基于样本熵与 ELM-Adaboost 的悬架减振器异响声品质预测

摘要：

车辆悬架减振器异响严重削弱了车内声品质，针对该异响问题设计并开展了不同路况条件下的整车道路试验，对采集到的车内噪声信号分别计算 A 计权声压级与心理声学客观参量（响度、尖锐度、语音清晰度、抖动度和粗糙度）以提取减振器异响特征信息，并将其与主观评价进行了相关分析。另一方面，再引入小波包分解与样本熵的概念，对减振器异响特征信息进行了有效地提取，同时提出基于 Adaboost 的极限学习机（ELM）算法，建立了减振器异响声品质预测改进模型，并将其与支持向量机（Support Vector Machine，SVM）、广义神经网络（Generalized Regression Neural Network， GRNN）进行对比。研究结果表明：传统的 A 计权声压与心理声学指标不能有效地用于减振器异响声品质预测而结合小波包样本熵提取的异响特征与 ELM-Adaboost 算法能有效地对减振器异响声品质进行预测，并且效果优于 SVM与 GRNN。

关键词：减振器异响、声品质、小波包、样本熵、Adaboost、极限学习机

所属期刊栏目：35

分类号：U463.1;U467.1+1(汽车工程)

资助基金：国家自然科学基金51475387；中央高校基本科研业务费专项资金---科技创新项目SWJTU12CX036

在线出版日期：2016-07-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：125-133,193