下载文档原格式
基于神经网络的汽车驾驶风格识别技术研究最近几年，自动驾驶汽车领域正在经历一次革命性的变革。
这个行业已经出现了许多新的技术和算法，其中之一就是基于神经网络的汽车驾驶风格识别技术。
神经网络是一种仿照人类神经系统的计算机系统。
人类的大脑中有许多神经元，它们通过电信号传递信息，而神经网络也是由类似神经元的计算单元组成的。
这种计算单元可以处理输入信息，并将其转换为输出信号，从而进行分类或预测。
神经网络已经成功地用于许多领域，如图像识别、自然语言处理、语音识别等。
基于神经网络的汽车驾驶风格识别技术是一种用于分析驾驶员行为的算法。
驾驶员在车辆上的行为包括转向、加速和制动等，这些行为可以在汽车的传感器数据中进行检测和记录。
使用神经网络模型来分析这些数据，可以识别出不同的驾驶风格。
这种技术可以帮助汽车制造商了解消费者的驾驶习惯、增加驾驶员的安全性和提高车辆性能。
神经网络模型通常通过训练来实现输入输出映射。
在汽车驾驶风格识别技术中，训练数据可以来自于驾驶员的实际行车情况。
例如，可以使用车辆的传感器数据记录驾驶员在不同速度下的加速和制动模式。
将这些数据传送到神经网络中进行训练，可以使模型识别出这些不同的驾驶风格。
要构建一个具有良好性能的汽车驾驶风格识别模型，需要进行以下步骤：1. 收集有关驾驶员行为的数据。
这些数据应包括转向、加速和制动等行为。
2. 对数据进行预处理。
这可以包括数据清洗、填充空值、归一化等。
3. 设计神经网络的结构。
这可以包括确定输入层、隐藏层和输出层的数量和节点数。
4. 训练神经网络模型。
这可以使用反向传播算法进行工作，其目标是最小化神经网络模型的误差。
5. 测试模型的性能。
这可以查看模型的精度、召回率和F1分数等指标，并与其他模型进行比较。
6. 优化模型的性能。
这可以包括调整模型参数、使用更复杂的神经网络结构等。
使用基于神经网络的汽车驾驶风格识别技术，可以为汽车制造商和驾驶员带来许多好处。
例如，制造商可以使用这种技术来调整车辆参数，使其更好地适应不同的驾驶习惯。
基于深度学习的声音识别技术研究声音识别技术是一种将人的语音转换为可理解的文字或命令的技术。
它在许多领域有着广泛的应用，包括语音助手、智能家居、汽车导航系统等。
随着深度学习的迅速发展，基于深度学习的声音识别技术在近年来得到了极大的突破和发展。
本文将就基于深度学习的声音识别技术进行研究和探讨。
首先，我们将介绍深度学习的基本原理和方法。
深度学习是一种模仿人脑神经细胞网络结构的机器学习方法，它通过多层次的神经网络模型进行自动特征提取和模式识别。
深度学习的关键是神经网络的结构和参数优化。
常用的深度学习模型包括卷积神经网络（CNN）、循环神经网络（RNN）和长短期记忆网络（LSTM）。
这些网络结构可以有效地提取语音信号的特征，并准确地进行分类和识别。
在基于深度学习的声音识别技术中，数据的预处理起着非常重要的作用。
通常，声音信号需要进行预处理来消除噪声、平衡音量和增强语音特征。
预处理的方法包括滤波、标准化和降噪等。
此外，数据的标注也是训练深度学习模型的重要环节。
标注数据需要包含正确的语音文本对应，以便模型进行监督学习和训练。
接下来，我们将介绍基于深度学习的声音识别技术的模型构建和训练过程。
首先，需要构建一个适用于声音识别的深度学习模型。
常用的模型包括基于CNN的声学模型和基于RNN/LSTM的语言模型。
声学模型用于语音特征提取和分类，而语言模型则用于将语音转换为文本。
然后，需要准备训练数据集，并将其输入到深度学习模型中进行训练。
在训练过程中，通过反向传播算法和梯度下降优化算法来调整模型的参数，并最小化损失函数。
训练完成后，可以使用测试数据集对模型进行评估和验证。
基于深度学习的声音识别技术的关键挑战之一是数据量的限制。
深度学习模型需要大量的数据来进行训练，以获得较好的性能。
然而，声音识别领域的标注数据集相对较少。
为了解决这一问题，可以采用数据增强的方法，通过对原始数据进行扭曲、变速或添加噪声等处理来增加数据样本数量。
汽车喇叭噪声智能识别初探作者：蒋佳霖来源：《发明与创新(学生版)》2010年第04期随着机动车的数量迅猛增长，噪声污染也日益突出。
在我国城市交通噪声污染治理上，着重点还是落在交通管理上。
如在噪声敏感目标集中区域和时段，通过采取“限鸣”措施。
但是，“限鸣”(禁鸣)实施起来却很困难。
如果能够通过某种方法或装置，即使有其他噪声干扰，也能正确识别出某辆车的喇叭是否鸣叫，进而判断出具体的违规车辆，这将为交警执法带来很大便利，大大降低城市的汽车喇叭噪声。
汽车电喇叭的发音频率由其内部电路参数和喇叭口形状唯一决定的，当安装在汽车上后就只能发出频率唯一的声音，即单频信号。
由于喇叭生产厂家的不同，安装在汽车上的电喇叭频率都不相同，即使是同一厂家生产的同型号喇叭，由于生产工艺问题，喇叭频率也是有细微差别的。
所以，通过测定汽车喇叭的发声中心频率来进行汽车身份的识别。
在某种程度上是可行的。
除了喇叭频率的唯一性，利用喇叭频率来识别汽车身份的另外一个原因在于喇叭频率的稳定性。
在实际环境下，由于操作人员的原因，汽车喇叭发声的时长一般来说不同，声音的响度(声音信号的幅度)也不同，而且声音传输的媒介也会因为外界气温、环境等未知因素的影响而产生变化，从时域对喇叭声音信号进行分析将非常困难。
而由于喇叭发声频率的唯一性和稳定性，从理论上，喇叭声音在频域是一个冲击函数，冲击函数的频率点就是该喇叭的中心频率，这也正是喇叭发出的声音中万变不离其宗的根本参数。
图1显示的分别就是喇叭声音信号的时域波形和功率谱波形。
从图1可以看出，喇叭声音的时域波形非常复杂而且没有规律，而其频域波形(即功率谱)就非常稳定。
总体上说，这种基于喇叭频率来识别汽车身份的方法有三个主要步骤，分别是样本数据的训练；实测数据与样本的匹配；汽车身份的识别判决。
1假设有多台汽车，即有多个不同的喇叭，事先我们应该取得若干组这些喇叭的声音信号。
通过傅立叶变换来求得各个喇叭的功率谱，找出功率谱极大点处的频率，作为该喇叭的发声中心频率，然后将各个汽车喇叭频率，与汽车车牌号建立一一对应关系。
上海工程技术大学学报JOURNAL OF SHANGHAI UNIVERSITY OF ENGINEERING SCIENCE Vol.34No.2 Jun.2020第34卷第2期2020年6月文章编号：1009-4447(2020)02-0113-06基于经验模态分解的车内声品质EMD-ANE主动控制算法窦雪婷，王岩松，王统洲(上海工程技术大学机械与汽车工程学院$上海201620)摘要：为提高车内声品质水平，提出一种基于经验模态分解(Empi?:Mode Ceco9>osiEon, EMD)和噪声自适应均衡(Adaptive NoDe Equalizer?ANE)算法的车内声品质EMC-ANE主动控制算法.考虑到车内噪声非平稳性高的特点，利用EMD方法获得非平稳性低的固有模式函数(Intrinsic Mode Function,IMF)分量，在ANE算法中设定不同的声音保留因子，对各分量进行主动控制.结果表明,EMD-ANE算法能够有效抑制车内噪声，且可以降低车内噪声的低频成分.与传统ANE算法相比，该算法可以更好地控制车内噪声的响度水平，更适用于车内声品质主动控制(Active Sound Quality Control?ASQC).关键词：车内噪声；EMD-ANE算法；声品质主动控制；经验模态分解中图分类号：U467.4+93文献标志码：AAn EMD-ANE Active Control Algorithm Based onEMD for Vehicle Interior Sound QualityDOU Xueting$WANG Yansong$WANG Tongzhou(School of Mechanical and Automotive Engineering,Shanghai Universty of Engineering Science,Shanghai201620,China)Abstract:Based on empirical mode decomposition(EMD)and adaptive noise equalizater(ANE) algorithm,an EMD-ANE active control algorithm was proposed to improve vehicle interior sound quality.Considering the high non-stationarity of vehicle interior noise,the EMD method was used to obtain the low non-stationarity components of intrinsic mode function(IMF),and then different sound retentionfactorsweresetinthe ANE algorithm to actively control each component.The results show that the EMD-ANE algorithm can e f ectively suppress interior noise and reduce low-frequency pared with the traditional ANE algorithm,itcan be t ercontroltheloudnesslevelofinteriornoiseand be more suitable for vehicle interior active sound quality control(ASQC).Key words:vehicle interior noise；EMD-ANE algorithm；active sound quality control(ASQC)% empiricalmodedecomposition(EMD)收稿日期：2019-12-16基金项目：国家自然科学基金资助项目（1675324）作者简介：窦雪婷（1994-）女，在读硕士，研究方向为汽车NVH测控技术.E-mail:1403873983@・114・上海工程技术大学学报第34卷汽车噪声及声品质作为影响乘坐舒适性的重要因素之一，越来越受到消费者的关注「门.目前，车内低频噪声仍未得到良好控制.而声品质这一概念的提出，使人们对声音的主观感受有了具体的参量表达.近年来，声品质主动控制(Active Sound Quality Control,ASQC)作为解决这一问题的有效方法之一，受到研究者的广泛关注•Blauert3'于1994年提出声品质，其定义为在特定的技术目标或任务下对声音适宜性的描述，“声”并不是单纯声波这样一个物理过程，而是指人耳的听觉感知过程，“品质”则是指人耳对于声音事件感知过程最终做出的主观判断「4'・声品质主动控制是在噪声主动控制的基础上发展而来的，在控制过程中通过对噪声进行一部分保留，以达到调节声品质的效果・Lueg「5'于1933年提出噪声主动控制的基本原理是叠加原理，并对其进行详细说明•目前噪声主动控制算法主要有以最小均方算法(LMS)为基础的算法，如多通道LMS、滤波X算法(FXLMS)和滤波U算法(FULMS)，和以递归最小二乘算法(RLS)为基础的算法3'.声品质主动控制算法在某些应用情况中，保留指定频率的残余噪声，可以给人提供更好的听觉感受3°'・刘宗巍等「1-12'先后提出基于FXLMS算法的车内噪声主动控制策略.Bark尺度以及选择性消声控制方法，对车内声品质水平进行控制.汽车行驶过程中，车内人员耳侧噪声的源信号众多，噪声信号呈现非线性、非平稳性的特点「13'，这就使得在数学上很难得出一个准确的关于噪声源信号影响变化的关系表达式•为提高噪声主动控制的精度，必须考虑降低噪声信号的非平稳度.目前，小波分解「14'和经验模态分解(Empirical Mode Decomposition，EMD)口5「16'被用于处理这类信号，但是小波分解在处理信号之前，必须选取合适的小波基和分解尺度，并且一旦选定不可随意更改，这在很大程度上影响分解结果.EMD是一种时频信号处理技术，可以通过获得一组固有模式函数(Intrinsic Mode Function,IMF)来克服这个问题. IMF频谱具有不同的尺度特征，同时，由于自适应性和高鲁棒性，EMD已被广泛应用于处理非平稳信号「17'・本文结合EMD方法与噪声自适应均衡(Adoptive Noise Equlzer，ANE)算法的优势，提出一种EMD-ANE车内声品质主动控制算法.经EMD分解将车内噪声信号分解为相对平稳的IMF分量，再由ANE算法对各个分量进行主动控制，设定不同的声音保留因子，以达到良好的车内声品质，通过采集实车数据与传统ANE算法对比对EMD-ANE 算法进行检验.!ANE算法ANE算法是由Kuo等［18-19'提出，在FXLMS算法的基础上发展来的，ANE算法框图如图1所示.图中6(k)为车外噪声源；P(z)为声传递过程中的初级路径皿()为经过初级路径后的期望信号;》()为消除期望信号的次级声源；S(z)为次级声源至误差传感器之间的次级路径;；(z)为次级路径的无偏估计，与FXLMS算法相同;"为声音保留因子，用来控制初始噪声的抵消幅度6s7)为经过S'(z)后的滤波-6信号；()为误差信号；＜()为虚拟误差，ANE算法根据此值调整权值向量，但＜7)本身却不反映噪声残差信号.图1ANE算法框图Fig.1Block diagram of ANE algorithmANE算法的本质与FXLMS算法相同，属于梯度下降法,W()为滤波器权值向量，用以生成次级噪声信号,滤波器的输出信号为y(k)-x(k)"!()(1)式中，“"”为线性卷积.经过声音保留因子"，对输出信号进行一定程度的保留，误差传感器接收到的残余信号e(k)可以表示为e(k)-9(k)—(1—仔)・y(k)"S(z)(2)在误差信号e(k)中减去声音保留因子仔保留的另一部分输出信号，即得虚拟误差＜(k),可表示为＜(k)=e(k)-!・y(k)"S(z)二9(k)-y(k)"S(z)(3)滤波-6信号为6s(k)二6(k)"S’(z)(4)第2期窦雪婷，等：基于经验模态分解的车内声品质EMD-ANE 主动控制算法・115・滤波器权值向量!")二［W o (7)，晒(7)，…, W -1")］自适应更新为W (7 + 1)二！ ( 7)，"・"7) " < (7) (5)式中,"为迭代步长，使W (7)向目标函数的梯度反 方向更新迭代一步"的选择将影响算法的收敛速 度和最小均方误差(SSE ).2 EMD 方法本质上，EMD 方法是基于信号自身的时间尺度，将待分析的非平稳信号进行平稳化处理，此处 理方法不需要预先给定任何基函数，是完全自适应的过程，适用于处理非平稳信号&0'•所以,EMD 方 法常用于降低汽车噪声信号的非平稳度•噪声信号经EMD 分解后，得到的IMF 分量必须满足两个条件：1) 对于每一个噪声信号的IMF 分量，必须满足零点和局部极值点的个数相等或最多相差一个%2) 在任意时刻，局部极大值点和极小值点形成的上、下包络线的平均值必须为零•噪声信号采用EMD 方法分解的步骤如下•1) 确定待分解噪声信号6(')中包含的所有局部极值点，并利用三次样条插值函数分别连接极大值点和极小值点，拟合出噪声信号的上下包络线•2) 计算出上下包络线的均值>1 •3) 噪声信号6(')减去均值>1得到一个新的数据序列仏，即5& 二 6( ') — >1 (6)")判断51是否满足IMF 分量条件:若满足条件51为噪声原始信号的1个IMF 分量，可得剩余分量厂1为1 二 6( ') - 5&(7)如果不满足条件，则将51作为待处理噪声信号，重复上述步骤1)至4)，直到517满足条件•5)将得到的？作为新的信号序列，重复上述步骤1)至4)的筛选处理,得到第2个IMF 分量，重复)次，最终计算出有限个IMF 分量和残余分量.经过上述筛选处理，噪声信号可以表示为j6( ') - # B + ?，()- j + 1)(7)a -1式中6 (')为噪声原始信号；B 为噪声原始信号的第A 个IMF 分量;厂)为噪声原始信号的残余分量•3车内声品质EMD-ANE 算法以上述EMD 方法与ANE 算法为基础，首先 采用EMD 方法对噪声信号进行分解，得到相对平 稳的IMF 分量;再由ANE 算法对各分量进行主动 控制，调整每个分量对应的声音保留因子必；累加 得到次级噪声信号：(7).各IMF 分量的权值向量由LMS 算法统一更新，EMD-ANE 算法框图如 图2所示.图2 EMD-ANE 算法框图Fig. 2 Block diagram of EMD-ANE algorithm图2中，G (7) "2(7),…，G (7)为分解得到的 A 个IMF分量,公式为• 116 •上海工程技术大学学报第34卷'C (7)二 b "L # b "L + 1).........b "L + = — 1)"(7 )二 b "L b "L + 1).........c 2 "L + L — 1)$ ^ (8)"")-c (L ) c (L +1)........c "L + L — 1)式中L 为滤波器长度；W 1 ( 7),W 2 ( 7)$；W ]( 7)为滤波器权值向量，用来生成次级噪声信号•滤波 器输出信号为:(7) - # 1—()・ C( 7) "W t (7) " S (4)i - 1虚拟误差为< (7) - &1 ( 7)-(・"(7) " W, (7) " S (z )滤波-6信号为C ( (7) -C(7) " S (z )滤波器的系数自适应更新为W. (7 + 1)-W t (7) +"・ C ( (7)・ <((7)式中：i - 1,2,…,j.4仿真试验4.1车内噪声信号采集与分解本节对怠速状态下汽车车内噪声信号进行采 集试验.试验车辆为国产某品牌家用轿车，在车窗关闭的状态下进行数据采集，如图3所示•采集环境为半消声室内，采集数据为驾驶员右耳处的噪声 信号•本次试验采集时间为10 s.为确保采集数据包含原噪声中全部信息，进行数据采集时选择1个 较大的采样率，为16 384 Hz.图3噪声振动采集现场图Fig. 3 Noise vibration acquisition site map采用EMD 方法对噪声信号进行分解，共得到13个IMF 分量.各分量的时域波形如图4所示,频谱图如图5所示.樹**枷静■协斛W 楷加出m ”制伸川桝制枷粗昭卜Lm i ■’*1* Ail 1一 ・• * . i 11 A M l .k . 4 i A i. 11 i “A. J 1 " 1 °.........* F* $ 訓-ill "1*lit rf|r nr*l 图4各IMF 分量时域波形图Fig. 4 Time domain waveform diagram of each IMF component4.2主动控制结果以主驾驶员右耳侧噪声作为输入信号,分别应 用EMD-ANE 算法与传统ANE 算法进行主动控 制，不断调整算法内部参数，直到控制效果达到最佳，最终确定的参数值见表1.两种算法的控制效果如图6 至图8 所示图6为EMD-ANE 算法与传统ANE 算法控 制效果时域对比图•可以看出，两种算法均可有效控制车内噪声，但EMD-ANE 算法稳态误差更小. 图7为EMD-ANE 算法与传统ANE算法控制效果第2期窦雪婷，等：基于经验模态分解的车内声品质EMD-ANE 主动控制算法・117・05001 0001 500频率/Hz图5 各IMF 分量频谱图Fig. 5 Spectrogram of each IMF component原始噪声表1两种算法参数值Table 1Parameter values of two algorithms参数ANEEMD-ANE65.03,25.43,6. 09,0.43,0. 053,0.001 9,步长"0. 002 40. 004 4,0. 012,0. 026,0. 14,0. 41,1. 58，322滤波器长度L 1717声音保留因子P0. 30,0,0,0. 05,0. 1,0. 15,0. 15,0. 17,020*********1.0—-ANE——EMD-ANE _] O --------------------------------------------------------------------------------'0 0.5 1.0 1.5 2.0 2.5 3.0 3.5 4.0时间/s图6 EMD-ANE 算法与ANE 算法控制效果时域对比图Fig. 6 Time domain comparison of EMD-ANE algorithm图7 EMD-ANE 算法与ANE 算法控制效果频域对比图Fig. 7 Comparison of frequency domain between EMD-ANEalgorithm and ANE algorithm control effect表2两种算法残余噪声响度Table 2 Residual noise loudness values of two algorithms算法响度原始噪声7. 243ANE5. 296EMD-ANE3. 865从表2中可以看出，EMD-ANE 算法的残余噪5ndANE5lgorithmcontrolefect声响度最低，相比原噪声下降46.64%，而ANE 算频域对比图.可以看出，在0〜1 500 Hz 频带内,EMD-ANE 算法的噪声控制效果优于传统ANE 算法,具有更好的消噪效果•采用Zwicker 方法对两种 算法的残余噪声的响度进行计算，结果见表2.法的残余噪声响度相比原噪声只下降26. 88%，因此，本文提出的EMD-ANE 算法较传统ANE 算法 对车内噪声响度具有更好的控制效果，可更好地改善车内声品质.・118・上海工程技术大学学报第34卷5结语本文基于EMD方法与ANE算法，考虑车内噪声非平稳性，提出一种车内声品质EMD-ANE 主动控制算法.通过采集实车数据并与传统ANE 算法进行对比验证，结果表明EMD-ANE算法的噪声响度更小，响度控制效果较传统ANE算法提高19.76%，更适用于车内声品质主动控制.参考文献：:1'常振臣，王登峰，等•车内噪声控制技术研究现状及展望吉林大学学报(工学版)，2002,32(4):86-90.&2'SCHNEIDER M,WILHELM M,ALT N.Development of vehicle sound quality-targets and methods[C]'Proceedings of SAE Noise and Vibration Conference andExposition.[S l.:SAE,1995.DOI：10.4271/951283. [3]BLAUERT J.Product-sound design and assessment:Anenigmatic issue from the point of view of engineering?[C]'Proceedings of Inter-Noise and Noisecon Congressand Conference.Yokohama:Institute of Noise ControlEngineering,1994[4]GUSKI R.Psychological methods for evaluatingsound quality and assessing acoustic information]!].Acta Acustica United with Acustica,1997,83(5)：765—7744[5]LUEG P.Process of silencing sound oscillations:US2043416[P].1936(06—09.&6]KIM H W,PARK H S,LEE S K,et l Modified-filtered-uLMSalgorithmforactivenoisecontrolandits application to a short acoustic duct[J].Noise&Vibration in Industry,2012,26(2)：27.[7]TANG X L,LEE C M.Time f requency-domain filtered-xLMS algorithm for active noise control[J].Journal ofSound and Vibration,2012,331:5002—5011.[8]QIUZ,LEE C M,XU Z H.A multi-resolutionfiltered-xLMSalgorithm basedondiscrete wavelettransform for active noisecontrol[J]4Mechan*calSystem Signal Processing,2016(66/67)：458-469. [9]LEE Y S,ELLIOTT S J4Active position control ofaflexiblesmartbeam usinginternal modelcontrol[J]Journalof;oundand Vibration,2001,242(5):*6*—*914[10]BISMOR D.LMS algorithm step size adjustment forfast convergence]!].Archives of Acoustics,2012,37(1)31—404[11]刘宗巍，王登峰，姜吉光，等•用主动噪声控制法改善车内声品质吉林大学学报(工学版)，2008,38(2):259—2624[12]姜吉光，王登峰.基于车内噪声主动控制的选择性消声方法研究[J]科学技术与工程，2014,14(12):288—29129*4[13]黄璞，蒋伟康,辛兢泽，等.中型客车车内加速噪声特性的实验研究[J]振动工程学报,2004,170):1116—111814]CUSIDOJ$ROMERAL L$ORTEGA J A$etal A Garcia Espinosa,Fault detection in inductionmachines using powerspectral densityin waveletdecomposition[J]4IEEE Transaction on IndustrialElectronics200855(2):633—643415]HUANG N E SHEN Z LONG S R4The empirical mode decompositionandthe Hilbertspectrum fornon-linearandnon-stationarytimeseriesanalysis[J]Procedingsofthe Royal Society,1998,454：903-995.16]WU Z$HUANG N E4Ensemble empirical mode decomposition:A noise-assisted data analysismethod[J]4Advancesin Adaptive Data Analysis$20091(1):1—4141*]VAN M$KANG H J$SHIN K S4Ro l ing element bearingfaultdiagnosisbasedonnon-localmeansde-noising and empirical mode decomposition[J]4Science,Measurement&Technology,2014,8(6)：5*1—5*8418]KUOS M$JI M J4Principle and application of adaptive noise equalizer[J]4IEEE TransactionsonCircuits and Systems II：Analog and Digital SignalProcesing199441():4*1—4*4419]KUOS M JI M J4Development and analysis of anadaptive noise equalizer[J]4IEEE TransactionsonSpeechandAudioProcesing19953(3):21*—2224 [20]杨东坡，王孝兰,王岩松，等•高速工况下乘员耳侧噪声信号重构方法[J]声学技术2019(3):340—347.(编辑：韩琳)。
基于KNN算法的汽车故障诊断系统设计与优化研究随着汽车行业的不断发展，汽车越来越成为人们生活中不可或缺的一部分。
然而，汽车故障也时常发生，对驾驶者的生命安全和日常行驶造成了很大的影响。
因此，对于汽车故障的诊断和修复变得越来越重要。
近年来，随着人工智能和机器学习的发展，许多研究人员开始使用这些技术来设计和优化汽车故障诊断系统，以提高故障诊断的准确性和效率。
其中一个常用的机器学习算法是KNN算法，它可以通过对训练数据的分类和分析来预测和诊断新的数据。
本文旨在介绍如何利用KNN算法来设计和优化汽车故障诊断系统。
一、数据采集和准备首先，我们需要准备一些数据集来训练和测试我们的KNN算法。
可以从汽车厂家或维修员处获得本车型的故障数据，包括故障类型、故障代码、车辆信息、检测时间等。
这些数据应该经过清洗、排序和转换为机器可读的格式。
同时，我们还需要将数据分成两部分，即训练集和测试集，以便评估算法的准确性。
二、KNN算法的实现KNN算法是一种机器学习算法，其全称为“最近邻居算法”（K-Nearest Neighbor Algorithm）。
该算法可以根据某个数据的邻居来预测它的类别。
KNN算法的基本思路是将新数据与已有的数据集中最相似的K个样本进行比对，然后根据这K个样本的分类来推断新数据的分类。
在汽车故障诊断中，KNN算法可以根据检测车辆的故障代码和车辆信息等数据来判断故障类型。
以下是KNN算法的具体实现步骤：1. 计算测试样本与所有训练样本之间的距离，并选取距离最近的K个样本。
2. 对于这K个样本，利用它们的标签进行多数投票，选出票数最多的标签为样本的预测类别。
3. 重复上述步骤，直到所有测试样本的类别都被预测完成。
三、KNN算法的优化尽管KNN算法已经被证明是一种有效的汽车故障诊断算法，但仍有一些优化方法可以改进它的性能。
以下是一些KNN算法的优化技术：1. 特征选择：在训练数据集中选择最重要的特征，能够提高算法的准确性。
第４２卷第５期２０２３年１０月沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报ＪｏｕｒｎａｌｏｆＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙＶｏｌ ４２Ｎｏ ５Ｏｃｔ ２０２３收稿日期:２０２２－１２－０６基金项目:辽宁省教育厅高等学校基本科研项目(ＬＪＫＭＺ２０２２０６０３)作者简介:刘松(１９９６ )ꎬ男ꎬ硕士研究生ꎮ通信作者:陈克(１９６５ )ꎬ男ꎬ教授ꎬ博士ꎬ研究方向为汽车动力学与控制ꎮ文章编号:１００３－１２５１(２０２３)０５－００８８－０７基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测刘㊀松ꎬ陈㊀克ꎬ王楷焱(沈阳理工大学汽车与交通学院ꎬ沈阳１１０１５９)摘㊀要:为准确预测纯电动汽车车内声品质ꎬ以心理声学客观参量为自变量ꎬ以纯电动汽车车内声品质主观评价值为因变量ꎬ搭建基于改进后的灰狼算法(ＩｍｐｒｏｖｅｄＧｒｅｙＷｏｌｆＯｐｔｉｍｉｚａｔｉｏｎꎬＩＧＷＯ)优化的ＢＰ神经网络预测模型ＩＧＷＯ￣ＢＰꎬ采用ＩＧＷＯ对ＢＰ神经网络的权值和阈值进行优化ꎬ解决ＢＰ神经网络对初值敏感㊁易陷入局部最优的问题ꎮ将其预测结果与ＢＰ神经网络预测结果进行对比分析ꎬ结果显示基于ＩＧＷＯ￣ＢＰ神经网络预测模型可大幅度提高车内声品质预测精度ꎬ表明该模型较适用于纯电动汽车车内声品质预测ꎮ关㊀键㊀词:纯电动汽车ꎻ声品质ꎻＢＰ神经网络ꎻ灰狼算法中图分类号:Ｕ４６７.４＋９３文献标志码:ＡＤＯＩ:１０.３９６９/ｊ.ｉｓｓｎ.１００３－１２５１.２０２３.０５.０１４ＳｔｕｄｙｏｎＰｒｅｄｉｃｔｉｏｎｆｏｒＡｃｏｕｓｔｉｃＱｕａｌｉｔｙｏｆＶｅｈｉｃｌｅＢａｓｅｄｏｎＩＧＷＯ￣ＢＰＮｅｕｒａｌＮｅｔｗｏｒｋＬＩＵＳｏｎｇꎬＣＨＥＮＫｅꎬＷＡＮＧＫａｉｙａｎ(ＳｈｅｎｙａｎｇＬｉｇｏｎｇＵｎｉｖｅｒｓｉｔｙꎬＳｈｅｎｙａｎｇ１１０１５９ꎬＣｈｉｎａ)Ａｂｓｔｒａｃｔ:ＩｎｏｒｄｅｒｔｏｍｏｒｅａｃｃｕｒａｔｅｌｙｐｒｅｄｉｃｔｔｈｅａｃｏｕｓｔｉｃｑｕａｌｉｔｙｏｆｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓꎬｗｉｔｈｐｓｙｃｈｏｌｏｇｉｃａｌａｃｏｕｓｔｉｃｏｂｊｅｃｔｉｖｅｐａｒａｍｅｔｅｒａｓｔｈｅｉｎｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅａｎｄｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅａｃｏｕｓｔｉｃｑｕａｌｉｔｙｓｕｂｊｅｃｔｉｖｅｖａｌｕｅａｓｔｈｅｄｅｐｅｎｄｅｎｔｖａｒｉａｂｌｅꎬＩＧＷＯ￣ＢＰｎｅｕｒａｌｎｅｔ￣ｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｉｓｂｕｉｌｔꎬｔｈｅｉｍｐｒｏｖｅｄｇｒｅｙｗｏｌｆａｌｇｏｒｉｔｈｍｉｓｕｓｅｄｔｏｏｐｔｉｍｉｚｅｔｈｅｗｅｉｇｈｔｓａｎｄｔｈｒｅｓｈｏｌｄｏｆＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎬｔｈｅｐｒｏｂｌｅｍｔｈａｔｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｉｓｓｅｎ￣ｓｉｔｉｖｅｔｏｔｈｅｉｎｉｔｉａｌｖａｌｕｅａｎｄｅａｓｙｔｏｆａｌｌｉｎｔｏｔｈｅｌｏｃａｌｏｐｔｉｍｕｍｉｓｓｏｌｖｅｄ.ＣｏｍｐａｒｅｄｗｉｔｈｔｈｅｐｒｅｄｉｃｔｉｏｎｒｅｓｕｌｔｓａｎｄｔｈｅＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌꎬｔｈｅｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅＩＧＷＯ￣ＢＰｎｅｕｒａｌｎｅｔｗｏｒｋｐｒｅｄｉｃｔｉｏｎｍｏｄｅｌｃａｎｇｒｅａｔｌｙｉｍｐｒｏｖｅｔｈｅｓｏｕｎｄｐｒｅｄｉｃｔｉｏｎａｃｃｕ￣ｒａｃｙꎬｉｎｄｉｃａｔｉｎｇｔｈａｔｔｈｅｍｏｄｅｌｉｓｍｏｒｅｓｕｉｔａｂｌｅｆｏｒｐｒｅｄｉｃｔｉｏｎｆｏｒｔｈｅｓｏｕｎｄｑｕａｌｉｔｙｏｆｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅｓ.Ｋｅｙｗｏｒｄｓ:ｐｕｒｅｅｌｅｃｔｒｉｃｖｅｈｉｃｌｅꎻｓｏｕｎｄｑｕａｌｉｔｙꎻＢＰｎｅｕｒａｌｎｅｔｗｏｒｋꎻｇｒａｙｗｏｌｆｏｐｔｉｍｉｚａｔｉｏｎ㊀㊀由于电动汽车没有传统内燃机噪声的掩蔽效应ꎬ动力总成系统中电机与变速器高频噪声变得较为突出[１]ꎬ其比传统燃油汽车驱动系统的噪声更易引起人体不适ꎬ纯电动汽车车内声压级水平虽低ꎬ但是电机产生的电磁噪声却影响着人们的驾乘感受ꎬ仅凭Ａ声级已经不足以反映驾乘人员对车内噪声的主观感受[２]ꎮ目前常用多元线性回归模型[３]㊁ＢＰ神经网络模型[４]对纯电动汽车声品质展开预测ꎬ其中多元线性回归模型是线性的ꎬ但人耳对声音的主观感受过程是非线性的ꎬ因此线性模型预测通常达不到理想精度ꎮ此外ＢＰ神经网络预测模型对初值过于敏感㊁易陷入局部最优和收敛速度慢等问题ꎬ模型预测精度偏低ꎮ灰狼优化算法在最优解方面已经被证明相较遗传算法和其他智能启发式算法有更优的收敛速度和求解精度[５]ꎬ本文选取改进后的灰狼算法(ＩｍｐｒｏｖｅｄＧｒａｙＷｏｌｆＯｐｔｉｍｉｚａｔｉｏｎꎬＩＧＷＯ)对ＢＰ神经网络进行优化ꎬ提高模型收敛速度ꎬ协调其全局搜索和局部搜索性能ꎬ建立基于ＩＧＷＯ￣ＢＰ的神经网络车内声品质预测模型ꎮ１㊀车内噪声的采集及主观评价试验１.１㊀车内噪声信号的采集本文试验采集某国产电动汽车驾驶员右耳处和车辆后排座位中心处的噪声信号ꎮ试验参照ＧＢ/Ｔ１８６９７ ２００２进行[６]ꎮ试验采集以２０ｋｍ/ｈ㊁３０ｋｍ/ｈ㊁５０ｋｍ/ｈ匀速工况和急加速工况下行驶时的车内噪声信号ꎬ将采集的信号导入测试软件进行回放ꎬ筛选无环境噪声干扰的纯电动汽车车内噪声信号２６组ꎮ针对２６组噪声信号ꎬ截取５３个时长为５ｓ㊁满足实验要求的车内噪声样本ꎬ其涵盖了不同时速㊁不同车况下纯电动汽车车内噪声信号ꎬ充分反映纯电动汽车行驶时车内声品质情况ꎮ１.２㊀主观评价试验声品质主观评价方法常用的有语义细分法和等级评分法等[７]ꎬ本文将语义细分法和等级评分法相结合作为主观评价方法ꎮ由于电动汽车存在 噪声低烦躁度高 的现象[８]ꎬ本文选取愉悦与烦躁两个表达情绪的语义词ꎬ以准确表征驾乘人员在车内的真实感受ꎮ评价时ꎬ噪声样本音频会播送两遍ꎬ播送时长为５ｓꎬ播送第一遍时评价者要选择相应语义ꎬ间隔５ｓ后ꎬ进行第二遍播送ꎬ此时需对第一次选择语义评价下的等级进行评定ꎮ主观评价试验采用的评分册如图１所示ꎮ图１㊀主观评价试验采用评分册㊀㊀为确保实验数据的科学性以及准确性ꎬ本次主观评价试验人员选定为年满１８周岁的１２位汽车相关专业的在读研究生ꎮ采用统计分析软件ꎬ对主观评价人员与其对５３个噪声样本的主观评价值进行统计学Ｓｐｅａｒｍａｎ相关系数计算并取绝对值ꎬ其绝对值越大ꎬ表明两变量的相关性越强ꎮＳｐｅａｒｍａｎ相关系数θ计算模型为θ＝１－６ðＢｉ＝１Ｓ２ｉＢ(Ｂ２－１)(１)式中:Ｂ为样本容量ꎻＳｉ为两组样本第ｉ个观察值的秩的差ꎮ一般认为相关系数高于０.７时表示数据可信度高ꎬ满足统计学要求ꎮ计算得到Ｓｐｅａｒｍａｒ相关系数如表１所示ꎬ由表１可知第１２位评价者的相关系数为０.６５４ꎬ低于０.７ꎬ在进行主观评价计算时予以排除ꎬ余下评价者主观评价的平均值作为主观评价结果ꎮ表１㊀Ｓｐｅａｒｍａｎ相关系数主观评价人员θ主观评价人员θ１０.７５０７０.７０７２０.７１９８０.７６２３０.７２７９０.７６９４０.７１１１００.７０７５０.７２６１１０.７６０６０.７２４１２０.６５４２㊀心理声学客观参数及相关分析选取心理声学客观参数中的语义清晰度ＡＩ㊁粗糙度Ｒ㊁响度Ｎ㊁尖锐度Ｓ表征车内声品质情况ꎬ表２为采集的噪声样本ｋ(ｋ＝１ꎬ２ꎬ ꎬ５３)中部分样本９８第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测的心理声学客观参数和满足相关系数要求的主观评价人员对车内声品质进行的主观评价结果Ｑｋꎮ表２㊀心理声学客观参数与主观评价结果３㊀主客观评价相关分析选用Ｐｅａｒｓｏｎ系数表示心理声学客观参数和主观评价结果之间的相关系数Ｐꎬ以明确二者之间是否相关ꎬ其计算公式为Ｐ＝ðｎｋ＝１(Ｈｋ－ Ｈ)(Ｑｋ－ Ｑ)ðｎｋ＝１(Ｈｋ－ Ｈ)２ðｎｋ＝１(Ｑｋ－ Ｑ)２(２)式中: Ｑ为所有主观评价结果的平均值ꎻＨｋ代表客观评价参数的值ꎻ Ｈ代表客观评价参数的平均值ꎮＰ的绝对值置于０与１之间ꎬＰ的绝对值越大ꎬ两者相关性越高ꎬ否则反之ꎮ表３为根据表２计算出的Ｐ值ꎬ从表中可以看到:ＡＩ㊁Ｎ㊁Ｓ与主观评价结果均有很强相关性ꎬ相关系数均在０.６以上ꎻＲ与主观评价结果有较强相关性ꎬ相关系数为０.５０２ꎮ表３㊀心理客观参数与主观评价结果的相关系数心理客观参数ＡＩＲＮＳＰ０.８４３０.５０２０.７３８０.６６９４㊀车内声品质预测模型搭建４.１㊀确定ＢＰ神经网络结构及训练参数ＢＰ神经网络是误差反向传播的前向反馈网络ꎬ其包括输入层㊁隐藏层和输出层ꎬ可实现给定的输入输出映射关系[９－１１]ꎬ选取语义ｈ１＝ＡＩ㊁ｈ２＝Ｒ㊁ｈ３＝Ｎ㊁ｈ４＝Ｓ为输入层向量Ｈ＝(ｈ１ꎬｈ２ꎬｈ３ꎬｈ４)Ｔꎬ车内声品质预测模型拓扑结构如图２所示ꎮ图２㊀神经网络拓扑图㊀㊀选取隐含层节点数为ｍ＝２ｌ＋１个ꎬ其中ｌ为输入层节点数[１２]ꎬ此时ｌ为４个ꎬ则隐藏层节点数为９个ꎬ隐藏层输入向量为ｙ＝(ｙ１ꎬｙ２ꎬ ꎬｙｊꎬ ꎬｙ９)Ｔ(３)以第ｊ个隐藏层神经元为例(ｊ＝１ꎬ２ꎬ ꎬ９)ꎬ此时其输出为ｙｊ＝ｆ１(ｘ)＝ｆ１(ðｌｉ＝１ｗｉｊｈｉ＋θｊ)(４)式中:ｈｉ为输入层第ｉ(ｉ＝１ꎬ２ꎬ３ꎬ４)个神经元的输入ꎻｗ为输入层的权值ꎻθ为输入层阈值ꎮ隐藏层转换函数ｆ１(ｘ)取Ｔａｎｓｉｇ为传递函数ꎬ其计算公式为ｆ１(ｘ)＝２１＋ｅ－２ｘ－１(５)输入的心理声学客观参数通过隐藏层的数据处理ꎬ最终从输出端输出唯一输出层向量ꎬ即车内声品质主观评价预测值ｚｊ(ｊ＝１ꎬ２ꎬ ꎬ９)ꎬ其计算公式为ｚｊ＝ｆ２(ｘ)＝ｆ２(ðｍｊ＝１ｖｉｊｙｊ＋ｑｊ)(６)０９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷式中:ｖ为隐藏层的权值ꎻｑ为隐藏层的阈值ꎻ输出层转换函数ｆ２(ｘ)取线性函数ꎬ令ｆ２(ｘ)＝ｘꎮＢＰ神经网络具有反向传播过程ꎬ通过计算输出层与期望值之间的误差调整网络参数ꎬ从而使误差变小ꎮ其误差函数Ｅ计算公式为Ｅ＝１２ðＡｇ＝１(Ｑｇ－Ｚｇ)２(７)模型训练次数越多ꎬ预测模型精度越高ꎬ为保证ＢＰ神经网络训练模型精度ꎬ模型训练集比例一般不少于样本总数的７０％ꎬ常见训练集和测试集分配比例为７ʒ３与８ʒ２ꎬ为保证本课题预测模型得到充分训练ꎬ预测模型训练样本总数Ａ为４０ꎬ大于样本总数的７０％ꎬＱｇ为样本ｇ期望的车内声品质主观评价值ꎬｚｇ为在样本ｇ作用下的车内声品质主观评价预测值(ｇ＝１ꎬ２ꎬ ꎬ４０)ꎮ为解决ＢＰ神经网络初值敏感等缺陷ꎬ本文采用灰狼算法对其进行优化ꎬ以提高车内声品质预测模型的精度ꎮ４.２㊀灰狼算法灰狼算法旨在模仿自然界灰狼的捕猎行为以解决复杂优化问题ꎮ灰狼群有着严格的金字塔式等级制度ꎬ其中领导狼被命名为α㊁β㊁δ狼ꎬ分别代表着最优解㊁优解和次优解ꎬω狼为狼群中的底层狼ꎬ追随领导狼对猎物进行搜索工作[１３－１５]ꎮ狩猎行为公式为Ｄ＝｜ＣＸｔｐ－Ｘｔ｜(８)Ｃ＝２ｒ１(９)式中:Ｃ为浮动因子ꎻｔ为当前迭代次数ꎻＸｔｐ和Ｘｔ分别为经过ｔ次迭代后猎物位置和灰狼的位置ꎻｒ１为[０ꎬ１]内随机向量ꎮ位置更新公式为Ｘｔ＋１＝Ｘｔｐ－ＭＤ(１０)Ｍ＝２ａ(ｒ２－Ｉ)(１１)ａ＝２－２ˑｔＴ(１２)式中:Ｍ为系数向量ꎻａ为从２到０线性递减的收敛因子ꎻＴ为最大迭代次数ꎬ本文最大迭代次数取１００ꎻｒ２为[０ꎬ１]内随机向量ꎻＩ为单位矩阵ꎮ寻优具体步骤为Ｄｉ＝｜ＣｉＸｔｉ－Ｘｔ｜(１３)Ｘｔ＋１ｉ＝Ｘｔｉ－ＭｉＤｉ(１４)Ｘｔ＋１ｐ＝Ｘｔ＋１α＋Ｘｔ＋１β＋Ｘｔ＋１δ３(１５)式中:Ｄｉ为狼群个体的位置到α㊁β㊁δ狼所在位置的距离(ｉ＝α㊁β㊁δ)ꎬω狼在每轮位置更新的最终位置为Ｘｔ＋１ｐꎬ取其最优作为ＢＰ神经网络的权值和阈值ꎬ优化ＢＰ神经网络ꎬ使模型预测的主观评价值精度更高ꎮ４.３㊀灰狼算法的改进灰狼算法后期容易陷入局部最优ꎬ会影响到模型的预测精度ꎬ其收敛因子ａ对于协调全局搜索和局部搜索性能是重要的因素ꎮ本课题对收敛因子ａ进行优化ꎬ其方案依据曹轲等[１６]提出的基于正切函数的非线性控制参数策略ꎬ如公式(１６)所示ꎮａ＝ａｍａｘ－(ａｍａｘ－ａｍｉｎ)ˑｔａｎπｔ４Ｔ(１６)式中:ａｍａｘ＝２ꎻａｍｉｎ＝０ꎮ改进后收敛因子ａ不再按相同速率递减ꎬ变为非线性递减ꎬ前期下降速率慢ꎬ灰狼算法前期增加了全局搜索能力ꎻ后期下降速率快ꎬ改善了算法局部寻优问题的收敛速率ꎬ改进前后收敛因子对比如图３所示ꎮ图３㊀收敛因子对比图㊀㊀由图３可知ꎬ收敛因子非线性递减提升了寻求最优解的效率和搜索精度ꎬ可以较好平衡局部和全局搜索能力ꎮ为了区分α㊁β㊁δ狼在狼群中的分工不同ꎬ影响力不一ꎬ选用适应度值和基于步长欧氏距离的动态权重位置更新策略ꎬ计算公式为Ｗｉ＝｜Ｘｔ＋１ｉ｜｜Ｘｔ＋１α｜＋｜Ｘｔ＋１β｜＋｜Ｘｔ＋１δ｜(１７)１９第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测ωｉ＝ｆｉｆα＋ｆβ＋ｆδ(１８)Ｘｔ＋１ｐ＝ωα Ｗα Ｘα＋ωβ Ｗβ Ｘβ＋ωδ Ｗδ Ｘδ３(１９)式中:ｆｉ为适应度值(ｉ＝α㊁β㊁δ)ꎻＷｉ分别为灰狼种群对α㊁β㊁δ的学习率ꎮω狼在每轮位置更新的最终值为Ｘｔ＋１ｐꎬ取其最优作为ＢＰ神经网络的权值和阈值ꎬ优化ＢＰ神经网络ꎬ使得模型预测的主观评价值精度更高ꎮ４.４㊀ＩＧＷＯ￣ＢＰ神经网络车内声品质预测模型建立ＩＧＷＯ￣ＢＰ神经网络车内声品质预测模型ꎬ其流程如图４所示ꎮ图４㊀ＩＧＷＯ￣ＢＰ流程图㊀㊀具体流程如下ꎮ１)对噪声样本数据进行处理ꎮ２)定义ＢＰ神经网络拓扑结构ꎮ依据经验ꎬ定义灰狼种群大小为３０ꎬ将ＢＰ神经网络的各层权值㊁阈值设定为改进灰狼算法的求解对象ꎬ并进行全局寻优ꎮ３)确立适应度值函数ꎬ将灰狼个体中的初始参数作为ＢＰ神经网络的初始值ꎬ对神经网络进行训练得到预测输出值Ｚᶄｇ和期望输出Ｑｇꎬ本课题采取平均的均分误差(ＭＳＥ)作为适应度值函数ꎬ其公式为Ｆ＝１ｎðｎｓ＝１(Ｑｇ－Ｚᶄｇ)２(２０)４)根据公式计算第一代狼适应度值ꎬ选取狼群中适应度值最高的３只作为领导狼α㊁β㊁δꎮ５)更新灰狼算法中ｒ１㊁ｒ２㊁ａꎬ根据公式更新每只灰狼位置ꎬ作为ＢＰ神经网络初始参数ꎬ对网络进行训练ꎬ依据公式求得更新后灰狼个体适应度值ꎬ重新确定α㊁β㊁δꎮ６)确定灰狼算法是否达到最大迭代次数１００次ꎬ若未达到返回５)ꎬ否则将获得的权值和阈值赋予ＢＰ神经网络最优初始参数ꎮ７)利用最优初始参数构建ＢＰ神经网络ꎬ输入样本数据ꎬ对ＢＰ神经网络进行训练ꎬ直至满足设定要求ꎬ输出结果ꎮ５㊀预测模型比较５.１㊀收敛性对比选取隐含层节点数为９ꎬ训练次数设计为１０００次ꎬ建立基于ＢＰ神经网络纯电动汽车车内声品质预测模型ꎮ训练目标最小误差设置为０.００１ꎬ其网络训练误差曲线如图５所示ꎮ图５㊀ＢＰ预测模型误差曲线㊀㊀由图５可知ꎬ该预测模型进行函数拟合时ꎬ训练误差缓慢下降ꎬ在迭代次数到达５５０次时(Ｂｅｓｔ线)实现了预期精度目标(Ｇｏａｌ线)ꎬ但是在网络训练过程中也出现局部最优的情况ꎬ影响了网络向全局最优的趋势发展ꎮ因此ꎬＢＰ算法的优越性虽然明显ꎬ但仍然有进一步提高的空间ꎮ为解决基于ＢＰ神经网络纯电动汽车车内声品质预测模型易陷入局部最优㊁收敛速度慢等问题ꎬ采用改进后的灰狼算法对其进行优化ꎬ建立基于ＩＧＷＯ￣ＢＰ神经网络的纯电动汽车车内声品质预测２９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷模型ꎬ对网络模型进行函数拟合ꎬ课题设置最大迭代次数为１００次ꎬ其网络训练误差曲线如图６所示ꎮ图６㊀ＩＧＷＯ￣ＢＰ预测模型误差曲线㊀㊀由图６可知ꎬ基于ＩＧＷＯ￣ＢＰ神经网络的纯电动汽车车内声品质预测模型进行函数拟合时ꎬ在迭代５次以内实现了预测的预期精度ꎬ同时不断收敛至最优适应度值ꎬ在迭代１０次以内实现了适应度值最优ꎬ表明了ＩＧＷＯ￣ＢＰ算法使用自适应调整的控制参数和动态位置权重等可以较好地扩大寻优空间ꎬ有效避免局部最优解并提高算法收敛速度ꎮ５.２㊀预测模型精度对比利用所建立起来的基于ＩＧＷＯ￣ＢＰ和ＢＰ的神经网络纯电动汽车车内声品质预测模型ꎬ对测试样本４１至５３进行评价ꎬ表４为两种模型预测结果与相对误差的对比分析ꎮ表４㊀两种模型对比分析样本序号实际值ＢＰ神经网络模型预测值相对误差/％ＩＧＷＯ￣ＢＰ神经网络模型预测值相对误差/％１７.３７.２８８０.１６４７.２４６０.７４０２６.１６.１８０１.３１１６.１３７０.６０７３４.３４.２７５０.５８１４.２８５０.３４９４６.８６.８５３０.７７９６.８７４１.０８８５４.７４.５７４２.６８１４.６６２０.８０９６７.９７.６３２３.３９２７.６９４２.６０８７６.０６.０５８０.９６７６.０５７０.９５０８４.５４.４９７０.０６７４.５３１０.６８９９５.８６.０４０４.１３８５.９１１１.９１４１０８.６８.１０１５.８０２８.１７０５.０００１１４.８４.９１４２.３７５４.７８７０.２７１１２６.２６.１６９０.５００６.２７８１.２５８１３７.１７.２１８１.６６２７.１０９０.１２７㊀㊀对基于ＩＧＷＯ￣ＢＰ和ＢＰ的神经网络纯电动汽车车内声品质预测模型运算１０次ꎬ选取ＭＳＥ㊁均方根误差(ＲＭＳＥ)㊁平均绝对误差(ＭＡＥ)以及平均绝对百分比误差(ＭＡＰＥ)作为模型的评价指标ꎬ进行比较分析ꎮ由表５给出的两种模型精度数据可以看出ꎬＩＧＷＯ￣ＢＰ模型对声品质预测结果ＭＳＥ为１.７３５％ꎬ比传统ＢＰ神经网络模型的ＭＳＥ少２.６６３％ꎬＭＡＥ为８.５５５％ꎬ比传统ＢＰ神经网络模型的ＭＡＥ少４.３０３％ꎬＭＡＰＥ为１.２５８％ꎬ比传统ＢＰ神经网络模型的ＭＡＰＥ少０.６７１％ꎬＲＭＳＥ为１３.１３７％ꎬ比传统ＢＰ神经网络模型的ＲＭＳＥ少７.５７０％ꎬ说明ＩＧＷＯ￣ＢＰ神经网络有效地提高了纯电动汽车车内声品质预测结果的精确度ꎮ表５㊀两种模型精度分析％误差指标ＢＰ神经网络模型ＩＧＷＯ￣ＢＰ神经网络模型ＭＳＥ４.３９８１.７３５ＭＡＥ１２.８５８８.５５５ＭＡＰＥ１.９２９１.２５８ＲＭＳＥ２０.７０７１３.１３７６㊀结论本文针对纯电动汽车车内声品质预测模型精度不高问题ꎬ提出了基于ＩＧＷＯ￣ＢＰ神经网络纯电动汽车车内声品质预测模型ꎮ模型选取非线性减少的收敛因子和基于适应度值以及基于步长欧氏距离的动态权重位置更新策略ꎬ对传统的ＢＰ神经３９第５期㊀㊀㊀刘㊀松等:基于ＩＧＷＯ￣ＢＰ神经网络的车内声品质预测网络模型进行优化ꎬ有效避免了预测模型易陷入局部最优解和收敛速度慢等问题ꎬ大幅提升了预测模型精度ꎬＭＳＥ提升２.６６３％㊁ＲＭＳＥ提升７.５７０％㊁ＭＡＥ提升４.３０３％ꎬ以及ＭＡＰＥ提升０.６７１％ꎬ说明该模型较适用于纯电动汽车车内声品质预测ꎮ参考文献:[１]杨远ꎬ刘海ꎬ陈勇ꎬ等.电驱动动力总成噪声识别与优化[Ｊ].噪声与振动控制ꎬ２０１７ꎬ３７(６):１０２－１０６ꎬ１１４.[２]朱仝ꎬ郑松林ꎬ袁卫平.基于遗传－支持向量回归的车内稳态噪声声品质预测[Ｊ].噪声与振动控制ꎬ２０２０ꎬ４０(３):１７０－１７４ꎬ１９３.[３]陈克ꎬ阳思远ꎬ毛书林.车内声品质主客观评价的相关性分析[Ｊ].沈阳理工大学学报ꎬ２０１７ꎬ３６(１):１０１－１０５.[４]ＭＡＣꎬＣＨＥＮＣꎬＬＩＵＱꎬｅｔａｌ.Ｓｏｕｎｄｑｕａｌｉｔｙｅｖａｌｕａ￣ｔｉｏｎｏｆｔｈｅｉｎｔｅｒｉｏｒｎｏｉｓｅｏｆｐｕｒｅＥｌｅｃｔｒｉｃｖｅｈｉｃｌｅｂａｓｅｄｏｎｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌ[Ｊ].ＴｒａｎｓａｃｔｉｏｎｓｏｎＩｎｄｕｓｔｒｉ￣ａｌＥｌｅｃｔｒｏｎｉｃｓꎬ２０１７ꎬ６４(１２):１０２－１０６. [５]ＭＩＲＪＡＬＩＬＩＳ.Ｈｏｗｅｆｆｅｃｔｉｖｅｉｓｔｈｅｇｒｅｙｗｏｌｆｏｐｔｉｍｉ￣ｚｅｒｉｎｔｒａｉｎｉｎｇｍｕｌｔｉ￣ｌａｙｅｒｐｅｒｃｅｐｔｒｏｎｓ[Ｊ].ＡｐｐｌｉｅｄＩｎ￣ｔｅｌｌｉｇｅｎｃｅꎬ２０１５ꎬ４３(１):１５０－１６１.[６]全国声学标准化技术委员会.声学汽车车内噪声测量方法:ＧＢ/Ｔ１８６９７ ２００２[Ｓ].北京:中国标准出版社ꎬ２００２.[７]张勇ꎬ孟天ꎬ王坤祥ꎬ等.车内声品质主观评价模型及中频噪声优化[Ｊ].汽车工程ꎬ２０２０ꎬ４２(５):６５１－６５７ꎬ６６４.[８]王永超ꎬ顾灿松ꎬ陈达亮.纯电动汽车声品质评价及电磁噪声分析[Ｊ].汽车实用技术ꎬ２０１８ꎬ２０１８(４):３－６.[９]蒋思中ꎬ郭宏涛ꎬ安轲ꎬ等.基于ＰＳＯ￣ＢＰ神经网络的带式输送机能耗优化研究[Ｊ].煤炭技术ꎬ２０２２ꎬ４１(１１):２３４－２３６.[１０]于珍珍ꎬ邹华芬ꎬ于德水ꎬ等.融合田间水热因子的甘蔗产量ＧＡ￣ＢＰ预测模型[Ｊ].农业机械学报ꎬ２０２２ꎬ５３(１０):２７７－２８３.[１１]孙利文ꎬ刘海ꎬ王海洋ꎬ等.应用ＧＡ￣ＢＰ神经网络对加速工况车内声品质研究[Ｊ].科学技术与工程ꎬ２０１７ꎬ１７(１７):３４０－３４５.[１２]黄海波ꎬ李人宪ꎬ黄晓蓉ꎬ等.基于Ａｄａｂｏｏｓｔ算法的车内噪声声品质预测[Ｊ].汽车工程ꎬ２０１６ꎬ３８(９):１１２０－１１２５.[１３]杨书杰ꎬ叶霞ꎬ李俊山.基于灰狼算法的ＢＰ神经网络图像恢复算法[Ｊ].微电子学与计算机ꎬ２０１８ꎬ３５(３):１９－２２ꎬ２７.[１４]ＹＡＮＧＣＭꎬＬＩＵＹꎬＷＡＮＧＹＴ.ＡｎｏｖｅｌａｄａｐｔｉｖｅｋｅｒｎｅｌｐｉｃｔｕｒｅｆｕｚｚｙＣ￣ｍｅａｎｓｃｌｕｓｔｅｒｉｎｇａｌｇｏｒｉｔｈｍＢａｓｅｄｏｎｇｒｅｙｗｏｌｆｏｐｔｉｍｉｚｅｒａｌｇｏｒｉｔｈｍ[Ｊ].Ｓｙｍｍｅ￣ｔｒｙꎬ２０２２ꎬ１４(７):１４４２.[１５]侯勇严ꎬ杨澳ꎬ郭文强ꎬ等.基于灰狼算法优化的神经网络短期发电量预测[Ｊ].陕西科技大学学报ꎬ２０２２ꎬ４０(４):１７１－１７７.[１６]曹轲ꎬ谭冲ꎬ刘洪ꎬ等.基于改进灰狼算法优化ＢＰ神经网络的无线传感器网络数据融合算法[Ｊ].中国科学院大学学报ꎬ２０２２ꎬ３９(２):２３２－２３９.(责任编辑:和晓军)(上接第８７页)[１４]马飞ꎬ曹泽阳ꎬ刘晖.基于博弈论的目标分配策略空间构建与搜索[Ｊ].系统工程与电子技术ꎬ２０１０ꎬ３２(９):１９４１－１９４５.[１５]曾松林ꎬ王文恽ꎬ丁大春ꎬ等.基于动态博弈的目标分配方法研究[Ｊ].电光与控制ꎬ２０１１ꎬ１８(２):２６－２９ꎬ７２. [１６]周兴旺ꎬ从福仲ꎬ庞世春ꎬ等.基于贝叶斯混合博弈的空袭火力资源分配决策模型[Ｊ].火力与指挥控制ꎬ２０１６ꎬ４１(７):１８－２２.[１７]赵玉亮ꎬ宋业新ꎬ张建军ꎬ等.基于多策略融合粒子群的无人机对地攻击模糊博弈决策[Ｊ].控制理论与应用ꎬ２０１９ꎬ３６(１０):１６４４－１６５２.[１８]ＬＥＢＯＵＣＨＥＲＣꎬＳＨＩＮＨＳꎬＬＥＭＥＮＥＣＳꎬｅｔａｌ.Ｎｏ￣ｖｅｌｅｖｏｌｕｔｉｏｎａｒｙｇａｍｅｂａｓｅｄｍｕｌｔｉ￣ｏｂｊｅｃｔｉｖｅｏｐｔｉｍｉｓａｔｉ￣ｏｎｆｏｒｄｙｎａｍｉｃｗｅａｐｏｎｔａｒｇｅｔａｓｓｉｇｎｍｅｎｔ[Ｊ].ＩＦＡＣＰｒｏｃｅｅｄｉｎｇｓＶｏｌｕｍｅｓꎬ２０１４ꎬ４７(３):３９３６－３９４１. [１９]ＧＬＯＶＥＲＦꎬＫＥＬＬＹＪＰꎬＬＡＧＵＮＡＭ.Ｇｅｎｅｔｉｃａｌｇｏ￣ｒｉｔｈｍｓａｎｄｔａｂｕｓｅａｒｃｈ:ｈｙｂｒｉｄｓｆｏｒｏｐｔｉｍｉｚａｔｉｏｎ[Ｊ].ＣｏｍｐｕｔｅｒｓａｎｄＯｐｅｒａｔｉｏｎｓＲｅｓｅａｒｃｈꎬ１９９５ꎬ２２(１):１１１－１３４.(责任编辑:和晓军)４９沈㊀阳㊀理㊀工㊀大㊀学㊀学㊀报㊀㊀第４２卷。
语音识别中的语音降噪与增强研究语音识别在人工智能领域中有着广泛的应用。
尤其在智能家居、车载导航等场景下，语音交互越来越受到欢迎。
但是，在一些特定环境下，像是嘈杂的餐厅或是飞机起降时，语音识别往往表现很差，这时“语音降噪与增强”就会成为一个关键的话题。
一、什么是语音降噪语音降噪是指减少输入信号中的噪声，提高语音信号的质量。
在语音识别中，噪声是指在原始语音信号中添加的任何干扰，如机械噪声、交叉谈话或其他环境噪声。
这些噪声因素可能导致语音信号失真，难以识别，影响智能设备的使用体验。
因此，减少噪声影响，即提高语音质量对语音识别十分关键。
二、语音降噪的实现原理语音降噪的实现原理基于两个主要的技术：1.基于信号处理技术的语音降噪：使用一系列算法，比如最小平方时域估计（MMSE）、谱减法（Spectral subtraction）、小波变换降噪等，将原始语音信号中的噪声去除。
这种方法可以提取语音信号中的重要部分，减少噪声的影响，大大提高语音识别的准确度。
2.基于流形学习的语音降噪：这种方法利用了降噪后的语音信号的特征，在流形学习中学习随机噪声对语音噪声的映射关系。
通过这种方式，可以降低噪声对语音识别过程造成的影响。
这种方法在复杂噪声情况下表现良好。
三、语音增强技术除了语音降噪，语音增强也是提高语音识别精度的关键方法之一。
语音增强利用外部的信息或信号，通过一个信号处理过程，改进语音信号的质量。
常见的语音增强技术包括如下几种：1.基于麦克风阵列的语音增强：利用麦克风阵列捕捉音频信号，并过滤噪声的干扰，提取直观语音信号的信息，从而提高语音识别性能。
2.基于语音增益的语音增强：为了提高语音识别的质量，提升语音清晰度，利用正交变换的方法，将语音信号分离成声源信号/噪声信号。
然后，对两个信号进行增益调整，减少噪声信号的影响。
3.基于语音增广的语音增强：通过增强语音信号的信息，从而提升语音信号的质量和清晰度。
这种方法包括使用语音库以及利用深度学习技术，如自编码器、卷积神经网络等提取更多的语音特征。
基于KNN算法的汽车故障诊断系统设计与优化研究一、汽车故障诊断系统的背景介绍
随着汽车技术的进步，汽车的维修也变得越来越复杂，而传统的故障诊断方法只能通过技术人员的主观诊断进行故障定位，耗费时间又不容易准确发现汽车故障，为此，汽车故障诊断系统应运而生。
汽车故障诊断系统是一种基于数据挖掘算法，采用机器学习技术的汽车故障诊断应用系统，该系统能够基于汽车故障历史数据分析，并利用KNN算法进行模式识别，提取出潜在的故障模式，从而实现汽车故障的自动诊断，进而提供高效准确的汽车故障诊断结果，大大提升汽车维修技术水平。
二、汽车故障诊断系统的构建和优化
（1）数据收集
汽车故障诊断系统的核心是数据收集，也就是从实际汽车故障中收集相关的参数和数据，以便分析出汽车故障的症状和原因。
通常，汽车的技术人员可以通过检测仪器来收集从汽车中给出的相关参数和数据，这些参数和数据能够为汽车故障诊断系统提供有价值的信息，从而可以帮助技术人员更全面的分析汽车的故障。
（2）KNN算法研究
KNN算法是当前应用最为广泛的汽车故障诊断技术。
