基于Adaboost算法的車內噪聲聲品質預測*

黃海波,李人憲,黃曉蓉,楊明亮,丁渭平

(西南交通大學機械工程學院，成都 610031)

2016175

基于Adaboost算法的車內噪聲聲品質預測*

黃海波,李人憲,黃曉蓉,楊明亮,丁渭平

(西南交通大學機械工程學院，成都 610031)

對勻速工況下車內噪聲信號分別進行主觀評價與客觀參量計算，并對主、客觀評價結果進行了相關分析。在此基礎上，基于Adaboost算法并結合BP神經網絡、極限學習機(ELM)和支持向量機(SVM)建立了聲品質預測模型，并將其預測結果與經過遺傳算法(GA)參數優化后的GA-BP，GA-ELM和GA-SVM預測模型進行了對比。結果表明：基于Adaboost算法的車內噪聲聲品質預測模型效果最優，提升了聲品質預測的準確度。

車內噪聲；聲品質；Adaboost算法；BP神經網絡；極限學習機；支持向量機

前言

汽車聲音的控制已由最初的降低噪聲(noise reduction)階段發展到目前的聲品質控制(sound quality control)階段。聲品質作為汽車設計、制造及銷售的重要因素，受到研究人員以及顧客的廣泛關注，同時也是衡量汽車NVH(noise, vibration and harshness)性能的主要指標之一，因此車內噪聲品質評價(sound quality evaluation)顯得十分重要。

汽車的聲品質最終要通過人來判斷，于是形成了一套比較完善的主觀評價體系。同時，由于心理聲學參數(如響度、尖銳度、粗糙度等)能較好地反映人的主觀聽覺感受，所以工程上常常將其作為汽車聲品質的客觀評價指標。但是，由于主、客觀評價之間的復雜性，單純地用心理聲學參數描述的車內聲品質指標與主觀評價仍有一定的差距，因此有研究人員提出運用近似方法進行主、客觀評價關系的擬合，這樣近似模型的精度就成為影響最終聲品質評價準確度的關鍵因素。文獻[1]和文獻[2]中通過多元線性回歸方法建立了心理聲學參數與主觀評價的擬合模型，但由于主、客觀評價之間存在較大的非線性關系，導致該模型在實際運用中效果欠佳。文獻[3]～文獻[5]中運用BP神經網絡建立了心理聲學參量與車內聲品質的預測模型，取得了一定的效果，但預測精度仍有待提升。文獻[6]和文獻[7]基于支持向量機(SVM)建立了車內聲品質主、客觀評價的預測模型，并提出了其改進模型，提升了聲品質預測的準確度。由此可知，建立高準確度和高精度的模型對聲品質預測具有重要意義。

本文中對車內噪聲聲品質進行了主、客觀評價，并通過相關分析找出影響主觀評價的主要心理聲學參數。在此基礎上，引入Adaboost算法的概念，結合BP神經網絡、極限學習機(ELM)與支持向量機構建了車內噪聲品質預測模型，并將其與經過參數優化的上述各單一近似模型進行對比分析，結果表明，基于Adaboost算法的預測模型效果最佳。

1 車內噪聲樣本采集與處理

為獲取準確的車內噪聲信號，試驗參考了GB/T 18697—2002標準，采用LMS-SCM-05噪聲采集儀和G.R.A.S.46AE傳聲器采集駕駛員右耳噪聲信號，如圖1所示。噪聲信號采集試驗中，記錄了6款不同車型的A級轎車在平直的柏油馬路上以不同擋位和車速勻速行駛時的若干組車內噪聲信號。

圖1 駕駛員右耳噪聲信號采集示意圖

由于噪聲樣本過多會導致后期的主觀評價耗時劇增且影響評價準確率，而樣本過少則會導致分析結果失去統計意義，因此這里選取常用擋位和常用發動機轉速下的30組典型噪聲信號作為分析樣本，并通過CoolEdit軟件分別將其截斷成長度為6s的噪聲樣本。

2 主、客觀評價與相關分析

2.1 主觀評價

常用的聲品質主觀評分方法有等級評分法、成對比較法、錨定評分法等[8]，這里選取等級評分法進行車內噪聲評分，該方法的關鍵在于評分刻度的確定。根據經驗選取國際上通用的10刻度等級評分法進行主觀評價，其中評分越高表示越煩躁。主觀評審團由22名聽力正常的主觀評價人員組成，其中男性17名，女性5名，年齡為20～40歲。對每個噪聲樣本的全部主觀評分取平均值作為該樣本的最終聲品質得分，并計算其對應的主觀評價誤差棒[9](error bar)，如圖2所示。由評價結果可知，評審人員的主觀評分較為穩定，其Kendall協和系數達到0.812，因此，該主觀評價試驗有效，可作為后續分析的基礎。

圖2 主觀評分匯總

2.2 客觀參數計算

心理聲學參數能較好地描述人對聲音的主觀感受，這里選取響度、尖銳度、粗糙度、抖動度、語音清晰度、語音干擾度和A計權聲壓級作為客觀評價指標，通過LMS Test.lab 13A軟件對整車路試篩選出的30個噪聲信號樣本進行聲品質客觀參數計算，結果如表1所示。

2.3 相關分析

為了研究主、客觀評價之間的關系，對等級評分法得到的主觀評分與客觀評價指標進行相關分析。利用Matlab 2014a軟件對主、客觀參量分別計算pearson相關系數，結果如表2所示。為了更加直觀地反映其相關關系，繪出對應的相關散點圖，如圖3所示。

分析表2與圖3可知，響度、尖銳度與主觀評價的相關性相對最高，相關系數分別為0.844 2和0.813 6。粗糙度、語音清晰度、語音干擾度、A計權聲壓級與主觀評價的相關系數絕對值相對較低，但都高于0.7，表明其與主觀評價具有較強的相關性，其中語音干擾度與主觀評價呈負相關。抖動度與主觀評價的相關系數只有0.188 3，幾乎沒有相關性，這是因為抖動度主要反映的是聲音響亮的起伏程度，由于勻速工況屬于準平穩工況，所以導致該心理聲學參數對主觀評分影響較小。

表1 噪聲樣本客觀參數

表2 主觀評價與客觀參數相關性

注：*表示在置信度(雙側)為0.01時，相關性是顯著的。

圖3 主觀評價與客觀參數相關散點圖

3 基于Adaboost算法的車內噪聲聲品質預測

考慮到人耳對聲音評價的強非線性特性，不宜采用線性模型對其進行建模，而BP神經網絡、ELM和SVM等都屬于非線性模型，可用于車內聲品質預測，且各種模型對不同的數據分布有各自的特點，因此，本文中引入Adaboost算法，結合BP神經網絡、ELM和SVM模型的優點，建立基于Adaboost算法的預測模型對車內噪聲聲品質進行預測。

3.1 Adaboost算法

Adaboost算法是在boosting 算法的基礎上提出的一種改進算法，其思想是將多個“弱”學習算法組合為一個“強”學習算法，從而提高模型預測準確率和泛化性。Adaboost算法本身是通過改變數據權重分布來實現的，它根據每次迭代中每個訓練集樣本預測是否正確，上一次迭代的總體預測準確率來確定每個樣本的權重，對于預測精度較低的樣本賦予較大的權重，而對預測精度較高的樣本賦予較小的權重，并將更新權重后的新數據集進行下一次模型訓練，樣本權重同時會影響該輪分量模型的權重，通過反復迭代，最后將所有訓練得到的分量模型組合起來進行最終決策。Adaboost算法的特點是排除了一些不必要的數據特性，并將關注重點聚焦于那些關鍵的、易出錯的樣本上，其具體算法如下[10]。

(1)初始化訓練數據分布權值Dt(i)

Dt(i)=1/N，i=1,2,…,N

(1)

式中：N為訓練樣本總數；t為迭代次數。

(2)“弱”學習算法預測 對具有權值分布的訓練數據進行學習并預測輸出，得到預測序列的預測誤差εt為

(2)

(3)計算預測序列權重系數 根據預測序列的誤差εt計算預測序列權重系數at：

(3)

(4)訓練數據權值更新 根據預測序列權重系數更新下一次訓練樣本的權值，更新公式為

(4)

式中：Bt為歸一化因子；gt(x)為預測結果；y為期望結果。

(5)“強”學習算法合成 步驟(2)～步驟(4)迭代T次后得到T個“弱”分量模型預測函數f(gt，at)，將其進行組合可得最終的“強”預測函數Q(x)：

(5)

3.2 Adaboost“弱”學習算法選取

Adaboost算法框架的基礎是“弱”學習算法，之所以要用“弱”學習算法，是因為基于“強”學習算法的Adaboost模型容易學習過擬合，從而導致預測效果不佳，因此，需要對“弱”學習算法進行選取。另外，為使Adaboost算法獲得較好的效果，通常要求迭代時的學習模型之間具有一定的差異性，因此，本文中利用未經參數尋優的BP神經網絡、ELM和SVM作為“弱”學習算法的分量學習模型，進行 Adaboost模型建立，其中對各“弱”學習算法的設置如下。

(1)BP神經網絡(詳細介紹參見文獻[11]) 為體現出Adaboost算法的預測效果，這里減少BP神經網絡的隱含層節點數目和訓練次數以降低其預測能力，隱含層神經元數目取3，并隨機初始化網絡權值w和閾值b，訓練次數取5次，其余參數保持默認值。

(2)ELM(詳細介紹參見文獻[12]) 同樣，為了降低ELM的預測能力，這里取其隱含層神經元數目為3，并且隨機初始化輸入層與隱含層間的連接權值w和隱含層神經元的偏置b，其余參數保持默認值。

(3)SVM(詳細介紹參見文獻[13])SVM不屬于嚴格意義上的“弱”學習算法，其性能受核函數及其對應參數的影響，這里選取穩定性較差的線性核函數，且隨機初始化懲罰因子c，其余參數保持默認值。

3.3 建立基于Adaboost算法的聲品質預測模型

圖4 Adaboost算法流程圖

建立基于Adaboost算法的車內噪聲品質預測模型流程圖如圖4所示，具體步驟如下。

(1)輸入特征的選取 由于響度、尖銳度、粗糙度、語音清晰度、語音干擾度、A計權聲壓級與主觀評價的相關系數絕對值較高，因此可將它們作為Adaboost預測模型的輸入特征。

(2)特征數據預處理 由于以上各特征向量在數量級和量綱上有所差別，故對其進行歸一化：

(6)

式中：X為輸入特征向量；X*為歸一化后的特征向量。需要注意的是，語音干擾度與主觀評價呈負相關，為了使所得結果為正相關需要將其倒數作為輸入特征向量。

(3)初始化樣本權值分布 樣本初始權值取值如式(1)所示，這里選取編號為1～22號的車內噪聲樣本及其主觀評分作為訓練集數據，剩下的23～30號車內噪聲樣本作為測試集數據進行驗證，由此可得訓練樣本數N=22，初始權值D1(i)=1/22，i=1, 2, …, 22。

(4)“弱”學習模型訓練及權值更新 將3.2節中選取的BP神經網絡、ELM及SVM依次通過訓練樣本集數據進行學習，并根據式(2)～式(4)計算預測序列權重系數at及更新后的權值Dt(i)。圖5為前3次迭代過程中at和Dt(i)的更新變化。由圖可見：對于部分預測效果較差的樣本數據其樣本權重在提升，而部分預測效果較好的樣本數據其樣本權重在減少； 并且分量模型的預測序列權重系數也在改變(這里第1次迭代后的模型預測序列權重系數a1=0.3989，第2次迭代后的系數a2=0.9623，第3次迭代后的系數a3=2.3056)。

(5)“強”學習算法合成 設置Adaboost算法迭代次數T=50，精度誤差閾值為0.2，即把預測誤差絕對值超過0.2的訓練樣本作為加強學習的對象。

圖5 樣本權值更新和預測序列權重系數at更新

通過式(2)～式(5)可分別得到50個預測序列權重系數at，t=1, 2, …, 50及“弱”分量模型預測函數f(gt,at)，t=1, 2, …, 50，并在此基礎上根據式(5)建立最終的“強”預測函數。

至此，建立了基于Adaboost算法的預測模型，可對車內噪聲品質進行預測。

3.4 聲品質預測

根據3.3節建立的Adaboost聲品質預測模型，對測試集噪聲樣本進行預測，所得預測結果和誤差分別如表3模型#4和圖6(d)所示。可以看出，Adaboost模型的預測結果與實際主觀評價較為吻合，其決定系數達到0.964 4，均方根誤差為0.154 8，除了個別樣本的預測誤差在5%左右，其余噪聲樣本的預測誤差均在2%以內， 表明Adaboost模型可對車內聲品質進行準確預測。

表3 聲品質預測模型效果及誤差

圖6 聲品質預測模型結果

4 預測結果精度對比

為驗證Adaboost模型對車內噪聲聲品質的預測效果，現將其與經過智能算法優化參數的BP神經網絡、ELM和SVM模型進行對比分析。常用的智能算法有遺傳算法(GA)[14]、粒子群算法(PSO)和模擬退火算法(SA)等。這里選取遺傳算法作為優化算法，分別對以上3種模型進行參數尋優，具體設置如下。

(1)BP神經網絡 為了使BP神經網絡獲得較好的預測效果，取隱含層節點數目為經驗最優值，即隱含層節點數目=輸入層節點數目×2+1，于是得到其模型結構為6-13-1，設置訓練次數為1 000次，并利用遺傳算法對BP神經網絡的連接權值w和閾值b進行優化，遺傳算法的主要參數設置見表4。

表4 遺傳算法主要參數設置

(2)ELM 取ELM隱含層節點數目為經驗最優值，即隱含層節點數目=訓練樣本個數，得到其模型結構為6-22-1，同時，利用遺傳算法對ELM連接權值w和閾值b進行優化，參數設置同表4。

(3)SVM為提高SVM模型的預測性能，選取徑向基函數作為其核函數，此時需要優化的參數為懲罰因子c和核參數g，同樣，使用表4所示參數設置的遺傳算法對SVM參數c和g進行優化。

將經過參數優化的GA-BP，GA-ELM和GA-SVM模型通過訓練集數據訓練，并根據測試集數據進行車內噪聲聲品質預測，得到的預測結果和誤差如表3與圖6所示。將該結果與基于Adaboost算法的預測模型進行對比，可以看出，基于Adaboost算法的預測模型能夠綜合各子學習算法的優點，提升預測結果的準確度和精確度，其決定系數R2高于其他3種方法，并且各預測誤差也相對最低。由于Adaboost算法框架引入了多種學習模型，所以增加了其運行時間，但相比于性能的提升，增加的計算時間是可接受的。

5 結論

(1)本文中對勻速工況下車內噪聲聲品質進行了主、客觀評價實驗，并通過相關分析找出影響主觀評價較大的客觀參量。

(2)基于Adaboost算法并結合BP神經網絡、ELM和SVM建立了車內噪聲聲品質預測模型，該模型的預測準確度與精確度高于經過參數優化的GA-BP，GA-ELM和GA-SVM聲品質預測模型。

[1] 王登峰, 劉宗巍, 杰梁, 等. 車內噪聲品質的主觀評價試驗與客觀量化描述[J]. 吉林大學學報(工學版), 2006,36(2):41-45.

[2]YOONJ,YANGI,JEONGJ,etal.ReliabilityimprovementofasoundqualityindexforavehicleHVACsystemusingaregressionandneuralnetworkmodel[J].AppliedAcoustics, 2012,73(11):1099-1103.

[3] 申秀敏, 左曙光, 何呂昌, 等. 車內噪聲聲品質的神經網絡預測[J]. 聲學技術, 2009,28(3):264-268.

[4]NORMJM,FOULADIMH,NAHVIH,etal.Indexforvehicleacousticalcomfortinsideapassengercar[J].AppliedAcoustics, 2008,69(4):343-353.

[5]WANGYS,SHENGQ,XINGYF.Asoundqualitymodelforobjectivesynthesisevaluationofvehicleinteriornoisebasedonartificialneuralnetwork[J].MechanicalSystemsandSignalProcessing, 2014,45(1):255-266.

[6] 申秀敏, 左曙光, 李林, 等. 車內噪聲聲品質的支持向量機預測[J]. 振動與沖擊, 2010,29(6):66-68.

[7] 徐中明, 謝耀儀, 賀巖松, 等. 基于粒子群-向量機的汽車加速噪聲評價[J]. 振動與沖擊, 2015,34(2):25-29.

[8] 鐘秤平, 陳劍, 汪念平. 車內噪聲聲品質偏好性評價與分析實驗研究[J]. 汽車工程, 2008,30(1):40-43.

[9]LEES,KIMH,NAE.Improvementofimpactnoiseinapassengercarutilizingsoundmetricbasedonwavelettransform[J].JournalofSoundandVibration, 2010,329(17):3606-3619.

[10]CHENS,PANJ,LUK,etal.DrivingbehavioranalysisofmultipleinformationfusionbasedonAdaHoost[J].AdvancesinIntelligentSystems&Computing, 2015,329(5):277-285.

[11] 楊川, 于德介, 徐亞軍. 基于EMD與BP神經網絡的汽車關門聲品質預測[J]. 汽車工程, 2013,35(5):457-461.

[12]HUANGG,ZHUQ,SIEWC.Extremelearningmachine:theoryandapplications[J].Neurocomputing, 2006,70(1):489-501.

[13]SHALEV-SHWARTZS,SINGERY,SREBRON,etal.Pegasos:primalestimatedsub-gradientsolverforSVM[J].MathematicalProgramming, 2011,127(1):3-30.

[14] 陳凱, 吳光強. 基于遺傳算法的液力變矩器與發動機匹配的多目標優化[J]. 汽車工程, 2014,36(5):532-536.

Sound Quality Prediction of Vehicle Interior Noise Based on Adaboost Algorithm

Huang Haibo, Li Renxian, Huang Xiaorong, Yang Mingliang & Ding Weiping

CollegeofMechanicalandEngineering,SouthwestJiaoTongUniversity,Chengdu610031

Both subjective evaluation and objective parameter calculation are conducted on the interior noise signals in constant speed driving, with a correlation analysis performed between the results of subjective and objective evaluations. On this basis, a sound quality prediction model is set up based on Adaboost algorithm and combined with BP neural network, extreme learning machine (ELM) and support vector machine (SVM), and the prediction results are compared with that of GA-BP, GA-ELM and GA-SVM prediction models, whose parameters have been optimized by genetic algorithm. The results show that the sound quality prediction model for interior noise based on Adaboost algorithm achieves the best effects, enhancing the accuracy of sound quality prediction.

interior noise; sound quality; Adaboost algorithm; BP neural network; extreme learning machine; support vector machine

*國家自然科學基金(51475387)和四川省教育廳自然科學重點項目(16ZA0010)資助。

原稿收到日期為2015年6月10日，修改稿收到日期為2015年9月1日。