陳燕虹，趙 健，梁 杰，井曉瑞

(吉林大學(xué)，汽車(chē)仿真與控制國(guó)家重點(diǎn)實(shí)驗(yàn)室，長(zhǎng)春 130025)

前言

目前，各國(guó)政府越來(lái)越重視電動(dòng)汽車(chē)的發(fā)展，各大汽車(chē)企業(yè)和科研機(jī)構(gòu)也加大了對(duì)電動(dòng)汽車(chē)的研發(fā)力度。隨之而來(lái)的問(wèn)題也不斷顯現(xiàn)出來(lái)，其中由于以電機(jī)代替發(fā)動(dòng)機(jī)作為驅(qū)動(dòng)機(jī)構(gòu)，致使電動(dòng)車(chē)在低速行駛時(shí)，車(chē)外過(guò)于安靜，行人無(wú)法有效感知到行駛的車(chē)輛，不能及時(shí)發(fā)現(xiàn)和避讓車(chē)輛，從而釀成交通事故?？梢?jiàn)，在電動(dòng)車(chē)上安裝行人警示系統(tǒng)以確保道路上行人的安全是十分必要的。

2011年，日產(chǎn)公司通過(guò)分析各類(lèi)人群對(duì)聲音的敏感程度，提出適合不同人群的聲音設(shè)計(jì)原則。基于該原則不僅可以提高老年人和正常行人對(duì)聲音的感知程度，還能減少車(chē)外噪聲對(duì)環(huán)境造成的噪聲污染[1]。同年，AVL公司針對(duì)電動(dòng)汽車(chē)在許多駕駛條件下車(chē)內(nèi)外總的聲壓級(jí)比傳統(tǒng)汽車(chē)低，且聲音特性有很大不同的情況，提出通過(guò)聲學(xué)調(diào)諧的方法來(lái)對(duì)電動(dòng)車(chē)進(jìn)行聲音設(shè)計(jì)，滿(mǎn)足車(chē)內(nèi)外人群對(duì)車(chē)輛噪聲舒適性的要求[2]。他們?cè)诟拍钤O(shè)計(jì)和聲學(xué)設(shè)計(jì)階段對(duì)電動(dòng)車(chē)的NVH性能進(jìn)行仿真設(shè)計(jì)，提出了聲音設(shè)計(jì)新的戰(zhàn)略和想法，確保低速行駛的電動(dòng)車(chē)能及時(shí)被行人發(fā)現(xiàn)。2013年，文獻(xiàn)[3]中指出在電動(dòng)車(chē)上添加警示聲是一對(duì)矛盾體：一方面，電動(dòng)車(chē)低速行駛時(shí)非常安靜，對(duì)減少城市交通噪聲將非常有利；另一方面，安靜的車(chē)外環(huán)境對(duì)車(chē)外行人將非常危險(xiǎn)。他們通過(guò)不同的感知試驗(yàn)發(fā)現(xiàn)不同的音色參數(shù)將影響聲音的可檢測(cè)性、車(chē)輛距離與車(chē)速的判斷和噪聲污染的等級(jí)等。指出可根據(jù)具體的使用要求進(jìn)行聲音音色參數(shù)的設(shè)計(jì)，來(lái)平衡這一對(duì)矛盾體。目前，國(guó)內(nèi)只有個(gè)別公司和研究機(jī)構(gòu)開(kāi)展對(duì)電動(dòng)轎車(chē)警示聲的研究，研究的內(nèi)容也只停留在發(fā)聲系統(tǒng)的設(shè)計(jì)上，并未真正涉及警示聲。因此，對(duì)于警示聲設(shè)計(jì)方法的研究顯得十分必要。

本文中依據(jù)國(guó)內(nèi)外警示聲設(shè)計(jì)方面的經(jīng)驗(yàn)，以傳統(tǒng)的內(nèi)燃機(jī)汽車(chē)車(chē)外聲為基礎(chǔ)進(jìn)行警示聲的設(shè)計(jì)，然后利用聲品質(zhì)分析的相關(guān)理論與試驗(yàn)，挑選出合適的聲音作為電動(dòng)轎車(chē)的警示聲，使挑選出來(lái)的警示聲不僅能及時(shí)警示行人避讓車(chē)輛，還應(yīng)使挑選出的聲音對(duì)環(huán)境產(chǎn)生的噪聲污染最小，同時(shí)，為簡(jiǎn)化警示聲設(shè)計(jì)過(guò)程，建立SAGA-BP神經(jīng)網(wǎng)絡(luò)的警示聲聲品質(zhì)主觀評(píng)價(jià)客觀量化模型，可用該模型代替后續(xù)警示聲設(shè)計(jì)過(guò)程中的主觀評(píng)價(jià)過(guò)程，從而節(jié)省大量的人力物力成本。

1 警示聲的設(shè)計(jì)合成

1.1 車(chē)外聲音樣本的采集

錄制傳統(tǒng)車(chē)的車(chē)外噪聲信號(hào)，將為后續(xù)聲音信號(hào)的合成和選出適合的警示聲提供基礎(chǔ)，因此保證錄制環(huán)境無(wú)背景噪聲的干擾尤為重要，同時(shí)對(duì)錄音的位置、錄音話(huà)筒的高度和車(chē)輛運(yùn)行情況等條件皆須予以細(xì)致的考慮。錄制環(huán)境選擇在半消聲室內(nèi)，采用專(zhuān)業(yè)的錄音話(huà)筒進(jìn)行錄制，并通過(guò)專(zhuān)業(yè)軟件進(jìn)行保存，存儲(chǔ)的格式為.wav。錄音麥克風(fēng)的位置參考測(cè)量排氣噪聲的方法和聲場(chǎng)分布，選擇在車(chē)輛縱向中心面上，以距離車(chē)前懸0.5m畫(huà)圓弧，所畫(huà)圓弧左右45°弧線(xiàn)上的任一位置放置傳聲器，傳聲器的高度參考加速噪聲測(cè)量方法，選擇0.9～1.2m的高度范圍，如圖1所示。

圖1 半消聲室內(nèi)車(chē)外噪聲錄制和錄音位置示意圖

在滿(mǎn)足上述要求的前提下，在半消聲室轉(zhuǎn)鼓上分別錄制5輛傳統(tǒng)車(chē)的車(chē)外噪聲信號(hào)。錄制的噪聲信號(hào)分別包括10，20和30km/h工況。從錄制好的聲音樣本中截取長(zhǎng)度為5s的樣本，并對(duì)其進(jìn)行編號(hào)記錄，方便后續(xù)處理。

1.2 警示聲的設(shè)計(jì)合成

試驗(yàn)顯示，不同人群對(duì)同一聲音樣本在不同頻率成分的反應(yīng)不同。老年人群對(duì)0.6kHz附近的聲音更加敏感，正常聽(tīng)力人群對(duì)2.5kHz附近聲音的感知能力較強(qiáng)，而1kHz附近的聲音易對(duì)環(huán)境造成噪聲污染[4]。

為達(dá)到對(duì)各類(lèi)行人具有最好警示效果的同時(shí)噪聲污染最小，利用Matlab設(shè)計(jì)帶通濾波器。為保證采集到的聲音信號(hào)幅值不失真，采用的聲音頻率為4.8kHz。根據(jù)上文，需要提取的聲音信號(hào)的頻率區(qū)間為 0.5～0.7kHz，0.9～1.1kHz和 2.4～2.6kHz。由于過(guò)渡帶較窄，將會(huì)使濾波器階數(shù)較高，如果使用經(jīng)典濾波器設(shè)計(jì)方法，將會(huì)使運(yùn)算出現(xiàn)錯(cuò)誤?？偨Y(jié)各種濾波器設(shè)計(jì)方法之后，設(shè)計(jì)數(shù)字濾波器fdesign+design，此濾波器通過(guò)通帶、阻帶等參數(shù)來(lái)設(shè)計(jì)，其主要優(yōu)點(diǎn)是得到的濾波器被分解為多個(gè)2階濾波器的串接，系數(shù)對(duì)精度要求低，在濾波過(guò)程中不會(huì)產(chǎn)生溢出[5]。所設(shè)計(jì)的濾波器符合設(shè)計(jì)要求，能夠得到很好的效果。濾波器阻帶衰減為90dB，通帶波紋為3dB。圖2為所設(shè)計(jì)的帶通數(shù)字濾波器的幅值響應(yīng)曲線(xiàn)，濾波區(qū)間為2.4～2.6kHz。

利用設(shè)計(jì)的帶通數(shù)字濾波器對(duì)采集的車(chē)外噪聲樣本進(jìn)行濾波處理，提取所需頻段的噪聲樣本。用波形編碼技術(shù)對(duì)所采集的車(chē)外噪聲信號(hào)和濾波后得到的各個(gè)頻段內(nèi)的聲音信號(hào)進(jìn)行合成，以改變特定頻段內(nèi)信號(hào)的幅值。由于不能確定特定頻段內(nèi)信號(hào)的幅值為何值時(shí)警示聲的警示效果最好，所以須進(jìn)行大量的聲音信號(hào)合成，找出主觀評(píng)價(jià)最好的聲音信號(hào)做為警示聲?，F(xiàn)以采集的某車(chē)型車(chē)外噪聲信號(hào)為例，在該聲音信號(hào)的基礎(chǔ)上，按4種主要思路進(jìn)行聲音信號(hào)的合成。

圖2 帶通濾波器幅值響應(yīng)曲線(xiàn)

(1)不改變所采集的車(chē)外噪聲信號(hào)的幅值，在此基礎(chǔ)上按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

(2)降低所采集的原始信號(hào)的幅值，然后在此基礎(chǔ)上按不同比例增加 0.5～0.7kHz和 2.4～2.6kHz頻率范圍內(nèi)聲音信號(hào)的幅值。

(3)不改變所采集的車(chē)外噪聲信號(hào)的幅值，在此基礎(chǔ)上按不同比例降低0.9～1.1kHz范圍內(nèi)頻率成分的幅值，然后再按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

(4)降低所采集的車(chē)外噪聲信號(hào)的幅值，在此基礎(chǔ)上再按不同比例降低0.9～1.1kHz范圍內(nèi)頻率成分的幅值，然后再按不同的比例成分添加濾波所得到的0.5～0.7kHz和2.4～2.6kHz范圍內(nèi)的頻率成分。

按上述方法總共得到120個(gè)聲音樣本，由于篇幅所限，本文中僅列舉一組按上述4種方法合成所得聲音信號(hào)的頻譜圖，如圖3所示。

2 警示聲主客觀評(píng)價(jià)試驗(yàn)

2.1 主觀評(píng)價(jià)試驗(yàn)

人的主觀感受是評(píng)價(jià)任何聲音適應(yīng)性的重要指標(biāo)，是以人為主體、以人主觀感受上的舒適性來(lái)評(píng)價(jià)聲音質(zhì)量的好壞。聲品質(zhì)主觀評(píng)價(jià)通過(guò)組織聽(tīng)音試驗(yàn)來(lái)對(duì)聲音樣本進(jìn)行主觀打分，能比較直接地反映人對(duì)所聽(tīng)到聲音的主觀感受[6]。

圖3 合成后語(yǔ)音頻譜圖

聲品質(zhì)主觀評(píng)價(jià)過(guò)程中評(píng)價(jià)人員的選取對(duì)評(píng)價(jià)結(jié)果的準(zhǔn)確性至關(guān)重要，須從產(chǎn)品經(jīng)驗(yàn)、聽(tīng)審經(jīng)驗(yàn)和統(tǒng)計(jì)學(xué)等多個(gè)方面綜合考慮進(jìn)行選擇[7]。根據(jù)試驗(yàn)要求和國(guó)內(nèi)外聲品質(zhì)主觀評(píng)價(jià)經(jīng)驗(yàn)，選取30名評(píng)價(jià)人員，他們由聲學(xué)專(zhuān)家、汽車(chē)研究人員、高校學(xué)生和多年從事汽車(chē)振動(dòng)噪聲研究的工程師和學(xué)者組成。其中，男女分別為21人和9人，年齡在24～56歲之間，聽(tīng)力均正常。在進(jìn)行主觀評(píng)價(jià)試驗(yàn)之前對(duì)所有評(píng)價(jià)人員進(jìn)行一定的培訓(xùn)。

為了更細(xì)致地區(qū)分各聲音樣本的特性，須對(duì)聲音樣本做響度均衡化處理[8]。為保證評(píng)價(jià)試驗(yàn)的準(zhǔn)確性，在評(píng)價(jià)試驗(yàn)之前對(duì)所有聲音樣本進(jìn)行隨機(jī)排序，確保評(píng)價(jià)者在不了解所有聲音樣本屬性的情況下進(jìn)行評(píng)價(jià)試驗(yàn)，避免評(píng)價(jià)者在評(píng)價(jià)過(guò)程中通過(guò)經(jīng)驗(yàn)和個(gè)人喜好直接對(duì)聲音樣本做出判斷。常用的聲品質(zhì)主觀評(píng)價(jià)方法有等級(jí)評(píng)分法(magnitude estima-tion)和成對(duì)比較法(paired comparison)[9]。本試驗(yàn)采用等級(jí)評(píng)分法，樣本訓(xùn)練試聽(tīng)采用成對(duì)比較法。按照國(guó)際標(biāo)準(zhǔn)將煩躁度劃分為11個(gè)等級(jí)，如表1所示。

表1 主觀評(píng)價(jià)煩躁度等級(jí)對(duì)照

在主觀評(píng)價(jià)試驗(yàn)過(guò)程中不可避免地存在各種干擾因素，不能保證每個(gè)數(shù)據(jù)都有效，所以必須進(jìn)行數(shù)據(jù)相關(guān)性檢驗(yàn)。Spearman是對(duì)不同變量的秩做線(xiàn)性相關(guān)分析，適用于主觀評(píng)價(jià)數(shù)據(jù)的相關(guān)性檢驗(yàn)。表2所示為用SPSS軟件計(jì)算各評(píng)價(jià)人員之間的平均相關(guān)系數(shù)，當(dāng)相關(guān)系數(shù)低于0.7時(shí)就意味著相關(guān)程度較低，應(yīng)予以剔除。 由表可見(jiàn)，第4，7，12，18號(hào)評(píng)價(jià)者的結(jié)果與其他評(píng)價(jià)者之間的相關(guān)系數(shù)為0.633，0.584，0.619，0.605，均小于 0.65，這說(shuō)明這4位評(píng)價(jià)者的評(píng)價(jià)結(jié)果與其他評(píng)價(jià)結(jié)果之間的線(xiàn)性關(guān)系較弱，結(jié)果的離散性較大，不具有參考性，應(yīng)予以剔除，然后對(duì)剩下的主觀評(píng)價(jià)結(jié)果進(jìn)行平均，即可得到各噪聲樣本的聲品質(zhì)主觀評(píng)價(jià)分值。

2.2 客觀參數(shù)計(jì)算

聲品質(zhì)客觀心理聲學(xué)參數(shù)是描述人對(duì)聲音的主觀感受，建立心理聲學(xué)、物理聲學(xué)與聲品質(zhì)主觀感受特性之間的聯(lián)系，即通過(guò)一些具體的參量來(lái)直觀地表述人對(duì)聲音的主觀感受[9]。選取響度、粗糙度、尖銳度、抖動(dòng)度、語(yǔ)言清晰度和A計(jì)權(quán)聲壓級(jí)6個(gè)參數(shù)作為聲品質(zhì)客觀評(píng)價(jià)參數(shù)。利用Head/Artmis軟件分別計(jì)算這120個(gè)聲音樣本的客觀評(píng)價(jià)參數(shù)。

在主客觀評(píng)價(jià)之后，按照不同工況下采集和合成的聲音樣本進(jìn)行分類(lèi)，即分為在10，20和30km/h工況下采集和合成的聲音樣本，選擇各組中主觀評(píng)價(jià)分值最高的聲音樣本做為各自工況范圍內(nèi)的警示聲。

表2 各評(píng)價(jià)者之間的平均相關(guān)系數(shù)

3 SAGA-BP神經(jīng)網(wǎng)絡(luò)

為簡(jiǎn)化警示聲設(shè)計(jì)過(guò)程，為后續(xù)警示聲的設(shè)計(jì)提供方便，可建立聲品質(zhì)主觀評(píng)價(jià)客觀量化預(yù)測(cè)模型，從而可省去繁雜的主觀評(píng)價(jià)過(guò)程，節(jié)省人力物力成本，縮短警示聲設(shè)計(jì)周期，同時(shí)可減小人員和環(huán)境等因素對(duì)主觀評(píng)價(jià)分值的影響。

3.1 BP神經(jīng)網(wǎng)絡(luò)算法

BP(back propagation)神經(jīng)網(wǎng)絡(luò)即誤差反向傳播神經(jīng)網(wǎng)絡(luò)，其誤差和信號(hào)的傳播方向相反，信號(hào)向前傳播，而誤差向后傳播。BP網(wǎng)絡(luò)能對(duì)有限個(gè)不連續(xù)點(diǎn)的函數(shù)進(jìn)行逼近，是目前應(yīng)用比較廣泛的一種神經(jīng)網(wǎng)絡(luò)。它采用均方誤差作為適應(yīng)度函數(shù)，網(wǎng)絡(luò)的收斂過(guò)程是使均方誤差最小化的過(guò)程，但BP神經(jīng)網(wǎng)絡(luò)存在全局搜索能力較差、容易陷入局部極小值和搜索速度較慢等缺點(diǎn)，因此須對(duì)BP神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化來(lái)改善其性能[10]。

3.2 遺傳算法和模擬退火算法

遺傳算法是模擬生物進(jìn)化和遺傳機(jī)制而演變出來(lái)的一種迭代搜索全局最優(yōu)解的算法[11]。通過(guò)對(duì)父代優(yōu)良基因的繼承和子代染色體之間的相互作用，逐漸使種群進(jìn)化到最優(yōu)解的狀態(tài)。

模擬退火算法(simulated annealing)模擬物體退火的過(guò)程，由Metroplis算法和退火過(guò)程構(gòu)成。其基本思路是：物體在高溫時(shí)出現(xiàn)各種狀態(tài)的概率基本相同，在此狀態(tài)下進(jìn)行粗略搜索，找到能量較低的區(qū)域；隨著溫度慢慢降低，每個(gè)狀態(tài)出現(xiàn)的概率將有較大差別，搜索精度也將不斷提高，從而逐漸準(zhǔn)確地找到整個(gè)搜索空間中能量函數(shù)極小點(diǎn)[12]。

模擬退火算法擁有較強(qiáng)的局部搜索能力，能避免陷入局部最優(yōu)解，但把握整個(gè)搜索空間的能力較差，收斂速度較慢，使模擬退火算法的運(yùn)算效率不高[13]。遺傳算法采用迭代搜索方法，能夠很好地把握總體搜索方向，具有很強(qiáng)的自適應(yīng)調(diào)整能力、魯棒性和全局搜索能力，但其局部搜索能力較差。

3.3 SAGA-BP神經(jīng)網(wǎng)絡(luò)

由上面分析可知，模擬退火算法和遺傳算法兩種算法都有各自的優(yōu)缺點(diǎn)，但將兩種算法結(jié)合起來(lái)，形成一種新的算法，則可彌補(bǔ)各自的缺點(diǎn)，充分發(fā)揮各算法的優(yōu)點(diǎn)，使算法達(dá)到理想的效果。采用模擬退火遺傳算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，優(yōu)化后的SAGA-BP神經(jīng)網(wǎng)絡(luò)可以有效避免典型BP神經(jīng)網(wǎng)絡(luò)容易陷入局部極小值點(diǎn)、學(xué)習(xí)效率低等缺點(diǎn)，能在最短的時(shí)間內(nèi)尋找到全局最優(yōu)解，提高網(wǎng)絡(luò)的精度、學(xué)習(xí)速度、網(wǎng)絡(luò)的使用效率及應(yīng)用范圍。SAGA-BP神經(jīng)網(wǎng)絡(luò)的具體步驟如下。

(1)確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)和算法編碼方案，輸入數(shù)據(jù)并對(duì)數(shù)據(jù)做歸一化處理，確定種群規(guī)模、交叉與變異概率、迭代次數(shù)和退火初始溫度T0與終止溫度Tend。

(2)計(jì)算群體中個(gè)體的適應(yīng)度值f(x0)，再進(jìn)行遺傳操作，得到新種群，計(jì)算新種群的適應(yīng)度值f(xn)，每進(jìn)行一次選擇、交叉和變異操作，則迭代數(shù)i＝i+1。

(3)判斷f(x0)和f(xn)的大小，若f(x0)≥f(xn)，則將x0作為SA算法的初始最優(yōu)點(diǎn)，否則執(zhí)行x0＝xn，再將x0作為SA算法的初始最優(yōu)點(diǎn)。

(4)確定擾動(dòng)次數(shù)k＝1和最大循環(huán)步驟Lmax。

(5)在x0附近產(chǎn)生擾動(dòng)，得到一個(gè)新解xm，并計(jì)算f(x0)，f(xm)和Δf。

(6)根據(jù)Metropolis準(zhǔn)則判斷，若 Δf＞0，計(jì)算接受概率p＝exp(-Δf/T)，如果p＞rand(0，1)，則接受xm，即x0＝xm進(jìn)入下一步；相反則不接受xm，進(jìn)入下一步；如果Δf≤0，則x0＝xm，進(jìn)入下一步；由于模擬退火算法和遺傳算法單獨(dú)使用時(shí)適應(yīng)度函數(shù)互為倒數(shù)，當(dāng)使用混合模擬退火遺傳算法時(shí)應(yīng)該特別注意，在退火過(guò)程中Metropolis準(zhǔn)則應(yīng)做相應(yīng)的改動(dòng)。

(7)判斷是否達(dá)到擾動(dòng)次數(shù)最大值，沒(méi)有達(dá)到，則k＝k+1，轉(zhuǎn)至步驟(5)；否則進(jìn)入下一步。判斷SA抽樣是否穩(wěn)定，穩(wěn)定則進(jìn)入下一步產(chǎn)生新種群，否則進(jìn)行退火處理。退火次數(shù)r＝r+1，更新溫度T(r)，轉(zhuǎn)至步驟(4)。

(8)判斷新種群是否滿(mǎn)足收斂準(zhǔn)則，滿(mǎn)足則進(jìn)行解碼操作，得到最優(yōu)解作為BP網(wǎng)絡(luò)的權(quán)值和閾值；否則轉(zhuǎn)入步驟(2)，繼續(xù)進(jìn)行模擬退火遺傳算法操作。

(9)計(jì)算BP神經(jīng)網(wǎng)絡(luò)誤差，判斷誤差精度能否滿(mǎn)足要求，滿(mǎn)足要求則進(jìn)入下一步；否則繼續(xù)此步操作，更新其權(quán)值和閾值，直到滿(mǎn)足結(jié)束條件，進(jìn)入下一步。

(10)BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練完畢，進(jìn)行預(yù)測(cè)分析，得到滿(mǎn)意的結(jié)果。

4 主觀評(píng)價(jià)客觀量化模型的建立

4.1 確定網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)

在用模擬退火算法和遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上建立SAGA-BP神經(jīng)網(wǎng)絡(luò)，以6個(gè)聲品質(zhì)客觀參量作為網(wǎng)絡(luò)的輸入，以聲品質(zhì)主觀評(píng)分值作為網(wǎng)絡(luò)的期望輸出，建立電動(dòng)轎車(chē)警示聲聲品質(zhì)的主觀評(píng)價(jià)客觀量化模型。目前尚沒(méi)有明確的理論指導(dǎo)隱含層神經(jīng)元數(shù)目的選取，只能依靠經(jīng)驗(yàn)公式配合實(shí)際訓(xùn)練時(shí)的誤差、精度和訓(xùn)練時(shí)間等參數(shù)來(lái)選取。隱含層選取的經(jīng)驗(yàn)公式為

式中：n和l分別為輸入層和輸出層神經(jīng)元的個(gè)數(shù)；α為1～10之間的常數(shù)。

在實(shí)際操作過(guò)程中，一般從較少的隱含層數(shù)開(kāi)始對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，逐步增加神經(jīng)元的個(gè)數(shù)，比較網(wǎng)絡(luò)收斂后網(wǎng)絡(luò)的誤差、精度和訓(xùn)練時(shí)間，從而選取合適的隱含層神經(jīng)元數(shù)目。

本文中結(jié)合經(jīng)驗(yàn)公式和實(shí)際訓(xùn)練情況，選取隱含層神經(jīng)元數(shù)為12，此時(shí)精度最高、檢驗(yàn)誤差最小，同時(shí)訓(xùn)練時(shí)間也比較適中。從而所構(gòu)建的電動(dòng)轎車(chē)警示聲聲品質(zhì)智能化的主觀評(píng)價(jià)客觀量化SAGABP神經(jīng)網(wǎng)絡(luò)模型的拓?fù)浣Y(jié)構(gòu)為 6-12-1，如圖 4所示。

圖4 SAGA-BP神經(jīng)網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)圖

4.2 網(wǎng)絡(luò)參數(shù)的設(shè)定

在BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練之前采用SAGA算法對(duì)其初始權(quán)值和閾值進(jìn)行優(yōu)化，遺傳代數(shù)選擇為130，交叉概率選取為0.6，變異概率為0.05；模擬退火中初始溫度T為999℃，退火速率α選為0.9，最大循環(huán)步驟Lmax為20；BP神經(jīng)網(wǎng)絡(luò)期望誤差為0.000 9，訓(xùn)練次數(shù)為5 000次，學(xué)習(xí)速率為0.04，附加動(dòng)量因子為0.5。

選擇120個(gè)聲音樣本中的前80%，即96個(gè)樣本作為訓(xùn)練樣本，剩下的24個(gè)樣本用來(lái)檢驗(yàn)?zāi)Ｐ?。?xùn)練之前需對(duì)所有樣本進(jìn)行歸一化處理：

式中：和xi為歸一化處理前、后樣本值，xmax和xmin為樣本中的最大值和最小值。

該模型采用訓(xùn)練輸出值和期望輸出值的均方誤差作為模型誤差，用MES表示：

式中：MES為模型誤差；L為樣本數(shù)；tk為網(wǎng)絡(luò)第k組樣本的實(shí)際輸出值；yk為第k組樣本的期望輸出值。

4.3 模型訓(xùn)練與檢驗(yàn)

圖5為SAGA-BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練誤差性能曲線(xiàn)，在訓(xùn)練了1 086步后誤差為0.000 899 84，達(dá)到了設(shè)定的目標(biāo)精度。

圖5 SAGA-BP神經(jīng)網(wǎng)絡(luò)誤差性能曲線(xiàn)

圖6為SAGA-BP神經(jīng)網(wǎng)絡(luò)模型的預(yù)測(cè)值與期望輸出值之間的相關(guān)系數(shù)散點(diǎn)圖。從圖中可以看出，SAGA-BP神經(jīng)網(wǎng)絡(luò)模型的相關(guān)性高達(dá)0.985 94，具有強(qiáng)相關(guān)性，說(shuō)明SAGA-BP神經(jīng)網(wǎng)絡(luò)模型能夠很好地完成客觀參數(shù)到主觀評(píng)價(jià)值的映射。

圖7為模型對(duì)檢驗(yàn)樣本的百分比誤差。由圖可見(jiàn)，其檢驗(yàn)誤差均在5%以?xún)?nèi)，這說(shuō)明通過(guò)遺傳算法和模擬退火算法優(yōu)化過(guò)的BP神經(jīng)網(wǎng)絡(luò)模型能很好地實(shí)現(xiàn)聲品質(zhì)客觀參量到主觀評(píng)分值的映射。在后續(xù)警示聲設(shè)計(jì)的過(guò)程中，只需將聲音信號(hào)的客觀參量代入模型計(jì)算即可精確地預(yù)測(cè)聲音樣本的主觀煩躁度，而省去組織試聽(tīng)人員進(jìn)行主觀評(píng)價(jià)試驗(yàn)，簡(jiǎn)化了聲品質(zhì)分析過(guò)程中煩瑣步驟，避免了因人為因素而導(dǎo)致的誤差，節(jié)省大量人力物力等成本。

圖6 SAGA-BP網(wǎng)絡(luò)模型預(yù)測(cè)值與期望值之間的相關(guān)性

圖7 SAGA-BP神經(jīng)網(wǎng)絡(luò)模型檢驗(yàn)樣本百分比誤差

5 結(jié)論

本文中針對(duì)電動(dòng)轎車(chē)在低速行駛時(shí)車(chē)外聲很小的問(wèn)題提出一種車(chē)外警示聲的設(shè)計(jì)方法。首先，在采集不同傳統(tǒng)車(chē)車(chē)外噪聲的基礎(chǔ)上利用語(yǔ)音波形合成技術(shù)進(jìn)行聲音的設(shè)計(jì)與合成，得到大量的車(chē)外聲樣本；其次，借助國(guó)內(nèi)外聲品質(zhì)的研究經(jīng)驗(yàn)，通過(guò)聲品質(zhì)的主觀評(píng)價(jià)試驗(yàn)選出各工況下評(píng)分最高的聲音樣本作為該工況下電動(dòng)轎車(chē)的車(chē)外警示聲；最后，依據(jù)聲品質(zhì)的主客觀評(píng)價(jià)試驗(yàn)數(shù)據(jù)，利用遺傳算法和模擬退火算法來(lái)優(yōu)化BP神經(jīng)網(wǎng)絡(luò)，建立SAGA-BP神經(jīng)網(wǎng)絡(luò)的電動(dòng)轎車(chē)警示聲聲品質(zhì)主觀評(píng)價(jià)客觀量化模型。從模型的運(yùn)行結(jié)果可以看出，所建立的模型具有很高的預(yù)測(cè)精度和收斂速度，可直接替代主觀評(píng)價(jià)過(guò)程，從而節(jié)省大量的人力物力資源，提高工作效率，節(jié)省成本。

參考文獻(xiàn)

[1]HEATHER K， MANABU S， TODD S.Development of approaching vehicle sound for pedestrians(VSP)for quiet electric vehicles[C].SAE Paper 2011-01-0928.

[2]STEPHAN B，BERNHARD G.Sound engineering for electric and hybrid vehicles[C].SAE Paper 2011-39-7228.

[3]ETIENNE P，RYAN R，CHAMARD J C.Detectability and annoyance of warning sounds for electric vehicles[J].Proceeding of Meeting on Acoustics，2013，19：040033.

[4]HEATHER K， MANABU S，TODD S， et al.Development of approaching vehicle sound for pedestrians(VSP)for quiet electric vehicles[C].SAE Paper 2011-01-0928.

[5]宋知用.MATLAB在語(yǔ)音信號(hào)分析與合成中的應(yīng)用[M].北京：北京航空航天大學(xué)出版社，2013.

[6]劉強(qiáng).重型商用車(chē)駕駛室內(nèi)聲品質(zhì)預(yù)測(cè)分析技術(shù)[D].長(zhǎng)春：吉林大學(xué)，2016.

[7]沈哲，左言言，等.影響車(chē)輛聲品質(zhì)聽(tīng)審實(shí)驗(yàn)的相關(guān)因素研究[J].噪聲與振動(dòng)控制，2008(8)：188-192.

[8]謝軍.汽車(chē)聲品質(zhì)評(píng)價(jià)技術(shù)及方法研究[D].長(zhǎng)春：吉林大學(xué)，2009.

[9]錢(qián)堃.駕駛室內(nèi)聲品質(zhì)合成等效模型的建立及聲品質(zhì)評(píng)價(jià)分析研究[D].長(zhǎng)春：吉林大學(xué)，2013.

[10]劉月娥，何東健，李崢嶸.一種用于BP網(wǎng)絡(luò)優(yōu)化的并行模擬退火遺傳算法[J].計(jì)算機(jī)應(yīng)用，2006，26(1)：204-206.

[11]邊霞，米良.遺傳算法理論及其應(yīng)用研究進(jìn)展[J].計(jì)算機(jī)應(yīng)用研究，2010(7)：2425-2434.

[12]朱凱，王正林.精通MATLAB神經(jīng)網(wǎng)絡(luò)[M].北京：電子工業(yè)出版社，2010.

[13]HOLLAND J H.Adaptation in natural and artificial systems[M].Cambridge MIT Press，1975.