共查询到19条相似文献,搜索用时 113 毫秒
1.
低频成分的噪声是车内噪声的主要特征之一, 并对车辆的力度、轰鸣、烦恼等主观听觉感知特征产生影响, 本文的研究旨在建立车内低频噪声的主观声品质评价的参量和数学模型。首先采用听音和想象法等词汇描述进行主观问卷调查, 通过对调查得到描述词汇的统计分析, 得到了描述车内噪声低频特征的中文描述词-低沉。然后采用仿真头双耳记录的车内噪声信号进行实验室主观评价, 通过对评价结果的分析得到了影响低沉度感知的主要参量, 并由此建立了以 1/3 倍频程声压级、锐度和粗糙度为变量的低沉度参量的数学模型。采用成对比较法和语义细分法主观评价实验的结果验证了模型的准确性。结果表明, 低沉度模型的预测结果与主观评价结果具有很高的相关性, 从而证明了所提出模型的有效性。 相似文献
2.
3.
传统用于声音压缩编码的掩蔽效应模型是在单一听觉模式下获得的,而现今的多媒体技术是视听交互模式。在有视觉刺激情况下,人耳声音的掩蔽特性是否会发生变化?为了研究视觉刺激对听觉掩蔽效应的影响,从视觉与听觉心理的相互关联性入手进行了窄带噪声掩蔽纯音和宽带噪声掩蔽纯音两类心理声学实验。实验采用恒定刺激法,在听觉判断的同时给被试呈现三种不同提示状态的视觉刺激,对在200~7700Hz的频率范围内的噪声掩蔽阈值进行实验测定,并将结果与无视觉状态的实验结果相比较。对实验结果进行了信度检验、效度分析和显著性分析之后,利用相关视觉提示促进理论和注意能量分散理论对实验结果进行了理论解析。 相似文献
4.
飞机舱内噪声评价及控制研究需要大量的舱内噪声样本,只依靠实测飞机噪声获取数据具有成本高、数据量有限等缺点。声音合成技术可以在一定程度上弥补其不足,能够提供满足需求的声样本数据库。本文基于正弦+噪声模型,提出了飞机舱内噪声合成的两种方法,以波音737、空客321等4种机型巡航状态下的舱内噪声为参考噪声,合成了飞机舱内噪声。从听觉感知角度,开展了主观评价实验,采用成对比较法比较了参考噪声和合成声,验证了两种声音合成方法的有效性。 相似文献
5.
6.
基于听觉感知的不同航速稳态舰船噪声合成 总被引:1,自引:0,他引:1
声纳人员培训和人耳辨识舰船声实验中常需要完备的敌我舰船辐射噪声样本,但实录各国舰船噪声几乎是不可能的。因此,合成与真实水下声样本听觉感知相同的舰船辐射噪声十分必要。研究了舰船航速对其辐射噪声的影响及人耳听音的临界带通特性,通过已知的零散舰船噪声样本合成目标舰船在其它未知状态下的辐射噪声。采用临界带通滤波和线谱迭加方法,分别合成了目标舰船在低、中、高三种不同航速下的稳态辐射噪声。为了验证合成声的有效性,进行了主观评价实验,采用成对比较法验证了15组不同航速状态下的合成舰船噪声样本。结果表明,合成舰船噪声样本能够被人耳有效识别,准确率达93%。 相似文献
7.
船舶水下结构噪声的研究概况与趋势 总被引:4,自引:1,他引:4
从船舶水下结构噪声的计算、实验及其控制方面,回顾了舰船水下结构噪声的研究概况。对不同的计算、 实验及降噪的理论和方法进行了总结和评价,为今后的发展提出了一些看法。 相似文献
8.
船舶水下辐射噪声与船体振动的耦合关系是非常复杂的,识别水下辐射噪声与船体振动相关性较高的部位,确定影响水下辐射噪声的关键因素,对降低噪声具有重要工程意义。基于声振耦合分析原理,提出船舶水下辐射噪声抑制的声振相关性方法,探讨了船舶水下辐射噪声与结构振动特性、船上振源的频谱和船体振动响应等的相关性定量评价指标,厘清各因素对水下辐射噪声的影响规律。舱段及拖轮降噪设计示例表明,相关性定量评价指标的计算量小,根据指标值可以高效确定与水下辐射噪声相关性高的结构及影响参数,实现船舶水下辐射噪声的高效抑制设计;通过调整振源附近湿表面的板厚,舱段和拖轮的声功率总级分别降低了5.66 dB和4.84 dB,但振动减小幅度与噪声降低幅度并不是线性的。 相似文献
9.
在前期对低马赫数下气动噪声计算方法的研究基础上,建立大涡模拟(LES)和Lighthil声类比水动力噪声混合计算方法,并通过参考文献中的水下射流声学实验结果对该方法进行验证。首先,参考试验模型尺寸建立三维模型,分别划分流场计算和声学计算所需结构网格,通过试算确定外流域大小和网格划分方式;接着,采用LES对射流流场进行计算,通过压差、压力脉动、速度不均匀度等指标对湍流流场特性和计算稳定性进行分析;随后,将流场计算结果作为声源项插值到声学网格,基于Lighthill声类比理论,对水下射流噪声进行计算;最后,对比水下射流声学试验数据与流噪声计算结果,验证和分析该混合计算方法计算水下射流噪声的可行性和正确性。结果表明,所建立的LES和Lighthill混合计算方法能较好地模拟水下射流噪声,可用于水动力噪声的研究。 相似文献
10.
11.
12.
13.
信号级仿真以其能更真实地模拟装备作战性能且可进行统计仿真等显著优点成为完成水下作战效能评估任务较为理想的平台之一,而诸如舰艇辐射噪声模型等水下作战实体的声学模型则是构成水下作战评估体系的基础。在对水下作战过程进行深入分析的基础上,设计了水声探测信号级仿真通用模型库。该模型库以鱼雷为声学模型,通过数据库将八类水下作战实体和环境模型进行分类管理,支持离线和在线仿真,模型库中的各模型均经过实测数据进行验证。该模型库的建成,为水下作战系统的总体设计、性能测试、方案验证以及声兼容性研究提供了工程化的研究基础和较为真实的试验环境。 相似文献
14.
15.
针对低信噪比水声目标单一特征识别率低,稳健性差的问题,提出一种基于注意力机制和多尺度残差卷积神经网络(Multi-scale Residual CNN with Attention,MR-CNN-A)进行特征融合的识别方法。该方法根据多尺度卷积核与特征图形成多分辨率分析关系,并以此通过注意力机制实现优势特征权值提取与融合,从而提高模型在文中水声数据集上提取目标噪声特征和分类识别的稳健性与抗噪能力。开展了4类舰船噪声和海洋环境噪声的识别试验、水下和水面自主式水下航行器的识别试验,以及不同信噪比条件下目标噪声的识别试验。结果表明:对于文中所涉及的水声目标噪声和人工高斯白噪声干扰,该网络模型识别正确率明显高于支持矢量机与简单卷积神经网络,且对高斯白噪声的抑制能力远强于支持矢量机与简单卷积神经网络,稳健性好,模型复杂度小。 相似文献
16.
Nianbin Wang Ming He Jianguo Sun Hongbin Wang Lianke Zhou Ci Chu Lei Chen 《计算机、材料和连续体(英文)》2019,58(1):169-181
Underwater target recognition is a key technology for underwater acoustic countermeasure. How to classify and recognize underwater targets according to the noise information of underwater targets has been a hot topic in the field of underwater acoustic signals. In this paper, the deep learning model is applied to underwater target recognition. Improved anti-noise Power-Normalized Cepstral Coefficients (ia-PNCC) is proposed, based on PNCC applied to underwater noises. Multitaper and normalized Gammatone filter banks are applied to improve the anti-noise capacity. The method is combined with a convolutional neural network in order to recognize the underwater target. Experiment results show that the acoustic feature presented by ia-PNCC has lower noise and are well-suited to underwater target recognition using a convolutional neural network. Compared with the combination of convolutional neural network with single acoustic feature, such as MFCC (Mel-scale Frequency Cepstral Coefficients) or LPCC (Linear Prediction Cepstral Coefficients), the combination of the ia-PNCC with a convolutional neural network offers better accuracy for underwater target recognition. 相似文献
17.
水声目标识别是被动声呐系统的主要应用之一。为了进一步提升小样本条件下水下目标的识别率,文章提出一种基于多尺度卷积和双端注意力机制相融合的方法。首先,提取梅尔倒谱系数,色度谱和计算谱对比度等特征,建立基于多类别特征子集的三维聚合特征。其次,采用多尺度卷积滤波器算子构造多分辨率卷积神经网络,以更好地适应三维聚合特征的时频结构。另外,采用双端注意力模型捕获样本的全局依赖和局部特性。采用基于指数加权的对数交叉熵函数作为损失函数,提升样本数较少类别的识别率。实验结果表明,该方法在ShipsEar数据上的平均识别率为95.5%,取得了较好的分类效果。 相似文献
18.