彭 濤,周 亨,鄧維敏

（重慶交通大學 重慶 400074）

現(xiàn)在生活水平的提高，汽車噪聲的問題漸漸的成為主要的環(huán)境污染。對于使用柴油機的汽車，柴油機是主要的噪聲源，它越來越引起廠家的重視，一些大型廠家不惜投入大量資金去研究與控制柴油機噪聲。因此，提高主觀對柴油機噪聲評價的準確性，優(yōu)化內燃機的設計，具有重要的意義。

現(xiàn)目前國內外關于噪聲的品質評價（SQE）提出了幾十種評價指標，其中的A計權聲級廣泛用于內燃機噪聲的評價，但是人耳對于聲音的主觀評價是一個非線性過程，它難以反映噪聲對于人的主觀感受[1]。而BP神經網絡對于人的主觀評價是一個非線性的逼近。但BP神經網絡是基于梯度法，其收斂速度慢，且易于陷入局部極小值的困擾，非常影響評估的精度。而遺傳算法(GA)全局搜索能力強，可以利用遺傳算法優(yōu)化BP神經網絡的權重和閾值，從而改進BP網絡性能，克服BP神經網絡陷入局部極小值的缺點，實現(xiàn)全局收斂，提高神經網絡泛化能力和評估準確性．

針對柴油機噪聲的特點,本文在借鑒有關BP神經網絡的柴油機噪聲的評價方法的基礎之上進行了改進[2-3]，結合遺傳算法與BP神經網絡的優(yōu)點，根據(jù)柴油機噪聲對于人主觀感受的影響，建立了GA-BP網絡預測模型。結果表明：對該模型的評估方法是有效的，收斂速度也比BP神經網絡快，評估結果也是準確的與人的主觀評價結構吻合良好，具有可靠性。

1 BP神經元網絡結構及遺傳算法

1.1 BP網絡

BP 網絡是一種單向傳播的多層前饋神經網絡，其主要特點是信號前向傳播，誤差反向傳播,在前向傳播中，輸入信號從輸入層經隱含層逐層處理，直至輸出層。每一層的神經元狀態(tài)只影響下一層神經元狀態(tài)，如果輸出層得不到期望輸出，則轉入反向傳播，根據(jù)預測誤差調整網絡權值和閾值，從而使BP神經網絡預測輸出不斷逼近期望輸出[4]。由非線性變換單元組成的BP神經網絡，不僅結構簡單(僅含輸入，輸出和隱節(jié)點3層)，而且具有良好的適應性與自學能力，能夠解決復雜的非線性問題。通過分析，此法在噪聲評價中選用該模型是可行的。但是BP網絡的缺點穩(wěn)定性差，收斂速度很慢，如果初值選取不當，可能造成不收斂，或者收斂于局部極值得情況。

1.2 遺傳算法

遺傳算法起源于對生物系統(tǒng)所進行的計算機模擬研究。它是模擬生物在自然環(huán)境中的遺傳和進化過程而形成的一種自適應全局優(yōu)化方法?；谶@一大特點，可以利用遺傳算法優(yōu)化BP神經網絡的初始權重。遺傳算法是將問題的求解表示成“染色體”，將其置于問題的“環(huán)境”中，進行編碼，根據(jù)達爾文的進化論原則，從中選擇出適應環(huán)境的 “染色體”（即適用度高的個體）進行復制，再通過交叉(crossover)、變異(mutation)兩種基因操作產生出新一代更適合環(huán)境的種群，這樣一代代不斷改進，最后收斂到一定的精度條件，從而求得問題的最佳解。基本遺傳算法可表示為如公式（1）[5]

SGA=（C,E,P0,M,Φ，Γ，Ψ，T） (1)

式中：C—個體編碼方法;E—個體適應度評價函數(shù);P0—初始種群;M—種群大小;Φ—選擇算子;?！徊嫠阕?Ψ—變異算子;T—遺傳算法終止

1.3 GA－BP神經網絡模型

利用GA與BP神經網絡所具有的的特點，本文將二者相結合，形成GA-BP算法，先利用遺傳算法將BP網絡的初始權值進行優(yōu)化，再由BP網絡進行訓練，該方法充分利用遺傳算法的全局尋優(yōu)能力，可以避免局部收斂的情況發(fā)生。提高收斂的速度。遺傳算法優(yōu)化BP神經網絡的流程圖如圖1所示。

圖1 GA-BP算法流程圖Fig.1 GA-BP algorithm flowing chart

2 柴油機噪聲品質GA-BP網絡模型建立

2.1 網絡結構確立

選擇柴油機噪聲的聲品質主觀評價值（滿意度指數(shù)）作為網絡輸出。與柴油機聲品質評價有關的心理學特性，主要包括4個方面，這其中包括尖銳度，粗糙度，波動強度，響度，本文把上述四個方面作為網絡的輸入[6]，輸出層為1個節(jié)點，表示為主觀評價結果。隱含層節(jié)點數(shù)的選取根據(jù)經驗公式n=+k，其中m為輸入層節(jié)點數(shù)，n為輸出層節(jié)點數(shù)，k為1～10的常數(shù)。本文n取5。在兼顧精度與網絡結構盡量簡單的情況之下選擇3層網絡結構，其拓撲結構見圖2，隱層激活函數(shù)選擇y=logsig(x)線性傳遞函數(shù)；輸出層激活函數(shù)選擇y=pureline(x)線性傳遞函數(shù)[7]。

圖2 神經網絡拓撲結構Fig.2 Neural network topology

2.2 神經網絡數(shù)據(jù)采集

噪聲的響度，尖銳度，波動度，粗糙度，音調度等因素影響人的主觀評價，其中尖銳度，粗糙度，波動度，響度起著主要因素[8]。筆者采集到了某國產轎車上柴油機在不同轉速及不同工況下的柴油機噪聲的尖銳度，粗糙度，波動度，響度。采用分類成對比較法來進行聽審測試，其中評審團選用有一定噪聲經驗的25名評價主體組成，年齡大體在25～35之間,并用成對比較法[9]對評審團進行培訓。其組成如下表1。并把采集到的噪聲樣本在密閉的實驗室內反復的播放2到3次。按照等級評分法，選取1-10分，主觀感覺從很舒服到煩躁再到非常煩躁,結果經過篩選后取平均值。表2為部分柴油機噪聲樣本及測試數(shù)據(jù)。

表1 評審團組成Tab.1The jury

2.3 網絡訓練及其數(shù)據(jù)處理

2.3.1 參數(shù)設定

對于GA-BP網絡模型，設定期望誤差為0.002 5，學習效率定位0.2，訓練輪回定位50 000次。遺傳算法參數(shù)設置，種群規(guī)模為80，進化次數(shù)為200，交叉概率為0.4，變異概率為0.03，利用MATLAB中的遺傳算法工具箱對它求解，并且把解作為BP網絡的初始權值跟閥值。

2.3.2 數(shù)據(jù)處理

由于采集到的數(shù)據(jù)值得分布不在一個尺度上，并且他們不在一個數(shù)量級上，在訓練前，需要對數(shù)據(jù)進行規(guī)范化處理，把表示5個特征的數(shù)據(jù)都規(guī)范到0到1，這樣使得它們對模型的影響具有同樣的尺度。其中尖銳度，粗糙度，波動強度，響度與主觀評分值成正相關用公式（2）進行處理

表2 為部分柴油機噪聲樣本及測試數(shù)據(jù)Tab.2 Part of the diesel engine noise samples and test datas

其中yi為歸一化處理后的值，xi為原始數(shù)據(jù),xmin和xmax為該組信號中的最小值跟最大值

3 GA-BP網絡訓練及其與BP網絡結果對比

1)BP算法仿真結果：網絡結構選取1～60號數(shù)據(jù)作為訓練樣本，61～65號樣本為檢驗樣本。為了驗證GA-BP神經網絡模型的有效性，利用MATLAB神經網絡工具箱分別對GA-BP神經網絡和BP神經網絡進行訓練與仿真對比。圖3為BP神經網絡和輸出的仿真結果，從圖中可以看出，BP算法在經過2 885次迭代后達到目標精度。

圖3 BP算法誤差曲線Fig.3 BP algorithm error curve

2)GA-BP算法仿真結果：網絡結構同樣選取3-6-1三層結構。根據(jù)前面設置的遺傳算法參數(shù)進行仿真，得到的結果如圖4所示。算法經過1 183次迭代后達到目標精度。

圖4 GA-BP算法誤差曲線Fig.4 GA-BP algorithm error curve

通過對比結果可以發(fā)現(xiàn)，GA-BP算法明顯優(yōu)越BP算法。不僅在初始誤差上小于BP算法，并且迭代次數(shù)也遠遠小于BP算法。而且不會陷入局部最優(yōu)解。

表3為5樣本在兩種網絡模型下的實測值與真實值的相對誤差統(tǒng)計。從標準可以看出，BP算法的相對誤差明顯高于GA-BP算法的相對誤差；GA-BP神經網絡的準確性更高，能夠很好的預測出人的主觀評價結果。

表3 兩種網絡模型下的實測值與真實值的相對誤差統(tǒng)計Tab.3 Relative errorstatistics of the measured values and the real valueunder twokinds of network models

4 結論

1）文中提出的GA-BP神經網絡對于柴油機噪聲品質評價，既滿足了噪聲主觀評價的非線性關系，又克服了BP神經網絡收斂速度低、易陷入局部極小值的缺點.Matlab仿真結果表明，GA-BP神經網絡的柴油機噪聲品質評價模型具有很高的泛化能力,穩(wěn)定性和評估準確性，為柴油機噪聲主觀評價提供了可靠的輔助支持，也節(jié)約了大量的人力與財力。

2）目前，遺傳算法與BP神經網絡結合的方法，主要還是利用遺傳算法來優(yōu)化BP神經網絡的權值和閾值，但是如何用遺傳算法來優(yōu)化BP神經網絡的結構 （其隱含層還主要是利用經驗公式去判斷），則至今尚未有成熟的理論與方法，因此如何利用遺傳算法來進一步優(yōu)化BP神經網絡結構，使之有更準確的評估結果還值得進一步研究。

[1]張群，衛(wèi)海橋.高壓共軌發(fā)動機降噪及其性能對噪聲的影響[J].機械工程學報，2009，45(11)：58-64.ZHANG Qun,WEI Hai-qiao.Noise Reduction of Migh--pressure Common--rail Engine and the Impact of Engine Performances on the Noise [J].JournalofMechanical Engineering,2009，45(11)：58-64.

[2]段敏，王巖松，石晶.基于神經網絡的發(fā)動機噪聲預測[J].汽車工程，2002，24（6）：507-509.DUAN Min,WANG Yan-song,SHI Jing.Prediction of the noise in engine based on neural network[J]．Automotive Engineering,2002，24（6）：507-509.

[3]劉海，張俊紅，張桂昌，等．車用柴油機噪聲品質預測模型的建立[J]．機械工程學報，2012,48（2）：159-163．LIU Hai,ZHANG Jun-hong,ZHANG Gui-chang,etc.Prediction model for diesel engine noise quality[J].Journal of Mechanical Engineering,2012,48（2）：159-163．

[4]史忠植．神經網絡[M]．北京：高等教育出版社，2009:49-56．

[5]雷英杰，張善文，李續(xù)武.MATLAB遺傳算法工具箱及應用[M]．西安：西安電子科技大學出版社，2005.

[6]曾發(fā)林，李猛．基于神經網絡的噪聲品質評價方法[J]．噪聲與振動控制，2008,28（3）：131-134．ZENG Fa-fin,LI Meng.Method of Evaluating Noise Quality Based on Neural Network[J]．Noise and Vibration Control，2008,28（3）：131-134．

[7]張德峰.MATLAB神經網絡應用設計[M]．北京：機械工業(yè)出版社，2012.

[8]Hasting A L.Sound quality ofdieselengines[M]．West Lafayette:Purdue University,2004.

[9]毛東興，俞悟周．聲品質成對比較主觀評價的數(shù)據(jù)檢驗及判據(jù)[J]．聲學學報，2005，30(5)：468-472．MAO Dong-xing,YU Wu-zhou.Statistical validation and criterion forpaired comparsion data in sound quality evaluation[J]．Acta Acustica,2005，30(5)：468-472.