黃海波,李人憲,黃曉蓉,楊明亮,丁渭平

(西南交通大學(xué)機械工程學(xué)院，成都 610031)

2016175

基于Adaboost算法的車內(nèi)噪聲聲品質(zhì)預(yù)測*

黃海波,李人憲,黃曉蓉,楊明亮,丁渭平

(西南交通大學(xué)機械工程學(xué)院，成都 610031)

對勻速工況下車內(nèi)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(jié)果進行了相關(guān)分析。在此基礎(chǔ)上，基于Adaboost算法并結(jié)合BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(ELM)和支持向量機(SVM)建立了聲品質(zhì)預(yù)測模型，并將其預(yù)測結(jié)果與經(jīng)過遺傳算法(GA)參數(shù)優(yōu)化后的GA-BP，GA-ELM和GA-SVM預(yù)測模型進行了對比。結(jié)果表明：基于Adaboost算法的車內(nèi)噪聲聲品質(zhì)預(yù)測模型效果最優(yōu)，提升了聲品質(zhì)預(yù)測的準(zhǔn)確度。

車內(nèi)噪聲；聲品質(zhì)；Adaboost算法；BP神經(jīng)網(wǎng)絡(luò)；極限學(xué)習(xí)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(fā)展到目前的聲品質(zhì)控制(sound quality control)階段。聲品質(zhì)作為汽車設(shè)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(guān)注，同時也是衡量汽車NVH(noise, vibration and harshness)性能的主要指標(biāo)之一，因此車內(nèi)噪聲品質(zhì)評價(sound quality evaluation)顯得十分重要。

汽車的聲品質(zhì)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(xué)參數(shù)(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(zhì)的客觀評價指標(biāo)。但是，由于主、客觀評價之間的復(fù)雜性，單純地用心理聲學(xué)參數(shù)描述的車內(nèi)聲品質(zhì)指標(biāo)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(guān)系的擬合，這樣近似模型的精度就成為影響最終聲品質(zhì)評價準(zhǔn)確度的關(guān)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(xué)參數(shù)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(guān)系，導(dǎo)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(jīng)網(wǎng)絡(luò)建立了心理聲學(xué)參量與車內(nèi)聲品質(zhì)的預(yù)測模型，取得了一定的效果，但預(yù)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(nèi)聲品質(zhì)主、客觀評價的預(yù)測模型，并提出了其改進模型，提升了聲品質(zhì)預(yù)測的準(zhǔn)確度。由此可知，建立高準(zhǔn)確度和高精度的模型對聲品質(zhì)預(yù)測具有重要意義。

本文中對車內(nèi)噪聲聲品質(zhì)進行了主、客觀評價，并通過相關(guān)分析找出影響主觀評價的主要心理聲學(xué)參數(shù)。在此基礎(chǔ)上，引入Adaboost算法的概念，結(jié)合BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(ELM)與支持向量機構(gòu)建了車內(nèi)噪聲品質(zhì)預(yù)測模型，并將其與經(jīng)過參數(shù)優(yōu)化的上述各單一近似模型進行對比分析，結(jié)果表明，基于Adaboost算法的預(yù)測模型效果最佳。

1 車內(nèi)噪聲樣本采集與處理

為獲取準(zhǔn)確的車內(nèi)噪聲信號，試驗參考了GB/T 18697—2002標(biāo)準(zhǔn)，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(nèi)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(dǎo)致后期的主觀評價耗時劇增且影響評價準(zhǔn)確率，而樣本過少則會導(dǎo)致分析結(jié)果失去統(tǒng)計意義，因此這里選取常用擋位和常用發(fā)動機轉(zhuǎn)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(guān)分析

2.1 主觀評價

常用的聲品質(zhì)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(nèi)噪聲評分，該方法的關(guān)鍵在于評分刻度的確定。根據(jù)經(jīng)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(zhì)得分，并計算其對應(yīng)的主觀評價誤差棒[9](error bar)，如圖2所示。由評價結(jié)果可知，評審人員的主觀評分較為穩(wěn)定，其Kendall協(xié)和系數(shù)達到0.812，因此，該主觀評價試驗有效，可作為后續(xù)分析的基礎(chǔ)。

圖2 主觀評分匯總

2.2 客觀參數(shù)計算

心理聲學(xué)參數(shù)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(quán)聲壓級作為客觀評價指標(biāo)，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(zhì)客觀參數(shù)計算，結(jié)果如表1所示。

2.3 相關(guān)分析

為了研究主、客觀評價之間的關(guān)系，對等級評分法得到的主觀評分與客觀評價指標(biāo)進行相關(guān)分析。利用Matlab 2014a軟件對主、客觀參量分別計算pearson相關(guān)系數(shù)，結(jié)果如表2所示。為了更加直觀地反映其相關(guān)關(guān)系，繪出對應(yīng)的相關(guān)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(guān)性相對最高，相關(guān)系數(shù)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(quán)聲壓級與主觀評價的相關(guān)系數(shù)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(guān)性，其中語音干擾度與主觀評價呈負(fù)相關(guān)。抖動度與主觀評價的相關(guān)系數(shù)只有0.188 3，幾乎沒有相關(guān)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(zhǔn)平穩(wěn)工況，所以導(dǎo)致該心理聲學(xué)參數(shù)對主觀評分影響較小。

表1 噪聲樣本客觀參數(shù)

表2 主觀評價與客觀參數(shù)相關(guān)性

注：*表示在置信度(雙側(cè))為0.01時，相關(guān)性是顯著的。

圖3 主觀評價與客觀參數(shù)相關(guān)散點圖

3 基于Adaboost算法的車內(nèi)噪聲聲品質(zhì)預(yù)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(jīng)網(wǎng)絡(luò)、ELM和SVM等都屬于非線性模型，可用于車內(nèi)聲品質(zhì)預(yù)測，且各種模型對不同的數(shù)據(jù)分布有各自的特點，因此，本文中引入Adaboost算法，結(jié)合BP神經(jīng)網(wǎng)絡(luò)、ELM和SVM模型的優(yōu)點，建立基于Adaboost算法的預(yù)測模型對車內(nèi)噪聲聲品質(zhì)進行預(yù)測。

3.1 Adaboost算法

Adaboost算法是在boosting 算法的基礎(chǔ)上提出的一種改進算法，其思想是將多個“弱”學(xué)習(xí)算法組合為一個“強”學(xué)習(xí)算法，從而提高模型預(yù)測準(zhǔn)確率和泛化性。Adaboost算法本身是通過改變數(shù)據(jù)權(quán)重分布來實現(xiàn)的，它根據(jù)每次迭代中每個訓(xùn)練集樣本預(yù)測是否正確，上一次迭代的總體預(yù)測準(zhǔn)確率來確定每個樣本的權(quán)重，對于預(yù)測精度較低的樣本賦予較大的權(quán)重，而對預(yù)測精度較高的樣本賦予較小的權(quán)重，并將更新權(quán)重后的新數(shù)據(jù)集進行下一次模型訓(xùn)練，樣本權(quán)重同時會影響該輪分量模型的權(quán)重，通過反復(fù)迭代，最后將所有訓(xùn)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(shù)據(jù)特性，并將關(guān)注重點聚焦于那些關(guān)鍵的、易出錯的樣本上，其具體算法如下[10]。

(1)初始化訓(xùn)練數(shù)據(jù)分布權(quán)值Dt(i)

Dt(i)=1/N，i=1,2,…,N

(1)

式中：N為訓(xùn)練樣本總數(shù)；t為迭代次數(shù)。

(2)“弱”學(xué)習(xí)算法預(yù)測 對具有權(quán)值分布的訓(xùn)練數(shù)據(jù)進行學(xué)習(xí)并預(yù)測輸出，得到預(yù)測序列的預(yù)測誤差εt為

(2)

(3)計算預(yù)測序列權(quán)重系數(shù) 根據(jù)預(yù)測序列的誤差εt計算預(yù)測序列權(quán)重系數(shù)at：

(3)

(4)訓(xùn)練數(shù)據(jù)權(quán)值更新 根據(jù)預(yù)測序列權(quán)重系數(shù)更新下一次訓(xùn)練樣本的權(quán)值，更新公式為

(4)

式中：Bt為歸一化因子；gt(x)為預(yù)測結(jié)果；y為期望結(jié)果。

(5)“強”學(xué)習(xí)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(yù)測函數(shù)f(gt，at)，將其進行組合可得最終的“強”預(yù)測函數(shù)Q(x)：

(5)

3.2 Adaboost“弱”學(xué)習(xí)算法選取

Adaboost算法框架的基礎(chǔ)是“弱”學(xué)習(xí)算法，之所以要用“弱”學(xué)習(xí)算法，是因為基于“強”學(xué)習(xí)算法的Adaboost模型容易學(xué)習(xí)過擬合，從而導(dǎo)致預(yù)測效果不佳，因此，需要對“弱”學(xué)習(xí)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(xué)習(xí)模型之間具有一定的差異性，因此，本文中利用未經(jīng)參數(shù)尋優(yōu)的BP神經(jīng)網(wǎng)絡(luò)、ELM和SVM作為“弱”學(xué)習(xí)算法的分量學(xué)習(xí)模型，進行 Adaboost模型建立，其中對各“弱”學(xué)習(xí)算法的設(shè)置如下。

(1)BP神經(jīng)網(wǎng)絡(luò)(詳細(xì)介紹參見文獻[11]) 為體現(xiàn)出Adaboost算法的預(yù)測效果，這里減少BP神經(jīng)網(wǎng)絡(luò)的隱含層節(jié)點數(shù)目和訓(xùn)練次數(shù)以降低其預(yù)測能力，隱含層神經(jīng)元數(shù)目取3，并隨機初始化網(wǎng)絡(luò)權(quán)值w和閾值b，訓(xùn)練次數(shù)取5次，其余參數(shù)保持默認(rèn)值。

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

(3)SVM(詳細(xì)介紹參見文獻[13])SVM不屬于嚴(yán)格意義上的“弱”學(xué)習(xí)算法，其性能受核函數(shù)及其對應(yīng)參數(shù)的影響，這里選取穩(wěn)定性較差的線性核函數(shù)，且隨機初始化懲罰因子c，其余參數(shù)保持默認(rèn)值。

3.3 建立基于Adaboost算法的聲品質(zhì)預(yù)測模型

圖4 Adaboost算法流程圖

建立基于Adaboost算法的車內(nèi)噪聲品質(zhì)預(yù)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(quán)聲壓級與主觀評價的相關(guān)系數(shù)絕對值較高，因此可將它們作為Adaboost預(yù)測模型的輸入特征。

(2)特征數(shù)據(jù)預(yù)處理 由于以上各特征向量在數(shù)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(fù)相關(guān)，為了使所得結(jié)果為正相關(guān)需要將其倒數(shù)作為輸入特征向量。

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

(4)“弱”學(xué)習(xí)模型訓(xùn)練及權(quán)值更新 將3.2節(jié)中選取的BP神經(jīng)網(wǎng)絡(luò)、ELM及SVM依次通過訓(xùn)練樣本集數(shù)據(jù)進行學(xué)習(xí)，并根據(jù)式(2)～式(4)計算預(yù)測序列權(quán)重系數(shù)at及更新后的權(quán)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(yù)測效果較差的樣本數(shù)據(jù)其樣本權(quán)重在提升，而部分預(yù)測效果較好的樣本數(shù)據(jù)其樣本權(quán)重在減少； 并且分量模型的預(yù)測序列權(quán)重系數(shù)也在改變(這里第1次迭代后的模型預(yù)測序列權(quán)重系數(shù)a1=0.3989，第2次迭代后的系數(shù)a2=0.9623，第3次迭代后的系數(shù)a3=2.3056)。

(5)“強”學(xué)習(xí)算法合成 設(shè)置Adaboost算法迭代次數(shù)T=50，精度誤差閾值為0.2，即把預(yù)測誤差絕對值超過0.2的訓(xùn)練樣本作為加強學(xué)習(xí)的對象。

圖5 樣本權(quán)值更新和預(yù)測序列權(quán)重系數(shù)at更新

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

至此，建立了基于Adaboost算法的預(yù)測模型，可對車內(nèi)噪聲品質(zhì)進行預(yù)測。

3.4 聲品質(zhì)預(yù)測

根據(jù)3.3節(jié)建立的Adaboost聲品質(zhì)預(yù)測模型，對測試集噪聲樣本進行預(yù)測，所得預(yù)測結(jié)果和誤差分別如表3模型#4和圖6(d)所示?？梢钥闯?，Adaboost模型的預(yù)測結(jié)果與實際主觀評價較為吻合，其決定系數(shù)達到0.964 4，均方根誤差為0.154 8，除了個別樣本的預(yù)測誤差在5%左右，其余噪聲樣本的預(yù)測誤差均在2%以內(nèi)， 表明Adaboost模型可對車內(nèi)聲品質(zhì)進行準(zhǔn)確預(yù)測。

表3 聲品質(zhì)預(yù)測模型效果及誤差

圖6 聲品質(zhì)預(yù)測模型結(jié)果

4 預(yù)測結(jié)果精度對比

為驗證Adaboost模型對車內(nèi)噪聲聲品質(zhì)的預(yù)測效果，現(xiàn)將其與經(jīng)過智能算法優(yōu)化參數(shù)的BP神經(jīng)網(wǎng)絡(luò)、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(yōu)化算法，分別對以上3種模型進行參數(shù)尋優(yōu)，具體設(shè)置如下。

(1)BP神經(jīng)網(wǎng)絡(luò) 為了使BP神經(jīng)網(wǎng)絡(luò)獲得較好的預(yù)測效果，取隱含層節(jié)點數(shù)目為經(jīng)驗最優(yōu)值，即隱含層節(jié)點數(shù)目=輸入層節(jié)點數(shù)目×2+1，于是得到其模型結(jié)構(gòu)為6-13-1，設(shè)置訓(xùn)練次數(shù)為1 000次，并利用遺傳算法對BP神經(jīng)網(wǎng)絡(luò)的連接權(quán)值w和閾值b進行優(yōu)化，遺傳算法的主要參數(shù)設(shè)置見表4。

表4 遺傳算法主要參數(shù)設(shè)置

(2)ELM 取ELM隱含層節(jié)點數(shù)目為經(jīng)驗最優(yōu)值，即隱含層節(jié)點數(shù)目=訓(xùn)練樣本個數(shù)，得到其模型結(jié)構(gòu)為6-22-1，同時，利用遺傳算法對ELM連接權(quán)值w和閾值b進行優(yōu)化，參數(shù)設(shè)置同表4。

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

將經(jīng)過參數(shù)優(yōu)化的GA-BP，GA-ELM和GA-SVM模型通過訓(xùn)練集數(shù)據(jù)訓(xùn)練，并根據(jù)測試集數(shù)據(jù)進行車內(nèi)噪聲聲品質(zhì)預(yù)測，得到的預(yù)測結(jié)果和誤差如表3與圖6所示。將該結(jié)果與基于Adaboost算法的預(yù)測模型進行對比，可以看出，基于Adaboost算法的預(yù)測模型能夠綜合各子學(xué)習(xí)算法的優(yōu)點，提升預(yù)測結(jié)果的準(zhǔn)確度和精確度，其決定系數(shù)R2高于其他3種方法，并且各預(yù)測誤差也相對最低。由于Adaboost算法框架引入了多種學(xué)習(xí)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(jié)論

(1)本文中對勻速工況下車內(nèi)噪聲聲品質(zhì)進行了主、客觀評價實驗，并通過相關(guān)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(jié)合BP神經(jīng)網(wǎng)絡(luò)、ELM和SVM建立了車內(nèi)噪聲聲品質(zhì)預(yù)測模型，該模型的預(yù)測準(zhǔn)確度與精確度高于經(jīng)過參數(shù)優(yōu)化的GA-BP，GA-ELM和GA-SVM聲品質(zhì)預(yù)測模型。

[1] 王登峰, 劉宗巍, 杰梁, 等. 車內(nèi)噪聲品質(zhì)的主觀評價試驗與客觀量化描述[J]. 吉林大學(xué)學(xué)報(工學(xué)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(nèi)噪聲聲品質(zhì)的神經(jīng)網(wǎng)絡(luò)預(yù)測[J]. 聲學(xué)技術(shù), 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(nèi)噪聲聲品質(zhì)的支持向量機預(yù)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(nèi)噪聲聲品質(zhì)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(jīng)網(wǎng)絡(luò)的汽車關(guān)門聲品質(zhì)預(yù)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(fā)動機匹配的多目標(biāo)優(yōu)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(xué)基金(51475387)和四川省教育廳自然科學(xué)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。