基于GAN-FCNN数据增强的特种车辆声品质预测研究

doi:10.19562/j.chinasae.qcgc.2025.08.015

摘要/Abstract

摘要：

针对特种车辆声品质预测时，面临采集噪声样本成本较高、样本处理后只能获得少量样本集、缺乏充足的噪声样本，从而影响各类预测模型训练时的模型精度问题，本文建立GAN-FCNN网络，使用4层全连接层构建生成器与判别器进行对抗训练，生成伪样本集。将增强样本集分别带入到LASSO线性回归模型和RF、BP及其PSO优化模型进行回归预测，通过验证，模型预测精度与性能均得到提升。相比于传统的过采样算法，GAN-FCNN网络有更高的准确率，更适用于特种车辆声品质预测模型建立时进行样本扩充。

关键词: 数据增强, 特种车辆, 声品质, 对抗神经网络, 过采样

Abstract:

For the special vehicle sound quality prediction， the cost of collecting noise samples is high， and only a small number of sample sets can be obtained after sample processing， lacking sufficient noise samples， which affects the model accuracy during the training of various prediction models. In this paper， a GAN-FCNN network is established， and a four-layer fully connected layer is used to construct a generator and discriminator for adversarial training， and a pseudo-sample set is generated. The enhanced sample set is introduced into the LASSO linear regression model and the RF， BP and PSO optimization models respectively for regression prediction. Through verification， the prediction accuracy and performance of the models are improved. Compared with the traditional oversampling algorithm， the GAN-FCNN network has higher accuracy， which is more suitable for sample expansion in the establishment of special vehicle sound quality prediction model.

Key words: data enhancement, special vehicle, sound quality, GAN, oversampling

钱堃,杜习康,王言夫,段继英,刘珂,谭璟,沈政华,赵剑. 基于GAN-FCNN数据增强的特种车辆声品质预测研究[J]. 汽车工程, 2025, 47(8): 1596-1606.

Kun Qian,Xikang Du,Yanfu Wang,Jiying Duan,Ke Liu,Jing Tan,Zhenghua Shen,Jian Zhao. Research on Sound Quality Prediction of Special Vehicles Enhanced with GAN-FCNN Data[J]. Automotive Engineering, 2025, 47(8): 1596-1606.

图/表 22

图1

图2

图3

表1

图4

图5

图6

图7

图8

图9

图10

图11

图12

图13

图14

图15

表2

表3

表4

图16

图17

图18

参考文献 26

[1]	陈剑，蒋丰鑫，肖悦. 挖掘机驾驶室低频噪声分析与控制［J］. 中国机械工程， 2014， 25（15）： 2124-2130.
	CHEN J， JIANG F X， XIAO Y. Analysis and control of low frequency noise in excavator cab ［J］. China Mechanical Engineering， 2014， 25（15）： 2124-2130.
[2]	柳亚，张键，杨鄂川，等. 某特种车辆车内噪声声品质分析［J］. 重庆理工大学学报（自然科学）， 2017， 31（3）： 34-42.
	LIU Y，ZHANG J，YANG E C，et al. Analysis of sound quality of interior noise of a special vehicle ［J］. Journal of Chongqing University of Technology （Natural Sciences）， 2017， 31（3）： 34-42.
[3]	张勇，王坤祥，欧健，等. 基于RBF神经网络的车内声品质预测及分析［J］. 控制工程， 2019， 26（11）： 2025-2030.
	ZHANG Y， WANG K X， OU J， et al. Interior sound quality prediction and analysis based on RBF neural network ［J］. Control Engineering， 2019， 26（11）： 2025-2030.
[4]	欧健，彭沸潭，张庆庭，等. 极限梯度提升声品质预测模型在车内噪声主动控制中的运用［J］. 振动工程学报， 2023， 36（5）： 1349-1355.
	OU J， PENG F T， ZHANG Q T，et al. Application of limit gradient enhanced sound quality prediction model in active vehicle noise control ［J］. Journal of Vibration Engineering， 2023， 36（5）： 1349-1355.
[5]	张勇，孟天，王坤祥，等. 车内声品质主观评价模型及中频噪声优化［J］. 汽车工程， 2020， 42（5）： 651-657，664.
	ZHANG Y， MENG T， WANG K X， et al. Subjective evaluation model of interior sound quality and intermediate frequency noise optimization ［J］.Automotive Engineering，2020，42（5）：651-657，664.
[6]	MüNDER M， CARBON C C. Howl， whirr， and whistle： the perception of electric powertrain noise and its importance for perceived quality in electrified vehicles ［J］. Applied Acoustics， 2022， 185： 108412.
[7]	LIU Z， XIE L， HUANG T， et al. The objective quantification of door closing sound quality based on multidimensional subjective perception attributes ［J］. Applied Acoustics， 2022， 192： 108748.
[8]	XIE L， LU C， LIU Z， et al. The evaluation of automobile interior acceleration sound fused with physiological signal using a hybrid deep neural network ［J］. Mechanical Systems and Signal Processing， 2023， 184： 109675.
[9]	HAN H， WANG W Y， MAO B H. Borderline-SMOTE： a new over-sampling method in imbalanced data sets learning ［C］. Proceedings of the International Conference on Intelligent Computing， F， 2005. Springer.
[10]	CHAWLA N V. Data mining for imbalanced datasets： an overview ［M］. Data Mining and Knowledge Discovery Handbook， 2010： 875-886.
[11]	DABLAIN D， CHAWLA N. Towards understanding how data augmentation works with imbalanced data ［J］. ArXiv， 2023， abs/2304.05895.
[12]	YAQIN A， RAHARDI M， ABDULLOH F F. Accuracy enhancement of prediction method using SMOTE for early prediction student's graduation in XYZ university ［J］. International Journal of Advanced Computer Science and Applications， 2022， 13（6）.
[13]	CHAWLA N V， BOWYER K W， HALL L O， et al. SMOTE： synthetic minority over-sampling technique ［J］. Journal of Artificial Intelligence Research， 2002， 16： 321-357.
[14]	GOODFELLOW I， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets ［J］. Advances in Neural Information Processing Systems， 2014， 27.
[15]	中华人民共和国国家质量监督检验检疫总局. 声学汽车车内噪声测量方法： GB/T 18697—2002［S］. 北京：中国标准出版社， 2002.
	General Administration of Quality Supervision， Inspection and Quarantine of the People's Republic of China. Acoustics-Measurement of noise inside motor vehicles： GB/T 18697—2002［S］. Beijing： China Standard Press， 2002.
[16]	GUASTADISEGNI G， DE PINTO S， CANCELLI D， et al. Ride analysis tools for passenger cars： objective and subjective evaluation techniques and correlation processes-a review ［J］. Vehicle System Dynamics， 2024， 62（7）： 1876-1902.
[17]	钱堃，刘珂，王言夫，等. 电动汽车车内声品质评价研究进展［J］. 汽车工程， 2024， 46（8）： 1431-1446.
	QIAN K， LIU K， WANG Y F， et al. Research progress of in-car sound quality evaluation for electric vehicles ［J］. Automotive Engineering， 2024， 46（8）： 1431-1446.
[18]	SINGH RAWAT S， MISHRA A K. Review of methods for handling class-imbalanced in classification problems ［J］. arXiv e-prints， 2022： arXiv： .
[19]	杨易，高骏，谷正气，等. 基于GA-BP的汽车风振噪声声品质预测模型［J］. 机械工程学报， 2021， 57（24）： 241-249.
	YANG Y， GAO J， GU Z Q， et al. Prediction model of automobile wind noise quality based on GA-BP ［J］. Journal of Mechanical Engineering， 2021， 57（24）： 241-249.
[20]	刘哲，高云凯，解馥荣. 电动汽车关门声品质预测模型研究［J］. 汽车工程， 2021， 43（12）： 1858-1864.
	LIU Z， GAO Y K， XIE F R. Research on prediction model of electric vehicle door closing sound quality ［J］. Automotive Engineering， 2021， 43（12）： 1858-1864.
[21]	黄海波，黄晓蓉，苏瑞强，等. 基于EEMD与GA-小波神经网络的传动系声品质预测［J］. 振动与冲击， 2017， 36（9）： 130-137.
	HUANG H B， HUANG X R， SU R Q， et al. Transmission line sound quality prediction based on EEMD and GA-wavelet neural network ［J］. Vibration and Shock， 2017， 36（9）： 130-137.
[22]	ZHAO J， LING H， LIU J， et al. Machine learning for predicting battery capacity for electric vehicles ［J］. eTransportation， 2023， 15： 100214.
[23]	DAS K， KUMAR R， KRISHNA A. Analyzing electric vehicle battery health performance using supervised machine learning ［J］. Renewable and Sustainable Energy Reviews， 2024， 189： 113967.
[24]	GAUTHIER P A， SCULLION W， BERRY A. Sound quality prediction based on systematic metric selection and shrinkage： comparison of stepwise， lasso， and elastic-net algorithms and clustering preprocessing ［J］. Journal of Sound and Vibration， 2017， 400： 134-153.
[25]	彭沸潭. 某特种车车内声品质预测与主动控制研究［D］. 重庆：重庆理工大学，2023.
	PENG F T. Research on interior sound quality prediction and active control of a special vehicle ［D］. Chongqing： Chongqing University of Technology，2023.
[26]	JAIN M， SAIHJPAL V， SINGH N， et al. An overview of variants and advancements of PSO algorithm ［J］. Applied Sciences， 2022， 12（17）： 8392.

评价者	1	2	3	4	5	6	7	8
相关系数	0.707	0.701	0.700	0.723	0.797	0.810	0.854	0.875
评价者	9	10	11	12	13	14	15	16
相关系数	0.877	0.883	0.873	0.877	0.834	0.875	0.877	0.870
评价者	17	18	19	20	21	22	23	24
相关系数	0.865	0.869	0.882	0.875	0.859	0.875	0.877	0.874
评价值	25	26	27	28	29	30	31	32
相关系数	0.871	0.838	0.831	0.881	0.857	0.842	0.877	0.861

模型指标	RF	BP	PSO（RF）	PSO（BP）	LASSO
RMSE	0.298 1	0.333 0	0.147 0	0.238 8	0.935 0
MAE	0.242 3	0.279 9	0.126 2	0.168 8	0.810 5
MSE	0.088 8	0.110 9	0.021 6	0.057 0	0.874 3
相关系数	0.901 0	0.881 0	0.973 6	0.942 4	0.155 9

模型指标	RF	BP	PSO（RF）	PSO（BP）	LASSO
RMSE	0.210 3	0.196 0	0.110 5	0.195 3	0.868 7
MAE	0.148 1	0.165 7	0.084 1	0.167 3	0.776 5
MSE	0.044 2	0.038 4	0.012 2	0.038 1	0.754 7
相关系数	0.959 4	0.963 3	0.988 3	0.964 9	0.270 0

模型指标	RF	BP	PSO（RF）	PSO（BP）	LASSO
RMSE	0.122 6	0.134 6	0.083 0	0.113 9	0.209 9
MAE	0.095 5	0.080 3	0.065 6	0.081 9	0.164 7
MSE	0.015 0	0.018 1	0.006 9	0.012 9	0.044 1
相关系数	0.986 1	0.983 2	0.993 7	0.988 9	0.963 1