[发明专利]PSO优化延时算子模型的车辆驾驶室声品质评价方法

说明书

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。

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：

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：

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：

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：