Page 154 - 《应用声学》2021年第3期

472 2021 年 5 月

及进排气噪声的突变，但该动作变化时间很短，换
3 实验结果对比与分析
挡结束后声信号会迅速恢复，因此在初选声信号样
将除训练样本外的测试样本特征处理后分别 本时难以排除异常。为确定该模型能够较好识别的
输入到 BP 神经网络模型及 PCA-BP 训练模型中， 车辆行驶速度范围，新增加22辆样本外测试车辆通
得到识别效果及计算用时情况如表2和表3所示。 过声信号，各车经过测试地点车速及其识别结果如
表 4所示。
表 2 测试车辆的车型识别结果
Table 2 Vehicle type recognition results
表 3 测试车辆的车速识别结果
车辆 序 PCA-BP 识别 PCA-BP 计算 计算时间 Table 3 Vehicle speed recognition results
类型 号 正确率/% 时间/s 节省/%
车辆 序 速度/ PCA-BP 识别 PCA-BP 计算 计算时间
4 91.81 704.791 57.26
类型 号 (km·h −1 ) 正确率/% 时间/s 节省/%
32 96.54 709.067 56.88
4 29.5 92.13 382.582 70.10
78 98.80 714.533 56.77
小型车 32 51.3 52.32 383.945 68.88
19 86.83 726.356 55.83
78 49.9 52.48 386.707 68.82
67 80.54 736.256 55.31 小型车
19 68.1 92.94 384.515 70.40
75 83.01 744.660 54.77
67 107.3 98.04 385.116 69.90
111 94.03 709.667 57.16
公交车 75 104.2 99.40 386.003 69.70
13 92.01 711.173 57.16
111 50.6 100.0 381.114 69.64
公交车
通过表 2 和表 3可以看到，相比于 BP 神经网络 13 50.6 99.80 386.912 69.13
算法计算时长，应用 PCA-BP 方法计算识别车型及
车速的时长节省了 50% ∼ 70% 左右，识别速度明显 通过表 4 可以看出，应用 PCA-BP 方法时的车

提升。采取 PCA-BP 方法后，车型识别正确率均在 速识别取得了较好的结果。该训练模型在速度划分
80% 以上。序号为 32 和 78 的两辆车车速识别正确 界限60±3 km/h范围外，速度识别率可达到70%以
率较低，经过对这两组声信号与其他测试信号对比 上；在速度划分界限 60±5 km/h 范围外，速度识别
分析，结果表明这两辆车在采集声信号过程中可能 率可达到 80%以上。经分析，H2和H66两辆车识别
存在换挡动作。由于车辆行驶车速相对较低，车辆 效果不佳与上述分析原因相同，即采集信号过程中
行驶过程中产生的胎噪和风噪相对较小，发动机及 存在换挡动作。故该模型可以在一定速度范围内可
排气噪声贡献量相对较大，因而发动机噪声对所采 以取得良好的速度检验识别结果，且不适用于换挡
集的声信号样本影响较大。换挡动作会导致发动机 动作下基于声信号的车速范围识别。

表 4 新增检验车辆的车速识别结果
Table 4 Speed recognition of increased test vehicles
序号 标签 测试车速/(km·h −1 ) 识别正确率/% 序号 标签 测试车速 (km·h −1 ) 识别正确率/%
X79 1 21.21 98.56 H66 2 60.69 61.12
X8 1 38.03 98.62 X37 2 62.49 95.98
X58 1 43.74 92.29 H46 2 63.72 81.52
H99 1 45.92 91.70 X65 2 66.02 83.59
X56 1 47.29 95.24 X61 2 68.61 96.30
H98 1 49.02 88.01 H53 2 74.96 89.29
H35 1 52.02 84.90 S73 2 80.50 86.85
X29 1 53.02 75.45 S92 2 82.40 92.36
X14 1 56.44 76.13 S97 2 88.60 99.59
H2 1 58.59 56.75 S84 2 95.70 99.51
X11 1 59.31 72.23 S11 2 98.40 98.84