佳的

作为最优初始权值、学习率以及隐层神经元数目；

步骤2-4：RBM是由可视层v，和隐含层h构成的一个两层结构的网络。假定可视层v中有i个单元，隐含层h有j个单元，将RBM作为一个系统，具有的能量定义为：

式中：i为可视层的单元数；j为隐含层的单元数，v_n为可视层单元n的状态；h_m为隐含层单元m的状态；a_n为可视层单元n的阈值；b_m为隐含层单元m的阈值，w_nm为可视层单元n与隐含层单元m之间的权值；v是可视层所有单元的状态向量；h是隐含层所有单元的状态向量；θ为RBM参数权值w、可视层阈值a和隐含层阈值b的简记；

由于每层的单元之间的相互独立性，能够得到(v,h)的联合概率分布为：

式中,Z(θ)＝∑e^-Γ(v,h|θ)为所有可视层和隐含层单元之间的能量值之和；

当给定可见层单元或者隐含层单元的状态时，能够求出隐单元m或者可视单元n的激活概率：

式中：σ(x)为ReLU激活函数。

3.根据权利要求1所述的基于深度信念网络的车载噪音识别算法，其特征在于采用ReLU激活函数解决梯度消失问题：

激活函数是对各输入求和之后，做增强的函数，ReLU函数的增强效果更适合本专利中的噪音识别问题，其表达式如下：

f(x)＝max(0,x)

式中x代表输入值，等式左侧代表输出值。深度信念网络的本质就是权值乘以输入值加上偏移值；对于求解权值和偏移值，可以通过反向传播和梯度下降相结合的方式来求解，开始时采用随机数初始化各个节点的权值，然后通过深度信念网络计算输出值跟真实输出值做比对；如果这个比对值相差比较大，则修改当前层节点的权重；当这个比对值相差不大时，则修改更低一层的权重；按照这个规则一直往前推，逐步推荐到第一层的权值。

4.根据权利要求1所述的基于深度信念网络的车载噪音识别算法，其特征在于卡方距离改进的高斯加权K最近邻算法分类：

在传统的KNN的基础上，采用卡方距离度量学习，应用新的距离度量函数代替欧式距离进行度量，利用高斯函数对距离进行加权，得到基于卡方距离的高斯加权KNN(GCKNN)算法，得到样本x_i和x_j的新距离公式如下：

式中x^l表示样本x的第l个特征值，n为特征值个数，

α,β,ε为常数。

Images