基于Adaboost算法的车内噪声声品质预测*

黄海波,李人宪,黄晓蓉,杨明亮,丁渭平

(西南交通大学机械工程学院，成都 610031)

2016175

基于Adaboost算法的车内噪声声品质预测*

黄海波,李人宪,黄晓蓉,杨明亮,丁渭平

(西南交通大学机械工程学院，成都 610031)

对匀速工况下车内噪声信号分别进行主观评价与客观参量计算，并对主、客观评价结果进行了相关分析。在此基础上，基于Adaboost算法并结合BP神经网络、极限学习机(ELM)和支持向量机(SVM)建立了声品质预测模型，并将其预测结果与经过遗传算法(GA)参数优化后的GA-BP，GA-ELM和GA-SVM预测模型进行了对比。结果表明：基于Adaboost算法的车内噪声声品质预测模型效果最优，提升了声品质预测的准确度。

车内噪声；声品质；Adaboost算法；BP神经网络；极限学习机；支持向量机

前言

汽车声音的控制已由最初的降低噪声(noise reduction)阶段发展到目前的声品质控制(sound quality control)阶段。声品质作为汽车设计、制造及销售的重要因素，受到研究人员以及顾客的广泛关注，同时也是衡量汽车NVH(noise, vibration and harshness)性能的主要指标之一，因此车内噪声品质评价(sound quality evaluation)显得十分重要。

汽车的声品质最终要通过人来判断，于是形成了一套比较完善的主观评价体系。同时，由于心理声学参数(如响度、尖锐度、粗糙度等)能较好地反映人的主观听觉感受，所以工程上常常将其作为汽车声品质的客观评价指标。但是，由于主、客观评价之间的复杂性，单纯地用心理声学参数描述的车内声品质指标与主观评价仍有一定的差距，因此有研究人员提出运用近似方法进行主、客观评价关系的拟合，这样近似模型的精度就成为影响最终声品质评价准确度的关键因素。文献[1]和文献[2]中通过多元线性回归方法建立了心理声学参数与主观评价的拟合模型，但由于主、客观评价之间存在较大的非线性关系，导致该模型在实际运用中效果欠佳。文献[3]～文献[5]中运用BP神经网络建立了心理声学参量与车内声品质的预测模型，取得了一定的效果，但预测精度仍有待提升。文献[6]和文献[7]基于支持向量机(SVM)建立了车内声品质主、客观评价的预测模型，并提出了其改进模型，提升了声品质预测的准确度。由此可知，建立高准确度和高精度的模型对声品质预测具有重要意义。

本文中对车内噪声声品质进行了主、客观评价，并通过相关分析找出影响主观评价的主要心理声学参数。在此基础上，引入Adaboost算法的概念，结合BP神经网络、极限学习机(ELM)与支持向量机构建了车内噪声品质预测模型，并将其与经过参数优化的上述各单一近似模型进行对比分析，结果表明，基于Adaboost算法的预测模型效果最佳。

1 车内噪声样本采集与处理

为获取准确的车内噪声信号，试验参考了GB/T 18697—2002标准，采用LMS-SCM-05噪声采集仪和G.R.A.S.46AE传声器采集驾驶员右耳噪声信号，如图1所示。噪声信号采集试验中，记录了6款不同车型的A级轿车在平直的柏油马路上以不同挡位和车速匀速行驶时的若干组车内噪声信号。

图1 驾驶员右耳噪声信号采集示意图

由于噪声样本过多会导致后期的主观评价耗时剧增且影响评价准确率，而样本过少则会导致分析结果失去统计意义，因此这里选取常用挡位和常用发动机转速下的30组典型噪声信号作为分析样本，并通过CoolEdit软件分别将其截断成长度为6s的噪声样本。

2 主、客观评价与相关分析

2.1 主观评价

常用的声品质主观评分方法有等级评分法、成对比较法、锚定评分法等[8]，这里选取等级评分法进行车内噪声评分，该方法的关键在于评分刻度的确定。根据经验选取国际上通用的10刻度等级评分法进行主观评价，其中评分越高表示越烦躁。主观评审团由22名听力正常的主观评价人员组成，其中男性17名，女性5名，年龄为20～40岁。对每个噪声样本的全部主观评分取平均值作为该样本的最终声品质得分，并计算其对应的主观评价误差棒[9](error bar)，如图2所示。由评价结果可知，评审人员的主观评分较为稳定，其Kendall协和系数达到0.812，因此，该主观评价试验有效，可作为后续分析的基础。

图2 主观评分汇总

2.2 客观参数计算

心理声学参数能较好地描述人对声音的主观感受，这里选取响度、尖锐度、粗糙度、抖动度、语音清晰度、语音干扰度和A计权声压级作为客观评价指标，通过LMS Test.lab 13A软件对整车路试筛选出的30个噪声信号样本进行声品质客观参数计算，结果如表1所示。

2.3 相关分析

为了研究主、客观评价之间的关系，对等级评分法得到的主观评分与客观评价指标进行相关分析。利用Matlab 2014a软件对主、客观参量分别计算pearson相关系数，结果如表2所示。为了更加直观地反映其相关关系，绘出对应的相关散点图，如图3所示。

分析表2与图3可知，响度、尖锐度与主观评价的相关性相对最高，相关系数分别为0.844 2和0.813 6。粗糙度、语音清晰度、语音干扰度、A计权声压级与主观评价的相关系数绝对值相对较低，但都高于0.7，表明其与主观评价具有较强的相关性，其中语音干扰度与主观评价呈负相关。抖动度与主观评价的相关系数只有0.188 3，几乎没有相关性，这是因为抖动度主要反映的是声音响亮的起伏程度，由于匀速工况属于准平稳工况，所以导致该心理声学参数对主观评分影响较小。

表1 噪声样本客观参数

表2 主观评价与客观参数相关性

注：*表示在置信度(双侧)为0.01时，相关性是显著的。

图3 主观评价与客观参数相关散点图

3 基于Adaboost算法的车内噪声声品质预测

考虑到人耳对声音评价的强非线性特性，不宜采用线性模型对其进行建模，而BP神经网络、ELM和SVM等都属于非线性模型，可用于车内声品质预测，且各种模型对不同的数据分布有各自的特点，因此，本文中引入Adaboost算法，结合BP神经网络、ELM和SVM模型的优点，建立基于Adaboost算法的预测模型对车内噪声声品质进行预测。

3.1 Adaboost算法

Adaboost算法是在boosting 算法的基础上提出的一种改进算法，其思想是将多个“弱”学习算法组合为一个“强”学习算法，从而提高模型预测准确率和泛化性。Adaboost算法本身是通过改变数据权重分布来实现的，它根据每次迭代中每个训练集样本预测是否正确，上一次迭代的总体预测准确率来确定每个样本的权重，对于预测精度较低的样本赋予较大的权重，而对预测精度较高的样本赋予较小的权重，并将更新权重后的新数据集进行下一次模型训练，样本权重同时会影响该轮分量模型的权重，通过反复迭代，最后将所有训练得到的分量模型组合起来进行最终决策。Adaboost算法的特点是排除了一些不必要的数据特性，并将关注重点聚焦于那些关键的、易出错的样本上，其具体算法如下[10]。

(1)初始化训练数据分布权值Dt(i)

Dt(i)=1/N，i=1,2,…,N

(1)

式中：N为训练样本总数；t为迭代次数。

(2)“弱”学习算法预测 对具有权值分布的训练数据进行学习并预测输出，得到预测序列的预测误差εt为

(2)

(3)计算预测序列权重系数 根据预测序列的误差εt计算预测序列权重系数at：

(3)

(4)训练数据权值更新 根据预测序列权重系数更新下一次训练样本的权值，更新公式为

(4)

式中：Bt为归一化因子；gt(x)为预测结果；y为期望结果。

(5)“强”学习算法合成 步骤(2)～步骤(4)迭代T次后得到T个“弱”分量模型预测函数f(gt，at)，将其进行组合可得最终的“强”预测函数Q(x)：

(5)

3.2 Adaboost“弱”学习算法选取

Adaboost算法框架的基础是“弱”学习算法，之所以要用“弱”学习算法，是因为基于“强”学习算法的Adaboost模型容易学习过拟合，从而导致预测效果不佳，因此，需要对“弱”学习算法进行选取。另外，为使Adaboost算法获得较好的效果，通常要求迭代时的学习模型之间具有一定的差异性，因此，本文中利用未经参数寻优的BP神经网络、ELM和SVM作为“弱”学习算法的分量学习模型，进行 Adaboost模型建立，其中对各“弱”学习算法的设置如下。

(1)BP神经网络(详细介绍参见文献[11]) 为体现出Adaboost算法的预测效果，这里减少BP神经网络的隐含层节点数目和训练次数以降低其预测能力，隐含层神经元数目取3，并随机初始化网络权值w和阈值b，训练次数取5次，其余参数保持默认值。

(2)ELM(详细介绍参见文献[12]) 同样，为了降低ELM的预测能力，这里取其隐含层神经元数目为3，并且随机初始化输入层与隐含层间的连接权值w和隐含层神经元的偏置b，其余参数保持默认值。

(3)SVM(详细介绍参见文献[13])SVM不属于严格意义上的“弱”学习算法，其性能受核函数及其对应参数的影响，这里选取稳定性较差的线性核函数，且随机初始化惩罚因子c，其余参数保持默认值。

3.3 建立基于Adaboost算法的声品质预测模型

图4 Adaboost算法流程图

建立基于Adaboost算法的车内噪声品质预测模型流程图如图4所示，具体步骤如下。

(1)输入特征的选取 由于响度、尖锐度、粗糙度、语音清晰度、语音干扰度、A计权声压级与主观评价的相关系数绝对值较高，因此可将它们作为Adaboost预测模型的输入特征。

(2)特征数据预处理 由于以上各特征向量在数量级和量纲上有所差别，故对其进行归一化：

(6)

式中：X为输入特征向量；X*为归一化后的特征向量。需要注意的是，语音干扰度与主观评价呈负相关，为了使所得结果为正相关需要将其倒数作为输入特征向量。

(3)初始化样本权值分布 样本初始权值取值如式(1)所示，这里选取编号为1～22号的车内噪声样本及其主观评分作为训练集数据，剩下的23～30号车内噪声样本作为测试集数据进行验证，由此可得训练样本数N=22，初始权值D1(i)=1/22，i=1, 2, …, 22。

(4)“弱”学习模型训练及权值更新 将3.2节中选取的BP神经网络、ELM及SVM依次通过训练样本集数据进行学习，并根据式(2)～式(4)计算预测序列权重系数at及更新后的权值Dt(i)。图5为前3次迭代过程中at和Dt(i)的更新变化。由图可见：对于部分预测效果较差的样本数据其样本权重在提升，而部分预测效果较好的样本数据其样本权重在减少； 并且分量模型的预测序列权重系数也在改变(这里第1次迭代后的模型预测序列权重系数a1=0.3989，第2次迭代后的系数a2=0.9623，第3次迭代后的系数a3=2.3056)。

(5)“强”学习算法合成 设置Adaboost算法迭代次数T=50，精度误差阈值为0.2，即把预测误差绝对值超过0.2的训练样本作为加强学习的对象。

图5 样本权值更新和预测序列权重系数at更新

通过式(2)～式(5)可分别得到50个预测序列权重系数at，t=1, 2, …, 50及“弱”分量模型预测函数f(gt,at)，t=1, 2, …, 50，并在此基础上根据式(5)建立最终的“强”预测函数。

至此，建立了基于Adaboost算法的预测模型，可对车内噪声品质进行预测。

3.4 声品质预测

根据3.3节建立的Adaboost声品质预测模型，对测试集噪声样本进行预测，所得预测结果和误差分别如表3模型#4和图6(d)所示。可以看出，Adaboost模型的预测结果与实际主观评价较为吻合，其决定系数达到0.964 4，均方根误差为0.154 8，除了个别样本的预测误差在5%左右，其余噪声样本的预测误差均在2%以内， 表明Adaboost模型可对车内声品质进行准确预测。

表3 声品质预测模型效果及误差

图6 声品质预测模型结果

4 预测结果精度对比

为验证Adaboost模型对车内噪声声品质的预测效果，现将其与经过智能算法优化参数的BP神经网络、ELM和SVM模型进行对比分析。常用的智能算法有遗传算法(GA)[14]、粒子群算法(PSO)和模拟退火算法(SA)等。这里选取遗传算法作为优化算法，分别对以上3种模型进行参数寻优，具体设置如下。

(1)BP神经网络 为了使BP神经网络获得较好的预测效果，取隐含层节点数目为经验最优值，即隐含层节点数目=输入层节点数目×2+1，于是得到其模型结构为6-13-1，设置训练次数为1 000次，并利用遗传算法对BP神经网络的连接权值w和阈值b进行优化，遗传算法的主要参数设置见表4。

表4 遗传算法主要参数设置

(2)ELM 取ELM隐含层节点数目为经验最优值，即隐含层节点数目=训练样本个数，得到其模型结构为6-22-1，同时，利用遗传算法对ELM连接权值w和阈值b进行优化，参数设置同表4。

(3)SVM为提高SVM模型的预测性能，选取径向基函数作为其核函数，此时需要优化的参数为惩罚因子c和核参数g，同样，使用表4所示参数设置的遗传算法对SVM参数c和g进行优化。

将经过参数优化的GA-BP，GA-ELM和GA-SVM模型通过训练集数据训练，并根据测试集数据进行车内噪声声品质预测，得到的预测结果和误差如表3与图6所示。将该结果与基于Adaboost算法的预测模型进行对比，可以看出，基于Adaboost算法的预测模型能够综合各子学习算法的优点，提升预测结果的准确度和精确度，其决定系数R2高于其他3种方法，并且各预测误差也相对最低。由于Adaboost算法框架引入了多种学习模型，所以增加了其运行时间，但相比于性能的提升，增加的计算时间是可接受的。

5 结论

(1)本文中对匀速工况下车内噪声声品质进行了主、客观评价实验，并通过相关分析找出影响主观评价较大的客观参量。

(2)基于Adaboost算法并结合BP神经网络、ELM和SVM建立了车内噪声声品质预测模型，该模型的预测准确度与精确度高于经过参数优化的GA-BP，GA-ELM和GA-SVM声品质预测模型。

[1] 王登峰, 刘宗巍, 杰梁, 等. 车内噪声品质的主观评价试验与客观量化描述[J]. 吉林大学学报(工学版), 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, 何吕昌, 等. 车内噪声声品质的神经网络预测[J]. 声学技术, 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. 车内噪声声品质的支持向量机预测[J]. 振动与冲击, 2010,29(6):66-68.

[7] 徐中明, 谢耀仪, 贺岩松, 等. 基于粒子群-向量机的汽车加速噪声评价[J]. 振动与冲击, 2015,34(2):25-29.

[8] 钟秤平, 陈剑, 汪念平. 车内噪声声品质偏好性评价与分析实验研究[J]. 汽车工程, 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] 杨川, 于德介, 徐亚军. 基于EMD与BP神经网络的汽车关门声品质预测[J]. 汽车工程, 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] 陈凯, 吴光强. 基于遗传算法的液力变矩器与发动机匹配的多目标优化[J]. 汽车工程, 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

*国家自然科学基金(51475387)和四川省教育厅自然科学重点项目(16ZA0010)资助。

原稿收到日期为2015年6月10日，修改稿收到日期为2015年9月1日。