【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...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。