一种模糊自适应PSO-ELM声品质预测模型的建立方法技术

本发明专利技术公开了一种模糊自适应PSO

【技术实现步骤摘要】
一种模糊自适应PSO
‑
ELM声品质预测模型的建立方法


[0001]本专利技术涉及声品质预测模型
，特别是一种模糊自适应PSO
‑
ELM声品质预测模型的建立方法。

技术介绍

[0002]随着各类噪声控制技术的应用，车内噪声的声压级得到一定的改善。但研究表明，声压级并不能完全反映人对噪声的主观感受，有时声压级高的声音反而比声压级低的声音听起来更加悦耳，比如80dB的音乐比70dB的发动机噪声更令人舒适，也更不容易使人产生烦躁疲劳的心理反应。基于这种现象，研究学者综合人耳听觉特征以及人类心理学提出了声品质的概念。
[0003]现有的声品质评价是以人对声音的主观感受作为评判标准，需借助心理声学的研究方法，组织评审团进行主观听音试验获得噪声的声品质主观评价结果。但是，主观评价试验存在一致性差、可重复性低的缺点，为获得可靠且具有统计学意义的结果往往需耗费大量的成本，但其结果最为直观。而声品质客观参量可以通过声信号的频率声压等参数计算得到。因此如何高效预测声品质的主观参量显得极为重要。

技术实现思路

[0004]本部分的目的在于概述本专利技术的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和专利技术名称中可能会做些简化或省略以避免使本部分、说明书摘要和专利技术名称的目的模糊，而这种简化或省略不能用于限制本专利技术的范围。
[0005]鉴于上述和/或现有的模糊自适应PSO
‑
ELM声品质预测模型的建立方法中存在的问题，提出了本专利技术。
[0006]因此，本专利技术所要解决的问题在于如何提供一种模糊自适应PSO
‑
ELM声品质预测模型的建立方法。
[0007]为解决上述技术问题，本专利技术提供如下技术方案：一种模糊自适应PSO
‑
ELM声品质预测模型的建立方法，其包括，通过ELM神经网络构建单独的ELM预测模型；通过模糊控制和PSO算法构建模糊自适应PSO
‑
ELM预测模型。
[0008]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：构建单独的ELM预测模型包括如下步骤，通过声信号检测设备采集声信号，包括训练集、测试集和验证集三部分，并对收集的信号进行处理、计算，得到所采集声信号的声品质客观参量，通过组织评审团对采集到的声信号进行主观评价，得到所采集声信号的主观参量；将训练集的声品质客观参量生成输入矩阵X，训练集主观参量生成输出矩阵T，输入层权重矩阵W以及隐含层阈值矩阵B随机生成。
[0009]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：利用输入矩阵X、输出矩阵T、输入层权重矩阵W以及隐含层阈值矩阵B得到隐含层输出矩阵H；
[0010][0011]式中h为sigmoid函数；
[0012]利用Hβ＝T，求解输出层权重矩阵β；
[0013][0014]通过ELM神经网络完成对ELM模型基本结构的构建。
[0015]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：构建模糊自适应PSO
‑
ELM预测模型包括如下步骤，
[0016]PSO算法初始根据种群规模n随机生成n组粒子，每组粒子均构成ELM神经网络中的输入层权重矩阵W和隐含层阈值矩阵B，将训练集数据输入，每组生成一个ELM预测模型；
[0017]将测试集数据代入生成的ELM预测模型，求解出声品质主观参量烦恼度预测值，并与测试集中的烦恼度进行比较，取两者均方根值作为适应度值返回PSO算法；
[0018]PSO算法中取出均方根误差最小的那组粒子作为个体极值，并和群体极值进行比较，若更小则用这一组粒子替换群体极值；
[0019]PSO算法根据适应度值及其变化率生成新的惯性因子w，根据公式进行粒子更新，产生n组规模相同的新粒子，重复上述步骤；
[0020]当迭代达到迭代次数上限，迭代停止，取群体极值的一组粒子构成ELM神经网络中的输入层权重矩阵W和隐含层阈值矩阵B，同时配合训练集数据生成最终的ELM预测模型，此模型为模糊自适应PSO
‑
ELM预测模型。
[0021]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：将验证集数据代入模糊自适应PSO
‑
ELM预测模型，求解出声品质主观参量烦恼度预测值，并与验证集中的烦恼度进行比较，取两者均方根值评价预测模型效果优劣。
[0022]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：声品质客观参量包括响度、粗糙度、波动度、尖锐度、音调度、语义清晰度、A声压级。
[0023]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：采用粒子群优化算法，对极限学习机的输入层权重矩阵W以及阈值矩阵B进行优化，将极限学习机的输入层权重矩阵W以及阈值矩阵B作为粒子群优化算法的粒子，将测试集代入得到的误差均方根值作为适应度函数，进行全局寻优。
[0024]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：在PSO算法根据群体极值适应度值及其变化率生成新的惯性因子w步骤中，将群体极值适应度值及其变化作为输入变量，通过模糊控制方法更新惯性因子w。
[0025]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：在将采集到的声信号进行数据输入前，先进行归一化处理。
[0026]作为本专利技术所述模糊自适应PSO
‑
ELM声品质预测模型的建立方法的一种优选方案，其中：声信号数据的归一化处理方式如下：
[0027]利用下式，将声品质客观参量转化到[0，1]上，
[0028]x＝(X
i
‑
X
min
)/(X
max
‑
X
min
)
ꢀꢀ
(3)
[0029]式中X
i
为某声品质客观参量值，X
max
为该客观参量对应最大值，X
min
为该客观参量对应最小值。
[0030]本专利技术有益效果为具有ELM极限学习机神经网络回归预测的功能，可以根据声品质客观参量预测声品质主观参量，具有较高的准确率；具有PSO粒子群算法群体寻优功能，可以自动寻找最优的极限学习机参数，从而提高模型预测的准确性；具有模糊控制自适应调节粒子群算法惯性因子的功能，可以有效提高算法收敛速度、提升算法效率。
附图说明
[0031]为了更清楚地说明本专利技术实施例本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模糊自适应PSO
‑
ELM声品质预测模型的建立方法，其特征在于：包括如下步骤：通过ELM神经网络构建单独的ELM预测模型；通过模糊控制和PSO算法构建模糊自适应PSO
‑
ELM预测模型。2.如权利要求1所述的模糊自适应PSO
‑
ELM声品质预测模型的建立方法，其特征在于：构建单独的ELM预测模型包括如下步骤，通过声信号检测设备采集声信号，包括训练集、测试集和验证集三部分，并对收集的信号进行处理、计算，得到所采集声信号的声品质客观参量，通过组织评审团对采集到的声信号进行主观评价，得到所采集声信号的主观参量；将训练集的声品质客观参量生成输入矩阵X，训练集主观参量生成输出矩阵T，输入层权重矩阵W以及隐含层阈值矩阵B随机生成。3.如权利要求2所述的模糊自适应PSO
‑
ELM声品质预测模型的建立方法，其特征在于：利用输入矩阵x、输出矩阵T、输入层权重矩阵W以及隐含层阈值矩阵B得到隐含层输出矩阵H；式中h为sigmoid函数；利用Hβ＝T，求解输出层权重矩阵β；通过ELM神经网络完成对ELM模型基本结构的构建。4.如权利要求2或3所述的模糊自适应PSO
‑
ELM声品质预测模型的建立方法，其特征在于：构建模糊自适应PSO
‑
ELM预测模型包括如下步骤，PSO算法初始根据种群规模n随机生成n组粒子，每组粒子均构成ELM神经网络中的输入层权重矩阵W和隐含层阈值矩阵B，将训练集数据输入，每组生成一个ELM预测模型；将测试集数据代入生成的ELM预测模型，求解出声品质主观参量烦恼度预测值，并与测试集中的烦恼度进行比较，取两者均方根值作为适应度值返回PSO算法；PSO算法中取出均方根误差最小的那组粒子作为个体极值，并和群体极值进行比较，若更小则用这一组粒子替换群体极值；PSO算法根据适应度值及其变化率生成新的惯性因子w，根据公式进行粒子更新，产生n组规模相同的新粒子，重复上述步骤；当迭代达到迭代次数上限，迭代停止，取群体极值的一组粒子构成ELM神经网络中的输入层权重矩阵W和隐含层阈值矩阵B，同时配合训练集数据生成最终的ELM预测模型，此模型...

【专利技术属性】
技术研发人员：黄其柏，杨功卓，
申请(专利权)人：华中科技大学，
类型：发明
国别省市：