共查询到20条相似文献,搜索用时 15 毫秒
1.
2.
以4种类型轿车在不同车速下匀速行驶时不同位置点采集到的车内噪声样本为评价对象,采用等级评分法对车内噪声声品质烦恼度进行主观评价试验,分析计算各噪声样本的心理声学客观参数;通过相关分析和多元线性回归分析,建立匀速车内噪声主观评价烦恼度与心理声学客观参数间的数学模型。研究结果表明,在良好路面和匀速工况下车内声品质烦恼度主要受低沉度和音调度两个心理声学客观参数影响。 相似文献
3.
4.
《噪声与振动控制》2020,(2)
对稳态工况下电动汽车驱动永磁同步电机的主观声品质预测模型进行研究。运用成对比较法对实验采集到的30组噪声样本进行主观评价评分,建立基于响度、尖锐度、粗糙度、抖动度与语义清晰度的客观心理声学指标评价体系。利用多元线性回归法,建立声品质主客观预测模型,分析影响永磁同步电机声品质的因素。此外,通过对预留样本的检验,验证了预测模型的准确性。结果表明:不同工况条件对客观心理声学参量存在不同程度影响;电机辐射高频边带噪声导致尖锐度与响度对主观偏好度的影响较为显著;基于多元线性回归方法所建立的预测模型对稳态工况下的主观声品质有较好预测能力,相关系数较高,误差率较小。该研究可为电驱动系统及整车声品质优化提供理论与实践基础。 相似文献
5.
6.
7.
8.
9.
10.
11.
12.
基于心理声学参数的车内声品质偏好性评价 总被引:9,自引:0,他引:9
应用等间隔直接单尺度评分法对所采集的20个车内噪声样本进行了主观评价实验,并使用Artemis软件计算了其主要的心理声学参数.偏好性评价结果与各心理声学参数间的多元回归分析表明: 尖锐度和响度是影响匀速工况下车内声品质偏好性的两个主要心理声学参数. 相似文献
13.
针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建了基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。 相似文献
14.
《噪声与振动控制》2019,(3)
针对传统客观心理学参量在非稳态噪声品质预测中的不足,以汽车关门声为对象,提出一种基于EEMD分解的样本熵表征关门声的信号特征,并结合小波神经网络进行声品质预测。对声样本进行EEMD分解得到IMF分量,计算各IMF分量的样本熵,并构造成特征向量。分别以此特征向量和声品质主观评分值作为输入输出构建小波神经网络预测模型。作为对比,构建基于该特征向量的BP网络预测模型、基于心理学参量的小波神经网络预测模型和BP网络预测模型。分析结果表明,在关门声品质预测中,EEMD样本熵比客观心理学参数能更好的反映信号的时变非稳态特性,预测效果更好;且小波神经网络较BP网络的预测精度更高,模型训练速度更快。 相似文献
15.
以乘用车由50 km/h加速到100 km/h时的噪声信号为评价对象,用成对比较法对车内加速噪声品质偏好性进行主观评价实验,获得每个样本的偏好性评价值。计算各噪声样本的主要心理声学客观参数并进行相关分析。鉴于评价者对非稳态噪声主观评价过程的复杂性,建立支持向量机(Support Vector Machine,SVM)的主客观评价模型,并利用粒子群优化算法(Particle Swarm Optimization,PSO)对模型参数进行优化。为对比优化后预测效果,建立BP神经网络回归模型。结果表明,优化后的粒子群-向量机回归模型用于噪声声品质评价能获得更好的预测效果,可较大程度提高声品质预测精度。 相似文献
16.
17.
《振动与冲击》2016,(13)
车辆悬架减振器异响严重削弱了车内声品质,针对该异响问题设计并开展了不同路况条件下的整车道路试验,对采集到的车内噪声信号分别计算A计权声压级与心理声学客观参量(响度、尖锐度、语音清晰度、抖动度和粗糙度)以提取减振器异响特征信息,并将其与主观评价进行了相关分析。另一方面,再引入小波包分解与样本熵的概念,对减振器异响特征信息进行了有效地提取,同时提出基于Adaboost的极限学习机(ELM)算法,建立了减振器异响声品质预测改进模型,并将其与支持向量机(Support Vector Machine,SVM)、广义神经网络(Generalized Regression Neural Network,GRNN)进行对比。研究结果表明:传统的A计权声压与心理声学指标不能有效地用于减振器异响声品质预测而结合小波包样本熵提取的异响特征与ELM-Adaboost算法能有效地对减振器异响声品质进行预测,并且效果优于SVM与GRNN。 相似文献
18.
19.
为了进行车辆传动系声品质预测,实施了传动系整车转鼓试验,并结合主、客观分析量化了影响传动系噪声烦恼度的主要异响指标;同时,通过相关分析揭示了心理声学客观参量与主观评价的内在关系。引入聚合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)方法与本征模态函数(Intrinsic Mode Function,IMF)样本熵值对传动系噪声特征进行了提取;在此基础上,以Morlet小波基函数作为隐含层节点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),同时运用遗传算法(Genetic Algorithm,GA)优化小波神经网络的层间权值和层内阈值,构造出GA-小波神经网络模型并用于传动系声品质预测;为了对比所提取的传动系噪声特征性能,将心理声学参量也作为模型输入以进行预测,同时,为了对比GA-小波神经网络模型的预测效果,引入了传统的GA-BP神经网络模型。分析结果表明:GA-小波神经网络较GA-BP神经网络能更准确、有效地对传动系声品质进行预测,并且以本征模态函数样本熵值作为预测模型的输入特征其预测结果较心理声学参量效果更佳。 相似文献
20.
《噪声与振动控制》2020,(3)
为了稳定、精确地评价车内稳态噪声声品质,以车内稳态噪声为研究对象,进行主观评价试验,计算客观心理声学参数并完成了相关性分析。建立基于支持向量回归(Support Vector Regression,SVR)的车内稳态噪声声品质预测模型,并使用遗传算法(Genetic Algorithm,GA)对支持向量回归的超参数进行优化。其后建立基于反向传播神经网络(Back Propagation Artificial Neural Network,BPANN)的声品质预测模型。对比分析发现遗传-支持向量回归(GASVR)模型预测精度高于BP神经网络。结果表明,遗传-支持向量回归适用于车内稳态噪声声品质预测,能够较大提高车内稳态噪声声品质预测精度和工程效率。 相似文献