CN114048550A - Pso优化延时算子模型的车辆驾驶室声品质评价方法 - Google Patents

Pso优化延时算子模型的车辆驾驶室声品质评价方法 Download PDF

Info

Publication number
CN114048550A
CN114048550A CN202111430056.7A CN202111430056A CN114048550A CN 114048550 A CN114048550 A CN 114048550A CN 202111430056 A CN202111430056 A CN 202111430056A CN 114048550 A CN114048550 A CN 114048550A
Authority
CN
China
Prior art keywords
delay operator
pso
layer
output
optimization
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202111430056.7A
Other languages
English (en)
Other versions
CN114048550B (zh
Inventor
黄其柏
肖剑锋
李君宇
杨功卓
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN202111430056.7A priority Critical patent/CN114048550B/zh
Publication of CN114048550A publication Critical patent/CN114048550A/zh
Application granted granted Critical
Publication of CN114048550B publication Critical patent/CN114048550B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/15—Vehicle, aircraft or watercraft design
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computer Hardware Design (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Automation & Control Theory (AREA)
  • Aviation & Aerospace Engineering (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明提供了PSO优化延时算子模型的车辆驾驶室声品质评价方法，通过采用具备全局寻优能力的PSO算法，使PSO算法优化网络的初始权值和阈值一开始就落在一个较小的范围内，减小了后续训练成本，实现了提高对声品质的评价精度的功能。本发明采用的含有延时算子的声品质预测模型具有收敛速度快、训练时间短、能有效利用历史学习样本、评价模型的准确性高、能有效抑制局部极小值出现的优点。本发明解决了传统声品质评价模型训练时间复杂度较大、陷入寻找某个极小值无法自拔导致的声品质预测精度较低的问题。

Description

PSO优化延时算子模型的车辆驾驶室声品质评价方法
技术领域
本发明属燃料电池汽车驾驶室噪声控制技术领域，具体涉及PSO优化延时算子模型的车辆驾驶室声品质评价方法。
背景技术
随着石油资源的不断消耗，FCEV(Fuel Cell Electric Vehicle，燃料电池电动车)尤其是氢燃料电池汽车作为新能源汽车中的佼佼者，将扮演越来越重要的角色。氢燃料电池汽车采用驱动电机替代传统汽车的发动机，而且氢燃料电池汽车的整车结构相对于传统汽车也发生了巨大的改变，这也就导致驾驶室的声音特性发生变化。本发明以氢能源汽车项目为背景，经过实际上车考察试验发现，虽然驾驶室的噪声声压级相比于传统汽车有明显下降，但依然存在一些特有的、令人烦躁的声音成分。
声品质是近年来研究的一大热点，它可以反映人对声音的主观感受。声品质可以通过多个客观参数来描述，本发明使用对声品质贡献度较大的三个参数：响度、尖锐度、粗糙度。
响度用于反映声音的响亮程度，一般来说，响度越大，声品质越差，人们对声音的烦躁度越高。根据ISO532A标准，响度可由声强计算而来，其表达式如下：
Figure BDA0003379833270000011
尖锐度用于反映声音的刺耳程度，尖锐度越高，声音越刺耳。因为人耳对高频声音非常敏感，即便声强不大，高频的声音也会让人们的烦躁度大幅提升。本研究采取了Zwicker模型来计算声音的尖锐度：
Figure BDA0003379833270000012
粗糙度用于反映声音信号的调制程度、频率分布、幅度大小等特征，计算模型没有统一标准，本发明采用的计算模型为：
Figure BDA0003379833270000013
为了降低氢燃料电池汽车驾驶室声音的烦躁度，首先需要建立驾驶室声品质评价模型，通过声音的响度、粗糙度、尖锐度计算烦躁度。现有技术中通常采用BP神经网络模型，参见图1。图中是一个三层BP网络，其中x1，x2，x3为输入层节点，分别指代响度、尖锐度、粗糙度的输入。y1，y2为隐藏层节点，用于模型的训练和计算，无实际含义；此处仅仅列出三个隐藏层节点，BP网络可以拥有更多隐藏层节点。o1为输出层节点，此节点指代人对于声音的烦躁度。b0，b1为阈值。此模型的基本原理是：在学习的过程中，信号从输入层向输出层正向传递，途经一个或多个隐藏层的信号处理，当输出层的实际输出值和样本差距过大时，转入误差的反向传递过程，在此过程中分别调整输出层和隐藏层的权值。接下来再次进入信号的正向传递过程，如此周而复始，调整权值的过程就是模型训练的过程，直到网络的实际输出值和样本差距在允许范围内时，训练结束。
声品质的预测模型采用的BP网络模型具有很强的非线性映射能力，然而BP神经网络的不足之处是，当误差曲面比较平坦时，即便权值调整很大，误差也不会下降很多，训练需要时间较长；当误差曲面存在多个极小值的时候，容易陷入寻找某个极小值的过程而无法纠正。
发明内容
本发明要解决的技术问题是：提供PSO优化延时算子模型的车辆驾驶室声品质评价方法，用于提高对声品质的评价精度。
本发明为解决上述技术问题所采取的技术方案为：PSO优化延时算子模型的车辆驾驶室声品质评价方法，包括以下步骤：
S1：输入多组样本数据作为训练集，设置输入变量为响度、尖锐度、粗糙度，输出变量为烦躁度；
S2：构建含延时算子的神经网络模型，设置初始权值和阈值；含延时算子的神经网络模型按信号流向依次包括输入层、隐藏层和输出层，还包括若干个延时算子节点，用于记忆k-1时刻隐藏层的输出，并作为k时刻隐藏层的输入之一；
S3：通过PSO算法优化初始权值和阈值，具体步骤为；
S31：定义粒子群；将含延时算子的神经网络模型的训练集误差函数作为PSO算法的适应度函数；
S32：计算粒子的个体适应度；
S33：寻找粒子的个体极值和群体极值；
S34：更新粒子的速度和位置；
S35：计算粒子适应度；
S36：更新粒子的个体极值和群体极值；
S37：若所有粒子都找到一次自己的局部最优解则算一次迭代；判断当前迭代次数是否达到预设的最大迭代次数，若达到则满足终止条件并结束优化；若未达到则执行步骤S34；
S4：通过训练集训练含延时算子的神经网络模型；
S5：采集车辆驾驶室内的声音数据并输入训练好的含延时算子的神经网络模型，通过输出结果对车辆驾驶室内的声品质进行评价。
按上述方案，所述的步骤S2的含延时算子的网络模型中，设x、x1、x2、x3为输入层节点，x1、x2、x3分别代表响度、尖锐度、粗糙度；y、y1、y2为隐藏层节点，用于模型的训练和计算；o、o1为输出层节点，a1代表人对于声音的烦躁度；b0，b1为阈值；k为时刻，w为从隐藏层到输出层的权值向量，g为输出层的传递函数；则输出层节点向量为：
o(k)＝g[wy(k)]；
设z为从隐藏层到延时算子的权值向量，d为延时算子的输出向量，v为从输入层到隐藏层的权值向量，f为隐藏层的传递函数；则隐藏层节点向量为：
y(k)＝f[zd(k)+vx(k-1)]；
延时算子向量为：
d(k)＝y(k-1)；
误差为：
Figure BDA0003379833270000031
进一步的，所述的步骤S31中的训练集误差函数为E(v，w，z，b0，b1)。
按上述方案，所述的步骤S4中，训练含延时算子的神经网络模型的具体步骤为：信号从输入层向输出层正向传递，途经一个或多个隐藏层的信号处理；当输出层的实际输出值与样本的差距过大时，转入误差的反向传递过程，在反向传递过程中分别调整输出层和隐藏层的权值；再次进入信号的正向传递过程，并循环直至实际输出值与样本的差距在设定范围内，训练结束。
一种计算机存储介质，其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行PSO优化延时算子模型的车辆驾驶室声品质评价方法。
本发明的有益效果为：
1.本发明的PSO优化延时算子模型的车辆驾驶室声品质评价方法，通过采用具备全局寻优能力的PSO算法，使PSO算法优化网络的初始权值和阈值一开始就落在一个较小的范围内，减小了后续训练成本，实现了提高对声品质的评价精度的功能。
2.本发明采用的含有延时算子的声品质预测模型具有收敛速度快、训练时间短、能有效利用历史学习样本、评价模型的准确性高、能有效抑制局部极小值出现的优点。
3.本发明解决了传统声品质评价模型训练时间复杂度较大、陷入寻找某个极小值无法自拔导致的声品质预测精度较低的问题。
附图说明
图1是本发明实施例的现有技术采用的BP神经网络模型图。
图2是本发明实施例的含延时算子网络模型图。
图3是本发明实施例的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。
含延时算子网络模型的结构参见图2，设x、x1、x2、x3为输入层节点，x1、x2、x3分别代表响度、尖锐度、粗糙度；y、y1、y2为隐藏层节点，用于模型的训练和计算；o、o1为输出层节点，o1代表人对于声音的烦躁度；b0，b1为阈值，图中省略；k为时刻，w为从隐藏层到输出层的权值向量，g为输出层的传递函数；则输出层节点向量为：
o(k)＝g[wy(k)]；
设z为从隐藏层到延时算子的权值向量，d为延时算子的输出向量，v为从输入层到隐藏层的权值向量，f为隐藏层的传递函数；则隐藏层节点向量为：
y(k)＝f[zd(k)+vx(k-1)]；
延时算子向量为：
d(k)＝y(k-1)；
误差为：
Figure BDA0003379833270000051
该网络相对于传统的声品质评价模型多出了若干个节点作为延时算子，延时算子用于记忆k-1时刻隐藏层的输出，并作为k时刻隐藏层的输入之一。
经过试验测试发现，这种含有延时算子的声品质预测模型具有以下优点：
1.收敛速度快，训练时间短；
2.能有效利用历史学习样本，评价模型的准确性更好；
3.能有效抑制局部极小值的出现。
然而上述模型本质上依然是对BP神经网络的改进，其初始值权值和阈值依然是随机生成的，因此网络的稳定性不是很好，而且如果采用梯度下降算法收敛，该网络陷入寻找某个极小值的过程而无法纠正的概率依然较大；而PSO算法具备全局寻优的能力，本发明通过引入PSO算法优化网络的初始权值和阈值，让初始权值和阈值一开始就落在一个较小的范围内，减小后续的训练成本，最终实现提高声品质的评价精度的目的。
参见图3，本发明实施例的PSO优化延时算子模型的车辆驾驶室声品质评价方法，包括以下步骤：
S1：输入多组样本数据，设置输入变量为响度、尖锐度、粗糙度，输出变量为烦躁度；
S2：确定含延时算子网络的结构、初始权值、阈值；
S3：通过PSO算法(粒子群算法)得到优化后的初始权值和阈值；
S31：将网络的训练集误差函数E(v，w，z，b0，b1)作为PSO算法的适应度函数；
S32：计算个体适应度；
S33：寻找个体极值和群体极值；
S34：更新速度和位置；
S35：计算粒子适应度；
S36：更新个体极值和群体极值；
S37：判断是否满足终止条件，若满足则结束优化；若不满足则执行步骤S34；
S4：训练含延时算子网络。
以上实施例仅用于说明本发明的设计思想和特点，其目的在于使本领域内的技术人员能够了解本发明的内容并据以实施，本发明的保护范围不限于上述实施例。所以，凡依据本发明所揭示的原理、设计思路所作的等同变化或修饰，均在本发明的保护范围之内。

Claims (5)

1.PSO优化延时算子模型的车辆驾驶室声品质评价方法，其特征在于：包括以下步骤：
S1：输入多组样本数据作为训练集，设置输入变量为响度、尖锐度、粗糙度，输出变量为烦躁度；
S2：构建含延时算子的神经网络模型，设置初始权值和阈值；含延时算子的神经网络模型按信号流向依次包括输入层、隐藏层和输出层，还包括若干个延时算子节点，用于记忆k-1时刻隐藏层的输出，并作为k时刻隐藏层的输入之一；
S3：通过PSO算法优化初始权值和阈值，具体步骤为；
S31：定义粒子群；将含延时算子的神经网络模型的训练集误差函数作为PSO算法的适应度函数；
S32：计算粒子的个体适应度；
S33：寻找粒子的个体极值和群体极值；
S34：更新粒子的速度和位置；
S35：计算粒子适应度；
S36：更新粒子的个体极值和群体极值；
S37：若所有粒子都找到一次自己的局部最优解则算一次迭代；判断当前迭代次数是否达到预设的最大迭代次数，若达到则满足终止条件并结束优化；若未达到则执行步骤S34；
S4：通过训练集训练含延时算子的神经网络模型；
S5：采集车辆驾驶室内的声音数据并输入训练好的含延时算子的神经网络模型，通过输出结果对车辆驾驶室内的声品质进行评价。
2.根据权利要求1所述的PSO优化延时算子模型的车辆驾驶室声品质评价方法，其特征在于：所述的步骤S2的含延时算子的网络模型中，设x、x1、x2、x3为输入层节点，x1、x2、x3分别代表响度、尖锐度、粗糙度；y、y1、y2为隐藏层节点，用于模型的训练和计算；o、o1为输出层节点，o1代表人对于声音的烦躁度；b0，b1为阈值；k为时刻，w为从隐藏层到输出层的权值向量，g为输出层的传递函数；则输出层节点向量为：
o(k)＝g[wy(k)]；
设z为从隐藏层到延时算子的权值向量，d为延时算子的输出向量，v为从输入层到隐藏层的权值向量，f为隐藏层的传递函数；则隐藏层节点向量为：
y(k)＝f[zd(k)+vx(k-1)]；
延时算子向量为：
d(k)＝y(k-1)；
误差为：
Figure FDA0003379833260000021
3.根据权利要求2所述的PSO优化延时算子模型的车辆驾驶室声品质评价方法，其特征在于：所述的步骤S31中的训练集误差函数为E(v，w，z，b0，b1)。
4.根据权利要求1所述的PSO优化延时算子模型的车辆驾驶室声品质评价方法，其特征在于：所述的步骤S4中，训练含延时算子的神经网络模型的具体步骤为：信号从输入层向输出层正向传递，途经一个或多个隐藏层的信号处理；当输出层的实际输出值与样本的差距过大时，转入误差的反向传递过程，在反向传递过程中分别调整输出层和隐藏层的权值；
再次进入信号的正向传递过程，并循环直至实际输出值与样本的差距在设定范围内，训练结束。
5.一种计算机存储介质，其特征在于：其内存储有可被计算机处理器执行的计算机程序，该计算机程序执行如权利要求1至权利要求4中任意一项所述的PSO优化延时算子模型的车辆驾驶室声品质评价方法。
CN202111430056.7A 2021-11-29 2021-11-29 Pso优化延时算子模型的车辆驾驶室声品质评价方法 Active CN114048550B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111430056.7A CN114048550B (zh) 2021-11-29 2021-11-29 Pso优化延时算子模型的车辆驾驶室声品质评价方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111430056.7A CN114048550B (zh) 2021-11-29 2021-11-29 Pso优化延时算子模型的车辆驾驶室声品质评价方法

Publications (2)

Publication Number Publication Date
CN114048550A true CN114048550A (zh) 2022-02-15
CN114048550B CN114048550B (zh) 2024-07-19

Family

ID=80211585

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111430056.7A Active CN114048550B (zh) 2021-11-29 2021-11-29 Pso优化延时算子模型的车辆驾驶室声品质评价方法

Country Status (1)

Country Link
CN (1) CN114048550B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016025887A2 (en) * 2014-08-14 2016-02-18 University Of North Dakota Flight parameter prediction using neural networks
CN108665112A (zh) * 2018-05-16 2018-10-16 东华大学 基于改进粒子群优化Elman网络的光伏故障检测方法
CN111461327A (zh) * 2020-04-01 2020-07-28 河北工程大学 神经网络优化方法及终端设备

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016025887A2 (en) * 2014-08-14 2016-02-18 University Of North Dakota Flight parameter prediction using neural networks
CN108665112A (zh) * 2018-05-16 2018-10-16 东华大学 基于改进粒子群优化Elman网络的光伏故障检测方法
CN111461327A (zh) * 2020-04-01 2020-07-28 河北工程大学 神经网络优化方法及终端设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘子英;钱超;朱琛磊;: "基于IPSO-Elman的锂电池剩余寿命预测", 现代电子技术, no. 12, 15 June 2020 (2020-06-15), pages 100 - 105 *
廖连莹;左言言;周翔;孟浩东;廖旭晖;吴赛赛;: "基于GA-BP的混合动力汽车匀速工况声品质预测模型", 中国测试, no. 05, 31 May 2019 (2019-05-31), pages 128 - 133 *

Also Published As

Publication number Publication date
CN114048550B (zh) 2024-07-19

Similar Documents

Publication Publication Date Title
CN111564160B (zh) 一种基于aewgan的语音降噪的方法
CN108900346B (zh) 基于lstm网络的无线网络流量预测方法
CN110765834B (zh) 一种基于改进人工蜂群算法的参数小波阈值信号去噪方法
CN110728360A (zh) 一种基于bp神经网络的微能源器件能量识别方法
WO2020108474A1 (zh) 图片分类、分类识别模型的生成方法、装置、设备及介质
CN110286586A (zh) 一种磁流变阻尼器混合建模方法
CN110650153A (zh) 一种基于聚焦损失深度神经网络的工控网络入侵检测方法
CN112562698B (zh) 一种基于声源信息与热成像特征融合的电力设备缺陷诊断方法
CN109344751B (zh) 一种车内噪声信号的重构方法
CN112418406A (zh) 基于ssa-lstm模型的风电塔筒倾角缺失数据补齐方法
CN106656357B (zh) 一种工频通信信道状态评估系统和方法
CN112926159B (zh) 一种基于深度学习的二阶亥姆霍兹共鸣器设计方法
Shan et al. Residual learning of deep convolutional neural networks for image denoising
CN112161815A (zh) 一种车辆路噪主观评价值预测方法
CN111931983A (zh) 一种降水量预测方法及系统
CN111625998A (zh) 一种层叠太阳能电池结构优化方法
CN112052551B (zh) 一种风机喘振运行故障识别方法及系统
CN114048550B (zh) Pso优化延时算子模型的车辆驾驶室声品质评价方法
CN113393317A (zh) 基于算法、大数据和区块链的汽车金融贷款风控系统
Peng et al. DARTS-based morphological neural network design and application in bearing fault diagnosis
CN112348656A (zh) 一种基于ba-wnn的个人贷款信用评分方法
CN112214791A (zh) 基于强化学习的隐私策略优化方法、系统及可读存储介质
CN117150882A (zh) 发动机油耗预测方法、系统、电子设备及存储介质
CN113869350B (zh) 基于空间特征差异的海流预测方法以及系统
CN113902206A (zh) 一种基于VMD-BiGRU的短期负荷预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant