李宏斌，徐楚林,2，溫周斌,2

?

BP神經網絡在揚聲器異常音檢測中的應用

李宏斌1，徐楚林1,2，溫周斌1,2

(1. 中國科學院聲學研究所東海研究站，上海 200032；2. 浙江中科電聲研發(fā)中心，浙江嘉善 314100)

提出一種采用人工神經網絡判斷揚聲器是否存在異常音的方法。首先簡單介紹了獲取揚聲器異常音曲線的方法和人工神經網絡中的BP模型及其訓練方法，并比較了基本BP算法和共軛梯度法兩種訓練方法的差異。再將所獲得的異常音曲線作為人工神經網絡的輸入向量，將聽音員的聽測結果作為目標向量，并使用共軛梯度法進行網絡的訓練。最后通過已訓練好的人工神經網絡判斷揚聲器是否存在異常音。實驗結果表明，該方法可替代傳統(tǒng)的人工設置門限的方法，并可大幅降低揚聲器異常音檢測的虛警率。

揚聲器異常音；人工神經網絡；共軛梯度法；虛警率

0 引言

近10年來，國內外電聲工程師一直致力于異常音檢測技術的研究，期望采用揚聲器異常音檢測儀來取代人工聽音。國外具有代表性的異常音檢測儀是德國的Klippel QC系統(tǒng)[1]，它以連續(xù)對數掃頻信號作為激勵信號，采用Meta-Hearing技術[2]提取出被測揚聲器的高次諧波信息，并綜合利用這些信息繪制出異常音曲線，最后將所獲得的異常音曲線與設定的門限進行比較來判斷揚聲器是否存在異常音。國外類似的檢測系統(tǒng)還有美國Listen公司的SoundCheck、意大利Audiomatica公司的Clio QC、列支敦士登NTI公司的PrueSound和日本ETANI公司的TX系統(tǒng)等，在使用這類系統(tǒng)的過程中，均需要有經驗的工程師根據已測量得到的合格揚聲器樣品的異常音曲線設置合理的門限。若門限設置過緊，則會產生較高的虛警率，帶給企業(yè)過高的次品率，或后續(xù)不必要的重新確認所需的人力成本；若門限設置過寬，則會漏檢有異常音的瑕疵品，損害企業(yè)產品品質及信譽。

為了緩解上述問題，本文嘗試采用人工神經網絡的方法判斷揚聲器有無異常音。

1 揚聲器異常音曲線的獲取

本文基于揚聲器的Volterra模型[3-5]，選用連續(xù)對數掃頻信號激勵被測揚聲器[6]，根據采集到的響應信號及激勵信號本身計算出被測揚聲器的異常音曲線。

圖1 獲取異常音曲線的原理框圖

2 人工神經網絡與異常音判決

在獲得了揚聲器的異常音曲線之后，通常的做法是由工程師根據合格樣品的異常音曲線設定門限，然后將被測揚聲器的異常音曲線與該門限進行比較以判斷揚聲器是否存在異常音。由于需要工程師憑經驗設定門限，而門限的高低或寬嚴又決定了虛警率和漏檢率的大小，對產品質量管控依然帶來一些不確定因素。為了避免這一難題，本文嘗試采用人工神經網絡的方法，通過對合格品和不良品的異常音曲線的訓練來判斷揚聲器有無異常音。

人工神經網絡是一種利用大量的簡單計算單元(神經元)構成的非線性系統(tǒng)，它模仿人腦神經系統(tǒng)的信息處理、存儲及檢索功能，具有較好的學習、記憶和推理等智能處理能力。利用人工神經網絡所具有的高度并行性和非線性，以及良好的容錯性與聯想記憶、自學習功能等突出特點，期望其替代傳統(tǒng)的門限設置方法，并獲得較高的異常音判斷正確率。

2.1 人工神經網絡模型[9]

2.2 人工神經網絡的訓練

人工神經網絡需要通過訓練才能達到預先設定的功能，該訓練也稱為學習，指的是神經網絡在受到外部環(huán)境的刺激下調整神經網絡的參數，使神經網絡以一種新的方式對外部環(huán)境作出反應的一個過程。不同的訓練方法，其訓練成功的難易程度及速度會大不相同。本節(jié)簡單介紹在模式識別領域中廣泛應用的基本BP算法及其改進算法。

圖2 BP網絡的拓撲結構

2.2.1 基本反向傳播(Back-Propagation, BP)算法

BP網絡的訓練過程包括正向傳播和反向傳播兩部分[9]。BP算法[10]即誤差的反向傳播算法是前向網絡由教師監(jiān)督學習的普遍采用的有效方法。

所謂學習就是使得目標函數的無約束最小優(yōu)化，采用梯度法在最速下降負梯度方向搜尋的最小值，則神經元間連接的權值改變量為：

2.2.2 共軛梯度法

基本BP算法本質上為梯度下降法，它所要優(yōu)化的目標函數非常復雜，容易出現“鋸齒現象”，因而該算法效率較低。同時，該算法是一種局部搜索的優(yōu)化方法，有可能陷入局部極值，使訓練失敗。

利用共軛梯度法能有效改善基本BP算法的缺點。共軛梯度法[11]是一種重要的無約束最優(yōu)化方法，其基本思想是利用已知點的梯度構造一組共軛方向，并按此方向搜索目標函數的極值?；诠曹椞荻确ǖ腂P算法為[12]：

首次權值調整取負梯度方向，即

從第二次起，權值修正方式為：首先計算共軛因子，的計算公式為

然后，再調整權值，權值的迭代公式為

這樣的修正方式可使得相鄰兩次的搜尋方向均呈共軛關系，以保證較快的收斂速度。

在同等條件下(網絡類型、樣本、目標函數)，對比了基本BP算法和基于共軛梯度的BP算法，所得誤差曲線如圖3所示。由圖3可知，采用基本BP算法的網絡在經過217次訓練后，目標函數達到0.1076，網絡訓練失敗且出現了明顯的“鋸齒現象”；而采用基于共軛梯度法的BP算法的BP網絡在經過105次訓練后，目標函數達到0.06268，網絡訓練成功。而且后者的學習速率較前者顯然快很多。

圖3 BP基本算法與共軛梯度法的網絡誤差曲線

2.2.3 隱含層節(jié)點數的確定

2.2.4 異常音判決

網絡訓練完畢后，只需將異常音曲線交由網絡去判斷揚聲器是否存在異常音。完整的異常音判決流程如圖4所示。

圖4 異常音判決流程圖

3 實驗驗證

圖5是所研制的揚聲器異常音檢測系統(tǒng)的原理框圖，由計算機產生的連續(xù)對數掃頻信號經聲卡的D/A轉換輸出，再由功率放大器放大后激勵被測揚聲器。由傳聲器采集得到的被測揚聲器的聲響應信號送至聲卡，聲卡對其做A/D轉換后送給計算機。計算機計算出揚聲器的異常音曲線，并通過人工神經網絡判斷是否存在異常音，最后在顯示器上顯示判斷結果。

圖5 揚聲器異常音檢測系統(tǒng)框圖

被測揚聲器是一款無繩電話用微型揚聲器，激勵信號的頻率范圍為100~8000 Hz，電壓有效值為1.5 V，掃頻時長為0.5 s。揚聲器和傳聲器采用垂直對準方式，兩者之間距離為10 cm。圖6給出了測量得到的典型異常音曲線，包括合格樣品和存在嚴重異常音的異常音曲線，異常音曲線的數據長度均為225個數據點。

圖6 典型樣品的異常音曲線

本次實驗中，選取了725個揚聲器樣品作為訓練樣本。將這725個揚聲器樣品交由具有較高聽音水平的聽音員進行聽測，該聽音員通常的聽測結果正確率為100%。其聽測的結果為141個有異常音，584個為良品將此作為網絡的目標矢量。與此同時，將這725個揚聲器的異常音曲線作為網絡的輸入矢量，因異常音曲線的數據長度為225，故輸入矢量的大小為725×225。在確定了網絡的輸入矢量與目標矢量后，通過經驗公式及數次嘗試，確定隱含層的節(jié)點數為8。之后，便開始對該網絡進行訓練，其訓練的過程如圖7所示。在經過了105次訓練后目標函數值達到最小值0.06268，網絡訓練成功。

圖7 網絡訓練過程中的誤差變化曲線

在完成了該網絡的訓練之后，又對11392個揚聲器進行了異常音測試。測試結果為：良品10822個，不良品570個。專業(yè)聽音員對測試結果進行確認后發(fā)現，在檢出的570個不良品中，288個確實存在異常音，剩余282個則是將良品誤判為不良品，虛警率為2.475%。與此同時，有5個有異常音的樣品未被檢出，漏檢率為0.0439%。而采用如圖8所示的傳統(tǒng)的通過比較異常音曲線與門限值的方法對這11392個揚聲器進行異常音測試的結果表明，僅有3個有異常音的樣品未被檢出，漏檢率為0.0263%，但有1868個樣品被誤判為不良品，虛警率高達16.398%。

圖8 異常音曲線和門限值

需要說明的是，采用人工神經網絡漏檢的不良品中，有1個不良品是由特殊原因所產生的異常音，而不是普通的擦圈、撞擊或打線等由于常規(guī)原因所產生的異常音，而在所選取的725個訓練樣本中并未包含該特殊異常音的特征信息，進而導致了漏檢的產生。

4 結論

本文嘗試將人工神經網絡運用于揚聲器異常音的判別，初步的實驗結果表明，該方法可替代傳統(tǒng)的人工設置門限的方法，并可大幅度降低異常音檢測的虛警率，而漏檢率則僅小幅提升。為了進一步提升異常音檢測的漏檢率，必須搜集盡可能完備的訓練樣本集用于網絡的訓練，尤其要采集到那些樣品數量極少的、特殊的異常音樣品。

致謝：感謝王宇在揚聲器檢測儀硬件研發(fā)中的工作，性能優(yōu)異的檢測儀保證了本文實驗驗證工作的順利進行。感謝王宇和金晶一起到企業(yè)生產線所做的大量測試工作。

[1] Klippel W. Klippel QC system product brochure[OL]. [2014-01-06]. http://klippel.de/qc/ QC_System_Brochure.pdf

[2] Klippel W. Measurement of Impulsive Distortion, Rub and Buzz and other Disturbances[C]// Audio Engineering Society Convention Paper, 2003.

[3] Volterra V. Theory of functionals and of integral and integro-differential equations[M]. New York: Dover, 1958.

[4] Temme S, Brunet P. A new method for measuring distortion using a multitone stimulus and noncoherence[J]. Audio Eng. Soc, 2008, 56(3): 176–188.

[5] Boyd S, Tang Y S, Chua L O. Measuring Volterra Kernels[J]. IEEE Transactions on Circuits and Systems, 1983, 30(8): 571-577 .

[6] 韋俊峰, 馮海泓. 一種改進的揚聲器Volterra模型研究[J]. 振動與沖擊, 2012, 31(11): 158-164.

WEI Junfeng, FENG Haihong. An improved loudspeaker volterra model[J]. Journal of Vibration and Shock, 2012, 31(11): 158-164.

[7] Klippel W. Can an instrument compete with a human ear at end-of-line testing[R]. University of Technology Dresden, 2009.

[8] Klippel W. KLIPPEL QC SYSTEM USER MANUAL, Version 2.0[OL].[2014-01-06].http://www.klippel.de/fileadmin/klippel/Files/Chinese_Material/Chinese_Klippel_QC_Manual.pdf

[9] 蔣宗禮. 人工神經網絡導論[M]. 高等教育出版社, 2001.

JIANG Zongli. Introduction to artificial neural networks[M]. High Education Press, 2001.

[10] 周建華. 共軛梯度法在BP網絡中的應用[J]. 計算機工程與應用, 1999, 3(1): 17-18.

ZHOU Jianhua. Application of conjugate gradient in BP Networks[J]. Computer Engineering and Applications, 1999, 3(1): 17-18.

[11] 陳寶林. 最優(yōu)化理論與算法[M]. 北京: 清華大學出版社, 2005.

CHEN Baolin. Optimization theory and algorithm[M]. Beijing: Tsinghua University Press, 2005.

[12] 易芳. 修正PRP共軛梯度法的收斂性[D]. 長沙: 湖南大學, 2006.

YI Fang. The convergence of a modified PRP conjugate gradient method[D]. Changsha: Hu’nan University, 2006.

[13] 張德豐. MATLAB神經網絡應用設計[M]. 北京: 機械工業(yè)出版社, 2011.

ZHANG Defeng. Neural network design and application by MATLAB[M]. Beijing: China Machine Press, 2011.

The application of BP neural network in loudspeaker’s Rub & Buzz detection

LI Hong-bin1, XU Chu-lin1,2, WEN Zhou-bin1,2

(1. Shanghai Acoustics Lab., Institute of Acoustics, Chinese Academy of Sciences, Shanghai 200032, China; 2. Zhejiang Electro-Acoustic R&D Center,CAS,Jiashan 314115, Zhejiang, China)

This paper proposes a method of using neural network to judge whether a loudspeaker is good or not. First, the method of how to obtain the Rub & Buzz curve and the BP model including its training methods are simply introduced. Besides, the comparison between the basic BP algorithm and the conjugate gradient algorithm is also made. Then the Rub & Buzz curve is used as the BP network’s input vector and the judgment result of experienced worker is used as the BP network’s output vector and use the conjugate gradient algorithm to train the network. Finally, the trained BP network can judge whether the measured loudspeaker is good or not. The experimental results show that judging a loudspeaker is good or not by a threshold, which is set up by engineer, can be replaced by artificial neural network, and the false alarm rate is greatly reduced.

loudspeaker’s Rub&Buzz; ANN; conjugate gradient method; false alarm rate

TB54

A

1000-3630(2014)-06-0522-04

10.3969/j.issn1000-3630.2014.06.009

2014-04-23;

2014-08-04

李宏斌(1989－), 男, 上海人, 碩士研究生, 研究方向為電聲技術。

李宏斌, E-mail: feishastop@gmail.com