轿车车内噪声声品质改进研究

针对某轿车在怠速、急加速过程中车内出现异响的现象,通过尾管噪声测试和模态测试,判断其排气二阶噪声及怠速共振噪声是主要原因。采用共振消声结构,降低二阶低频及共振噪声成分,采用芦弗管结构,降低高频气流再生噪声成分,并使用GT-Power软件对发动机加速瞬态尾管噪声进行模拟,实现消声器结构的改进。试验结果表明,改进后的消声器,在车辆启动和急加速时瞬时尾管噪声最大值降低明显,达到主观评价要求。     

人群分类与车内噪声声品质主观评价研究

本文以等响处理后的车内噪声为研究对象,进行噪声声品质的主观评价研究。研究发现,人群分类处理对于揭示噪声声品质的主观感知属性起着重要的作用。对于评价者分类处理之后,两类评价者对于车内噪声的偏好性均可采用一个维度表示,并可直接采用成对比较法的直接排序法获得;一类评价者的偏好性与低沉度成正比,而另一类评价者与低沉度成反比。如果未进行人群分类处理,则不能很好地解释其主观感知属性。     

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。     

弹性扣件对列车车内噪声声品质的影响

为了分析弹性扣件对城市轨道交通列车车内噪声声品质的影响,在不同车速情况下进行弹性扣件和普通扣件地段地铁列车车内噪声测试,利用不同的声品质客观评价参数评价车内噪声,对比分析弹性扣件和普通扣件地段车内噪声声品质。结果表明：在车速不高于40km/h时,车内中低频噪声是主要影响因素,应该把降低中低频噪声作为车内降噪的重点;车内噪声的A声级、响度、烦扰度和语言干扰级在弹性扣件地段比在普通扣件地段大,尖锐度、粗糙度在弹性扣件地段比在普通扣件地段小,抖动度则变化较小;弹性扣件对贯通道中央、车厢端部噪声的声压级、响度、语言干扰级影响较大,对上述位置噪声的尖锐度、抖动度、粗糙度和烦扰度、以及车体中部、司机室内部噪声的声压级和声品质客观评价参数影响都较小。     

轨道车辆车内声品质客观评价分析

对上海轨道车辆9号线在不同运行速度下头部车厢、中部车厢和车厢连接处进行噪声现场测试,引入心理声学声品质参数：A计权声压级、特征响度、尖锐度、粗糙度和抖动强度,对不同工况下轨道车辆车内声场进行声品质的客观评价。结论表明,轨道车辆运行时车厢内部噪声以中低频噪声为主。随着车速提高,车内声品质下降,尤其是车厢连接处,声品质最差,应采取有效措施改善噪声环境,满足人耳的听觉舒适性。。     

车内噪声声品质的支持向量机预测

对多元线性回归、神经网络和支持向量机的三个预测模型进行了研究。以车内噪声为例,建立了基于以上三种方法的车内噪声声品质预测模型,并采用留一法交叉检验作比较,所构建的支持向量机模型预测精度高于其他两种方法。实验结果同时也表明,支持向量计算法具有较强的稳健性和良好的泛化能力,能够用于车内噪声声品质的预测。     

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.     

隧道内地铁列车车内噪声预测分析

为研究隧道内地铁列车车内噪声特性,建立了隧道-车体有限元-边界元声学分析模型.基于地铁B型车车轨耦合模型和现场试验获取车体二系悬挂力激励和轮轨噪声激励,将激励施加到车体计算分析车内噪声,以广州轨道交通7号线列车噪声试验数据对仿真分析结果进行验证,并研究了结构声和空气声对车内噪声的影响规律.分析结果表明:车内各标准点声压...     

基于声子晶体的车内噪声研究

声子晶体是近年来提出的一种新型功能材料,是一种由两种或多种材料组成的具有周期性结构和弹性波带隙的声学功能材料或结构,并且振动频率在声子晶体带隙范围内的振动会被抑制或禁止传播,它所具有的这种弹性波带隙特性为汽车车内噪声控制,特别是车内低频噪声控制提供了一种新的研究方法.在介绍了声子晶体的概念、基本特征及能带结构的基础上,阐述了声子晶体在振动与噪声控制领域的研究现状,同时对车内噪声的产生机理进行了分析,最后对声子晶体在应用于汽车车内降噪方面的研究做了展望.     

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。     

燃料电池轿车声品质客观评价参量的权重

本文以燃料电池轿车( fuel cell vehicle, FCV )为研究对象,采集其怠速工况不同位置的声音信号作为试验样本,采用成对比较法对其中的24个样本信号进行了主观评价试验,同时计算了可以描述其声音特性的6个客观评价参量,并引入BP神经网络建立了FCV声品质预测模型。通过所建立的模型计算FCV声品质客观评价参量对主观评价结果的影响权重,文中首次提出使用BP神经网络的方法来确定声品质评价中客观评价参量对主观评价结果的影响权重,研究结果表明,FCV声品质主要受响度、粗糙度和A声级三个客观参量的影响。此次分析,不仅适用于燃料电池轿车对其它领域的声品质分析与评价都起到了指导性的意义。     

车内噪声品质低沉度参量的数学模型

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。     

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。     

基于BP神经网络模型的Ni-SiC纳米镀层耐磨性能预测研究

采用神经网络技术,构建结构为3×8×1型的BP神经网络模型,并利用该模型对超声电沉积Ni-SiC纳米镀层的耐磨性能进行预测。通过磨损试验测试并研究Ni-SiC纳米镀层的耐磨性能,利用扫描电镜(SEM)、原子力显微镜(AFM)和X射线衍射(XRD)观察不同参数下Ni-SiC纳米镀层的组织结构及成分。结果表明,在BP神经网络模型的隐含层数和神经元数分别为1和8时,该BP神经网络模型的均方根误差最小,其最小值为1.24%。该BP神经网络模型的预测值与实验值相差不大,其最大误差为1.51%。当采用SiC粒子浓度8 g/L、电流密度2 A/dm^2、温度40℃时,SiC粒子均匀分布于Ni-SiC纳米镀层中,且镀层镍晶粒显著细化,其镍晶粒的衍射峰变宽、变矮。     

BP神经网络的火焰图像温度检测方法

基于炉膛火焰温度不同，与之相对应通过CCD摄取的炉膛火焰图像颜色也不同，提出了一种检测炉膛火焰温度的方法。将获取的炉膛火焰图像RGB模型转换为HSI颜色值，用H、S值作为BP神经网络输入，通过样本图像训练后，拟合H、S与温度T的非线性关系，计算得到炉膛火焰温度值。实验表明，计算温度与实际温度良好相符，温度测量方法切实可行。     

一种心音小波神经网络识别系统

设计一种心音小波神经网络识别系统,将心音特征抽取、有针对性的神经网络层次化架构和分类识别融合一体,以解决复杂条件下的心音分类识别问题。提出基于心音小波神经网络的识别模型,讨论如何构造心音小波和心音小波神经网络的方法,重点讨论在网络结构的隐含层中引入心音小波作为激活函数的算法,从而获得一种把心音的针对性学习和心音识别技术高度融合的心音小波神经网络识别系统。通过选取正常心音信号与早搏心音信号作为实验对象,验证了心音小波神经网络识别系统的有效性和实用性,并且通过与morlet和Mexican-hat小波神经网络识别系统相比较,证明心音小波神经网络识别系统在收敛性、算法速度上呈现明显的优越性。     

基于GA改进BP神经网络预测热变形流变应力模型的建立EI北大核心CSCD

应力-应变曲线对研究金属热变形过程中的加工硬化、动态再结晶和动态回复的变化具有重要的意义,而预测不同热变形参数下的应力-应变曲线有助于研究热加工过程中金属的可加工性和不稳定性。在应变速率为0.01~3 s^(-1)以及变形温度为1000~1200℃条件下,利用Gleeble-3500热模拟试验机对Nb-V-Ti微合金钢进行热压缩实验,研究了Nb-V-Ti微合金钢的热变形行为。建立BP神经网络模型和基于GA改进BP神经网络模型,分别预测在应变速率0.5 s^(-1)、变形温度1050℃和应变速率1 s^(-1)、变形温度1100℃条件下的流动应力行为并验证模型效果。研究结果表明:经GA改进后的BP神经网络模型对测试数据的应力-应变曲线与实验曲线具有很好的吻合,相关系数分别达0.99202和0.99734,误差仅为2.7816%和2.1703%,预测结果与实验结果相对误差在[-2,2]范围内,证明了模型的预测可靠性,且适用于较广的应变范围,为工业生产轧制工艺提供理论指导。     

基于BP神经网络的导线脱冰跳跃高度预测模型

冰区导线脱冰振动会引起绝缘间隙减小,严重时甚至导致闪络和跳闸等电气事故.首先利用数值方法模拟得到各种参数条件下导线的脱冰动力响应,获得导线的最大脱冰跳跃高度.进而基于数值模拟结果和BP神经网络构建导线脱冰跳跃高度预测模型,将线路的导线分裂数、导线型号、档距、高差等结构参数以及初始应力、覆冰厚度和脱冰率等载荷参数作为输入...     

基于卷积神经网络和Transformer网络的鸟声识别

针对传统鸟声识别算法中特征提取方式单一、分类识别准确率低等问题,提出一种结合卷积神经网络和Transformer网络的鸟声识别方法。该方法综合考虑网络局部特征学习和全局上下文依赖性构造,从原始鸟声音频信号中提取短时傅里叶变换(Short Time Fourier Transform,STFT)语谱图特征,将其输入到卷积神经网络(ConvolutionalNeural Network,CNN)中提取局部频谱特征信息,同时提取鸟声信号的对数梅尔特征及一阶差分、二阶差分特征用于合成梅尔频率倒谱系数(Mel Frequency Cepstrum Coefficient,MFCC)混合特征向量,将其输入到Transformer网络中获取全局序列特征信息,最后融合所提取的特征可得到更丰富的鸟声特征参数,通过Softmax分类器得到鸟声识别结果。在Birdsdata和xeno-canto鸟声数据集上进行实验,平均识别准确率分别达到了97.81%和89.47%。实验结果表明该方法相较于其他现有的鸟声识别模型具有更高的识别准确率。