廖連瑩 左言言 周翔 孟浩東 廖旭暉 吳賽賽

摘要：為快速準(zhǔn)確評(píng)價(jià)混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)，在分析BP神經(jīng)網(wǎng)絡(luò)和遺傳算法（GA）特點(diǎn)的基礎(chǔ)上，利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，從而建立GA-BP的混合動(dòng)力汽車(chē)聲品質(zhì)客觀評(píng)價(jià)模型。利用此模型進(jìn)行混合動(dòng)力汽車(chē)勻速工況車(chē)內(nèi)聲品質(zhì)預(yù)測(cè)后，把GA-BP模型預(yù)測(cè)結(jié)果與多元線(xiàn)性回歸模型和傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)結(jié)果進(jìn)行比較。對(duì)比結(jié)果顯示GA-BP模型預(yù)測(cè)結(jié)果精度最高。證明所建立的GA-BP聲品質(zhì)預(yù)測(cè)模型的有效性，說(shuō)明該模型較適用于混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)預(yù)測(cè)。

關(guān)鍵詞：混合動(dòng)力汽車(chē);聲品質(zhì);勻速工況;遺傳算法;BP神經(jīng)網(wǎng)絡(luò)

中圖分類(lèi)號(hào)：U467.1 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1674-5124（2019）05-0128-06

收稿日期：2017-09-03;收到修改稿日期：2017-11-16

基金項(xiàng)目：國(guó)家自然科學(xué)基金（51575238）;江蘇省博士后科研資助計(jì)劃資助項(xiàng)目（1601064C）

作者簡(jiǎn)介：廖連瑩（1978-），男，福建長(zhǎng)汀縣人，副教授，博士，主要從事車(chē)輛振動(dòng)與噪聲控制研究。

0 引言

混合動(dòng)力汽車(chē)雖然在振動(dòng)與噪聲整體控制體現(xiàn)了一定的優(yōu)勢(shì)，但由于結(jié)構(gòu)的改變和工作方式的多樣性，在某些混合動(dòng)力汽車(chē)上，車(chē)內(nèi)聲品質(zhì)反而有所下降，從而影響了乘坐的舒適性[1-2]。因此研究混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)的評(píng)價(jià)方法，改善混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)顯得尤為重要。在對(duì)車(chē)內(nèi)聲品質(zhì)的評(píng)價(jià)中，大多學(xué)者均采用主、客觀評(píng)價(jià)相結(jié)合的方式進(jìn)行研究。如YOON J H等[3-4]運(yùn)用多元統(tǒng)計(jì)分析方法，結(jié)合心理聲學(xué)參數(shù)，提出車(chē)內(nèi)聲品質(zhì)的馬氏距離算法，大幅提高了聲品質(zhì)客觀量化模型的預(yù)測(cè)結(jié)果精度。Jaime A.Mosquera-S3nchez等[5]提出自適應(yīng)控制方法處理多諧波干擾來(lái)提高汽車(chē)聲品質(zhì)，此方法通過(guò)用Zwicker響度和聽(tīng)覺(jué)粗糙度模型驗(yàn)證，很好地評(píng)價(jià)和改善了汽車(chē)聲品質(zhì)。王巖松等[6-7]基于人的聽(tīng)覺(jué)感知和人工神經(jīng)網(wǎng)絡(luò)建立汽車(chē)聲品質(zhì)評(píng)價(jià)模型，該模型對(duì)分析和解決穩(wěn)態(tài)和非穩(wěn)態(tài)的汽車(chē)噪聲信號(hào)有較好的應(yīng)用。徐中明等[8-9]運(yùn)用成對(duì)比較法對(duì)發(fā)動(dòng)機(jī)啟動(dòng)時(shí)的聲樣本進(jìn)行主觀評(píng)價(jià)實(shí)驗(yàn)，引入煩惱度模型對(duì)主觀偏好性進(jìn)行預(yù)測(cè)，并利用相關(guān)分析和回歸分析得到了雙耳響度和粗糙度是影響汽車(chē)發(fā)動(dòng)機(jī)起動(dòng)聲主觀偏好性評(píng)價(jià)的主要客觀參量的結(jié)論。黃海波等[10]利用Adaboost算法對(duì)內(nèi)燃機(jī)汽車(chē)勻速工況下車(chē)內(nèi)聲品質(zhì)進(jìn)行預(yù)測(cè)，提升了聲品質(zhì)預(yù)測(cè)的準(zhǔn)確度。對(duì)于新能源汽車(chē)車(chē)內(nèi)聲品質(zhì)的研究，胡騰等[11]利用回歸方法建立電動(dòng)汽車(chē)聲品質(zhì)評(píng)價(jià)模型并對(duì)聲品質(zhì)進(jìn)行了評(píng)價(jià)。

而對(duì)于混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)鮮有學(xué)者進(jìn)行研究。本文就針對(duì)混合動(dòng)力汽車(chē)勻速工況的車(chē)內(nèi)聲品質(zhì)進(jìn)行了主、客觀評(píng)價(jià)研究。利用成對(duì)比較法進(jìn)行主觀評(píng)價(jià)試驗(yàn)，計(jì)算客觀參數(shù)，并進(jìn)行相關(guān)分析。建立了利用遺傳算法（GA）優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)聲品質(zhì)預(yù)測(cè)模型，通過(guò)誤差對(duì)比，證明了GA-BP模型在評(píng)價(jià)混合動(dòng)力汽車(chē)勻速工況車(chē)內(nèi)聲品質(zhì)具有較好的精確性。

1 勻速工況噪聲樣本采集與處理

1.1 噪聲信號(hào)采集

本次試驗(yàn)依據(jù)GB/T18697-2002進(jìn)行，選擇豐田普銳斯混合動(dòng)力汽車(chē)作為試驗(yàn)車(chē)輛。駕駛員、副駕駛及后排座椅分別安裝Head Acoustics雙耳麥克風(fēng)和PCB麥克風(fēng)，利用SQuadriga I便攜式聲音分析儀進(jìn)行聲音樣本采集，如圖1所示。

采樣頻率為44.1kHz，噪聲樣本信號(hào)長(zhǎng)度為10s。試驗(yàn)路段選擇開(kāi)闊地，周邊直徑30 m范圍內(nèi)無(wú)聲音反射物。分別選擇混合動(dòng)力汽車(chē)在市區(qū)常用的行駛車(chē)速：20，40，60km/h作為測(cè)試速度。每種速度工況又分別測(cè)試電機(jī)單獨(dú)驅(qū)動(dòng)、發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)和混合驅(qū)動(dòng)3種工況車(chē)內(nèi)噪聲。每個(gè)測(cè)試點(diǎn)測(cè)試3組數(shù)據(jù)，通過(guò)聲音回放，從3組數(shù)據(jù)中選擇其中一組最優(yōu)數(shù)據(jù)作為噪聲樣本，最終共得到27個(gè)噪聲樣本。

1.2 噪聲樣本預(yù)處理

為了盡可能使所測(cè)的噪聲樣本不受背景噪聲的影響，對(duì)所測(cè)的27個(gè)噪聲樣本用離散小波變換方法進(jìn)行去噪處理。通過(guò)降噪處理后的噪聲樣本，利用ArtemiS中的Merge Editor把原每個(gè)los的噪聲樣本，截取為長(zhǎng)度為5s的噪聲新樣本，作為最終進(jìn)行聲品質(zhì)分析的噪聲樣本。為方便對(duì)噪聲樣本的識(shí)別，對(duì)其進(jìn)行編號(hào)，編號(hào)規(guī)則為前兩位數(shù)字代表車(chē)速，第3位字母代表噪聲位置：D為主駕駛，A為副駕駛，R為后排，第4位字母代表驅(qū)動(dòng)工況：E為發(fā)動(dòng)機(jī)單獨(dú)驅(qū)動(dòng)，M為電機(jī)單獨(dú)驅(qū)動(dòng)，H為混合驅(qū)動(dòng)，噪聲樣本編號(hào)如表1所示。

2 主觀評(píng)價(jià)

2.1 評(píng)價(jià)實(shí)驗(yàn)實(shí)施

聲品質(zhì)主觀評(píng)價(jià)方法有排序法、成對(duì)比較法、等級(jí)打分法、語(yǔ)義細(xì)分法等[12]。這些評(píng)價(jià)方法各有優(yōu)缺點(diǎn)，其中成對(duì)比較法評(píng)價(jià)簡(jiǎn)單，便于操作，較適用于無(wú)經(jīng)驗(yàn)的評(píng)價(jià)者進(jìn)行評(píng)價(jià)試驗(yàn)。本次主觀評(píng)價(jià)試驗(yàn)即采用成對(duì)比較法進(jìn)行。試驗(yàn)選擇24名聽(tīng)力無(wú)障礙的在校研究生作為聽(tīng)審團(tuán)，其中男女比例為2：1。試驗(yàn)時(shí)將表1的聲音樣本成對(duì)播放，對(duì)兩組聲音分別標(biāo)記為A和B進(jìn)行比較打分，當(dāng)A比B好時(shí)A記2分，B記0分;當(dāng)A和B差不多時(shí)，A和B各記1分;當(dāng)A比B差時(shí)，A記0分，B記2分。

2.2 實(shí)驗(yàn)數(shù)據(jù)可靠性分析

為保證主觀試驗(yàn)結(jié)果的準(zhǔn)確性和可靠性，以及相關(guān)一致性，采用Spearman等級(jí)相關(guān)系數(shù)進(jìn)行評(píng)價(jià)結(jié)果的可靠性分析。通過(guò)Matlab軟件進(jìn)行相關(guān)分析，得到24位評(píng)審團(tuán)相關(guān)系數(shù)如表2所示。

為使評(píng)價(jià)結(jié)果一致性相對(duì)較高，相關(guān)系數(shù)應(yīng)達(dá)到0.7～0.8以上[13]。由表2可知，有4位評(píng)價(jià)者的相關(guān)系數(shù)小于0.7，剔除，剩余20位評(píng)價(jià)者。

2.3 評(píng)價(jià)結(jié)果分析

將相關(guān)系數(shù)符合要求的20位評(píng)價(jià)者主觀評(píng)價(jià)結(jié)果進(jìn)行計(jì)算，得到各聲音樣本分值，同時(shí)利用下式對(duì)其進(jìn)行歸一化處理：

X^*=X_i-X_min/X_max-X_min其中X^*為歸一化后的各聲音樣本分值，X_i為各聲音樣本主觀評(píng)價(jià)分值，犬面為所有聲音樣本主觀評(píng)價(jià)最小分值，X_max為所有聲音樣本主觀評(píng)價(jià)最大分值。各聲音樣本主觀評(píng)價(jià)分值如表3所示。

3 客觀參數(shù)計(jì)算及相關(guān)性分析

3.1 客觀參數(shù)計(jì)算

聲品質(zhì)評(píng)價(jià)中的客觀參數(shù)即描述人們對(duì)噪聲主觀感受的客觀物理量，主要有：A計(jì)權(quán)聲壓級(jí)、響度、粗糙度、尖銳度、抖動(dòng)度、AI指數(shù)、音調(diào)度和愉悅度等。結(jié)合混合動(dòng)力汽車(chē)噪聲特性，利用HEAD軟件的ArtemiS12.0進(jìn)行了A計(jì)權(quán)聲壓級(jí)、響度、粗糙度、尖銳度、抖動(dòng)度、AI指數(shù)和音調(diào)度7個(gè)客觀參數(shù)的計(jì)算，計(jì)算結(jié)果見(jiàn)表4。

3.2 相關(guān)分析

為確定客觀參數(shù)與主觀評(píng)價(jià)結(jié)果之間的關(guān)系，利用Matlab軟件對(duì)兩者之間進(jìn)行相關(guān)分析，分析結(jié)果如表5所示。

由表可知，響度、A計(jì)權(quán)聲壓級(jí)和尖銳度3個(gè)客觀參數(shù)與主觀評(píng)價(jià)相關(guān)性最高，特別是響度與主觀評(píng)價(jià)的相關(guān)系數(shù)達(dá)到了0.903。粗糙度和AI指數(shù)與主觀評(píng)價(jià)具有一定的相關(guān)性。抖動(dòng)度和音調(diào)度與主觀評(píng)價(jià)幾乎沒(méi)有相關(guān)性。

4 GA-BP預(yù)測(cè)模型

通過(guò)評(píng)價(jià)者對(duì)混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)進(jìn)行評(píng)價(jià)，過(guò)程非常復(fù)雜，費(fèi)時(shí)費(fèi)力，評(píng)價(jià)結(jié)果受多種因素影響，因此建立一種聲品質(zhì)評(píng)價(jià)模型對(duì)聲品質(zhì)進(jìn)行評(píng)價(jià)是一種不錯(cuò)的選擇。考慮人耳對(duì)聲音感受呈非線(xiàn)性，因此本文采用神經(jīng)網(wǎng)絡(luò)對(duì)聲品質(zhì)進(jìn)行預(yù)測(cè)。為提高預(yù)測(cè)精度，采用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行優(yōu)化。

4.1 BP神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋網(wǎng)絡(luò)[14]，此網(wǎng)絡(luò)可實(shí)現(xiàn)給定的輸入輸出映射關(guān)系。BP神經(jīng)網(wǎng)絡(luò)的主要特征就是通過(guò)輸人輸出樣本集對(duì)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行修正和學(xué)習(xí)。BP神經(jīng)網(wǎng)絡(luò)包含輸入層、隱含層和輸出層，其中隱含層可以為一層或多層。圖2為只包含一個(gè)隱含層的BP神經(jīng)網(wǎng)絡(luò)拓?fù)鋱D。

對(duì)于3層BP神經(jīng)網(wǎng)絡(luò)，設(shè)輸入節(jié)點(diǎn)為xt，隱含層節(jié)點(diǎn)為y_j，輸出節(jié)點(diǎn)為z_k。輸入節(jié)點(diǎn)與隱含層節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為w_ij，閾值為b_j，隱含層節(jié)點(diǎn)與輸出節(jié)點(diǎn)間的網(wǎng)絡(luò)權(quán)值為w_jk，閾值為b_k。當(dāng)輸出節(jié)點(diǎn)的期望輸出為t_k時(shí)，可用式（2）～式（6）進(jìn)行BP神經(jīng)網(wǎng)絡(luò)模型計(jì)算。

隱含層節(jié)點(diǎn)的輸出為

y_j=f（∑_ix_iw_ij+b_j）=f（net_i）（2）式中：

net_i=∑_ix_iw_ij+b_j（3）

輸出節(jié)點(diǎn)的計(jì)算輸出為

z_k=f（∑_jy_jw_jk+b_k）=f（net_k）（4）式中：

net_k=∑_jy_jw_jk+b_k（5）

輸出節(jié)點(diǎn)的誤差為

E=1/2∑_k（t_k-z_k）²=1/2∑_k（t_k-f（∑_jf（∑_ix_iw_ij+b_j）+b_j）+b_k））²（6）

由于BP神經(jīng)網(wǎng)絡(luò)自身收斂速度較慢，且在訓(xùn)練過(guò)程中容易陷入局部較小值，為提高模型預(yù)測(cè)精度，本文利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)權(quán)值和閾值進(jìn)行優(yōu)化。

4.2 遺傳算法

遺傳算法通過(guò)模擬生物進(jìn)化和遺傳尋求最優(yōu)解，該算法在神經(jīng)網(wǎng)絡(luò)的優(yōu)化上體現(xiàn)了較強(qiáng)的作用。遺傳算法主要通過(guò)種群的初始化、個(gè)體評(píng)價(jià)、選擇運(yùn)算、交叉運(yùn)算和變異運(yùn)算得到下一代新種群，當(dāng)計(jì)算達(dá)到設(shè)定代數(shù)時(shí)，系統(tǒng)將輸出最大適應(yīng)度個(gè)體，系統(tǒng)優(yōu)化結(jié)束。具體過(guò)程如下：

1）進(jìn)行種群選擇和初始化，包括設(shè)置種群大小和最大進(jìn)化代數(shù)。

2）進(jìn)行個(gè)體適應(yīng)度計(jì)算，個(gè)體遺傳下來(lái)的概率可以用適應(yīng)度函數(shù)來(lái)表示，它決定著遺傳算法的優(yōu)化方向。本文選擇的適應(yīng)度函數(shù)f（i）為其中E（i）為網(wǎng)絡(luò)輸出值和期望值的誤差平方和，n為輸出節(jié)點(diǎn)數(shù)，y_j為輸出值，a_j為期望值。

3）在種群中選擇生命力較強(qiáng)的個(gè)體進(jìn)行遺傳。

4）從種群中選擇兩個(gè)個(gè)體進(jìn)行交配重組，從而產(chǎn)生新的優(yōu)秀個(gè)體，此步關(guān)鍵參數(shù)為交叉概率。

5）選擇種群中個(gè)體基因，通過(guò)基因突變，產(chǎn)生新的更好個(gè)體，變異概率決定了變異運(yùn)算結(jié)果。

本文利用遺傳算法對(duì)BP神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，優(yōu)化所選用的運(yùn)行參數(shù)如表6所示。

4.3 客觀評(píng)價(jià)模型建立

建立GA-BP模型對(duì)混合動(dòng)力汽車(chē)勻速工況車(chē)內(nèi)聲品質(zhì)進(jìn)行預(yù)測(cè)，其流程如圖3所示。

由圖可見(jiàn)，GA-BP模型是在傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上，利用遺傳算法對(duì)神經(jīng)網(wǎng)絡(luò)的權(quán)值和閾值進(jìn)行優(yōu)化，利用優(yōu)化后的權(quán)值和閾值進(jìn)行BP網(wǎng)絡(luò)訓(xùn)練，從而提高模型預(yù)測(cè)的精確性和準(zhǔn)確度。具體建模過(guò)程為，BP神經(jīng)網(wǎng)絡(luò)確定網(wǎng)絡(luò)后，隨機(jī)選取一個(gè)權(quán)值和閾值，GA對(duì)所選取的權(quán)值和閾值進(jìn)行編碼，產(chǎn)生40個(gè)個(gè)體作為初始種群。種群確定后，選擇適應(yīng)度函數(shù)計(jì)算個(gè)體適應(yīng)度，之后按照表6設(shè)置的參數(shù)通過(guò)選擇運(yùn)算、交叉運(yùn)算和變異運(yùn)算后產(chǎn)生新的種群。遺傳算法對(duì)新種群再次重復(fù)之前的運(yùn)算過(guò)程，當(dāng)循環(huán)次數(shù)達(dá)到設(shè)定的200次后，GA把優(yōu)化后產(chǎn)生的新權(quán)值和閾值輸出給BP神經(jīng)網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)按BP算法，利用1～18號(hào)噪聲樣本，實(shí)現(xiàn)對(duì)網(wǎng)絡(luò)的訓(xùn)練。當(dāng)訓(xùn)練達(dá)到e^-4準(zhǔn)確度要求后，即得到了預(yù)期的GA-BP神經(jīng)網(wǎng)絡(luò)模型。

4.4 聲品質(zhì)評(píng)價(jià)

將1924號(hào)聲樣本的響度、A計(jì)權(quán)聲壓級(jí)、尖銳度、粗糙度和AI指數(shù)5種客觀參量輸入到建立的GA-BP神經(jīng)網(wǎng)絡(luò)評(píng)價(jià)模型中，得到聲品質(zhì)預(yù)測(cè)值，如表7所示。可以看出，GA-BP聲品質(zhì)預(yù)測(cè)模型的預(yù)測(cè)結(jié)果與主觀測(cè)試結(jié)果較為吻合，說(shuō)明GA-BP預(yù)測(cè)模型可較精確地對(duì)混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)進(jìn)行預(yù)測(cè)。

5 聲品質(zhì)預(yù)測(cè)結(jié)果精度對(duì)比分析

為了驗(yàn)證GA-BP聲品質(zhì)預(yù)測(cè)模型的效果，建立了多元線(xiàn)性回歸模型和BP神經(jīng)網(wǎng)絡(luò)模型，并與之進(jìn)行比較。3種聲品質(zhì)預(yù)測(cè)模型預(yù)測(cè)結(jié)果與主觀測(cè)試結(jié)果對(duì)比如表7所示，各模型預(yù)測(cè)誤差絕對(duì)值對(duì)比如表8所示。

由表7和表8可以看出，利用多元線(xiàn)性回歸模型對(duì)混合動(dòng)力汽車(chē)勻速工況車(chē)內(nèi)聲品質(zhì)的預(yù)測(cè)誤差較大，最大達(dá)到363%，說(shuō)明多元線(xiàn)性回歸方法不太適合混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)預(yù)測(cè)。而GA-BP模型對(duì)聲品質(zhì)預(yù)測(cè)結(jié)果的平均相對(duì)誤差僅有3.7%，比傳統(tǒng)BP神經(jīng)網(wǎng)絡(luò)模型的平均誤差10.5%小得多，說(shuō)明通過(guò)遺傳算法優(yōu)化后得BP神經(jīng)網(wǎng)絡(luò)有效地提高了聲品質(zhì)預(yù)測(cè)結(jié)果的精確度。

6 結(jié)束語(yǔ)

1）對(duì)混合動(dòng)力汽車(chē)城市工況常用車(chē)速進(jìn)行了勻速工況車(chē)內(nèi)聲品質(zhì)主觀和客觀評(píng)價(jià)試驗(yàn)。通過(guò)相關(guān)分析，得到響度、A計(jì)權(quán)聲壓級(jí)、尖銳度、粗糙度和AI指數(shù)是影響主觀評(píng)價(jià)的客觀參數(shù)。

2）建立了基于GA算法優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)預(yù)測(cè)模型，并將預(yù)測(cè)結(jié)果與多元線(xiàn)性回歸預(yù)測(cè)模型及未優(yōu)化的BP神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型預(yù)測(cè)結(jié)果進(jìn)行比較，GA-BP預(yù)測(cè)結(jié)果準(zhǔn)確度最高，說(shuō)明GA-BP模型較適合用于混合動(dòng)力汽車(chē)車(chē)內(nèi)聲品質(zhì)預(yù)測(cè)。

參考文獻(xiàn)

[1]趙彤航，盧炳武，曹蘊(yùn)濤.混合動(dòng)力轎車(chē)振動(dòng)噪聲控制技術(shù)[J].吉林大學(xué)學(xué)報(bào)（工學(xué)版），2012，42（6）：1373-1377.

[2]LIAO L Y，ZUO Y Y，LIAO X H.Study on hybrid electricvehicle noise and vibration reduction technology[J].Advanced Materials Research，2013，764：141-148.

[3]JEONG J E，YANG I H，ABU A B，et al.Development of anew sound quality metric for evaluation of the interior noise ina passenger car using the logarithmic mahalanobisdistance[C]//Proceedings of the』nstitution of MechanicalEngineers，Part D：Journal of Automobile Engineering，2013，227（10）：1363-1376.

[4]YOON J H，YANG I H，JEONG J E，et al.Reliabilityimprovement of a sound quality index for a vehicle HVACsystem using a regression and neural network model[J].Applied Acoustics，2012，73：1099-1103.

[5]MOSQUERA-SANCHEZ J A，OLIVEIRA D，LEOPOLDO PR.A multi-harmonic amplitude and relative-phase controllerfor active sound quality control[J].Mechanical Systems andSignal Processin g，2013，45（2）：542-562.

[6]WANG Y S，SHEN G Q，GUO H，et al.Roughness modellingbased on human auditory perception for sound qualityevaluation of vehicle interior noise[J].Journal of Sound andVibration，2013，332：3893-3904.

[7]WANG Y S，SHEN G Q，XING Y F.A sound quality modelfor objective synthesis evaluation of vehicle interior noisebased on artificial neural network[J].Mechanical Systems andSignal Processing，2013，45（1）：255-266.

[8]徐中明，周小林，張芳，等.Moore響度在車(chē)內(nèi)噪聲分析中的應(yīng)用[J].振動(dòng)與沖擊，2013，32（1）：169-173.

[9]徐中明，夏小均，賀巖松，等.汽車(chē)發(fā)動(dòng)機(jī)啟動(dòng)聲品質(zhì)評(píng)價(jià)與分析[J].振動(dòng)與沖擊，2014，33（11）：142-147.

[10]黃海波，李人憲，黃曉蓉，等.基于Adaboost算法的車(chē)內(nèi)噪聲聲品質(zhì)預(yù)測(cè)[J].汽車(chē)工程，2016，38（9）：1120-1125.

[11]胡騰，陸益民.電動(dòng)汽車(chē)聲品質(zhì)的評(píng)價(jià)分析及建模[J].汽車(chē)技術(shù)，2016（3）：26-30.

[12]鐘秤平，陳劍，汪念平.車(chē)內(nèi)噪聲聲品質(zhì)偏好性評(píng)價(jià)與分析實(shí)驗(yàn)研究[J].汽車(chē)工程，2008，30（1）：40-43.

[13]毛東興.車(chē)內(nèi)聲品質(zhì)主觀評(píng)價(jià)與分析方法的研究[D].上海：同濟(jì)大學(xué)，2003.

[14]付曉明，王福林，尚家杰.基于多子代遺傳算法優(yōu)化BP神經(jīng)網(wǎng)絡(luò)[J].計(jì)算機(jī)仿真，2016，33（3）：258-263.

（編輯：商丹丹）