基于BP神经网络的车内噪声时变综合烦躁度评价模型

对非平稳工况下的车内噪声进行声品质评价。考虑到车内噪声的时变性,在非平稳工况下建立噪声库,计算相关的噪声心理学参量时变值。将采集到的噪声进行主观评价试验,以"时变综合烦躁度"作为声品质主观评价指标,并将语义细分法作为声品质主观评价方法。评价者依据自己对声音的主观感受滑动评价软件滑块,得到连续时变噪声评价值。根据噪声心理学参量时变值和实时主观评价值,建立BP神经网络客观模型。再通过四折交叉法检验,检验结果显示此评价模型对噪声时变综合烦躁度预测有效。     

车内噪声烦恼度的声品质分析

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。     

重型商用车噪声测试及声品质客观评价分析

在重型商用车减振降噪设计中,声品质已成为舒适性评价的重要指标之一。以Zwicker提出的对噪声进行主观评价的客观量化方法为基础,通过响度、尖锐度、粗糙度、抖动强度、音调度和语言清晰度6种噪声客观评价参量计算方法对某国产重型商用车加速工况车内噪声试验测试数据进行分析,得到车内副驾驶员各项心理声学参量的变化规律,可为商用车车内声品质研究提供参考依据,并对建立加速工况下商用车声音品质烦躁度的客观量化模型提供参数基础。     

电动汽车驱动永磁同步电机声品质预测研究

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。     

支持向量机车内加速噪声声品质预测

为准确评价车内加速噪声声品质,利用成对比较法对14款汽车从30 km/h加速到80 km/h行驶时的车内噪声进行主观评价试验,同时计算5个主要心理声学客观参量,并通过相关分析得出对声品质有重要影响的客观参量。采用支持向量机建立车内加速噪声声品质的预测模型,经验证其预测相对误差都在9.5%以内,表明该模型可以准确地对车内噪声声品质进行预测。     

某混合动力汽车非稳态车内声品质评价研究

针对某混合动力汽车非稳态工况下的车内声品质评价进行研究。采集该车内不同位置、不同驱动模式以及不同车速情况下的车内噪声样本,对不同的非稳态工况进行客观参量分析,得出电机单独驱动模式下可以用尖锐度评价非稳态车内声品质、混合驱动与发动机单独驱动模式下可以用响度评价非稳态车内声品质的结论。基于BP神经网络模型,进行基于心理声学客观参量与临界频率带解析小波分解的非稳态车内声品质评价,预测结果表明后者的预测效果优于前者,且稳定性较高。     

高速动车组噪声声品质实验及其客观评价方法

在高速动车组减振降噪设计中,声品质已成为舒适性评价的重要指标之一。Zwicker提出了对噪声进行主观评价的客观量化方法,本文以其理论为基础,深入分析4种噪声客观评价参量（响度、尖锐度、粗糙度、抖动度）的计算方法,并且以高速铁路动车组车内噪声为例进行相关参量的试验测试。得出车内典型位置不同运行速度时各心理声学参量的现状和分布规律,其结论为高速铁路动车组车内声品质研究提供依据。     

高速动车组噪声测试及其声品质客观参量分析

在高速动车组减振降噪设计中,声品质已成为舒适性评价的重要指标之一。以Zwicker提出的对噪声进行主观评价的客观量化方法为基础,通过响度、尖锐度、粗糙度和抖动强度4种噪声客观评价参量计算方法对某高速铁路动车组车内噪声试验测试数据进行分析,得到车内典型位置不同运行速度时各心理声学参量的现状和分布规律,可为高速铁路动车组车内声品质研究提供参考依据。     

音乐控制法改善车内声品质的试验研究

以4种类型汽车内采集到的32个不同噪声样本为评价对象,通过试验研究建立了以心理声学客观参数描述主观评价结果的车内声品质模型,并对声品质较差的噪声样本实施了音乐掩蔽控制试验,试验结果表明,车内噪声的低沉度下降,音调度上升。研究结果表明音乐掩蔽控制法用于改善汽车声品质的可行性和有效性。     

车内噪声综合烦躁度模糊综合评价

以车内噪声为研究对象,研究了声品质的主观模糊综合评价方法。根据汽车车内噪声测量标准设计噪声采集方案,对平稳和非平稳车内噪声进行了数据采集、信号预处理,建立噪声样本数据库。采用参考语义细分法对四款汽车车内噪声的综合烦躁度进行主观评价试验研究,基于主观评价试验结果和模糊综合算法,建立了综合烦躁度模糊综合评价模型,可以计算出整车噪声综合烦躁度总值。结果表明不同车型有其自身的声品质特征。所提出的方法可用于实施不同车辆的声品质比较和评判。     

柴油机噪声烦躁度的评价研究

以4种类型柴油机在不同运行工况时机器旁1 m处噪声采集样本为评价对象,对柴油机噪声烦躁度用等级评分法进行了主观评价试验,分析计算了各噪声样本的主要心理声学客观参数,并通过相关分析和多元回归分析,建立了烦躁度评价数学模型。研究表明,稳态工况下柴油机噪声烦躁度主要受响度和尖锐度两个心理声学参数影响。     

基于心理声学参数的车内声品质偏好性评价

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.     

基于 EEMD样本熵与小波神经网络的汽车关门声品质预测

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。     

基于EEMD样本熵与小波神经网络的汽车关门声品质预测

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。     

基于粒子群-向量机的汽车加速噪声评价

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。     

汽车发动机启动声品质评价与分析

以驾驶员耳处采集的乘用车发动机启动时声样本为对象,分析了其时频域分布,计算了声样本的基本物理参数、心理声学参数和烦恼度指标。运用成对比较法进行了声样本主观评价实验,得出各声样本主观偏好性得分。通过主、客观参数的相关分析和回归分析表明:烦恼度模型能正确预测声样本的主观偏好性,双耳响度和粗糙度是影响主观偏好性评价的主要客观参量,用对数变换后的拟合模型能更好的描述主观评价结果与客观参量之间的关系。     

基于样本熵与ELM-Adaboost的悬架减振器异响声品质预测

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。     

基于小波熵的非稳态声品质评价参数研究

以非稳态声信号为对象,针对现有小波变换计算的小波熵在反映声信号时-频特征存在的不足,提出了改进的冗余小波分解算法并构造了零相位巴特沃斯小波滤波器。通过复合的时变和频变信号,验证了基于该方法计算的小波熵能更加准确的体现信号的时变和能量分布特性。提取了反映时频能量大致特性的小波熵均值作为非稳态声品质的客观评价参数,并应用于汽车关门声品质的分析评价中,计算了该声信号传统心理声学参数,完成了声样本的主观评价试验并获得到各声样本的偏好性评价绩效值。通过主客观相关性分析表明,小波熵均值与主观评价有更高的相关性,比传统的心理声学能好的描述和预测主观评价结果。     

基于EEMD与GA-小波神经网络的传动系声品质预测

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。     

基于遗传-支持向量回归的车内稳态噪声声品质预测

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。