基于小波神经网络的声景质量预测模型-建筑技术科学专业论文.docxVIP

ClassifiedIndex:TU112.4+39U.D.C:725.21DissertationfortheMasterDegreeinEngineeringTHEPREDICTIONMODELOFSOUNDENVIROMENTQUALITYBASEDONWAVELETNEURALNETWORKCandidate：HeGangSupervisor：SecondSupervisor：Prof.KangJianProf.JinHongAcademicDegreeAppliedfor：MasterofEngineeringSpeciality：BuildingScienceandTechnologyAffiliation：SchoolofMechatronicsEngineeringDateofDefence：Mar,2012Degree-Conferring-Institution：HarbinInstituteofTechnology摘要为了有利于设计师在方案阶段对声环境做出准确的判断，本研究将声景质量与小波神经网络理论与方法结合起来，建立基于小波神经网络的声景质量预测模型。首先，为了满足预测模型的需要本文采用哈尔滨市五个典型地下商业街的调研数据作为预测模型的实验数据。文中阐述了实验数据的来源以及构成，并且以会展地下商业街为例从实验数据中选取了与主观响度有关的所有因子，而且对实验数据的每个因子进行了详细的介绍。其次，本文采用小波神经网络的方法，以会展地下商业街为例建立了主观响度预测模型。模型建立过程包括传递函数的选择、网络结构的确定、训练方法的选取和迭代次数的确定四个部分内容，并且对预测模型进行验证。而且以会展地下商业街主观响度预测模型为依据设置了图形用户界面。界面具有较好的操作性，设计师可以通过图形用户界面对预测模型进行操作，好的界面有助于提高预测模型的预测效率。再次，以会展地下商业街主观响度预测模型为基础建立了三种类型主观响度预测模型，即通用模型、独立模型和分组模型。并且根据模型用途的不同把分组模型分为三种模型，即空间类型分组模型、使用者收入差异分组模型和使用者光顾目的分组模型。而在声景预测领域中主观声舒适度预测模型的作用比主观响度预测模型要高，于是文中建立了主观声舒适度预测模型并进行分类。分类方式与主观响度预测模型完全相同，包括通用模型、独立模型和分组模型。最后，为了证明小波神经网络预测模型的预测效果优于BP神经网络预测模型，建立了三种BP神经网络主观响度预测模型，并与小波神经网络进行了比较研究。总之，本研究将小波神经网络方法引入到声景质量预测中，建立了基于小波神经网络的声景质量预测模型，既是对小波神经网络理论与方法创造性的运用，又是对声景质量预测模型研究的完善和提高。关键词：声景；主观响度；主观声舒适度；小波神经网络；预测AbstractForthesakeofhelpingdesignerstomakeaccuratejudgmentofthesoundenvironmentinthephaseofconceptuallevel,thisstudyestablishedthepredictionmodelofsoundenviromentqualitybasedonwaveletneuralnetwork,combiningsoundenviromentqualitywithwaveletneuralnetworktheoryandmethodology.Firstly,inordertomeettheneedsofthepredictionmodel,thispaperadopttheresearchdataoffivetypicalundergroundcommercialstreetinHarbinasexperimentaldataofpredictionmodel.Thispaperdescribestheexperimentdatasourcesandcomposition,andselectedallthefactorsrelevantwiththesubjectiveloudnessfromexperimentaldataastheexampleofexhibitionundergroundcommercialstreet,eachofwhichwasdescribedindetail.Thisstudyestablishedthepredictionmodelofsoundenviromentqualityinthemethodofwaveletneuralnetwork,processingthesoundenvironmentdataofexhibitionundergroundcommerc