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
                 ਐ৥एᮕ฾ឨࣀ/%  -100                                      0.2 0  ਐ৥ए      ࣱ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
                  ࣱᮋएᮕ฾ឨࣀ/%  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             ਐ৥ए-ࠄ฾
                                                                            ࣱᮋए-ࠄ฾
                                                                            ᰂ᯺˭ᡚ-ࠄ฾
               comfort between the two models                         0.2   ਐ৥ए-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᯺˭ᡚᮕ฾ឨࣀ/%  -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
   75   76   77   78   79   80   81   82   83   84   85