一种基于深度学习的汽车声浪声压级优化方法技术

本发明专利技术是一种基于深度学习的汽车声浪声压级优化方法。包括：一、载入某车型多种工况下的数据；二、设定输入数据和输出数据；三、设置训练集和测试集；四、将训练集和测试集进行归一化处理；五、求解最佳隐藏层数，通过均方误差来判断是隐藏层数是否为最佳，如果为最佳隐藏层，进行网络训练和测试；六、输出最后的结果；七、根据输出的最后结果实现对汽车声浪声压级的优化。本发明专利技术根据加速踏板位置变化信息和电机实时转速提前预测后续的扭矩信息；在不同工况为踏板梯度分配不同的权重，通过合理修改声压级映射关系实现引擎声声压级控制，解决了在踏板突变的情况下，扭矩的数值滞后容易存在跟脚性差的问题，从而降低主动声音合成的用户体验的问题。验的问题。验的问题。

【技术实现步骤摘要】
一种基于深度学习的汽车声浪声压级优化方法


[0001]本专利技术属于汽车
，具体的说是一种基于深度学习的汽车声浪声压级优化方法。

技术介绍

[0002]随着当今汽车行业“五大趋势”，即“轻量化、电气化、智能化、网络化、共享”，新能源汽车发展迅速，逐渐取代传统内燃机，为了增加驾驶乐趣和体验，主动声浪系统逐渐发展起来，其通过电子控制ECU设备，实时侦测同步匹配车辆动态响应，通过算法合成出与车辆相对应反馈的声浪数据，声浪数据经过功放扩大后通过安装在车外的助推器发声单元发声。目前合成出来的声浪有很多种，如传统引擎声和具有科技感的声音类型，由于声浪的多样性选择，增添了改装以及驾驶的乐趣，创造了对声浪音色无限的可能。
[0003]汽车声浪系统通过CAN获取车速、踏板开度等基本信息，用以合成声浪。踏板是用户输出的最直接信息，如果只依赖踏板合成引擎声，不真实，若只使用扭矩，响应慢。一般情况下可以使用扭矩值，但是在踏板突变的情况下，扭矩的数值滞后容易存在跟脚性差的问题，从而降低主动声音合成的用户体验。

技术实现思路

[0004]本专利技术提供了一种基于深度学习的汽车声浪声压级优化方法，根据加速踏板位置变化信息和电机实时转速提前预测后续的扭矩信息；在不同工况为踏板梯度分配不同的权重，通过合理修改声压级映射关系实现引擎声声压级控制，解决了在踏板突变的情况下，扭矩的数值滞后容易存在跟脚性差的问题，从而降低主动声音合成的用户体验的问题。
[0005]本专利技术技术方案结合附图说明如下：
[0006]一种基于深度学习的汽车声浪声压级优化方法，包括以下步骤：
[0007]步骤一、载入某车型多种工况下的数据；
[0008]步骤二、设定输入数据和输出数据；
[0009]步骤三、设置训练集和测试集；
[0010]步骤四、将训练集和测试集进行归一化处理；
[0011]步骤五、求解最佳隐藏层数，通过均方误差来判断是隐藏层数是否为最佳，如果为最佳隐藏层，进行网络训练和测试；
[0012]步骤六、输出最后的结果；
[0013]步骤七、根据输出的最后结果实现对汽车声浪声压级的优化。
[0014]进一步的，所述步骤一中，多种工况包括匀速工况、加速工况和减速工况。
[0015]进一步的，所述步骤一中，多种工况下的数据包括加速踏板位置、电机实时转速、车速、扭矩损失和扭矩。
[0016]进一步的，所述步骤二中，输入数据为加速踏板位置、电机实时转速、车速、扭矩损失；输出数据为扭矩。
[0017]进一步的，所述步骤三中，所述训练集为M行5列的矩阵；所述测试集数据集为N行5列。
[0018]进一步的，M＞N。
[0019]进一步的，所述步骤四中，训练集的输入归一化到区间[0,1]，训练集的输出归一化到区间[
‑
1,1]。
[0020]进一步的，所述步骤四中，测试集的输入归一化到区间[0,1]，测试集的输出归一化到区间[
‑
1,1]。
[0021]进一步的，所述步骤五中，声音合成中声浪声压级与踏板开度、车速、电机转速以及扭矩的映射关系如下式所示，其中，V、n、p、T
L
、T分别为车速、电机转速、踏板开度、扭矩损失以及扭矩；ω
v
、ω
n
、ω
p1
、ω
TL1
、ω
T1
分别为对应的权重，加入扭矩梯度来解决踏板突然变化时，扭矩变化延迟的问题，扭矩梯度的确定需要根据BP神经网络进行预测；
[0022][0023]其中，ΔT为基于Bp神经网络的预测值与CAN获取的实际扭矩的差值；
[0024]基于BP神经网络进行学习预测，输入量为4个，分别为车速，电机转速，踏板开度和扭矩损失，神经网络的激活函数分别采用purelin函数和tansig函数；
[0025]隐藏层个数m根据下式确定，构建最佳隐含层的BP神经网络；
[0026][0027]其中，n
in
、n
out
为输入和输出层的个数，a为随机数；
[0028]最后根据相关系数R和均方误差来判断构建的神经网络模型的准确性。
[0029]进一步的，所述a的取值为1
‑
10。
[0030]本专利技术的有益效果为：
[0031]本专利技术根据加速踏板位置变化信息和电机实时转速提前预测后续的扭矩信息，在不同工况为踏板梯度分配不同的权重，通过合理修改声压级映射关系实现引擎声声压级控制算法的优化，解决了在踏板突变的情况下，扭矩的数值滞后容易存在跟脚性差的问题，从而降低主动声音合成的用户体验的问题。
附图说明
[0032]为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本专利技术的某些实施例，因此不应被看作是对
范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
[0033]图1为本专利技术的流程示意图；
[0034]图2为声压级与各个参数之间的相关性分析系数检验矩阵示意图；
[0035]图3为某车型车速、电机转速、踏板开度、扭矩损失以及扭矩实测数据；
[0036]图4为扭矩与车速、电机转速、踏板开度和扭矩损失的相关性分析系数检验矩阵示意图。
[0037]图5为最佳隐藏层的相关系数示意图；
[0038]图6为踏板开度、Bp预测扭矩值与实测扭矩值对比示意图；
[0039]图7为Bp预测扭矩值与实测扭矩值对比示意图；
[0040]图8为BP神经网络测试集的预测误差示意图；
[0041]图9为BP神经网络预测数据与车速、转速、踏板开度、扭矩损失对比图示意图。
具体实施方式
[0042]下面结合附图和实施例对本专利技术作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅仅用于解释本专利技术，而非对本专利技术的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本专利技术相关的部分而非全部结构。
[0043]在本专利技术中，除非另有明确的规定和限定，第一特征在第二特征之“上”或之“下”可以包括第一和第二特征直接接触，也可以包括第一和第二特征不是直接接触而是通过它们之间的另外的特征接触。
[0044]而且，第一特征在第二特征“之上”、“上方”和“上面”包括第一特征在第二特征正上方和斜上方，或仅仅表示第一特征水平高度高于第二特征。第一特征在第二特征“之下”、“下方”和“下面”包括第一特征在第二特征正下方和斜下方，或仅仅表示第一特征水平高度小于第二特征。
[0045]在本实施例的描述中，术语“上”、“下”、“左”、“右”等方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述和简化操作，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的汽车声浪声压级优化方法，其特征在于，包括以下步骤：步骤一、载入某车型多种工况下的数据；步骤二、设定输入数据和输出数据；步骤三、设置训练集和测试集；步骤四、将训练集和测试集进行归一化处理；步骤五、求解最佳隐藏层数，通过均方误差来判断是隐藏层数是否为最佳，如果为最佳隐藏层，进行网络训练和测试；步骤六、输出最后的结果；步骤七、根据输出的最后结果实现对汽车声浪声压级的优化。2.根据权利要求1所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，所述步骤一中，多种工况包括匀速工况、加速工况和减速工况。3.根据权利要求1所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，所述步骤一中，多种工况下的数据包括加速踏板位置、电机实时转速、车速、扭矩损失和扭矩。4.根据权利要求3所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，所述步骤二中，输入数据为加速踏板位置、电机实时转速、车速、扭矩损失；输出数据为扭矩。5.根据权利要求1所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，所述步骤三中，所述训练集为M行5列的矩阵；所述测试集数据集为N行5列。6.根据权利要求5所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，M＞N。7.根据权利要求1所述的一种基于深度学习的汽车声浪声压级优化方法，其特征在于，所述步骤四中，训练集的输入归一化到区间[0,1]，训练集的输出归一化到区间[
‑
1,1]。8.根据权利要求1所述的一种基于深度学习的汽...

【专利技术属性】
技术研发人员：张雪晴，李允，霍超，王石，李浩，张程鹏，李超，
申请(专利权)人：中国第一汽车股份有限公司，
类型：发明
国别省市：