CN103471709A - 乘用车车内噪声声品质预测方法 - Google Patents

Abstract

本发明公开了一种乘用车车内噪声声品质预测方法，克服目前车内声品质主观评价耗时繁琐、工作量大的问题。该方法步骤为：1.利用人工头或两个传声器采集车内噪声信号；2.采用听觉外周计算模型计算A声级和声品质客观心理声学参数；3.车内声品质主观评价：对噪声样本进行声品质主观评价，得到测试数据的主观评价结果；4.建立车内声品质主观评价的客观量化模型：以车内A声级、车内声品质客观心理声学参数与声品质主观评价结果为基础，通过遗传算法改进的BP神经网络，建立车内声品质的主观评价的客观量化模型；5.以重要影响的客观参量与声品质主观评价结果重建声品质主观评价的客观量化模型；6.建立车内声品质客观心理声学参数数据库。

Description

乘用车车内噪声声品质预测方法

技术领域

本发明涉及一种车内噪声声品质预测方法。更具体的说，本发明涉及一种乘用车车内噪声声品质预测方法。

背景技术

随着科学技术的不断进步，人们不仅要求汽车“安静”，还关心车内噪声的频率组成成分，声音的舒适性等因素，即考虑声音的质量。传统汽车噪声控制技术中，只强调噪声量级的大小，认为噪声级越低越好。但是由于人的主观因素介入，会出现用dB(A)测量是达标的，但感觉是骚扰性的，用dB(A)测量大的声音，而感觉上比声音小的更为悦耳。因此，在传统技术指导下完成的车辆，车内环境往往过于沉闷压抑，主观感受差，严重影响车内的舒适性，制约其在市场竞的争力。

车内声品质是在满足人和环境的要求下，评价主体的人对车内噪声的主观感受，它能全面反映乘客对车内声音的总体感受。对车内声品质的评价分为主观评价和客观评价。主观评价法采用问卷调查或主观评价试验等形式，对主观评价数据通过统计分析等方法，获得适当的评价术语以描述车内声品质的主观感知特征，试验结果与人的主观感受有着很好的一致性，缺点是整个过程繁琐且工作量较大。客观评价方法是通过分析和测量的方法得到汽车车内噪声的参数，评价车内噪声的好坏，客观性较强，但忽略了人的主观感受。而如今，相关机构都致力于建立车内声品质的主观评价与客观测试之间的关系，即不仅定性而且定量地描述车内声品质。但是以上方法都有局限性，无法系统的对车内声品质进行预测评价。准确而高效的进行车内声品质预测，对于汽车声学设计优化、车内噪声的评价、分析与控制都具有重要意义。因此，目前急需一种车内噪声声品质评价预测方法，在汽车产品的样机研制阶段为车内声品质的设计提供依据。

发明内容

本发明所要解决的技术问题是克服了现有技术存在车内声品质主观评价耗时繁琐、工作量大的问题，提供了一种乘用车车内噪声声品质预测方法。

为解决上述技术问题，本发明是采用如下技术方案实现的：

所述的乘用车车内噪声声品质预测方法的步骤如下：

1）利用人工头或两个传声器采集车内噪声信号：

将人工头或两个传声器安放在副驾驶员位置，采集车辆在匀速工况下的车内噪声信号，并对匀速工况下的车内噪声信号进行预处理；

2）计算A声级和声品质客观心理声学参数：

采用听觉外周计算模型计算车内声品质的客观心理声学参数；

3）车内声品质主观评价：

对噪声样本进行声品质主观评价，得到测试数据的主观评价结果；

4）建立车内声品质主观评价的客观量化模型：

以车内A声级、车内声品质客观心理声学参数与声品质主观评价结果为基础，通过遗传算法改进的BP神经网络，建立车内声品质的主观评价的客观量化模型；

5）权重分析与重建评价模型：

通过权重分析找出对主观评价结果有重要影响的客观参量，以重要影响的客观参量与声品质主观评价结果为基础，重建稳态工况下的声品质的主观评价的客观量化模型；

6）建立车内声品质客观心理声学参数数据库：

具体测试中，建立不同车型的声品质客观心理声学参数的数据库，作为整个乘用车车内噪声声品质预测方法的数据基础；数据库便于在车辆声学设计优化中解决车内声品质预测的对标分析，更进一步完善声品质预测评价体系，为乘用车车内噪声声品质预测方法建立一个系统的基础平台。

技术方案中所述的利用人工头或两个传声器采集车内噪声信号的步骤如下：

1）将人工头或两个传声器放在副驾驶员处，即人工头的位置为人的正常坐姿、两个传声器具体位置的垂直坐标是座椅表面中线与横坐标是靠背表面中线交点以上0.7±0.05m处，两个传声器对称地布置于座椅表面与靠背的对称面左右0.2±0.02m处；

2）测试对象选择不同型号不同品牌的乘用车作为采集测试样本的基础，以乘用车型号的数量为准，乘用车品牌和型号涵盖市场上主流乘用车车型，保证同种型号选择3～4种品牌的样车，如轿车的A、B和C级车；

3）测试时对噪声信号采集的工况要求，车辆变速器置最高档，以10km/h～20km/h为一个步长，从怠速到最高速度分别匀速行驶，记录各个车速下车内的噪声水平，每个工况要求记录2次，记录时间大于30s；

对各稳态工况下采集的车内噪声的声音样本处理，需要经过分段、截取以及筛选，各工况声音样本截取的长度规定为5s左右，且要求尽量受外界干扰最小的稳定噪声信号；

测试样本数量越多其最后的计算结果越精确，考虑测试成本和方法计算复杂度的要求，数量在70～150左右，至少保证30个。

技术方案中所述的采用听觉外周计算模型计算车内声品质的客观心理声学参数的步骤如下：

（1）提取两个传声器采集左右耳声压级频谱，并对其进行频带分析，通过公式（2）计算双耳声压级：

式中，L_p,L/R(f)为双耳效应声压级dB；A(p,f)左右耳响度的总和；p绝对声压P；f信号频率Hz；L_p,L左耳声压级dB；L_p,R右耳声压级dB。

确定每一个频带的车内声场，并判断是否为混响场，如果是混响场，进行混响场衰减处理，再进行主响度计算，如果不是，就直接主响度计算，斜坡响度计算最终推导出双耳特征响度和总响度，其双耳特征响度如下：

$N^{\′}\left(z\right)=0.08\left(\frac{E_{\mathrm{T\Ω}}}{E_0}\right)[{(0.5+0.5\frac{E}{E_{\mathrm{T\Ω}}})}^{0.23}-1]---\left(3\right)$

式中，E_TΩ为安静状况下听阈对应的激励；E₀为参考声强；I₀=10^-12W/m²对应的激励；E是被计算声音对应的激励；

双耳响度计算模型采用Zwicker的计算模型，使用1/3倍频带作为基础数据，引入临界频带概念对人耳的掩蔽效应作相应修正为，

$N=\underset{0}{\overset{24\mathrm{Bark}}{\∫}}{N}^{\′}\left(z\right)\mathrm{dz}---\left(4\right)$

式中，N'(z)为临界带内的特征响度，单位为sone_G/Bark，下标G表示特征响度值是由临界频带声级计算得来的；

（2）计算尖锐度如下：

$S=k\×\frac{{\∫}_0^{24}{N}^{\′}\left(z\right)g\left(z\right)\mathrm{zdz}}{N}\mathrm{acum}---\left(5\right)$

式中，S代表尖锐度，单位acum；k=0.11为加权系数；N为双耳响度；N′(z)为临界频带内的特征响度；z为临界频带Bark数；g(z)为Zwicker依据不同临界频带的加权函数，g(z)其关于Bark域的解析式为

$g\left(z\right)=\left\{\begin{array}{ccc}1& \mathrm{for}& z\≤16\\ {0.066e}^{0.171z}& \mathrm{for}& z>16\end{array}\right\}---\left(6\right)$

z为临界频带Bark数。

（3）计算粗糙度如下：

$R=0.3f_{\mathrm{mod}}{\∫}_{z=0}^{24\mathrm{Bzrk}}{\mathrm{\ΔL}}_E\left(z\right)\mathrm{dzasper}---\left(7\right)$

式中：R代表粗糙度，单位asper；f_mod为调制频率；ΔL_E(z)为声信号激励级的变化量，定义为：

${\mathrm{\ΔL}}_E\left(z\right)={20\log }_{10}\left(\frac{{N^{\′}}_{\max }\left(z\right)}{{N^{\′}}_{\min }\left(z\right)}\right)---\left(8\right)$

式中：N′_max(z)和N′_min(z)分别表示特征响度的最大值和最小值。

（4）计算抖动度如下:

$F=0.008\frac{{\∫}_0^{24}\mathrm{\ΔL}\left(z\right)\mathrm{dz}}{\left(\frac{f_{\mathrm{mod}}}{4}\right)+\left(\frac{4}{f_{\mathrm{mod}}}\right)}\mathrm{vacil}---\left(10\right)$

式中：f_mod为调制频率，ΔL_E(z)为声信号激励级的变化量；

（5）音调度则通过每个频带的分析结合左右特征频带，得到相邻特征频带的相关系数，并计算调制频率后得到，其计算模型如下

$T=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left[W_1\left({\mathrm{\Δz}}_i\right)W_2\left(f_1\right)W_3\left({\mathrm{\ΔL}}_i\right)\right]}^2}---\left(11\right)$

式中T为音调度，单位是tu；W₁(ΔZ_i)表示第i个单频成分与临界频带差异的关系;W₂(f_i)表示第i个单频成分与频率的关系;W₃(ΔL_i)表示第i个单频成分的声级盈余量效应；

（6）根据对每个频带的分析得到AI指数，语音清晰度即AI指数依赖于背景噪声的声压级和频率（三分之一倍频程），在车内人们交谈时人耳可听的语音范围在背景噪声的频谱图中表现为一个200～6300Hz的区域，其计算模型为

AI=∑W(f)D(f)/3

$\left\{\begin{array}{c}N\left(f\right)>\mathrm{UL}\left(f\right),D\left(f\right)=0\\ \mathrm{LL}\left(f\right)<N\left(f\right)<\mathrm{UL}\left(f\right),D\left(f\right)=\mathrm{UL}\left(f\right)-N\left(f\right)\\ N\left(f\right)<\mathrm{LL}\left(f\right),D\left(f\right)=30\end{array}\right.---\left(12\right)$

式中，W(f)为计权系数；N(f)为噪声频谱；UL(f)为背景噪声上限，其表达式为

LL(f)为背景噪声下限，其表达式为

技术方案中所述的建立车内声品质主观评价的客观量化模型的步骤如下：

1）确定神经网络BP的初始结构和参数；

具体测试中，推荐一个3层神经网络来构建车内声品质主观评价的客观量化模型，输入层为抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数7个客观参量组成的输入向量X，节点数为7；输出层为主观声品质评价分值，节点数为1；隐含层节点数主要由网络的用途决定，合适的数目并没有明确的理论规定，参考的经验公式如下：

$m=\sqrt{n+l}+\mathrm{\&alpha;}---\left(13\right)$

m=log₂n                  （14）

$\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{C}_m^i>k---\left(15\right)$

上述3式中：m为隐含层神经元个数；n为输入层神经元个数；l为输出层神经元个数；a、i都为常数；k为样本数；隐含层采用logsig函数，输出层采用purlin线性函数构建神经网络BP模型；

2）确定神经网络BP操作、设置参数、进行编码

引入遗传算法GA操作算法对神经网络BP进行优化，选择遗传代数、变异概率、种群规模及采用的编码方案；染色体编码的长度由各层所含神经元个数决定，设神经网络BP的输入层有R个神经元，隐含层有S1个神经元，输出层神经元数目为S2，则编码长度S=R*S1+S1*S2+S1+S2；

3）依据适应度进行遗传算法GA操作

适应度函数通过样本对种群训练的学习误差来确定，学习误差表述如下：

$E\left(i\right)=\underset{n}{\mathrm{\&Sigma;}}\underset{m}{\mathrm{\&Sigma;}}{(y_m-o_m)}^2---\left(16\right)$

上式中，i为染色体个数，m为输出节点数，n为训练样本数。遗传算法GA的适应度函数可以表述为：

f(i)=1/E(i)           （17）

上式中，f(i)为每个个体的适应度函数；

利用Matlab的GA工具箱进行求解，并对获得的个体最优解进行解码，作为神经网络的初始网络权值，解码时各实数与神经网络BP权值、阈值的对应关系；

4）把得到的优化权值作为初始网络权值，再用遗传算法训练神经网络BP；

采用遗传算法优化获得初始权值和阈值之后，就可以设定参数进行神经网络训练，采用附加动量法进行训练，期望误差设定为0.0003，学习速率为0.3，附加动量因子为0.5，训练次数设定为5000次，训练完毕保存网络的最终连接权值；

车内声品质评价模型可以表述为：

$\mathrm{SQ}=\underset{j=1}{\overset{14}{\mathrm{\&Sigma;}}}[w_j^2\&times;\frac{1}{1+\exp -(\underset{i=1}{\overset{7}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^1{x}_i+B_j^1)}]+b^2---\left(18\right)$

式中，SQ为车内噪声的声品质主观评价值，即烦躁度等级；x_i（i=1,2……7）为噪声信号的客观评价参数，分别为抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数；

为表2中输入层到隐含层的连接权值W1中第i个参量到第j个神经元的连接值；为输入层到隐含层的阈值B1第j个值；为表2中隐含层到声品质值连接权值W2的第j个值；b²为隐含层到声品质值的阈值。

技术方案中所述的权重分析与重建评价模型是指：

在具体测试中，利用神经网络的连接权值计算输入参量对输出变量影响权重的方法，其数学计算方程如下：

$I_j=\frac{\underset{m=1}{\overset{\mathrm{Nh}}{\mathrm{\&Sigma;}}}(\left(\right|w_{\mathrm{jm}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right)}{\underset{k=1}{\overset{\mathrm{Ni}}{\mathrm{\&Sigma;}}}\{{\mathrm{\&Sigma;}}_{m=1}^{\mathrm{Nh}}\left(\right|w_{\mathrm{km}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right\}}---\left(19\right)$

式中：I_j为第j个输入参量对第n个输出变量的影响权重；Ni，Nh为输入和隐含层节点数；w¹为输入层到隐含层的连接权值，w²为隐含层到输出层的连接权值，相应的下角标j，m，n为第几个神经元。如，为第j个输入神经元与隐含层第m个神经元的连接权值。I_j值越大，影响权重比例越高，表示该输入参量对输出的影响越大。

按式（19）计算得到的7个声品质客观心理声学参数对声品质值的权重系数，找出7个客观心理声学参数中权重比例高的参数，忽略影响系数小的，然后按照建立车内声品质主观评价的客观量化模型的方法对声品质的主观评价的客观量化模型进行重新优化。

与现有技术相比本发明的有益效果是：

1.本发明所述的乘用车车内噪声声品质预测方法为汽车声品质的评价分析提供了一个高效可靠的方法。简化了新车在声学优化设计中，要多次组织专业人员反复进行声品质主观评价分析的繁琐流程，缩短了90%的测试时间。此方法只需要对设计初始样车进行一次声品质评价分析实验并建立评价模型，再完成实验样车的进一步优化改进后，使用该模型代替繁琐费时的车内声品质主观听审试验，只需要测量并分析指定的车内声品质客观心理声学参数就可以完成车内声品质主观评价预测，提高了工作效率，节省了人力物力，缩短了车辆的开发周期。

2.本发明所述的乘用车车内噪声声品质预测方法中采用人工头或两个传声器与双耳听觉外周计算模型的方法模拟人耳对噪声信号的感知过程，既考虑了整个方法的仿真性，使预测结果更接近人的主观感受，提高了声品质的预测结果的精度。同时考虑使用此方法的经济性，既有时受实验仪器限制，在没有人工头的前提下，也可以用传声器和声品质双耳听觉模型替代，达到同样的实验结果，增加此方法的通用性，减少其使用限制。

3.本发明所述的乘用车车内噪声声品质预测方法中的声品质主观评价客观量化模型采用遗传算法优化的神经网络（GA-BP）方法建立，借助遗传算法良好的全局特性来优化神经网络，使其具有自进化、自适应能力和全局搜索能力，进而使整个预测方法更加智能化和自动化。

4.本发明所述的乘用车车内噪声声品质预测方法具有重复性好，其预测的结果与实际主观评价值的相关系数达到0.95。

5.本发明所述的乘用车车内噪声声品质预测方法通用性强，应用广泛，既可以应用于实车试验，进行声品质预测评价并指导车内的声品质设计。还可以与虚拟设计平台为基础，与CAE技术相结合，完成整个汽车的声学优化设计过程。

6.本发明所述的乘用车车内噪声声品质预测方法中的声品质客观心理声学参数数据库，便于在设计中解决与其他不同品牌同型号车型的车内声品质的对标分析，更进一步完善声品质预测评价体系，提高预测结果的可比性，为车辆的声学优化有效性提供依据。

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明所述的新旧声品质评价流程对比示意框图；

图2为本发明所述的乘用车车内噪声声品质预测方法的总体流程框图；

图3为本发明所述的采用人工头的乘用车车内噪声声品质预测方法的工作原理框图；

图4为本发明所述的采用两个传声器+双耳听觉外周计算模型的乘用车车内噪声声品质预测方法的工作原理框图；

图5为本发明所述的乘用车车内噪声声品质预测方法的声品质双耳听觉外周计算模型的结构原理框图；

图6为本发明所述的乘用车车内噪声声品质预测方法的评价模型建立操作流程框图；

图7本发明所述的乘用车车内噪声声品质预测方法的神经模型结构图；

图8本发明所述的乘用车车内噪声声品质预测方法的评价模型结构图；

图9本发明所述的乘用车车内噪声声品质预测方法的7个客观心理声学参数对声品质评价值的权重系数；

图10发明所述的乘用车车内噪声声品质预测方法的遗传算法的流程框图；

图11本发明所述的乘用车车内噪声声品质预测方法的基于Gammatone滤波器组的双耳听觉外周计算模型的结构原理图。

具体实施方式

下面结合附图对本发明作详细的描述：

参见图1，本发明根据以往在乘用车声学优化中，针对每一次实车改造都要进行一套繁琐的声品质主观评价实验和声品质客观心理声学参数分析实验。提出了一种基于声品质客观量化模型的乘用车车内声品质主观评价预测方法。本发明简化了乘用车车内声品质评价的实验步骤，建立主观评价和客观噪声测试数据的关系，准确预测样车改进后的声品质主观评价结果，优化整个车辆声学设计过程，缩短车辆的开发周期，节约成本。

一.本发明所述的乘用车车内噪声声品质预测方法中所采用的设备和计算方法：

1.所述的人工头是模拟真人头部肩部的尺寸的人体模型，人工头的耳部结构是模拟真人耳部的尺寸，并将声音传感器各安装在两个耳朵内。可真实地还原听音者的声场环境，从物理形状上再现外耳，中耳及内耳等耳部生理结构对声音信号的收集、定位与放大过程。

2.所述的传声器是指市场上通用的声音传感器，俗称麦克。

3.所述的双耳听觉外周计算模型是采用数学计算的方法完成耳朵对声音的识别认知过程的声音信号处理过程：

1）声音从外耳至中耳的传输过程；

2）声信号分解为频谱分量；

3）后处理阶段:通过对听觉特性和内耳的听觉生理描述，听觉系统的灵敏性和频率选择性得到增强。通过双耳听觉外周计算模型可以完成对耳朵声音经过人的外耳、中耳、内耳和听觉神经的生理过程。

4.所述的IIR带通滤波器、Gammatone滤波器、低通滤波器、宽频滤波器组、半整流器、非线性自适应和短时积分都为MATLAB信号处理工具箱中的滤波器设计和分析工具(FDATool)计算设计单元，可以很方便地调用更改其中的设计参数。其中IIR带通滤波器即IIR数字滤波器，又名“无限脉冲响应数字滤波器”，或“递归滤波器”。具有反馈，一般认为具有无限的脉冲响应。Gammatone滤波器在仿生学上起到时域滤波作用，将单通道语音分解成多个不同频段的时域信号，这相当于用单通道信号构建出不同频率成分的多通道信号作用。

二.本发明所述的乘用车车内噪声声品质预测方法

参阅图2，本发明所述的乘用车车内噪声声品质预测方法的步骤如下：

1.利用人工头或两个传声器采集车内噪声信号

将人工头或两个传声器安放在副驾驶员位置，采集车辆在匀速工况下的车内噪声信号，并对匀速工况下的车内噪声信号进行预处理。

1）为了客观全面的采集车内噪声的真实信号，人工头和两个传声器安放的最佳位置是副驾驶员位置。副驾驶员处两个传声器所放位置的垂直坐标是座椅表面中线与横坐标是靠背表面中线交点以上0.7±0.05m处，两个传声器对称地布置于座椅表面与靠背的对称面左右0.2±0.02m处，即人工头耳朵的位置与传声器的位置相同。一方面，对于匀速工况下的轿车，此位置距主要噪声源（发动机舱）最近，也受空气传播噪声、传递噪声、风噪以及路面噪声等各类噪声影响最大。另一方面，由于实验规程，驾驶员位置需要相关技术人员对车辆进行操作，而副驾驶员位置是离驾驶员最近，同时也是实验最为关注的位置。

2）测试对象选择不同型号不同品牌的乘用车作为采集测试样本的基础，以乘用车型号的数量为准，推荐样本中的乘用车品牌和型号最好涵盖市场上主流乘用车车型，最好保证同种型号选择3～4种品牌的样车，例如轿车的A、B和C级车。

3）测试时对噪声信号采集的工况要求，车辆变速器置最高档，以10km/h～20km/h为一个步长，从怠速到最高速度分别匀速行驶，记录各个车速下车内的噪声水平。每个工况要求记录2次，记录时间大于30s。

对各稳态工况下采集的车内噪声的声音样本处理，需要经过分段、截取以及筛选，各工况声音样本截取的长度规定为5s左右，且要求尽量受外界干扰最小的稳定噪声信号。

理论上测试样本数量越多其最后的计算结果越精确，但考虑实验成本和方法计算复杂度的要求，适当的定制测试样本数量很重要，推荐数量在70～150左右，至少保证30个，这样既保证方法的精度又减少工作量。

2.计算A声级和声品质客观心理声学参数

参阅图3与图4，计算车内噪声的A声级和声品质客观心理声学参数可以采用两种方法获得，即采用人工头或传声器和双耳听觉外周计算模型模拟人耳对声音的感知特性，根据噪声样本计算A声级和声品质的客观心理声学参数；

1）利用Artemis声品质分析软件直接计算A声级和客观心理声学参数（抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数）。

2）采用传声器和双耳听觉外周计算模型计算A声级和声品质客观心理声学参数。通过MATLAB编程实现双耳听觉外周计算模型的建立和客观心理声学参数的计算模型。通过计算方法模拟听觉系统对声音信号处理过程，作为声信号的预处理阶段加入到声品质客观心理声学参数计算中，可提高整个客观评价系统的性能。

参阅图5，听觉外周计算模型模拟声音经过人的外耳、中耳、内耳和听觉神经的过程。双耳听觉外周计算模型的实现过程分两部分：首先是建立单耳听觉外周计算模型（因为左右耳生理结构是相同的），然后是计算双耳响度计算及相关客观心理声学参数；两个传声器各代表人的左右耳，完成对车内噪声信号的采集。其建立单耳听觉外周计算模型具体步骤如下：

第一步：采用传声器是用来模拟整个外耳对声音信号的收集，并将声音信号转换为数字信号。

第二步：由于采集后的声音样本存在直流偏量，导致各声学样本之间存在响度差异。在MATLAB中采用由4个并行的IIR带通滤波器组成的IIR滤波器组，能够实现中耳的特殊滤波作用，用从输入信号中滤除直流偏置分量，消除各个声学样本之间可能存在的响度差别，调整声信号的幅度，使之达到指定的声压级。

第三步：由于内耳包含相应的神经功能，对于内耳的模拟首先采用一个宽带滤波器组来模拟内耳基膜对声音的处理过程，推荐采用Gammatone滤波器组或DRNL滤波器组来实现。因为内耳对于不同频带的声音处理规律不同，在频率低时，基膜振动的幅度峰值出现在靠近蜗孔处，随着声音频率的提高，该峰值向基膜根部移动。所以采用的IIR滤波器组输出的声音信号频率范围主要分布在20Hz～4kHz，宽带滤波器组可以将不同频率的声音分频带处理。半波整流和一个截止频率为1kHz的一阶低通滤波器是用来模拟听觉神经对声音信号的处理过程。然后通过半波整流、一个截止频率为1kHz的一阶低通滤波器来模拟听觉神经系统，保持了信号在低频的瞬时微细结构并且提取了信号在高频部分的包络。输出的信号就转变成为类似于应用平方展开的强度表征法。最后的非线性自适应、截止到8Hz的低通滤波器和短时积分是用来仿真了听觉外周的自适应特性。其目的是声音信号做系统增益动态的变化更加线性化。

参阅图11，图中显示了采用的是64个Gammatone滤波器组成的双耳听觉计算外周模型，中心频率定在20Hz～4kHz范围，对应的Bark临界频带数为1～18，滤波器间距为0.5Bark，其gammatone(GT)滤波器的时域相应公式为：

式（1）中n是滤波器的阶数，B是带宽，f_c是中心频率Hz，

是相位，k是增益，t是时间。

第四步：最后将处理过的声音信号导入到各声品质客观心理声学参数的计算公式中，计算各声品质客观心理声学各参数

计算车内声品质的客观心理声学参数的过程如下：

（1）提取两个传声器采集左右耳声压级频谱，并对其进行频带分析，通过公式（2）计算双耳声压级：

式中，L_p,L/R(f)为双耳效应声压级dB；A(p,f)左右耳响度的总和；p绝对声压P；f信号频率Hz；L_p,L左耳声压级dB；L_p,R右耳声压级dB。

确定每一个频带的车内声场，并判断是否为混响场。如果是混响场，进行混响场衰减处理，再进行主响度计算，如果不是，就可以直接主响度计算，斜坡响度计算最终可推导出双耳特征响度和总响度，其计算双耳特征响度如下：

$N^{\&prime;}\left(z\right)=0.08\left(\frac{E_{\mathrm{T\&Omega;}}}{E_0}\right)[{(0.5+0.5\frac{E}{E_{\mathrm{T\&Omega;}}})}^{0.23}-1]---\left(3\right)$

式中，E_TΩ为安静状况下听阈对应的激励；E₀为参考声强I₀=10^-12W/m²对应的激励；E是被计算声音对应的激励。

双耳响度计算模型采用Zwicker的计算模型，使用1/3倍频带作为基础数据，引入临界频带概念对人耳的掩蔽效应作相应修正为，

$N=\underset{0}{\overset{24\mathrm{Bark}}{\&Integral;}}{N}^{\&prime;}\left(z\right)\mathrm{dz}---\left(4\right)$

式中，N'(z)为临界带内的特征响度，单位为sone_G/Bark，下标G表示特征响度值是由临界频带声级计算得来的。

通过特征响度，计算声品质的尖锐度、粗糙度和抖动度。

（2）计算尖锐度如下：

$S=k\&times;\frac{{\&Integral;}_0^{24}{N}^{\&prime;}\left(z\right)g\left(z\right)\mathrm{zdz}}{N}\mathrm{acum}---\left(5\right)$

式中，S代表尖锐度，单位acum；k=0.11为加权系数；N为双耳响度；N′(z)为临界频带内的特征响度；z为临界频带Bark数；g(z)为Zwicker依据不同临界频带的加权函数，g(z)其关于Bark域的解析式为

$g\left(z\right)=\left\{\begin{array}{ccc}1& \mathrm{for}& z\&le;16\\ {0.066e}^{0.171z}& \mathrm{for}& z>16\end{array}\right\}---\left(6\right)$

z为临界频带Bark数；

（3）计算粗糙度如下：

$R=0.3f_{\mathrm{mod}}{\&Integral;}_{z=0}^{24\mathrm{Bzrk}}{\mathrm{\&Delta;L}}_E\left(z\right)\mathrm{dzasper}---\left(7\right)$

式中：R代表粗糙度，单位是asper；f_mod为调制频率；ΔL_E(z)为声信号激励级的变化量，定义为：

${\mathrm{\&Delta;L}}_E\left(z\right)={20\log }_{10}\left(\frac{{N^{\&prime;}}_{\max }\left(z\right)}{{N^{\&prime;}}_{\min }\left(z\right)}\right)---\left(8\right)$

式中：N′_max(z)和N′_min(z)分别表示特征响度的最大值和最小值。

（4）计算抖动度如下:

$F=0.008\frac{{\&Integral;}_0^{24}\mathrm{\&Delta;L}\left(z\right)\mathrm{dz}}{\left(\frac{f_{\mathrm{mod}}}{4}\right)+\left(\frac{4}{f_{\mathrm{mod}}}\right)}\mathrm{vacil}---\left(10\right)$

式中：F代表抖动度，单位是vacil；f_mod为调制频率；ΔL_E(z)为声信号激励级的变化量。

（5）计算音调度如下：

音调度则通过每个频带的分析结合左右特征频带，得到相邻特征频带的相关系数，并计算调制频率后得到，其计算模型如下

$T=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[W_1\left({\mathrm{\&Delta;z}}_i\right)W_2\left(f_1\right)W_3\left({\mathrm{\&Delta;L}}_i\right)\right]}^2}---\left(11\right)$

式中T代表音调度，单位是tu；W₁(ΔZ_i)表示第i个单频成分与临界频带差异的关系;W₂(f_i)表示第i个单频成分与频率的关系;W₃(ΔL_i)表示第i个单频成分的声级盈余量效应。

（6）计算AI指数如下：

根据对每个频带的分析，得到AI指数，语音清晰度（AI指数）依赖于背景噪声的声压级和频率（三分之一倍频程）。在车内人们交谈时人耳可听的语音范围在背景噪声的频谱图中表现为一个200～6300Hz的区域，其计算模型为

AI=∑W(f)D(f)/3

$\left\{\begin{array}{c}N\left(f\right)>\mathrm{UL}\left(f\right),D\left(f\right)=0\\ \mathrm{LL}\left(f\right)<N\left(f\right)<\mathrm{UL}\left(f\right),D\left(f\right)=\mathrm{UL}\left(f\right)-N\left(f\right)\\ N\left(f\right)<\mathrm{LL}\left(f\right),D\left(f\right)=30\end{array}\right.---\left(12\right)$

式中，W(f)为计权系数；N(f)为噪声频谱；UL(f)为背景噪声上限，其表达式为

LL(f)为背景噪声下限，其表达式为其各频段对应的上限噪声以及计权系数如下表1

表1   各频段对应的上限噪声以及计权系数

频率/Hz	上限噪声UL(f)	计权系数W(f)
			200	64	1
250	69	2
			315	71	3.25
400	73	4.25

500	75	4.5
			630	75	5.25
800	75	6.5
			1000	74	7.25
1250	72	8.5
			1600	70	11.5
2000	67	11
			2500	65	9.5
3150	63	9
			4000	60	7.75
5000	56	6.25
			6300	51	2.5

3.车内声品质主观评价

对噪声样本进行声品质主观评价，得到测试数据的主观评价结果。

1）在具体测试中，要综合考虑汽车声品质具有多种属性，如偏好性、烦躁度、豪华感、运动感等。各种人群对车辆声音的偏好存在很大差别，其影响因素有不同的区域、社会阶层、年龄段、文化背景和生活习惯等。主观评价可根据车型和人群需要，选取合适的声品质评价指标，采用等级评分法进行主观评价试验。本发明声品质主观评价不局限于此方法，也可以采用成对比较法或分组比较法等。

2）在评价主体数量的选择上，最少保证20名评价主体，推荐32～40人。要求从高校学生、从事振动噪声领域的工作人员、声学专家、汽车研究人员、试验人员中挑选，体检证明均无听力疾病，年龄在22～50岁之间，平均年龄为30岁，男女比例为25:7；选取的评价人员都具有一定的汽车噪声经验，且在主观评价试验之前接受进行一定的培训。

3）在主观评价样本处理上，为了避免评价者由于经验和主观臆断而影响对声音样本的判断，在主观评价试验过程中不应使评价者了解每个样本的所属车型和车速，在评价前对每个声音样本进行排序。

4.建立车内声品质主观评价的客观量化模型

以车内A声级、车内声品质客观心理声学参数与声品质主观评价结果为基础，通过遗传算法改进的BP神经网络，建立车内声品质的主观评价的客观量化模型；

在具体测试中，训练采集的声音样本，每个声音样本经过计算分析后都包含了车内声品质客观心理声学参数和主观声品质评价结果，样本集涵盖了不同车速下的车内稳态噪声。以车内噪声的声品质主观烦躁度作为网络输出，7个车内声品质客观心理声学参数（抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数）作为网络输入，采用遗传算法改进BP神经网络来实现车内声品质客观心理声参数到主观声品质评价结果之间的映射，建立车内声品质主观评价的客观量化模型。

参阅图6，建立基于遗传算法改进的神经网络（BP）的车内声品质主观评价的客观量化模型的步骤如下：

1）确定神经网络（BP）的初始结构和参数；

参阅图7，具体测试中，推荐一个3层神经网络来构建车内声品质主观评价的客观量化模型，输入层为7个客观参量（抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数）组成的输入向量X，节点数为7；输出层为主观声品质评价分值，节点数为1。隐含层节点数主要由网络的用途决定，合适的数目并没有明确的理论规定，参考的经验公式如下：

$m=\sqrt{n+l}+\mathrm{\&alpha;}---\left(13\right)$

m=log₂n             （14）

$\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{C}_m^i>k---\left(15\right)$

上述3式中：m为隐含层神经元个数；n为输入层神经元个数；l为输出层神经元个数；a，i都为常数；k为样本数。隐含层采用logsig函数，输出层采用purlin线性函数，构建的神经网络（BP）模型结构如图7所示。

2）确定神经网络（BP）操作、设置参数、进行编码

引入遗传算法（GA）操作算法对神经网络（BP）进行优化。选择遗传代数、变异概率、种群规模及采用的编码方案。染色体编码的长度由各层所含神经元个数决定。设神经网络（BP）的输入层有R个神经元，隐含层有S1个神经元，输出层神经元数目为S2，则编码长度S=R*S1+S1*S2+S1+S2。

3）依据适应度进行遗传算法（GA）操作；

适应度函数通过样本对种群训练的学习误差来确定，学习误差表述如下：

$E\left(i\right)=\underset{n}{\mathrm{\&Sigma;}}\underset{m}{\mathrm{\&Sigma;}}{(y_m-o_m)}^2---\left(16\right)$

上式中，i为染色体个数，m为输出节点数，n为训练样本数。遗传算法的适应度函数可以表述为：

f(i)=1/E(i)          （17）

上式中，f(i)为每个个体的适应度函数。

按照遗传算法（GA）的流程如图10，利用Matlab的GA工具箱进行求解，并对获得的个体最优解进行解码，作为神经网络的初始网络权值。解码时各实数与BP神经网络权值、阈值的对应关系如表2所示。

表2      解码关系

W1	W2	B1	B2
				R*S1	S1*S2	S1	S2

表2中，W1为神经网络（BP）输入层到隐含层之间的连接权值，W2是隐含层到输出层之间的连接权值，B1为隐含层阈值，B2为输出层阈值。

4）把得到的优化权值作为初始网络权值，再用遗传算法（GA）训练神经网络（BP）；

采用遗传算法（GA）优化获得初始网络权值和阈值之后，就可以设定参数进行神经网络（BP）训练。具体训练参数的设定对神经网络（BP）至关重要，其直接影响神经网络（BP）的性能。采用附加动量法进行训练，期望误差设定为0.0003，学习速率为0.3，附加动量因子为0.5，训练次数设定为5000次。训练完毕保存神经网络（BP）的最终连接权值。

参阅图7，神经网络（BP）的连接权值和阈值代表了其内部的连接特性，即所构建数学模型的参数，车内声品质评价模型可以表述为：

$\mathrm{SQ}=\underset{j=1}{\overset{14}{\mathrm{\&Sigma;}}}[w_j^2\&times;\frac{1}{1+\exp -(\underset{i=1}{\overset{7}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^1{x}_i+B_j^1)}]+b^2---\left(18\right)$

式中，SQ为车内噪声的声品质主观评价值，即烦躁度等级；x_i（i=1,2……7）为噪声信号的客观评价参数1，分别为抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数；为表2中输入层到隐含层的连接权值W1中第i个参量到第j个神经元的连接值；

为输入层到隐含层的阈值B1第j个值；

为表2中隐含层到声品质值连接权值W2的第j个值；b²为隐含层到声品质值的阈值；

5.权重分析与重建评价模型

通过权重分析，找出对主观评价结果有重要影响的客观参量，以重要影响的客观参量与声品质主观评价结果为基础，重建稳态工况下的声品质的主观评价的客观量化模型。

在具体测试中，利用神经网络的连接权值计算输入参量对输出变量影响权重的方法，其数学计算方程如下：

$I_j=\frac{\underset{m=1}{\overset{\mathrm{Nh}}{\mathrm{\&Sigma;}}}(\left(\right|w_{\mathrm{jm}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right)}{\underset{k=1}{\overset{\mathrm{Ni}}{\mathrm{\&Sigma;}}}\{{\mathrm{\&Sigma;}}_{m=1}^{\mathrm{Nh}}\left(\right|w_{\mathrm{km}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right\}}---\left(19\right)$

式中：I_j为第j个输入参量对第n个输出变量的影响权重；Ni，Nh为输入和隐含层节点数；w¹为输入层到隐含层的连接权值，w²为隐含层到输出层的连接权值，相应的下角标j，m，n为第几个神经元。如，

为第j个输入神经元与隐含层第m个神经元的连接权值。I_j值越大，影响权重比例越高，表示该输入参量对输出的影响越大。

按式（19）计算得到的7个声品质客观心理声学参数对声品质值的权重系数，找出7个客观心理声学参数中权重比例高的参数，忽略影响系数小的，然后按照步骤4的方法对声品质的主观评价的客观量化模型进行重新优化。

6.建立车内声品质客观心理声学数据库；

建立乘用车车内声品质客观心理声学数据库，建立乘用车车内声品质客观心理声学数据库与声品质的主观评价的客观量化模型的关系，形成便捷快速的声品质预测方法。

具体测试中，建立不同车型的声品质客观心理声学参数的数据库，作为整个乘用车车内噪声声品质预测方法的数据基础。其数据库便于在车辆声学设计优化中解决车内声品质预测的对标分析，更进一步完善声品质预测评价体系，为此方法建立一个系统的基础平台。

实施例

为便于相关技术人员更深入理解本方法，通过将此方法应用于国产轿车声品质预测的具体实施案例进行说明：

1.为了获得足够多的数据样本，选取市场上热销的具有代表的A、B和C级国产轿车为测试对象，每种车型选择4辆国产具有代表性品牌的同型号轿车。噪声信号采集的试验地点在整车半消声室和郊区平整的柏油马路。户外测试时，选择过往车辆少，外界干扰少的时候进行。

将人工头安放在副驾驶员位置，车辆变速器置最高档，分别以怠速、40km/h、60km/h、80km/h、100km/h、120km/h匀速行驶，记录各个车速下车内的噪声水平。每个行驶工况记录2次，记录时间大于30sec。对各稳态工况下车内噪声的声音样本，经过分段、截取、筛选，最终得到了78个声音样本，各工况样本截取的长度为5s左右，并对各样本作响度均衡化

2.利用Artemis声品质分析软件直接计算各噪声样本的A声级和客观心理声学参数（抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数）

3.从高校学生、从事振动噪声领域的工作人员、声学专家、汽车研究人员、试验人员中挑选了总共32位听音评价人员，体检证明均无听力疾病。评价者的年龄在22～50岁之间，平均年龄为30岁；其中，男女比例为25:7；选取的评价人员都具有一定的汽车噪声经验，且在主观评价试验之前接受进行一定的培训。

根据中国人注重车辆舒适平稳性的特点，选择烦躁度作为声品质评价指标。选用等级评分法进行主观声品质评价测试。烦躁度按国际标准分为11个等级，如表4所示。

表4       主观评价烦躁度等级对照表

非常

坏

很差

差

不满意

可接受

满意

较好

好

很好

极好

1

2

3

4

5

6

7

8

9

10

11

进行评价试验之前，由操作人员对各参与评价的试验人员说明评价方法的详细步骤和注意事项，并对试验过程中可能出现的一些问题进行讲解。在试验过程中，各个评价者会依次听到不同的噪声样本，根据其主观感觉分别在打分器上按下相应的数字按钮。比如说，在评价者听审完一个噪声样本之后，如果他认为该噪声样本令人感觉“较好”，就可以在打分器上进按下按钮“8”进行相应的打分；若需要重新打分，点击C键即可返回。评价者对结果确定后点击Enter键，就完成一个声音样本的打分。在主观试验过程中，当某个噪声样本播放后，若评价者不能对声音样本做出明确的打分，可以再次对该样本进行听审评价，直到获得满意的结果。

对所有评价人员的评价结果进行数据检验，计算各评价者之间的平均相关系数。使用SPSS软件计算各评价人员相互之间的Spearman系数；然后对每位评价者与其他所有评价者的相关系数取算术均值，计算平均相关系数。各评价者之间的平均相关系数如表5所示，剔除相关系数相对较低的人员评分。

表5     各评价者的平均相关系数

评价者	1	2	3	4	5	6	7	8	9	10	11
												相关系数	0.786	0.819	0.56	0.83	0.82	0.8	0.61	0.781	0.75	0.862	0.804
评价者	12	13	14	15	16	17	18	19	20	21	22
												相关系数	0.438	0.783	0.843	0.58	0.865	0.779	0.78	0.845	0.816	0.54	0.782
评价者	23	24	25	26	23	27	28	29	30	31	32
												相关系数	0.85	0.779	0.752	0.823	0.85	0.487	0.76	0.84	0.791	0.81	0.85

对剩余的评价结果进行K-均值聚类分析。聚类分析结果如表6所示，第一类4例，第二类20例，缺失2例。第一类的评价者人数太少，并不能代表大多数评价者的结果，因此选择第二类的20名评价者的评分结果来计算各声音样本的声品质主观烦躁度值。

表6      聚类分析结果

4.车内声品质主观评价的客观量化模型建立

通过步骤2中的Artemis声品质分析软件直接计算车内声品质客观心理声学参数，表7表示各测试样本的主观评价结果和声品质客观心理声学参数。

表7      样本的主客观结果

参阅图8，选用一个3层神经网络来构建声品质的评价模型，输入层为7个客观参量（抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数）组成的输入向量X，节点数为7；输出层为主观声品质评价分值，节点数为1。选定的隐含层节点数为14。从而构建的网络拓扑结构为7-14-1，隐含层采用logsig函数，输出层采用purlin线性函数。

参阅图7，在正式训练神经网络之前，引入GA算法对BP网络进行优化，遗传代数选择为150，变异概率为0.05，种群规模为50。编码方式为实数方法，本发明所建立的BP网络结构为7-14-1，按照表2和所述的遗传代码长度S=R*S1+S1*S2+S1+S2，即R为输入层的神经元个数，S1为隐含层神经元个数，S2为输出层神经元数目。所以编码长度S=127。按照遗传算法的流程如图10，利用Matlab的GA工具箱进行求解，并对获得的个体最优解进行解码，作为神经网络的初始网络权值。解码时各实数与BP神经网络权值、阈值的对应关系如表2所示。遗传算法训练完毕，并进行解码后的输入层到隐含层的权值与阈值如表8所示，隐含层到输出层的权值和阈值如表9所示，网络模型如图7所示。

表8        输入层到隐含层的权值和阈值

表9       隐含层到输出层的权值和阈值

获得神经网络的初始权值和阈值之后，采用附加动量法进行训练，期望误差设定为0.0003，学习速率为0.3，附加动量因子为0.5，训练次数设定为5000次。训练样本为表4中的主客观数据。

综上各样本训练完毕的主观结果和客观心理声学参数及权值和阈值网络如表10所示。并通过数学模型（18）建立如图8所示的车内声品质主观评价的客观量化模型。

表10      权值和阈值矩阵

5.权重分析与评价模型优化

参阅图9，将表10内数据带入公式（19），计算得到的7个客观心理声学参数对声品质值的权重系数。从中可以看出：对声品质主观评价结果影响最大的参数为双耳响度，其次为粗糙度和尖锐度。这三个参数对声品质影响的贡献度之和达到了83%，其他几个客观参数影响较小。

然后将对声品质有重要影响的响度、粗糙度、尖锐度三个参量作为输入，声品质主观结果为输出，重新构建声品质GA-BP车内声品质主观评价客观量化模型。神经网络（BP）的结构确定为3-7-1，学习参数、遗传算法（GA）优化步骤、训练与检验数据保持不变，完成模型重建。后续对车内噪声进行声品质分析评价时，应用建立的声品质评价模型，只需计算噪声的三个心理学客观参数，代入声品质评价模型进行计算，就可预测得到噪声样本的主观烦躁度值，从而省去了繁琐费时的主观听审测试，简化了流程。

6.建立不同车型车内声品质客观心理声学参数的数据库，作为整个乘用车车内噪声声品质预测方法数据基础。其数据库便于在车辆声学设计优化中解决车内声品质预测的对标分析，更进一步完善声品质预测评价体系，为此方法建立一个系统的基础平台。

Claims (5)

1.一种乘用车车内噪声声品质预测方法，其特征在于，所述的乘用车车内噪声声品质预测方法的步骤如下：

1）利用人工头或两个传声器采集车内噪声信号：

将人工头或两个传声器安放在副驾驶员位置，采集车辆在匀速工况下的车内噪声信号，并对匀速工况下的车内噪声信号进行预处理；

2）计算A声级和声品质客观心理声学参数：

采用听觉外周计算模型计算车内声品质的客观心理声学参数；

3）车内声品质主观评价：

对噪声样本进行声品质主观评价，得到测试数据的主观评价结果；

4）建立车内声品质主观评价的客观量化模型：

以车内A声级、车内声品质客观心理声学参数与声品质主观评价结果为基础，通过遗传算法改进的BP神经网络，建立车内声品质的主观评价的客观量化模型；

5）权重分析与重建评价模型：

通过权重分析找出对主观评价结果有重要影响的客观参量，以重要影响的客观参量与声品质主观评价结果为基础，重建稳态工况下的声品质的主观评价的客观量化模型；

6）建立车内声品质客观心理声学数据库：

具体测试中，建立不同车型的声品质客观心理声学参数的数据库，作为整个乘用车车内噪声声品质预测方法的数据基础；数据库便于在车辆声学设计优化中解决车内声品质预测的对标分析，更进一步完善声品质预测评价体系，为乘用车车内噪声声品质预测方法建立一个系统的基础平台。

2.按照权利要求1所述的乘用车车内噪声声品质预测方法，其特征在于，所述的利用人工头或两个传声器采集车内噪声信号的步骤如下：

1）将人工头或两个传声器放在副驾驶员处，即人工头或两个传声器具体位置的垂直坐标是座椅表面中线与横坐标是靠背表面中线交点以上0.7±0.05m处，人工头或两个传声器对称地布置于座椅表面与靠背的对称面左右0.2±0.02m处；

2）测试对象选择不同型号不同品牌的乘用车作为采集测试样本的基础，以乘用车型号的数量为准，乘用车品牌和型号涵盖市场上主流乘用车车型，保证同种型号选择3～4种品牌的样车，如轿车的A、B和C级车；

3）测试时对噪声信号采集的工况要求，车辆变速器置最高档，以10km/h～20km/h为一个步长，从怠速到最高速度分别匀速行驶，记录各个车速下车内的噪声水平，每个工况要求记录2次，记录时间大于30s；

对各稳态工况下采集的车内噪声的声音样本处理，需要经过分段、截取以及筛选，各工况声音样本截取的长度规定为5s左右，且要求尽量受外界干扰最小的稳定噪声信号；

测试样本数量越多其最后的计算结果越精确，考虑测试成本和方法计算复杂度的要求，数量在70～150左右，至少保证30个。

3.按照权利要求1所述的乘用车车内噪声声品质预测方法，其特征在于，所述的采用听觉外周计算模型计算车内声品质的客观心理声学参数的步骤如下：

（1）提取两个传声器采集左右耳声压级频谱，并对其进行频带分析，通过公式（2）计算双耳声压级：

式中，L_p,L/R(f)为双耳效应声压级dB；A(p,f)左右耳响度的总和；p绝对声压P；f信号频率Hz；L_p,L左耳声压级dB；L_p,R右耳声压级dB；

确定每一个频带的车内声场，并判断是否为混响场，如果是混响场，进行混响场衰减处理，再进行主响度计算，如果不是，就直接主响度计算，斜坡响度计算最终推导出双耳特征响度和总响度，其双耳特征响度如下：

$N^{\&prime;}\left(z\right)=0.08\left(\frac{E_{\mathrm{T\&Omega;}}}{E_0}\right)[{(0.5+0.5\frac{E}{E_{\mathrm{T\&Omega;}}})}^{0.23}-1]---\left(3\right)$

式中，E_TΩ为安静状况下听阈对应的激励；E₀为参考声强；I₀=10^-12W/m²对应的激励；E是被计算声音对应的激励；

双耳响度计算模型采用Zwicker的计算模型，使用1/3倍频带作为基础数据，引入临界频带概念对人耳的掩蔽效应作相应修正为，

$N=\underset{0}{\overset{24\mathrm{Bark}}{\&Integral;}}{N}^{\&prime;}\left(z\right)\mathrm{dz}---\left(4\right)$

式中，N'(z)为临界带内的特征响度，单位为sone_G/Bark，下标G表示特征响度值是由临界频带声级计算得来的；

（2）计算尖锐度如下：

$S=k\&times;\frac{{\&Integral;}_0^{24}{N}^{\&prime;}\left(z\right)g\left(z\right)\mathrm{zdz}}{N}\mathrm{acum}---\left(5\right)$

式中，S代表尖锐度，单位acum；k=0.11为加权系数；N为双耳响度；N′(z)为临界频带内的特征响度；z为临界频带Bark数；g(z)为Zwicker依据不同临界频带的加权函数，g(z)其关于Bark域的解析式为

$g\left(z\right)=\left\{\begin{array}{ccc}1& \mathrm{for}& z\&le;16\\ {0.066e}^{0.171z}& \mathrm{for}& z>16\end{array}\right\}---\left(6\right)$

z为临界频带Bark数；

（3）计算粗糙度如下：

$R=0.3f_{\mathrm{mod}}{\&Integral;}_{z=0}^{24\mathrm{Bzrk}}{\mathrm{\&Delta;L}}_E\left(z\right)\mathrm{dzasper}---\left(7\right)$

式中：R代表粗糙度，单位是asper；f_mod为调制频率；ΔL_E(z)为声信号激励级的变化量，定义为：

${\mathrm{\&Delta;L}}_E\left(z\right)={20\log }_{10}\left(\frac{{N^{\&prime;}}_{\max }\left(z\right)}{{N^{\&prime;}}_{\min }\left(z\right)}\right)---\left(8\right)$

式中：N′_max(z)和N′_min(z)分别表示特征响度的最大值和最小值；

（4）计算抖动度如下:

$F=0.008\frac{{\&Integral;}_0^{24}\mathrm{\&Delta;L}\left(z\right)\mathrm{dz}}{\left(\frac{f_{\mathrm{mod}}}{4}\right)+\left(\frac{4}{f_{\mathrm{mod}}}\right)}\mathrm{vacil}---\left(10\right)$

式中：F代表抖动度，单位是vacil；f_mod为调制频率，ΔL_E(z)为声信号激励级的变化量；

（5）音调度则通过每个频带的分析结合左右特征频带，得到相邻特征频带的相关系数，并计算调制频率后得到，其计算模型如下

$T=\sqrt{\underset{i=1}{\overset{N}{\mathrm{\&Sigma;}}}{\left[W_1\left({\mathrm{\&Delta;z}}_i\right)W_2\left(f_1\right)W_3\left({\mathrm{\&Delta;L}}_i\right)\right]}^2}---\left(11\right)$

式中T代表音调度，单位是tu；W₁(ΔZ_i)表示第i个单频成分与临界频带差异的关系;W₂(f_i)表示第i个单频成分与频率的关系;W₃(ΔL_i)表示第i个单频成分的声级盈余量效应；

（6）根据对每个频带的分析得到AI指数，语音清晰度即AI指数依赖于背景噪声的声压级和频率（三分之一倍频程），在车内人们交谈时人耳可听的语音范围在背景噪声的频谱图中表现为一个200～6300Hz的区域，其计算模型为

AI=∑W(f)D(f)/30

$\left\{\begin{array}{c}N\left(f\right)>\mathrm{UL}\left(f\right),D\left(f\right)=0\\ \mathrm{LL}\left(f\right)<N\left(f\right)<\mathrm{UL}\left(f\right),D\left(f\right)=\mathrm{UL}\left(f\right)-N\left(f\right)\\ N\left(f\right)<\mathrm{LL}\left(f\right),D\left(f\right)=30\end{array}\right.---\left(12\right)$

式中，W(f)为计权系数；N(f)为噪声频谱；UL(f)为背景噪声上限，其表达式为

LL(f)为背景噪声下限，其表达式为

4.按照权利要求1所述的乘用车车内噪声声品质预测方法，其特征在于，所述的建立车内声品质主观评价的客观量化模型的步骤如下：

1）确定神经网络BP的初始结构和参数；

具体测试中，推荐一个3层神经网络来构建车内声品质主观评价的客观量化模型，输入层为抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数7个客观参量组成的输入向量X，节点数为7；输出层为主观声品质评价分值，节点数为1；隐含层节点数主要由网络的用途决定，合适的数目并没有明确的理论规定，参考的经验公式如下：

$m=\sqrt{n+l}+\mathrm{\&alpha;}---\left(13\right)$

m=log₂n              （14）

$\underset{i=0}{\overset{n}{\mathrm{\&Sigma;}}}{C}_m^i>k---\left(15\right)$

上述3式中：m为隐含层神经元个数；n为输入层神经元个数；l为输出层神经元个数；a、i都为常数；k为样本数；隐含层采用logsig函数，输出层采用purlin线性函数构建神经模型；

2）确定神经网络BP操作、设置参数、进行编码

引入遗传算法GA操作算法对神经网络BP进行优化，选择遗传代数、变异概率、种群规模及采用的编码方案；染色体编码的长度由各层所含神经元个数决定，设神经网络BP的输入层有R个神经元，隐含层有S1个神经元，输出层神经元数目为S2，则编码长度S=R*S1+S1*S2+S1+S2；

3）依据适应度进行遗传算法GA操作

适应度函数通过样本对种群训练的学习误差来确定，学习误差表述如下：

$E\left(i\right)=\underset{n}{\mathrm{\&Sigma;}}\underset{m}{\mathrm{\&Sigma;}}{(y_m-o_m)}^2---\left(16\right)$

上式中，i为染色体个数，m为输出节点数，n为训练样本数。遗传算法GA的适应度函数可以表述为：

f(i)=1/E(i)               （17）

上式中，f(i)为每个个体的适应度函数；

利用Matlab的GA工具箱进行求解，并对获得的个体最优解进行解码，作为神经网络的初始网络权值，解码时各实数与神经网络BP权值、阈值的对应关系；

4）把得到的优化权值作为初始网络权值，再用遗传算法训练神经网络BP；

采用遗传算法GA优化获得初始权值和阈值之后，就可以设定参数进行神经网络训练，采用附加动量法进行训练，期望误差设定为0.0003，学习速率为0.3，附加动量因子为0.5，训练次数设定为5000次，训练完毕保存网络的最终连接权值；

车内声品质评价模型可以表述为：

$\mathrm{SQ}=\underset{j=1}{\overset{14}{\mathrm{\&Sigma;}}}[w_j^2\&times;\frac{1}{1+\exp -(\underset{i=1}{\overset{7}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}^1{x}_i+B_j^1)}]+b^2---\left(18\right)$

式中，SQ为车内噪声的声品质主观评价值，即烦躁度等级；x_i（i=1,2……7）为噪声信号的客观评价参数，分别为抖动度、尖锐度、音调度、A声级、双耳响度、粗糙度和AI指数；

为表2中输入层到隐含层的连接权值W1中第i个参量到第j个神经元的连接值；

为输入层到隐含层的阈值B1第j个值；为表2中隐含层到声品质值连接权值W2的第j个值；b²为隐含层到声品质值的阈值。

5.按照权利要求1所述的乘用车车内噪声声品质预测方法，其特征在于，所述的权重分析与重建评价模型是指：

在具体测试中，利用神经网络BP的连接权值计算输入参量对输出变量影响权重的方法，其数学计算方程如下：

$I_j=\frac{\underset{m=1}{\overset{\mathrm{Nh}}{\mathrm{\&Sigma;}}}(\left(\right|w_{\mathrm{jm}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right)}{\underset{k=1}{\overset{\mathrm{Ni}}{\mathrm{\&Sigma;}}}\{{\mathrm{\&Sigma;}}_{m=1}^{\mathrm{Nh}}\left(\right|w_{\mathrm{km}}^1|/{\mathrm{\&Sigma;}}_{k=1}^{\mathrm{Ni}}|w_{\mathrm{km}}^1\left|\right)\&times;|w_{\mathrm{mn}}^2\left|\right\}}---\left(19\right)$

式中：I_j为第j个输入参量对第n个输出变量的影响权重；Ni，Nh为输入和隐含层节点数；w¹为输入层到隐含层的连接权值，w²为隐含层到输出层的连接权值，相应的下角标j，m，n为第几个神经元。如，

为第j个输入神经元与隐含层第m个神经元的连接权值。I_j值越大，影响权重比例越高，表示该输入参量对输出的影响越大。

按式（19）计算得到的7个声品质客观心理声学参数对声品质值的权重系数，找出7个客观心理声学参数中权重比例高的参数，忽略影响系数小的，然后按照建立车内声品质主观评价的客观量化模型的方法对声品质的主观评价的客观量化模型进行重新优化。

Images