基于GRNN的车内噪声品质预测

以8辆不同类型轿车的4种不同车速匀速行驶时采集到的32个车内噪声样本为研究对象,以响度、尖锐度、粗糙度和抖动度4项心理声学客观参量作为输入,以主观评价团对车内噪声的舒适度打分作为输出,分别使用广义回归神经网络、BP神经网络和多元线性回归分析建立车内噪声品质预测模型并对声品质进行预测。三种方法的预测结果表明:广义回归神经网络相对于其他两种方法具有更高的准确度,相对预测误差为-7%～7%,较多元线性回归分析能更准确地描述客观评价参量与主观舒适度之间的非线性关系,并且较BP神经网络具有更高的准确度及稳定性。     

车内噪声品质的主观评价试验与客观量化描述

以4种类型轿车在不同档位和车速下匀速行驶时副驾驶员耳旁噪声采集样本为评价对象,对车内噪声品质用等级评分和成对比较两种方法进行了主观评价试验,分析计算了各噪声样本的主要心理声学客观参数,并通过相关分析和多元回归分析,建立了以客观参数描述主观评价结果的数学模型。研究结果表明,稳态工况下轿车车内噪声品质主要受响度和尖锐度两个心理声学参数影响。     

加速行驶时车内噪声品质的评价方法及数学模型构建

开发了一种专门用于评价非稳态工况下汽车车内噪声品质的软件系统,并利用该软件对6类轿车从50km/h到120km/h加速时的车内噪声样本进行了主观评价试验,得到了每个样本的主观评价等级值。计算了各噪声样本的主要心理声学客观参数,并通过相关分析和多元线性回归分析,建立了以响度、粗糙度为变量的声品质的数学模型。对另外6个加速工况下的噪声样本进行了主观评价试验,以验证模型的准确性。结果表明,模型的评价结果与主观评价结果间具有很高的相关性,证明了所建模型的有效性。     

径向基函数神经网络

本文介绍了径向基函数神经网络的基本结构，学习算法及收敛条件。     

基于语义细分的车内声品质模糊综合评价

针对传统的语义细分法难以在声品质主观评价试验中获得评价对象整体感受择优排序的不足,提出了一种基于语义细分的声品质主观模糊综合评价方法,建立了适合于车内声品质主观评价的声音属性评价指标,确定了声音属性的结构及层次划分,根据不同试验确定了声音属性的关注程度各级指标权重。以在某轿车车内采集到的15个噪声样本为评价对象,分别利用该方法和成对比较法对声音的"豪华感"进行主观评价试验,并对评价得分进行排序比较。结果表明:本文提出的声品质主观模糊综合评价方法可在有效地维持评价主体原有任务量不变的情况下,准确地得到声音样本感知属性的评价等级隶属关系,以及声音样本整体主观感受评价得分的择优排序。     

基于径向基函数的混合神经网络模型研究

随着系统复杂程度的增加，构造一个径向基函数神经网络（RBFNN）所需样本及训练时间都急剧增加，得到的复杂网络往往不能完全揭示问题的层次和结构。采用“分而治之”的思想，提出了一种基于RBF的混合网络模型，通过最短距离均匀聚类方法划分样本空间，构造合适的子样本集和子网络模型对网络进行训练，与采用正交最小二乘法的单独RBF网络在结构、训练时间、泛化能力上做了对比。结果表明其时间复杂度有显著降低，网络的泛化能力与精度比全局RBFNN有明显提高。整个网络模型具有良好的扩展性和应用前景，适合于大样本神经网络的建模和训练问题。     

径向基函数神经网络实现数字地图压缩

提出了一种基于径向基函数(RBF)神经网络的数字地图压缩方法，给出了网络训练的具体算法。与一般RBF网络的构造方法不同，该网络结构的所有参数是通过学习方式同时获得的，因此大大增强了其适应性。数字仿真表明该方法具有自动适应地形、参数配置合理、在线计算量小等特点。     

车内噪声的声品质优化

提出了一种基于正交试验的车内噪声的声品质优化方法。车内噪声被分成由ERB临界频带组合的若干子频带噪声,并且每一子频带噪声的强度有降低、保持、增强三种变化状态。根据试验设计原理进行了不同车速时车内噪声的正交试验,分析了子频带噪声对声品质的影响,并得到了优化车内噪声品质的优水平、最优组合和主次因素。通过实验,对用该声品质优化方法得到的结果进行了验证。结果表明:该声品质优化方法可用于产品的声品质优化改进,并指明了改善车内噪声品质的方向。     

基于径向基函数神经网络的自适应滤波器

自适应滤波器在信号检测、信号恢复、数字通信等领域中被广泛应用。传统的自适应滤波器主要在时域中实现。通常采用算法简单、稳健性好的自适应LMS算法。但LMS算法对输入信号的自相关矩阵具有很强的依赖性,因而自适应率不高。本文提出利用RBF神经网络实现的自适应滤波,并将其用于语音除噪和脉象信号的除噪。仿真结果表明该方法具有良好的非线性噪声抑制能力。     

基于相关分析的车内声品质偏好性评价模型

以四种类型轿车在不同档位和不同车速下匀速行驶时副驾驶员耳旁噪声信号采集样本为评价对象,利用成对比较法对车内声品质进行了主观评价试验;分析计算了各噪声信号样本的主要心理声学客观参数,应用双耳声压级频谱合成的方法对左右耳响度进行加权,得出双耳响度与声品质主观评价结果的相关系数比单左耳高出0.107,证明了双耳响度客观评价模型更加接近人的主观评价;通过相关分析和多元回归分析的方法,建立了车内声品质偏好性评价模型,对评价模型研究表明,稳态工况下轿车车内声品质主要受响度和尖锐度两个心理声学参数影响。     

基于RBF神经网络的水下机器人传感器状态监测方法研究

为了实现水下机器人多传感器状态监测,根据其工作环境及所配置传感器的数量,提出了基于径向基函数(RBF)神经网络的传感器状态监测方法,建立了二级神经网络监测模型,解决了多传感器故障诊断和信号恢复的问题.基于某型水下机器人海中试验数据进行计算机仿真试验的结果,验证了该方法的有效性和可行性.     

基于RBF神经网络的汽车稳定性滑模控制

针对汽车稳定性控制存在的非线性和参数时变不确定性问题,采用基于径向基函数(RBF)神经网络的方法设计汽车稳定性滑模控制器,能够削弱常规滑模控制所引起的抖动现象,也能提高单纯的神经网络自适应控制的鲁棒性能。仿真结果表明该控制算法可有效地控制汽车按照驾驶员期望的方向行驶,且保证汽车侧向控制系统具有较强的适应性和鲁棒性。     

基于PCA-RBF神经网络的光纤保护通道风险评估

对电力系统通信光纤保护通道风险评估进行了研究,给出了PCA(主成分分析)-RBF(径向基)神经网络的风险评估方法,最后对某省实际运行的光纤保护通道进行风险评估来验证该方法的优越性。     

基于BP神经网络的换档品质评价方法

换档品质评价方法的研究是应现代车辆自动变速技术发展需要而提出的前沿研究课题,其评价过程可视为一个非线性动态系统。BP神经网络的非线性系统辨识,能够逼近任意一个非线性函数。通过确定换档品质评定指标,利用BP网络训练获得的数据样本,从而建立主观、客观评价标准之间的联系;利用Matlab/Simulink完成换档品质评价方法的客观描述并进行仿真。通过与实验结果对比,证明这种方法能够有效真实地评价换档品质并与传统主观评价方法具有很好的一致性。