CEEMD-GRU组合道路噪声预测模型_冯增喜.pdf
《CEEMD-GRU组合道路噪声预测模型_冯增喜.pdf》由会员分享,可在线阅读,更多相关《CEEMD-GRU组合道路噪声预测模型_冯增喜.pdf(9页珍藏版)》请在咨信网上搜索。
1、文章编号:1009-6094(2023)06-2128-09CEEMDGRU 组合道路噪声预测模型冯增喜1,崔 巍1,何 鑫1,赵锦彤1,孙 欣1,张茂强1,杨芸芸1,韦 娜2(1 西安建筑科技大学建筑设备科学与工程学院,西安710055;2 西安建筑科技大学艺术学院,西安 710055)摘 要:针对道路降噪问题,为降低主动噪声控制方法中滤波算法收敛性能要求,提出了一种基于互补集合经验模态分解(Complemementary Ensemble Empirical Mode Decomposition,CEEMD)与门控循环单元(Gated Recurrent Unit,GRU)组合的道路噪声预
2、测模型(CEEMDGRU)。首先,基于 CEEMD算法将输入的噪声音频序列分解为多个本征模态函数分量和一个残差分量,以深度挖掘数据隐含的波动信息;其次,利用 CEEMD 分解的输入噪声序列各分量和输出噪声序列构建CEEMDGRU 神经网络噪声预测模型;最后,基于西安市某路段采集的噪声数据对该模型的有效性进行验证。结果表明:该模型 EMA为 0.019 1,RMSE为 0.030 8,R2为 0.589 2,预测声信号能够代替主动噪声控制中自适应控制器的实际初级声信号,为主动噪声控制的控制过程提供了更充分的响应时间。关键词:环境工程学;噪声与振动控制;噪声预测;主动噪声控制;门控循环单元;互补集
3、合经验模态分解中图分类号:X593 文献标志码:ADOI:10.13637/j.issn.1009-6094.2022.0715收稿日期:20220420作者简介:冯增喜,副教授,博士,从事智慧城市、建筑智能化研究,。基金项目:国家重点研发计划项目(2017YFC070410702)0 引 言随着交通量和车流密度的增加,交通噪声已成为影响城市环境的主要污染源1,其中重型运输车辆所产生的道路噪声是影响居民声环境的主要因素。我国公路声屏障降噪效果检测方法规定在道路干线两侧,夜间噪声不得超过 55 dB(A),白天不得超过 70 dB(A)2。研究表明超过 30%居民的生活会受到道路噪声影响3,而长
4、时间暴露在噪声环境下可能会引发一系列的健康问题4。道路噪声主要存在于车辆行驶过程中,由车辆自身机械部件的振动、车体与空气以及轮胎与道路间的摩擦所产生。针对降噪问题,目前主要有被动式噪声控制技术(Passive Noise Control,PNC)和主动式噪声控制技术(Active Noise Control,ANC)两种解决方法5 6。前者是利用声学材料或结构来消耗声波能量以实现噪声的抵消;后者是利用杨氏干涉理论,通过发出与实际初级声信号幅值频率相同、相位相反的噪声消除信号,从而抵消初始噪声信号实现噪声控制7。自适应滤波算法是主动噪声控制技术的核心8。由于主动噪声控制过程中自适应滤波算法的计算
5、过程以及各元件的执行过程,系统需要一定的响应时间。为尽量减少响应时间,控制系统通常选择较为简单的自适应滤波算法进行计算。如 1959年 Windrow 等首次提出了基于最小均方(Least MeanSquare,LMS)自适应算法,该算法具有计算简单、易于使用等优势9 11,但该算法存在收敛速度和稳态误差相矛盾的问题12 13,即在收敛系数的选取过程中,较大的收敛系数带来更快收敛速度的同时也会产生更大的权矢量噪声,进而导致失调量随之增大。因此,控制器中选择简单的自适应滤波算法是通过牺牲计算精度换取了收敛速度的提升。此外,由于传统主动式噪声控制系统中往往存在次级声反馈现象,使得参考传感器采集的初
6、级声信号存在一定的误差,这将会对系统的稳定性带来巨大的影响7。针对此种问题,现有研究主要是通过对自适应滤波算法进行改进,从而在确保收敛速度满足要求的同时降低稳态误差或在保持原有精度的同时提高其收敛速度。即使如此,仍需考虑降低次级声反馈问题所带来的影响,如反馈中和法是通过建立采用自适应滤波算法模型的补偿滤波器输出来抵消声反馈信号,或通过引入与 IIR 滤波器契合的智能算法这种思想来解决声反馈问题7。Khan 等14基于自然启发烟花算法更新自适应 Volterra 滤波器参数的 ANC控制器可降低稳态误差。George 等15提出了一种基于函数链接型神经网络(FLANN)的多通道非线性有源噪声控制
7、系统,该系统采用一种适用于非线性噪声过程的粒子群优化算法训练。Zhao 等16提出一种扩展流水线型二阶 Volterra 滤波器以及相应的非线性滤波算法,从而提高非线性噪声控制的计算效率。聂永红等17于 2012 年首次提出了基于经验模态分解(Empirical Mode Decompodition,EMD)与响度的有源噪声控制系统,其通过 EMD 各分量的响度大小进行残差滤波器的设计,从而降低对响度贡献较小的噪声成分的运算压力,以此提高降噪效果。Chen 等18于 2019 年首次提出了相关 EMD 与切比8212第 23 卷第 6 期2023 年 6 月 安全 与 环 境 学 报Journ
8、al of Safety and Environment Vol.23 No.6Jun.,2023雪夫滤波器组合的控制思想,其利用 EMD 分解方法将噪声信号分解为多个分量,根据各分量相关系数对输入信号进行筛选以此降低自适应控制器的运算压力,并与切比雪夫滤波器进行组合,从而实现收敛速度的提升。为弥补滤波算法中稳态误差及收敛速度间的矛盾问题,同时有效地避免出现次级声反馈现象,本文将提出一种新的解决思路,即建立基于 CEEMDGRU 的组合预测模型,在噪声控制执行前为自适应控制器提供更加充足的准备,通过该模型对道路噪声进行预测,并将实时噪声替换为模型预测结果作为主动噪声控制系统的实际初级声信号,一
9、方面能够使得移动的噪声源在抵达噪声控制点时系统能够产生准确噪声消除信号,从而为系统内自适应滤波算法的计算及执行过程提供更加充分的响应时间,避免主动噪声控制系统中自适应滤波算法在选择时存在收敛速度和稳态误差相矛盾的问题,另一方面,参考传感器也可与次级声源保持较大的距离,能够有效地避免次级声反馈现象。最后,通过仿真试验验证本文所提方法的噪声预测效果。1基于 CEEMDGRU 的道路噪声预测模型 在车辆行驶过程中引发噪声的因素极多,在预测过程中,若将所有因素都考虑在内,会增加预测难度,此外同一车辆所发出的噪声具有非平稳性以及非线性的特性,易导致预测过程中误差的产生。CEEMD 分解方法能够充分提取非
10、线性噪声序列的特征,挖掘其隐含信息,故通过 CEEMD 对原始噪声信号进行分解得到多个虚拟分量,并以虚拟分量作为模型输入变量,从而在数据分析的过程中避免由于人为选定影响因素而对分析结果产生影响;同时,由于噪声片段采样率的大小直接影响了噪声序列数据的完整性,为保证样本数据的准确性,需在数据提取过程中尽可能提高采样率,导致噪声序列数据维度较高,选择 GRU 神经网络能够避免高维度序列数据在模型训练过程中出现梯度消失的情况,从而使预测效果更加准确。1.1 互补集合经验模态分解(CEEMD)经验模态分解(Empirical Mode Decomposition,EMD)是 1998 年 Huang 等
11、19首次提出的一种处理信号的方法,其理论上可将任何类型的信号分解为多个本征模态函数分量(Intrinsic Mode Functions,Fim)和一个残差分量(r),并且针对非线性数据的处理具有非常明显的优势。但 EMD 在分解信号过程中易出现模态混叠现象,集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)在EMD 的基础上添加白噪声使信号在不同的时间尺度具有连续性,从而可以有效地抑制模态混叠现象20,但由于 EEMD 分解过程中引入的白噪声存在的残余会对原始数据产生不良影响21,Yeh 等提出互补集合经验模态分解(Complementa
12、ry EnsembleEmpirical Mode Decomposition,CEEMD),CEEMD 将引入的白噪声改为高斯正负白噪声,从而可避免模态混叠现象的发生,也不会对原始数据产生影响22 24。CEEMD 算法分解步骤如下。1)对原始信号加入正、负成对的高斯白噪声,得到新的信号M1M2|=1-11-1|SN|(1)式中 S 为原始数据,N 为白噪声,M1、M2分别为添加正、负白噪声的原始信号。2)通过式(2)对 M1、M2进行分解。H(t)=nj=1cj(t)+r(t)cj(t)=1kki=1cij(t)|(2)式中 t 为当前时刻,H(t)为 CEEMD 分解结果,k 为加入高斯
13、白噪声的次数,cij为第 i 次加入白噪声分解后得到的第 j 个本征模态函数分量,cj(t)为 C1、C2在第 j 个 Fim分量的平均值,r 为残差分量。分解后得到 2 组 Fim分量表示为 C1、C2,然后对每组分量对应的同一阶分量求平均值,得到最终的分解结果 H。其中每一个 Fim分量需满足以下要求:1)在整个数据集中,极值数量和零交叉数量必须相等或最多相差 1;2)在任何一点上,由局部最大值定义的包络线的平均值和由局部最小值定义的包络线的平均值都是 0。1.2 GRU 神经网络循环神经网络(Recurrent Neural Network,RNN)在处理短时序列方面优势明显,但处理分析
14、维度过高的时序序列时易出现梯度消失情况。对此,Hochreiter 等25提出了长短期记忆(Long Short-termMemory,LSTM)神经网络,通过设置输入门、遗忘门和输出门单元实现时序的记忆可控,有效地解决了梯度消失问题。但 LSTM 神经网络结构复杂,训练9212 2023 年 6 月 冯增喜,等:CEEMDGRU 组合道路噪声预测模型 Jun.,2023时间过长26,因此,Cho 等27提出门控循环单元(Gated Recurrent Unit,GRU)神经网络。GRU 将LSTM 的 3 个门控单元结构简化为重置门和更新门2 个门控单元结构,不存在单独的存储单元,极大地简化
15、了模型,提高了收敛速度,在保留了 LSTM 神经网络优点的同时提高了样本训练效率。GRU 模块结构如图 1 所示。GRU 模块门控更新公式为:rt=(Wrht-1,xt)(3)ht?=tanh(Whrt ht-1,xt)(4)zt=(Wzht-1,xt)(5)ht=(1-zt)ht-1+zt ht?(6)y=WOht(7)式中rt和 zt分别为重置门和更新门,ht?、ht、y 分别为当前记忆状态、单元输出系统状态、预测值的计算规则,、tanh 分别为 Sigmoid 激活函数和双曲正切函数,Wr、Wz、Wh、WO为对应权重矩阵,为矩阵内元素相乘。图 1 GRU 模块结构图Fig.1 GRU m
16、odule structure diagram1.3 基于 CEEMDGRU 的预测模型为了对噪声序列进行更加精准的预测,从而为主动噪声控制提供准确的输入声信号,本文提出基于 CEEMDGRU 的道路噪声预测算法。首先,该模型能够利用 CEEMD 分解方法处理非线性信号的优势,将数据分解为不同特征尺度的多个子分量,从而将各分量间的影响降低,减小预测过程的难度并降低误差;其次,利用 GRU 神经网络的记忆能力使得模型在训练过程中,能够充分学习噪声序列数据信息,从而使得预测噪声数据能够代替真实噪声数据作为主动式噪声控制的输入信号。模型构建流程如图 2 所示,具体步骤如下:步骤 1,获取两测量点多组
17、噪声音频;步骤 2,对噪声音频进行采样,得到噪声样本数据;步骤 3,为便于后续模型训练,将样本数据进行归一化处理得到测点一噪声序列 X,以及测点二噪声序列 Y;步骤 4,通过 CEEMD 分解方法将噪声序列 X 进行平稳化处理,以深度挖掘数据隐含的波动信息,得到多个子分量 Fim1,Fim2,Fimn以及残差分量 r;步骤 5,将多个子分量重组为 GRU 神经网络输入数据(Fim1,Fim2,Fimn,r)T,与测点二噪声序列Y 共同划分为训练集与测试集,划分比例为训练集 测试集=49 1;图 2 基于 CEEMDGRU 的道路噪声预测模型构建流程Fig.2 Construction of r
18、oad noise prediction modelbased on CEEMDGRU步骤 6,以(Fim1,Fim2,Fimn,r)T作为 GRU 神经网络输入,以 Y 作为 GRU 神经网络输出,进行多输入单输出的 GRU 神经网络训练,利用 GRU 神经网络的记忆能力充分训练噪声序列;步骤 7,满足模型训练收敛条件后得到基于CEEMDGRU 道路噪声预测模型。所构建 CEEMDGRU 预测模型网络结构如图3 所示,该模型主要包括 CEEMD 算法以及 GRU 神经网络,GRU 神经网络包含输入层、GRU 层、Dropout层、全连接层、输出层。其中 CEEMD 算法的作用是0312 Vo
19、l.23 No.6 安全 与 环 境 学 报 第 23 卷第 6 期测点一样本数据 X 经 CEEMD 分解后得到 n 个本征模态分量以及一个残差分量。GRU 神经网络中,输入层数据集(Fim1,Fim2,Fimn,r)T由利用 CEEMD算法分解的 n 个本征模态分量和残差分量所组成;GRU 层的神经元个数根据数据规模确定,若需要多个 GRU 层可依次叠加;Dropout 层的主要作用是缓解模型训练过拟合现象,该层置于每个 GRU 层后,通常将 Dropout 率设置为0.528;输出层为测点二的预测值。图 3 CEEMDGRU 预测模型网络结构图Fig.3 CEEMDGRU neural
20、network structure diagram2 试 验2.1 数据来源本研究主要针对车辆噪声严重影响临街居民生活质量这一问题,选取西安市郊区某公路作为试验场地,对车辆噪声进行实地采集试验。试验车型为3 台 MAXUS V80 型号货车,试验场景布置如图 4 所示,传统道路声屏障与路沿距离约为 0.5 m,因此该试验两测点亦设置于距离公路路沿垂直距离 0.5 m处,两测点均设置带有区域侦测模块的 HIKVISIONDS2CD5A24FWDIZS 摄像机并通过音频接口与Beyerdynamic MM1 音频信号采集设备连接,同时为避免所采集数据中出现其他车辆噪声影响,根据该音频信号采集设备最
21、远收音距离为 6 m,将两测点间距离设置为 50 m,并设置两测点音频信号采集路段为 AB 路段和 CD 路段,A、B 与 C、D 分别位于测点一和测点二两侧 15 m 处,试验过程中 AD 路段内除试验车辆外无其他噪声源。以测点一为例,其数据采集过程为:试验开始前将摄像机区域侦测模块触发区域设置为 AB 路段,试验车辆驶入采集路段 AB 前启动定速巡航功能确保采集过程中车速恒定,当试验车辆到达 A 点,触发摄像机内置的区域侦测模块产生脉冲信号启动音频信号采集设备,当试验车辆到达 B 点,触发摄像机内置的区域侦测模块产生脉冲信号关闭音频信号采集设备,测点二采集过程同上,至此一组音频数据采集过程
22、结束,控制试验车速由 30 km/h 至 50 km/h 逐次递增 1 km/h,如 30 km/h,31 km/h,32 km/h,50 km/h,并且每种速度均进行 3 次采集。试验最终采集次数为 63 次,筛出受到其他因素干扰导致的异常数据,有效数据 50 组,每组数据包含测点一及测点二 WAV 格式音频各一段,随机抽取一组采集数据展示如图 5 所示。2.2 数据预处理以6 000 Hz 采样率对50 组 WAV 音频文件进行数据采样,将噪声数据由模拟数据转化为离散数据,并对其进行归一化处理,为保证后续模型训练的连续性,将各组数据进行连接,获得测点一、测点二各8 105个样本点数据,由于
23、摄影机设备区域侦测模块响应时间为 1 10-5s,而以 6 000 Hz 进行采样后各样本点时间间隔为 1.67 10-4s,故能够确保每组试验中两测点样本数据一一匹配。图 4 试验场景布置图Fig.4 Experimental scene layout1312 2023 年 6 月 冯增喜,等:CEEMDGRU 组合道路噪声预测模型 Jun.,20232.3 评价指标本文选择以下 3 个指标评估模型的准确性。1)平均绝对误差 EMA,该评价指标能够准确反映预测模型的误差大小,即 EMA值越小则代表模型预测效果越好,表达式为图 5 两测点道路噪声声波序列Fig.5 Acoustic seque
24、nce of road noise at twomeasuring pointsEMA=1nni=1yi-yi(8)2)均方根误差 ERMS,该评价指标能够反映预测值与实际值之间的差异程度,即 ERMS值越小则代表模型预测效果越好,表达式为ERMS=1nni=1(yi-yi)2(9)3)拟合优度 R2,该评价指标能够反映预测值与实际值曲线的拟合程度,即 R2越高则代表模型预测效果越好,表达式为R2=1-i(yi-yi)2i(y-yi)2(10)式中n 为数据总数,yi为实际数据值,yi为预测数据值,y-i为实际数据均值。2.4 CEEMD 分解过程经数据预处理后可获得测点一及测点二两组数据量相
25、同的时间序列,如图 5 所示,当车辆靠近时,噪声原始数据系列存在较大的波动性,且波动频率和振幅未呈现明显规律性变化,具有较高非平稳、非线性特征,难以有效地对该序列数据进行预测,故先采用 CEEMD 的方法对原始噪声数据进行处理,以充分提取原始数据特征。图 6 为测量点一处部分噪声原始数据经 CEEMD 分解后得出的 13 个 Fim分量以及 1 个 r 残差分量,数据分解可将原始噪声数据转换为平稳性好且规律性强的高、低频分量,通过以虚拟分量代替可能影响噪声的外界因素作为 GRU神经网络模型预测输入,将测点二噪声数据作为GRU 神经网络预测输出构建模型,确保模型在训练过程中充分学习数据中的信息。
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- CEEMD GRU 组合 道路 噪声 预测 模型 冯增喜
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。