(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111544813.3 (22)申请日 2021.12.16 (71)申请人 中昇易维软件科技 （苏州） 有限公司 地址 215000 江苏省苏州市高新区竹园路 209号4号楼13层1303室19工位(集群 登记) (72)发明人 戴轶　 (74)专利代理 机构 苏州国卓知识产权代理有限 公司 323 31 专利代理师 刘颖棋 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/04(2006.01) G06F 119/10(2020.01) (54)发明名称 一种基于神经元网络算法对噪音加权评估 的方法及其应用 (57)摘要 本发明公开的属于人工智能算法技术领域， 具体为一种基于神经元网络算法对噪音加权评 估的方法及其应用， 其方法包括非线性多层的神 经元网络的构建、 神经元网络自动化推衍算法、 神经元网络算法全面训练后推导的制动噪音加 权响应面三个步骤， 本发明采用了四层神经元网 络方案， 建立了鲁棒性优的非线性模型， 为量化 人耳主观评价提供了合适的加权矩阵。 通过应用 大量生产和试验制动系统获得的车辆测试结果， 来开发和训练神经元网络模型。 通过完全训练的 神经元网络可以提供一个完整的制动噪音加权 响应面， 替代传统的响度加权曲线， 并集成于国 产ProStruct仿真求解器的后处理流程中， 实现 仿真模拟/人工智能一体化的应用实 践。 权利要求书2页 说明书6页 附图2页 CN 114444376 A 2022.05.06 CN 114444376 A 1.一种基于神经 元网络算法对噪音加权 评估的方法， 其特 征在于： 包括以下步骤： 步骤1： 非线性多层的神经元网络的构建， 构建一个非线性， 鲁棒性强， 可以正确模拟人 耳对于制动啸叫耐受性主观评价的多层神经 元网络； 步骤2： 神经元网络自动化推衍算法， 对于步骤1中构建的神经元网络， 自动化推衍算法 首先使用初始随机分配的权重和偏差值进 行计算推导， 以获得NN神经元网络预测的初始主 观评级输出值， 然后将该值与人耳主观评价指标进行误差对比， 以便计算得到一个整个训 练数据集上以[w],{b}为变量的隐式误差均方差函数Γ： 其中下标j是训练数据集的维度， 这里的k＝1,2,3,最终目标是搜索函数的整个参数空 间Γ， 并通过迭代进行自动化推衍神经元网络中权重和偏差矩阵的向量值； 是通过计算Γ 函数的变量灵敏度， 并将其引导指向敏感梯度最优的下降通道， 以实现Λ误差均方差值的 最小化； 其中[w],{b}为变量的灵敏度函数向量数 学表达式{Ψ}(k)按照顺序可以表示 为： 1、 对于k＝1,2 2、 对于k＝3 3、 为k＝1,2 4、 为k＝3 5、 其中S1＝S2＝3， S3＝1， 是传递函数f(k)的偏导数， 并用于Jacobian矩阵 计算； 使用公式2， 灵敏度计算从最后一层神经元开始， 然后通过神元网络向前递推到第一层； 利 用[w],{b}为变量的灵敏度传递函数进 行自动化推衍更新迭代， 以减少误差均方差Λ的值； 该自动化推衍 算法通过以下公式进行迭代与更新： [W(l+1)](k)＝[W(l)](k)‑α {Ψ}(k)({a}(k‑1))T， {b(l+1)}(k)＝{b(l)}(k)‑α {Ψ}(k)， 其中k＝1,2,3, α 是学习速率,l为迭代次数； 此迭代过程按顺序对所有训练数据集逐个 样本运行， 并定义每个训练集的完成为一个"epoch"迭代过程； 自动化推衍迭代 算法以这种 自动循环的方式进行， 直到均方差误差减小到可控的范围以内， 或者运行到均方差误差在 大量“epoch”迭代过程后不能继续减少并稳定下来 为止；权　利　要　求　书 1/2 页 2 CN 114444376 A 2步骤3： 神经元网络算法全面训练后推导的制动噪音加权响应面， 通过步骤2神经元网 络全面训练推导产生的NN加权矩阵提供一种有价值制动噪声映射工具， 该工具用于将人耳 的主观响应面动态 地描述为 发生频率和声压的函数， 它使用NN模拟中的一组纯音 频标准激 励来近似此响应表面， 该响应面可以表示 为由[P](r)的对角线输入矩阵为激励源： 其中每个列向量表示一个制动啸叫纯音频激励(即输入)； 对角线声压的大小可以定义 为p(r)＝5(r+7)dB， 其中r＝1,2,...,21,覆盖了40 ‑120dB声压范围内大部分啸叫发生的频 率； 然后从训练好的神经元网络模型中计算出这些纯音频激励产生的人耳主观噪声评级矩 阵， 它表示 为： 其中行矢量表示各种制动啸叫频率的影响， 而列矢量与各种制动啸叫声压相关联； 通 过将这个生成的主观评级矩阵[A]标准 化， 即可以获得对制动啸叫噪声的主观响应面。 2.根据权利要求1所述的一种基于神经元网络算法对噪音加权评估的方法， 其特征在 于： 所述步骤2中Λ为整个神经元网络训练过程中 的误差均方差， Nw为人耳主观评测的噪声 等级， a1为神经元网络预测的噪声等级， j为训练的样本数， [w],{b}为待优化的神经元网络 权重及偏差矩阵， Γ为以[w],{b}为变量的隐式误差均方差函数。 3.根据权利要求1所述的一种基于神经元网络算法对噪音加权评估的方法在人工智能 领域中的应用。权　利　要　求　书 2/2 页 3 CN 114444376 A 3