基于模糊神经网络应用在汽车声品质评价与应用中的研究

基于模糊神经网络应用在汽车声品质评价与应用中的研究

程自树

◎程自树（重庆机电职业技术学院车辆工程系，重庆402760）

中图分类号：U463.2文献标识码：A文章编号：1673-0992（2011）03-040-02

摘要：运用汽车声品质设计理念的提出，将汽车声学设计与消费者的需求融合，提出模糊神经网络应用在汽车声品质评价与应用预测声学设计理念。

关键词：模糊神经网络；BP；偏相干分析

进一步衡量汽车车内的声品质,需要对声音训练样本进行主观评价预测,然而声品质评价的多元线性回归模型虽然算法简单、预测速度快[1],但其只是对声品质主观评价这一非线性问题的线性逼近,难以获得令人满意的精度,而且回归模型只能对已有的数据进行重复分析,若发现已有的回归模型对新增的样本数据预测效果较差时必须重新进行分析、建模。

一、模糊神经网络原理

（一）模糊神经网络的结构与特点。

模糊神经网络是采用误差反向传播算法进行选连的多层前馈神经网络,模糊神经网络神经元的激励函数一般采用S类型函数;它包含输入层、隐含含层及输出层,隐含含层可以为一层或多层,每层上的神经元称为节点或单元.因此,BP神经网络应用在汽车声品质评价与应用研究三个重要因素(1)非线性映射能力;(2)泛化能力;(3)容错性。

（二）BP学习算法。

BP神经网络是以其学习算法而得名的,即误差反向传播算法.BP算法的学习过程分为信息的正向传播和误差的反向传播,通过网络前一次迭代的权值和阈值,从网络的第一层向后计算各层神经元的输出,再从最后层向前计算各层权值和阈值对总误差的梯度[2],进而对前面各层的权值和阈值进行修改,如此反复,直到网络收敛为止。

对于三层的BP神经网络,设输入向量为X=(x1,x2,...,xi,...,xn)T;隐含层输出向量为Y=(y1,y2,...,yi,...,ym)T;输出层的输出向量为O=(O1,O2,...,Oii,...,Ol)T;期望输出向量为d=(d1,d2,...,dk,...dl)T;输入层到隐含层之间的权值矩阵v=(v1,v2,...,vj,...,vm)T,其中列向量Vj为隐含层第j个神经元对应的权向量;隐含层到输入层之间的权值矩阵w=(w1,w2,...,wk,...,wi)T,其中列向量wk为输出层第k个神经元对应的权向量.各层信号之间的算法结构为:

以上式中的f(x)均为S类型函数,的导数方程为:网络输出与期望输出的均方误差为：则网络输出层和隐含层的权值调整量分别为：

式中：为比例系数,在网络训练中代表学习速率.如果BP神经网络有h个隐含层,各隐含层节点分别记为m1,m2,...,mh,各隐含层输出分别记为y1,y2,...,yh,则各层权值调整计算公式为：

由以上预测分析,在BP学习算法中,各层权值调整公式均由学习速率、本层输出的误差信号和本层输入信号决定。

二、声品质偏好性BP神经网络预测模型

（一）偏好性BP神经网络模型的结构。

BP神经网络结构的确定包括输入层和输出层神经元个数的确定、隐含层数的确定、隐含层神经元个数及每层激活函数的确定。

（二）输入、输出层神经元个数的确定。

对于一个神经网络而言,有多少个输入、输出变量就有多少个输入、输出层神经元.输入层与输出层的变量个数是由建模对象的要求和功能所决定的,同时,也要考虑模型的规模和复杂性,以减少模型的学习时间,提高模型性能。

（三）隐含层数的确定。

BP神经网络具有非线性识别功能的主要原因在于神经元的输入层与输出层之间存在多个隐含层数据.增加神经网络的隐含层数虽然可以降低误差,提高精度,但同时也使网络复杂化,网络权值的训练时间会增加.另外,在确定隐含层数时,也要考虑网络实现功能的复杂性、网络的输入与输出神经元数、学习样本数等因素,通常是先选择一个隐含层,当增加一个隐含层的神经元数仍然不能明显改善网络的性能时,再考虑增加隐含层。

（四）隐含层神经元个数的确定。

隐含层神经元个数的选择是模糊神经网络设计中最为关键的步骤,它接影响网络的映射能力.隐含层神经元数少,网络获取样本信息就差,不足以发现并提取样本中的内在规律,而网络难以收敛到目标误差；隐含层神经元数太多,又可能提取样本中的非规律性内容,降低网络泛化能力,同时也会增加网络的训练时间。

三、偏好性BP神经网络模型的训练样本

（一）训练样本的选择原则与规模。

BP神经网络的性能在很大程度上取决于网络训练样本的质量和规模,训练样本的数量及其代表性就成为决定网络预测精度及泛化能力的最终因素。

（二）训练样本的数据检验。

在网络训练样本后,即查看输入变量的分布处理.对很多模拟技术来说,正态分布的数据往往会得到最好的结果.对于神经网络模型来说,呈

正态分布的输入数据将有益于神经网络的训练过程.采用J-B统计量的表达式为：⒀式中：n为样本容量;k为自由度;S为偏度;K为峰度。

（三）训练样本的归一化处理。

基于数值变量的取值范围可以是任意并无限制,但由于样本中各变量的指标、单位不同,导致同一样本中各变量的数量级差别很大。常用的归一化处理的变化式有：

式中：xi,xi'分别为归一化处理前、后的值域;xmin,xmax分别为数据变化范围的最小值和最大值;xmid为数据提取变化范围的中间值,。

四、结束语

声品质评价的BP神经网络模型与主观评价试验的评价人群处于融合数据.不同的评价群体由于其组成评价者的工作、生活习惯不同,对同一声品质指标的评价结果也会存在差异,使用不同群体的评价结果会建立不同的模糊神经网络模型。

参考文献：

[1]何融,左曙光,申秀敏,等.燃料电池汽车低频噪声声品质分析。

[2]吴仕勇.基于数值计算方法的模糊神经网络及遗传算法的优化研究。

作者简介：程自树，男(1988-)，学生,助理工程师,主要研究方向为汽车底盘与维修技术。