东风柳州汽车有限公司广西柳州545006
摘要：目前我国经济发展十分快速，随着人们生活水平的提高。对于乘车舒适性要求的提高，使得驾乘人员对于车内的声音环境有越来越高的要求。为评价车内噪声的舒适性，通常采用A计权声压级来进行评价，但A计权声压级对低频噪声的衰减较大，且车内的噪声组成大部分是因为结构振动引起的低频噪声，所以A计权声压级并不能反映完整的车内噪声特性，同时也不能完全表达出人的主观感受。为将人的主观感受利用客观参量量化表述，声品质的概念被提出。本文通过对两款汽车车内噪声信号的采集，选取不同发动机工况、路面状况以及不同的车内环境下的车内噪声作为样本。通过分析主观评价结果和客观心理学参数之间的相关性，最终建立两者之间的多元线性回归模型。
关键词：车内噪声；声品质；评价模型；相关性
引言
采集同一品牌两辆不同型号的汽车在不同发动机工况、不同路面状况和不同车内环境情况下的驾驶员右耳处的噪声样本，作为实验评价对象。利用等级评分法进行车内噪声品质的主观评价实验，并对样本进行客观心理声学参数计算。通过对比客观参数之间的关系，找出各工况下对于车内噪声响度、尖锐度的影响。通过相关性分析，建立车内噪声品质主客观评价间的多元线性回归模型。结果表明，在不同的发动机工况、车内环境和路况下，车内声品质主要受响度和尖锐度的影响。
1评价模型简介
1.1BP神经网络模型
BP神经网络是一种多层前馈神经网络，主要特点是信号前向传递，误差反向传播，通过反向传播不断地调整网络的权值和阈值，来逼近期望的输出值。BP神经网络模型可以用来描述非线性关系。该方法先用训练样本训练出BP神经网络，近似地模拟此未知函数，再用训练好的网络来预测测试样本，流程如图1所示。
（图1：BP神经网络算法流程图）
1.2径向基函数(ＲBF)模型
径向基函数由M.D．Powell于1985年提出．ＲBF神经网络是3层前向型的神经网络，第1层是输入层(A1，A2，A3，A4)；第2层是隐藏层(1(x)，2(x)，3(x))，隐藏层里神经元的变换函数是局部响应函数，是对中心点径向对称且衰减的非负非线性函数；第3层是输出层。ＲBF神经网络与一般的前馈网络不同，它的输入层到隐藏层是非线性关系，隐藏层到输出层是线性关系。径向基函数神经网络结构如图2所示。
（图2：ＲBF神经网络结构图）
ＲBF神经网络不仅拥有一般神经网络所有的优点，还有结构简单、训练简洁且学习收敛速度快、泛化能力强、能够逼近任意非线性函数的特点，因此ＲBF神经网络广泛应用于模式识别、非线性函数逼近等领域。
2客观参数的计算和主客观相关性分析
2.1客观参数的选取和计算
为表述噪声对人的影响，在研究声品质过程中，本文选取响度(Ld)、尖锐度(Sp)和AI指数(Ai)作为客观参数来描述样本噪声的品质。根据ISO532B标准，响度是用来表示声音强弱的物理量，计算公式为
式中：Bark是基于特征频带的频率尺度；N'为特征响度，计算公式为
式中：V(f)为计权系数，查表1可得；D(f)则根据背景噪声的变化而改变。当背景噪声大于上限噪声时，D(f)值为0；当低于下限噪声时，D(f)取值30；当背景噪声位于上限噪声和下限噪声之间时，取值为两者之差。
表1：AI指数计算中各频段上限噪声和对应的计权系数
表2为样本客观评价参数的计算结果，从表中可知，在相同的发动机工况下，样车二的响度和尖锐度值要显著高于样车一的值，同时从样本编号的2和8、11和17的对比中可以看出，不同粗糙度的路面对于响度的影响要大于尖锐度
表2：样本客观评价参数计算结果
2.2相关性分析
为研究主观评价结果和客观参量之间的关系，本文首先利用相关性分析来确定二者之间的相关关系，利用Pearson系数来确定参数之间是否相关。
式中：P为Pearson指数；i表示客观参量的序号；ai表示主观评分的值；bi代表客观评价参数的值；M为正整数。若|P|值位于0到1之间，相关性随|P|的增加而增加，|P|=1说明二者线性相关；若|P|=0则说明两个变量之间不存在相关关系。计算之后二者之间的Pearson相关系数值如表3所示。
表3主观评价值和客观心理学参数之间的相关系数
从表3中可以看出，响度、尖锐度、AI指数和主观评价结果|P|的相关系数都在0.5以上，说明主观评价结果和客观参数之间存在相关关系。响度与其主观评价结果的|P|值和AI指数与其主观评价结果的|P|值都在0.8以上，表明两者与主观评价结果相关性较强。因为本次实验过程中有考虑到噪声是否能影响人与人之间的沟通，所以AI指数相关性较强符合实验预期。
2.3基于BP神经网络的声品质评价模型
在Matlab中建立BP神经网络构架，此次建模中，输入层为声样本的响度、声样本的尖锐度等8个参数，输出层为主观偏好性评价值，即输出节点为1。应用traingd函数训练，训练样本为1-18。将19－24号作为测试样本输入训练好的BP神经网络中，得出BP神经网络的预测值。
3结论
(1)通过主客观评价的相关性分析，得出了在本次实验条件下AI指数和响度与主观评分结果的相关性较强，达到了0.8以上，说明在本次实验条件下，不同的车内环境能够影响到AI指数，尖锐度的相关性次之，但也达到了0.5以上；(2)通过对主客观评价结果的多元线性回归模型的建立，表明了在本次实验条件下，车内声品质的客观参数中，响度和尖锐度是主要影响因子；且尖锐度对车内噪声品质的影响程度要大于响度；(3)通过对于不同工况和不同样车之间的噪声样本进行对比分析，发现车内噪声的响度、尖锐度和汽车发动机缸数相关。此外，粗糙路况对响度的影响大于对尖锐的影响。本次实验样本有较好的普遍性和适用性，所以在汽车的生产过程中，主要应该通过改善发动机的性能来降低车内噪声的响度和尖锐度。(4)采用BP神经网络建立声品质主客观评价模型，预测效果优于多元线性回归模型，但由于BP神经网络使用的是负梯度下降法，并且收敛速度较慢，故再用径向基函数建立声品质主客观评价模型。3种模型比较后表明：ＲBF模型误差最小，能很好地预测在本试验工况下的车内噪声声品质，本研究方法可复制性较强，可应用于其他类型车辆的车内声品质研究中。
参考文献
［1］陈小平．音乐声学与心理声学［M］．北京：人民邮电出版社，2010．
［2］庄婷．基于音乐掩蔽效应的车内声品质主客观评价［D］．镇江：江苏大学，2014．
［3］王甫江，刘岩，张晓娟．柴油机声品质客观参量测试及分析［J］．噪声与振动控制，2014，34(4)：192－196．
［4］王登峰，刘宗巍．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(增刊2)：41－45．
［5］田建涛，余志龙，庞瀛洲．工程机械噪声主观评价的等级评分法实验研究［J］．工程机械，2014，45(9)：25－13．