基于RNR-WVD与GA-小波的非稳态排气噪声声品质研究

基于心里声学客观参量的GA-BP声品质预测模型能够准确的预测稳态排气噪声声品质。对于非稳态噪声研究,引入正则化非稳态回归技术(RNR)优化计算维格纳-威尔分布(WVD)的时频方法,建立新的声品质参量SQP-RW(Sound Quality Parameter Base on RNR-WVD),用此参量替换掉与满意度相关性较小的客观参量。同时,以Morlet小波基函数作为隐含层结点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),并用GA优化小波神经网络层间的权值和阈值,构造出GA-WNN并用于非稳态排气噪声声品质预测。结果表明:GA-WNN在非稳态排气噪声声品质预测上比GA-BP神经网络更加准确;引入SQP-RW参量,模型具有更高的精度,更能体现出非稳态信号特征及声品质特点。

基于CEEMD样本熵和GA-BP的排气噪声声品质预测

为了预测汽车非稳态排气噪声声品质,进行了1G WOT和2G WOT试验,并结合主、客观评价分析非稳态排气噪声满意度的主要影响因素。同时,通过相关性分析发现心理声学客观参量与满意度之间的内在关系。运用互补总体经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)方法对非稳态排气噪声进行分解,得到多个本征模态函数(intrinsic mode function,IMF),并用样本熵计算IMF分量,完成噪声信号特征提取。采用主成分分析(principal component analysis,PCA)对数据进行降维处理,减少冗余并保留原始数据的主特征,得到新参量SQP-CSP(sound quality parameter base on CEEMD and then proceed SE-PCA)值S。同时,运用遗传算法(genetic algorithm,GA)优化BP神经网络的权值和阈值,建立GA-BP预测模型。将心理声学参量也作为模型的输入进行预测。模型对比结果表明,根据新参量建立的模型对非稳态信号声品质预测具有更高的精度,更能体现非稳态信号的特征。