Page 80 - 《应用声学》2022年第3期
P. 80
402 2022 年 5 月
性模型对于 3 种不同声品质属性的预测值平均相关 1.0 ᭤ጳভവی
系数都高于多元线性回归模型,再次验证了响应面 ጳভവی
0.8
回归建模方法的合理性。
100 0.6
᭤ጳভവی ᄱТጇ
ጳভവی
50 0 0.4
ਐएᮕឨࣀ/% -100 0.2 0 ਐए ࣱᮋए ᰂ˭ᡚ
-50
-150 图 9 两种模型的综合精度对比
Fig. 9 Comprehensive accuracy comparison be-
-200
0 5 10 15
ನవག tween two models
图 6 两种模型对愉悦度的预测精度对比 为了系统地证明本文所提出的非线性模型的
Fig. 6 Comparison of prediction accuracy of plea- 优越性,引入 BP 神经网络方法的人工智能算法对
sure between the two models 表 1 的数据进行训练,选取前 9 个样本点为训练集,
后 5 个样本点为测试集。BP 神经网络的输入层数
800
为 3 层,中间节点为 10 个,输出层数为 3 层,训练
᭤ጳভവی
600 ጳভവی 迭代次数为 10000 次,学习速率为 0.01,精度要求
,激活函数选为 “tansig” 函数,权值学习
−5
为 1×10
ࣱᮋएᮕឨࣀ/% 400 算法选为“traingdx”方法。图10是训练集的拟合效
果,图11是测试集的拟合效果。
200
0 1.0
0.8
-200
0 5 10 15
ܦֶ᠏࡛ভϙ
ನవག 0.6
图 7 两种模型对平顺度的预测精度对比 0.4
Fig. 7 Comparison of prediction accuracy of ride ਐए-ࠄ
ࣱᮋए-ࠄ
ᰂ˭ᡚ-ࠄ
comfort between the two models 0.2 ਐए-ᮕ
ࣱᮋए-ᮕ
ᰂ˭ᡚ-ᮕ
200 0
᭤ጳভവی 0 2 4 6 8 10
ጳভവی ನవག
100 0 图 10 BP 神经网络训练集预测效果
ᰂ˭ᡚᮕឨࣀ/% -100 Fig. 10 Prediction effect of BP neural network
training set
-200
-300 对比图 10 和图 11 可知,BP 神经网络模型对
训练集的拟合精度极高,而对于训练集的拟合精
-400 度较差。由此可见,在数据样本量较少的声品质
0 5 10 15
ನవག 预测问题中,依赖大量数据训练的人工智能方法
其实用性有待提升。在本文研究的声品质预测问
图 8 两种模型对驾驶乐趣的预测精度对比
Fig. 8 Comparison of prediction accuracy of driv- 题中,BP 神经网络对测试集的泛化能力较差,这
ing pleasure between the two models 会造成训练出的神经网络模型在预测其他非训练