[发明专利]一种车载噪音识别方法

说明书

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。

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；