一种模糊自适应PSO-ELM声品质预测模型的建立方法与流程

技术特征：
1.一种模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：包括如下步骤：通过elm神经网络构建单独的elm预测模型；通过模糊控制和pso算法构建模糊自适应pso
‑
elm预测模型。2.如权利要求1所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：构建单独的elm预测模型包括如下步骤，通过声信号检测设备采集声信号，包括训练集、测试集和验证集三部分，并对收集的信号进行处理、计算，得到所采集声信号的声品质客观参量，通过组织评审团对采集到的声信号进行主观评价，得到所采集声信号的主观参量；将训练集的声品质客观参量生成输入矩阵x，训练集主观参量生成输出矩阵t，输入层权重矩阵w以及隐含层阈值矩阵b随机生成。3.如权利要求2所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：利用输入矩阵x、输出矩阵t、输入层权重矩阵w以及隐含层阈值矩阵b得到隐含层输出矩阵h；式中h为sigmoid函数；利用hβ＝t，求解输出层权重矩阵β；通过elm神经网络完成对elm模型基本结构的构建。4.如权利要求2或3所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：构建模糊自适应pso
‑
elm预测模型包括如下步骤，pso算法初始根据种群规模n随机生成n组粒子，每组粒子均构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，将训练集数据输入，每组生成一个elm预测模型；将测试集数据代入生成的elm预测模型，求解出声品质主观参量烦恼度预测值，并与测试集中的烦恼度进行比较，取两者均方根值作为适应度值返回pso算法；pso算法中取出均方根误差最小的那组粒子作为个体极值，并和群体极值进行比较，若更小则用这一组粒子替换群体极值；pso算法根据适应度值及其变化率生成新的惯性因子w，根据公式进行粒子更新，产生n组规模相同的新粒子，重复上述步骤；当迭代达到迭代次数上限，迭代停止，取群体极值的一组粒子构成elm神经网络中的输入层权重矩阵w和隐含层阈值矩阵b，同时配合训练集数据生成最终的elm预测模型，此模型为模糊自适应pso
‑
elm预测模型。5.如权利要求4所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：将验证集数据代入模糊自适应pso
‑
elm预测模型，求解出声品质主观参量烦恼度预测值，并
与验证集中的烦恼度进行比较，取两者均方根值评价预测模型效果优劣。6.如权利要求1～3或5任一所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：声品质客观参量包括响度、粗糙度、波动度、尖锐度、音调度、语义清晰度、a声压级。7.如权利要求6所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：采用粒子群优化算法，对极限学习机的输入层权重矩阵w以及阈值矩阵b进行优化，将极限学习机的输入层权重矩阵w以及阈值矩阵b作为粒子群优化算法的粒子，将测试集代入得到的误差均方根值作为适应度函数，进行全局寻优。8.如权利要求4所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：在pso算法根据适应度值及其变化率生成新的惯性因子w步骤中，将适应度值及其变化率作为输入变量，通过模糊控制方法更新惯性因子w。9.如权利要求7或8所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：在将采集到的声信号进行数据输入前，先进行归一化处理。10.如权利要求9所述的模糊自适应pso
‑
elm声品质预测模型的建立方法，其特征在于：声信号数据的归一化处理方式如下：利用下式，将声品质客观参量转化到[0,1]上，x＝(x
i
‑
x
min
)/(x
max
‑
x
min
)
ꢀꢀꢀꢀꢀꢀꢀ
(3)式中x
i
为某声品质客观参量值，x
max
为该客观参量对应最大值，x
min
为该客观参量对应最小值。

技术总结
本发明公开了一种模糊自适应PSO


技术研发人员：黄其柏 杨功卓
受保护的技术使用者：华中科技大学
技术研发日：2021.08.13
技术公布日：2021/10/19