CN108920854A - 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 - Google Patents
一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 Download PDFInfo
- Publication number
- CN108920854A CN108920854A CN201810759135.4A CN201810759135A CN108920854A CN 108920854 A CN108920854 A CN 108920854A CN 201810759135 A CN201810759135 A CN 201810759135A CN 108920854 A CN108920854 A CN 108920854A
- Authority
- CN
- China
- Prior art keywords
- noise
- sound quality
- model
- evaluation
- quality
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Neurology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明专利提出一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统。本发明专利是在测试分析车内噪声的基础上提出来的。首先研发车内无线互联系统,构建与噪声诊断评价相关的实时信息流,传递到终端并获取能量熵的信号特征。随后基于便携式客户端,提取声品质客观参量并建立自适应神经网络补偿模型,自定义一种神经网络结构,使误差补偿模型具有较好的运算精度,同时保证模型在各类工况的自适应性与稳定性,该模型用软件技术替代了专业测试系统(人工头)庞大的硬件系统补偿,造价低廉,使用便捷。最后结合基于针对性偏好的在线和离线声品质主客观评价数据,采用模糊综合评价法构建车内声品质评价的完整体系和标准。
Description
技术领域
本发明专利涉及噪声测试技术声品质领域,具体涉及一种噪声在线诊断和声品质评价方法和系统,可在线诊断车内噪声水平,以及对声品质进行评价。
背景技术
随着现代社会工业日益发达,汽车工业中的新技术、新手段、新方法不断推陈出新。车内噪声是影响驾乘人员舒适性、听觉损害程度、语言清晰度以及辨识车外各种声音信号能力的重要因素,由于车内声音环境最直观地反映乘坐舒适性、体现汽车的品质,因此汽车车内声学品质已成为一项影响顾客选购车型的重要决策因素。如何全面获取车内噪声评价指标是现阶段研究热点。
业内通行方法是采用专业仪器基于人耳声学特征对噪声进行信号采集和处理,在挖掘信号特征的基础上结合主观评价需求建立评价的指标,最终建立起由主、客观评价共同组成的完善的评价体系,形成相应的标准。并依据评价体系和标准指导和评判汽车噪声声品质的设计和改进工作。
2009年,韩国科学技术学院的科学家对车载空气滤清器的机械噪声品质进行了研究,通过多元回归分析建立了指标为响度、尖锐度和抖动度的声品质客观评价模型,并对测试结果与模型预测结果进行了对比及分析。2016年Fabian Duvigneau对于发动机声学特征进行仿真和实验预测,所获得心里声学模型用于发动机品质改进并获得良好效果。
国内外对于声品质的研究主要集中于某单一车辆或单一车型的车内声品质的实验组织、特征参数提取、数学模型建立、评价标准提出等方面。因此客观有效的获取市场主体车型的声品质评价结果,不但使厂商和相关研究人员对市场上总体噪声水平和声品质特征有全面的认识和准确评估,同时将所开发车型与同类车型和主体车型的声品质进行对比分析,建立完整的数学模型和评价标准,从而对症下药,为进一步改善车内噪声品质打下坚实的基础。
当前智能网联汽车成为新的研究热点。智能网联汽车的领域不但包括车联网、智能驾驶、高速总线等内容,也包括智能远程诊断的功能。对于汽车远程诊断的研究和相应技术开发现阶段主要集中于具体部件检测、整体架构搭建和诊断方法的研究,缺少采用综合技术搭建诊断平台并实现远程诊断的成熟案例。
发明内容
一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统
一、基于无线互联方式和专家数据库的噪声数据在线分析和诊断
1、车内无线互联系统
单纯的车内噪声数据无法满足诊断和评价的需求。以便携式数据采集客户端中智能手机为核心构建无线互联的车内网络获取车辆静态信息和动态数据,通过4G网络与远程终端相连,建立完整的信息交互平台完全满足车内噪声诊断和评价的需求。其中静态信息包括自动获取的发动机、变速箱等(传统车)或电池、电机等(新能源车)信息,也包括自行填入的驾驶员、车辆行驶历史信息等。动态数据包括车辆行驶时的转速、车速和其它实时数据。将这些数据和便携式数据采集系统的声音信息传至终端平台进行处理。
2、基于能量熵的信号特征获取
在完整的数据和信息获取之后,噪声分析是下一步系统需要进行的工作。分析的主要目的是获取噪声特征并作为诊断的输入条件。车内噪声由于其工况复杂,导致其特征也复杂多样,可分为静态和动态两大类。当系统处于怠速、匀速等不随时间变化的静态条件下,截取小段数据提取时频域特征即可满足噪声诊断的需求。当系统处于加速等动态条件下,信号的特征随时间变化而变化。由于信号特征的本质变化实际是能量的变化,提出基于能量熵的信号特征获取方法。对于不同分析方法加入熵和熵的各阶导数对于能量变化起到放大作用,准确获取系统特征的变化。
3、面向特征数据库的在线分析和诊断
在线分析和诊断是凭借现有知识对以上特征进行判断和分析,最终对车内噪声总体特征和是否出现异常进行判断。主要包括三个内容。第一是客户端按照标准和规范对于信息进行实时处理和显示,使其具有面向对象的直观性并可以初步检验客户端的可靠性;第二是对于声品质的客观指标进行计算,重点围绕感觉舒适度进行评价;第三,由于车内噪声不但包括正常声音,也大量包括长期使用后出现的异响、噪声的泄漏等,这些声音都有固定特征。通过与厂家合作在远程终端中建立特征数据库,该数据库包括从有代表性车型上提取的某部位异响和泄漏噪声的固有特征。通过特征对比对噪声代表的故障信息进行诊断,为车内噪声改进工作打下坚实的基础。
二、声品质客观参量提取和自适应神经网络补偿模型的建立
考虑在不同的工况下,对便携式系统采集样本的修正模型不同,建立自适应的误差补偿模型,达到特定工况数据的自适应修正。便携式测试系统的功能是完成声品质的测试与评价,得到反映人实际听觉感受的客观声品质参量。
由于便携式客户端与专业噪声信号采集与声品质评价系统有显著差异,为了减少差异使获取的人耳噪声数据达到噪声诊断和声品质评价需求,需要系统性的建立噪声误差标定体系、评估模型和补偿分配机制。
1、误差标定体系
成本低廉、易于推广的便携式客户端相对于人工头和专业数据采集系统的组合对于车内噪声信号的获取有一定差异,主要包含以下三个方面:第一,由咪头组成的耳塞式传声器对噪声获取和转换的精度低于人工头;第二,智能手机的双通道数据采集功能在采样精度、动态范围和抗混叠滤波等各方面都低于专业动态数据采集系统;第三,无线传输的误差大于有线传输。准确的获取转换、处理、传输各部分误差是最终消除误差的基础。采用互换性的测试方法对不同部分进行误差标定,并获取准确的误差范围和特征,为误差评估模型的建立打下坚实的基础。
2、误差评估模型
合理有效的误差评估模型能满足车内噪声诊断和声品质评价对于关键参数的要求且付出较小的代价。根据诊断和评价的关键参数对精度的需求建立自适应的误差评估模型是实现该目标的有效方法。采用感觉舒适度作为对声品质客观评价指标的依据,不同频率范围内的数据对于其所包含的粗糙度、尖锐度、有调度、响度、抖动度5个参数的影响是不同的。建立整个频率范围不同频段对于感觉舒适度的参数化灵敏度模型,使得总体误差模型符合噪声诊断和声品质评估需求。
3、误差补偿分配机制是将误差模型在系统的各部分进行分配后补偿,使最终进入诊断和评估之前的数据精度符合要求。针对不同类型智能客户端性能差异分别在客户端和终端进行转换、处理、传输等误差的有效补偿。
神经网络拥有强大的非线性运算能力及自适应能力,可使得所建立误差补偿模型不仅具有很好的运算精度,同时保证了模型对于各类工况的自适应性与稳定性。自定义一种神经网络结构,经数据验证表明,误差补偿模型后得到的客观声品质参量与标准人工头系统所得的参量相对误差在5%以内,符合一般工程要求。便携式数据采集系统用软件补偿替代了专业测试系统庞大的硬件系统补偿,造价低廉,使用便捷,将极大促进声品质领域的研究。
三、依据便携式数据采集客户端进行基于针对性偏好的离线和在线声品质主观评价法。
采用混合分层映射与神经网络方法建立主观声品质评价与客观评价相融合的数学模型,构建适应客户需求和覆盖主体车型的车内噪声评价标准和体系。
离线声品质主观评价法应用便携式客户端获取的噪声数据在外部环境下采用专业回放设备进行主观声品质评价实验,其主要过程与常用主观评价方法相似。但情景条件与实际驾驶和乘坐环境相差较大,对主观评价有较大影响。第二个重要内容是进行在线声品质评价。车辆行驶中驾驶员或成员通过与智能手机相连的微型麦克风对声品质进行主观评价,该评价结果与噪声数据和相关参数实时对应,并通过远程网络发送至终端建立起行驶过程实际情景环境下的声品质主观评价模型。
主观评价实验中对于人员的选择采用针对性偏好方法是在选择相应的主观评价群体时充分考虑按照对噪声的偏好(运动还是安静等)人群的比例进行预设。离线主观声品质评价实验对象不但包括声品质正常的车型也包括有瑕疵的车型,也与在线调查中异响项目相对应,获取相应的样本进行分析比较。
多项主观评价方法获得不同评价数据和结果,依据这些数据建立主观评价完整数学模型。由于数据之间的差异化和不完全对应性,该数学模型采用分层逐步聚类方法建立。根据以上主观评价模型结合客观评价数据采用基于支持向量机的方法建立主客观相结合的声品质评价及预测模型。采用模糊综合评价法构建整体评价体系,利用获得的综合需求主观评价模型对个体进行评估并结合其它开发目标建立相应的车内声品质评价标准。
附图说明
图1为:噪声数据采集以及在线诊断和声品质评价的方法和系统流程图
图2为:自定义神经网络结构模型
图3为:BP神经网络结构图
具体实施方式
一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统
一、基于无线互联方式和专家数据库的噪声数据在线分析和诊断
首先是对信号特征分析与诊断数据库两部分进行研究和开发。信号特征分析中由于静态信号的特征提取可在片段中采用简单方法获取,主要内容是对动态噪声信号特征进行分析和提取。在由远程便携式客户端实时获取的信息表征车辆处于加速等动态变化情况下,时变动态信号随频率、时间、阶次等的一项或几项变化而变化,不同变化对应不同的分析方法比如阶次分析方法、时频联合方法、小波分析方法、希尔伯特黄变换方法等。将能量熵方法与以上方法相结合快速而准确的确定时变信号的特征。
系统在线远程诊断是复杂系统工程功能。首先需要获取待诊断具体车型的基础数据,以其作为标杆对实际使用车辆进行诊断;其次对于静态工况采用基于包络线自动识别的方法进行诊断,即待诊断数据包络与基础数据包络的比较,该方法主要用于三分之一倍频程的分析;然后针对动态工况和异响状态的在线诊断,需要建立诊断数据库,该数据库的基础是采用能量熵与各种时变分析方法相结合对基础数据提取的信号特征。包含异响状态的基础数据的获取将联合主要的生产商进行。然后对于噪声特征进行描述并反馈至客户端。最后整合以上模块逐步建立和完善整体车内噪声远程诊断系统。
二、声品质客观参量提取和自适应神经网络补偿模型的建立
通过提取两系统(便携式数据采集客户端系统和人工头系统)采集样本的声品质客观参量值,建立两系统测试样本的客观参量值的自适应修正模型,实现便携式系统到人工头系统的映射。完成自适应神经网络模型的建立后,即可由便携式系统得出正确的声品质客观参量值,进而由主观预测模型实现客观声品质到主观评价值得映射。
较成熟的声品质客观参量主要有心理声学参量,包括响度、尖锐度、粗糙度、抖动度等。根据茨维克(Zwicker)理论,用MATLAB编程实现了.wav格式声样本这些客观参量的计算。
系统误差的消除依靠误差补偿,而误差补偿的基础是误差标定体系和误差模型的建立。误差标定体系依靠误差标定试验系统对各部分误差进行精确测量。建立一整套对便携式客户端进行声学测量的实验系统。包括程控标准低频和高频体积声源用于模拟噪声特征信号,高保真功放和喇叭用于输出噪声信号。将上述耳塞式传声器、智能手机与调理前端、人工头、专业数据采集系统两两组合在一起进行互换性测试,进行信号特征的提取和对比,获取每一部分的误差。
在误差模型建立时采用感觉舒适度作为对声品质客观评价指标的依据。建立整个频率范围不同频段对于粗糙度、尖锐度、有调度、响度、抖动度5个参数灵敏度模型,同时采用实验数据对模型灵敏度进行自适应修正,使得总体误差模型符合噪声诊断和声品质评估需求。由于智能手机作为终端存在个体差异性,不同品牌手机由于处理器、内存、系统开放开发能力不同导致对于信号处理和分析能力不同。需要根据终端处理能力和计算效率将误差补偿在客户端和终端进行有效合理的分配。客户端内部的数据采集和车内通讯误差一般在智能手机软件中进行补偿,无线传输的误差一般在终端进行补偿。
神经网络拥有强大的非线性运算能力及自适应能力,可使得所建立误差补偿模型不仅具有很好的运算精度,同时保证了模型对于各类工况的自适应性与稳定性。上述声品质客观参量样本集中包含两种不同类别,即5个心理声学参量和突出非稳态特征的最佳树小波熵5维向量,将两类客观声品质参量区分开建立模型,有利于增加模型的精度,为此自定义一种神经网络结构。
自定义神经网络的结构及参数确定如下:
(1)3个神经元层,两个5×1输入向量,一个10×1输出向量;
(2)每一层权值与阈值都通过initnw进行层初始化;
(3)网络训练使用Levenberg-Marquardt回传算法(trainlm);
(4)以均方误差最小(MSE)来实现对期望输出向量的匹配。
经数据验证表明,误差补偿模型后得到的客观声品质参量与标准人工头系统所得的参量相对误差在5%以内,符合一般工程要求。便携式数据采集系统用软件补偿替代了专业测试系统庞大的硬件系统补偿,造价低廉,使用便捷,将极大促进声品质领域的研究。
三、依据便携式数据采集客户端对基于针对性偏好的离线和在线声品质主观评价方法的研究。
多项主观评价方法获得不同评价数据和结果,由于数据之间的差异化和不完全对应性,所以该数学模型采用分层逐步聚类方法建立。将分层分析方法和基于模糊划分的模糊聚类分析法相结合,首先确定评价结果的层次,比如总体感觉是第一层次,那么偏向性感觉是第二层次,对具体工况的评价是第三层次;然后再预先确定好每一层次下待分类的样本应分成几类,然后按优化原则进行再分类,经多次迭代直到分类比较合理为止。根据以上主观评价模型结合客观评价数据采用基于支持向量机的方法建立主客观相结合的声品质评价及预测模型。支持向量机方法是建立在统计学习理论的VC维理论和结构风险小原理基础上的,根据有限的样本信息在模型的复杂性和学习能力之间寻求最佳折中。根据模型假设选定因变量和自变量,将样本归一化。将原始数据分成验证集和训练集采用交叉验证确定惩罚参数和核函数参数,利用佳参数训练,构建预测模型。
声品质的评价标准是声品质主动控制的基础,其目的是需要根据具体需要和研究目的对声音的整体评价制定相应的衡量标准。从模型到标准的发展是建立在利用主观评价实验获得的评价指标结果挖掘深层信息上,采用模糊综合评价法构建整体评价体系,利用获得的综合需求主观评价模型对个体进行评估并结合其它开发目标建立相应的标准。首先建立影响评价对象的各种因素组成的因素集并列出全部评价结果组成的评价集;其次采用主成分分析法确定各指标因素权重;然后按照评价中的特征描述划分不同子集和层级,构成不同层级的评价矩阵;后对于某一款车型、相同类型和区间的车型采用重复性试验进行评价,得到某款车型在同类和所有车型中所处的地位,并采用统计学方法描述评价结果,作为推动声品质主动控制的信息源具有重要作用。
Claims (4)
1.一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统,其主要特征在于研发车内无线互联系统构建与车内噪声诊断和评价相关的实时信息流,传递到终端,并获取能量熵的信号特征以实现噪声在线分析和诊断。
2.如权利要求1所述的噪声在线诊断和声品质评价方法和系统,其主要特征在于基于便携式数据采集客户端,提取声样本的声品质客观参量并建立自适应神经网络补偿模型,建立噪声误差标定体系、评估模型和补偿分配机制;自定义一种神经网络结构,可使得所建立误差补偿模型具有较好的运算精度,同时保证模型对于各类工况的自适应性与稳定性。
3.如权利要求1所述的噪声在线诊断和声品质评价方法和系统,其主要特征在于结合基于针对性偏好的在线和离线声品质主观评价实验和客观评价数据,采用模糊综合评价法构建车内声品质评价的完整体系和标准;采用混合分层映射与神经网络方法建立主观声品质评价与客观评价相融合的数学模型,构建适应客户需求和覆盖主体车型的车内噪声评价标准和体系。
4.如权利要求1所述的噪声在线诊断和声品质评价方法和系统,其主要特征在于便携式数据采集客户端系统,通过误差补偿模型用软件技术补偿替代了专业测试系统(人工头)庞大的硬件系统补偿,造价低廉,使用便捷,将极大促进声品质领域的研究。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759135.4A CN108920854A (zh) | 2018-07-11 | 2018-07-11 | 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810759135.4A CN108920854A (zh) | 2018-07-11 | 2018-07-11 | 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108920854A true CN108920854A (zh) | 2018-11-30 |
Family
ID=64411274
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810759135.4A Pending CN108920854A (zh) | 2018-07-11 | 2018-07-11 | 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108920854A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110610723A (zh) * | 2019-09-20 | 2019-12-24 | 中国第一汽车股份有限公司 | 车内声品质的评价方法、装置、设备及存储介质 |
CN111076244A (zh) * | 2018-10-19 | 2020-04-28 | 宁波方太厨具有限公司 | 一种吸油烟机声音品质诊断方法 |
CN111307274A (zh) * | 2018-12-12 | 2020-06-19 | 现代自动车株式会社 | 基于大数据信息诊断问题噪声源的方法及装置 |
CN112729859A (zh) * | 2020-12-02 | 2021-04-30 | 万向钱潮(上海)汽车系统有限公司 | 一种电子驻车噪声品质评价系统及方法 |
CN113515048A (zh) * | 2021-08-13 | 2021-10-19 | 华中科技大学 | 一种模糊自适应pso-elm声品质预测模型的建立方法 |
CN115512716A (zh) * | 2021-06-23 | 2022-12-23 | 华晨宝马汽车有限公司 | 用于识别车辆异响的方法、设备和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
CN206712850U (zh) * | 2017-05-17 | 2017-12-05 | 德航(天津)智能科技有限公司 | 一种智能噪声监测系统 |
-
2018
- 2018-07-11 CN CN201810759135.4A patent/CN108920854A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103471709A (zh) * | 2013-09-17 | 2013-12-25 | 吉林大学 | 乘用车车内噪声声品质预测方法 |
CN206712850U (zh) * | 2017-05-17 | 2017-12-05 | 德航(天津)智能科技有限公司 | 一种智能噪声监测系统 |
Non-Patent Citations (4)
Title |
---|
姜吉光等: "车内噪声品质偏好性主客观评价及相关性分析", 《汽车技术》 * |
孙利文等: "应用GA-BP神经网络对加速工况车内声品质研究", 《科学技术与工程》 * |
左言言等: "车内声品质主客观评价模型对比分析", 《江苏大学学报(自然科学版)》 * |
易子馗等: "基于BP神经网络的电机噪声在线评价系统", 《噪声与振动控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111076244A (zh) * | 2018-10-19 | 2020-04-28 | 宁波方太厨具有限公司 | 一种吸油烟机声音品质诊断方法 |
CN111307274A (zh) * | 2018-12-12 | 2020-06-19 | 现代自动车株式会社 | 基于大数据信息诊断问题噪声源的方法及装置 |
CN110610723A (zh) * | 2019-09-20 | 2019-12-24 | 中国第一汽车股份有限公司 | 车内声品质的评价方法、装置、设备及存储介质 |
CN110610723B (zh) * | 2019-09-20 | 2022-02-22 | 中国第一汽车股份有限公司 | 车内声品质的评价方法、装置、设备及存储介质 |
CN112729859A (zh) * | 2020-12-02 | 2021-04-30 | 万向钱潮(上海)汽车系统有限公司 | 一种电子驻车噪声品质评价系统及方法 |
CN115512716A (zh) * | 2021-06-23 | 2022-12-23 | 华晨宝马汽车有限公司 | 用于识别车辆异响的方法、设备和系统 |
CN113515048A (zh) * | 2021-08-13 | 2021-10-19 | 华中科技大学 | 一种模糊自适应pso-elm声品质预测模型的建立方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108920854A (zh) | 一种基于无线互联和便携式客户端的噪声在线诊断和声品质评价方法和系统 | |
Ma et al. | Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model | |
CN108663115A (zh) | 一种汽车车内怠速噪声客观量化评价方法 | |
CN103471709A (zh) | 乘用车车内噪声声品质预测方法 | |
CN107664579A (zh) | 变速器齿轮啸叫啮合阶次提取及判定方法 | |
CN109443792A (zh) | 一种汽车匀速行驶声品质的评价方法 | |
US20060200346A1 (en) | Speech quality measurement based on classification estimation | |
CN111951430A (zh) | 一种车辆驾驶性评价方法及其系统 | |
CN112149498A (zh) | 一种面向汽车复杂部件异响的在线智能识别系统及方法 | |
Wang et al. | Nonlinear overall annoyance level modeling and interior sound quality prediction for pure electric vehicle with extreme gradient boosting algorithm | |
CN206671813U (zh) | 纯电动或混合动力汽车行人警示音控制系统 | |
CN113409798A (zh) | 车内含噪语音数据生成方法、装置以及设备 | |
CN115307721A (zh) | 汽车加速声品质评价方法、装置、设备及存储介质 | |
CN111554325A (zh) | 一种嗓音识别方法及系统 | |
CN108871555A (zh) | 一种实现噪声测试和分析的便携式数据采集客户端 | |
CN115618217A (zh) | 一种驱动电机系统声品质客观评价特征提取方法 | |
CN116151460A (zh) | 车辆智能化产品的优化方法、装置、服务器及存储介质 | |
Zhang et al. | Sound quality evaluation of pure electric vehicle with subjective and objective unified evaluation method | |
CN112992182B (zh) | 车辆风噪水平测试系统及其测试方法 | |
Zhang et al. | A Comprehensive Evaluation Model of Electric Bus Interior Acoustic Comfort and Its Application | |
Atamer | Estimation of Electric Shaver Sound Quality using Artificial Neural Networks | |
CN116614757B (zh) | 一种基于深度学习的助听器验配方法及系统 | |
CN114065402B (zh) | 基于hssa-bpnn模型的车辆全态声品质预报方法 | |
JP2001209628A (ja) | パターンマッチング方法 | |
CN114486286B (zh) | 一种车辆关门声品质评价方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20181130 |
|
WD01 | Invention patent application deemed withdrawn after publication |