CN109671441A - 识别语言清晰度频带贡献量的方法 - Google Patents
识别语言清晰度频带贡献量的方法 Download PDFInfo
- Publication number
- CN109671441A CN109671441A CN201811577736.XA CN201811577736A CN109671441A CN 109671441 A CN109671441 A CN 109671441A CN 201811577736 A CN201811577736 A CN 201811577736A CN 109671441 A CN109671441 A CN 109671441A
- Authority
- CN
- China
- Prior art keywords
- frequency band
- vehicle
- speech articulation
- contribution amount
- octave
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 230000006870 function Effects 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000004806 packaging method and process Methods 0.000 abstract description 8
- 239000011358 absorbing material Substances 0.000 abstract description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000013095 identification testing Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L19/00—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis
- G10L19/02—Speech or audio signals analysis-synthesis techniques for redundancy reduction, e.g. in vocoders; Coding or decoding of speech or audio signals, using source filter models or psychoacoustic analysis using spectral analysis, e.g. transform vocoders or subband vocoders
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种识别语言清晰度频带贡献量的方法，包括以下步骤：计算1/3倍频程内的声压级；求取1/3倍频程内的语言清晰度；提取对比车辆语言清晰度差异的主要贡献频带及其贡献量。本发明能够快速获取对比车辆语言清晰度差异的主要贡献频带及其贡献量，为整车声学包装弱点识别输入了精准有效的边界条件，有助于整车声学包装弱点识别试验效率的提升，避免了后续语言清晰度提升效果不明显以及吸声材料冗余等问题。
Description
技术领域
本发明属于汽车NVH性能技术领域，具体涉及一种识别语言清晰度频带贡献量的方法。
背景技术
汽车行业中，语言清晰度(AI，Articulation Index)常用于衡量车内噪声存在时，驾乘者语音交流的清晰程度，主要关注200Hz～6300Hz频段内的噪声能量，是汽车高速行驶时评价车内NVH性能好坏的重要指标之一。AI值越大，驾乘者语音交流的清晰程度越高，车内NVH性能越好。
如图1所示，对比图1中A车和B车的AI值可看出，当车辆以120km/h巡航时，B车的语言清晰度比A车高5.2％。若期望A车在车速以120km/h巡航时的语言清晰度能达到B车的水准，目前整车开发过程中，常直接对A车的整车声学包装进行全频段(500-8000Hz)的弱点识别，未进行A、B两车语言清晰度差异的频带贡献量分析。
全频段内整车声学包装的弱点识别，费时费力。若不确定语言清晰度差异的主要贡献频带，而通过随机选取部分频带弱点识别的结果进行声学包装加强，可能导致整车语言清晰度提升效果不明显。若基于全频段弱点识别的结果进行声学包装加强，可能会导致大量吸声材料的浪费。
因此，有必要开发一种识别语言清晰度频带贡献量的方法。
发明内容
本发明的目的是提供一种识别语言清晰度频带贡献量的方法，能快速获取对比车辆语言清晰度差异的主要贡献频带及其贡献量，为整车声学包装弱点识别输入了精准有效的边界条件，有助于整车声学包装弱点识别试验效率的提升。
本发明所述的识别语言清晰度频带贡献量的方法，包括以下步骤：
计算1/3倍频程内的声压级；
求取1/3倍频程内的语言清晰度；
提取对比车辆语言清晰度差异的主要贡献频带及其贡献量。
进一步，计算1/3倍频程内的声压级，具体为：
基于1/3倍频程，对200Hz～6300Hz频段进行频带划分，划分为16个频带；
计算对比车巡航噪声各频带内的声压级：
SA＝[sAi]T,SB＝[sBi]T (1)
其中，SA为A车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sAi为第i个频带内A车的声压级；SB为B车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sBi为第i个频带内B车的声压级，i＝1,2,...,16。
进一步，求取1/3倍频程内的语言清晰度，具体为：
计算各频带的语言清晰度：
其中，QA为A车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qAi为第i个频带内A车的语言清晰度；QB为B车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qBi为第i个频带内B车的语言清晰度，i＝1,2,...,16；wi为第i个频带内语言清晰度的权重；fi(·)为第i个频带内声压级到语言清晰度的线性映射函数。
进一步，提取对比车辆语言清晰度差异的主要贡献频带及其贡献量，具体为：
计算各频带内语言清晰度差异对对比车辆语言清晰度总差异的贡献量：
其中，G为基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度差异贡献量向量；gi为第i个频带内语言清晰度差异的贡献量；
将G按gi的数值从大到小排序，并获取gi从大到小排序对应的频带序号向量N：
N＝[nj]T,j＝1,2,...,16 (4)
其中：nj为gi对应的频带序号；
再依据设置的贡献量下阙值，提取对比车辆语言清晰度差异的主要贡献频带：
式中，Nz为对比车辆语言清晰度差异的主要贡献频带序号的向量，K为主要贡献频带的个数；σ为贡献量下阙值。
本发明具有以下优点：能够快速获取对比车辆语言清晰度差异的主要贡献频带及其贡献量，为整车声学包装弱点识别输入了精准有效的边界条件，有助于整车声学包装弱点识别试验效率的提升，避免了后续语言清晰度提升效果不明显以及吸声材料冗余等问题。
附图说明
图1为A、B两车的语言清晰度对比图；
图2为本发明中声压级到语言清晰度的线性映射函数图；
图3为本发明中120km/h巡航时，A、B两车各频带内的声压级；
图4为本发明中各频带对A、B两车语言清晰度差异的贡献量。
具体实施方式
下面结合附图对本发明作进一步说明。
本发明所述的识别语言清晰度频带贡献量的方法，包括以下步骤：
(一)计算1/3倍频程内的声压级
首先基于1/3倍频程，对200Hz～6300Hz频段进行频带划分，划分为16个频带，如表1所示。
表1 200Hz～6300Hz内1/3倍频程的频带划分表
然后计算对比车巡航噪声各频带内的声压级，如式1所示。
SA＝[sAi]T,SB＝[sBi]T (1)
式(1)中，SA为A车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sAi为(表1中)第i个频带内A车的声压级；SB为B车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sBi为(表1中)第i个频带内B车的声压级，i＝1,2,...,16。
(二)求取1/3倍频程内的语言清晰度
基于语言清晰度的计算方法，计算表1中各频带的语言清晰度，如式(2)所示。
式(2)中，QA为A车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qAi为(表1中)第i个频带内A车的语言清晰度；QB为B车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qBi为(表1中)第i个频带内B车的语言清晰度，i＝1,2,...,16；wi为第i个频带内语言清晰度的权重；fi(·)为第i个频带内声压级到语言清晰度的线性映射函数；wi和fi(·)均由图2可得。
(三)提取对比车辆语言清晰度差异的主要贡献频带及其贡献量
采用公式(3)计算各频带内语言清晰度差异对对比车辆语言清晰度总差异的贡献量。
式中，G为基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度差异贡献量向量；gi为表1中第i个频带内语言清晰度差异的贡献量。
将G向量按gi的数值从大到小排序，并获取gi从大到小排序对应的频带序号向量N，如式(4)所示。再依据设置的贡献量下阙值，提取对比车辆语言清晰度差异的主要贡献频带，如式(5)所示。
N＝[nj]T,j＝1,2,...,16 (4)
式中，nj为gi对应的频带序号；Nz为对比车辆语言清晰度差异的主要贡献频带序号的向量，K为主要贡献频带的个数；σ为贡献量下阙值。
以下结合实例对本实施例进行说明：
如图1所示，以120km/h巡航时，A、B两车语言清晰度为例，采用上述识别语言清晰度频带贡献量的方法进行分析,以获取相比B车，A车语言清晰度较差的主要贡献频带，其具体实施过程如下。
(1)计算1/3倍频程内的声压级
基于表1划分的频带，算得120km/h巡航时A、B两车各频带内的声压级，如图3所示。
(2)求取1/3倍频程内的语言清晰度
采用式(2)和图2，计算120km/h巡航时A、B两车各频带内的语言清晰度，如表2所示。
表2 120km/h巡航时，A、B两车各频带内的语言清晰度
(3)提取对比车辆语言清晰度差异的主要贡献频带及其贡献量
采用公式(3)算得各频带内语言清晰度差异的贡献量，并从大到小排序，如图4所示。设置贡献量下阙值为90％，即σ＝90％，从图4可看出，A、B两车语言清晰度总差异5.2％中，中心频率为2000Hz、2500Hz、1000Hz和4000Hz的四个频带贡献了91％的语言清晰度差异。
依据上述结论，通过弱点识别方法，识别了A车中心频率为2000Hz、2500Hz、1000Hz和4000Hz四个频带内的整车声学包装弱点，得出四个频带内A车声学包装弱点主要出现在中控台及驾驶员座椅下方。对A车中控台及驾驶员座椅下方进行声学包装加强后，其120km/h巡航的语言清晰度提高了9.3％，上述四个频带内的语言清晰度总和提高了5％，如表2所示，使得高速巡航NVH性能得到了较大的改善。
Claims (4)
1.一种识别语言清晰度频带贡献量的方法，其特征在于，包括以下步骤：
计算1/3倍频程内的声压级；
求取1/3倍频程内的语言清晰度；
提取对比车辆语言清晰度差异的主要贡献频带及其贡献量。
2.根据权利要求1所述的识别语言清晰度频带贡献量的方法，其特征在于：计算1/3倍频程内的声压级，具体为：
基于1/3倍频程，对200Hz～6300Hz频段进行频带划分，划分为16个频带；
计算对比车巡航噪声各频带内的声压级：
SA＝[sAi]T,SB＝[sBi]T (1)
其中，SA为A车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sAi为第i个频带内A车的声压级；SB为B车基于1/3倍频程，200Hz～6300Hz频段内的声压级向量；sBi为第i个频带内B车的声压级，i＝1,2,...,16。
3.根据权利要求1或2所述的识别语言清晰度频带贡献量的方法，其特征在于：求取1/3倍频程内的语言清晰度，具体为：
计算各频带的语言清晰度：
其中，QA为A车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qAi为第i个频带内A车的语言清晰度；QB为B车基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度向量；qBi为第i个频带内B车的语言清晰度，i＝1,2,...,16；wi为第i个频带内语言清晰度的权重；fi(·)为第i个频带内声压级到语言清晰度的线性映射函数。
4.根据权利要求3所述的识别语言清晰度频带贡献量的方法，其特征在于：提取对比车辆语言清晰度差异的主要贡献频带及其贡献量，具体为：
计算各频带内语言清晰度差异对对比车辆语言清晰度总差异的贡献量：
其中，G为基于1/3倍频程，200Hz～6300Hz频段内的语言清晰度差异贡献量向量；gi为第i个频带内语言清晰度差异的贡献量；
将G按gi的数值从大到小排序，并获取gi从大到小排序对应的频带序号向量N：
N＝[nj]T，j＝1，2，..， (4)
其中：nj为gi对应的频带序号；
再依据设置的贡献量下阙值，提取对比车辆语言清晰度差异的主要贡献频带：
其中，Nz为对比车辆语言清晰度差异的主要贡献频带序号的向量，K为主要贡献频带的个数；σ为贡献量下阙值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811577736.XA CN109671441B (zh) | 2018-12-20 | 2018-12-20 | 识别语言清晰度频带贡献量的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811577736.XA CN109671441B (zh) | 2018-12-20 | 2018-12-20 | 识别语言清晰度频带贡献量的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109671441A true CN109671441A (zh) | 2019-04-23 |
| CN109671441B CN109671441B (zh) | 2022-11-04 |
Family
ID=66147072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811577736.XA Active CN109671441B (zh) | 2018-12-20 | 2018-12-20 | 识别语言清晰度频带贡献量的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109671441B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956979A (zh) * | 2019-10-22 | 2020-04-03 | 浙江合众新能源汽车有限公司 | 一种基于matlab的车内语言清晰度自动计算方法 |
| CN113823302A (zh) * | 2020-06-19 | 2021-12-21 | 北京新能源汽车股份有限公司 | 一种语言清晰度的优化方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102494754A (zh) * | 2011-12-20 | 2012-06-13 | 重庆长安汽车股份有限公司 | 一种基于阶次离散的车内噪声源贡献量快速识别方法 |
| CN102589680A (zh) * | 2012-02-29 | 2012-07-18 | 重庆长安汽车股份有限公司 | 一种用语言清晰度定量评价传动系统敲击噪声的方法 |
| CN107123427A (zh) * | 2016-02-21 | 2017-09-01 | 珠海格力电器股份有限公司 | 一种确定噪声声品质的方法及装置 |
| CN108132159A (zh) * | 2017-12-23 | 2018-06-08 | 奇瑞汽车股份有限公司 | 汽车车身钣金对车内驾乘位置的噪音贡献识别系统及方法 |
| CN108267321A (zh) * | 2016-12-30 | 2018-07-10 | 华晨汽车集团控股有限公司 | 一种汽车声学包装吸隔声性能的测试与评价方法 |
| CN108846147A (zh) * | 2018-04-16 | 2018-11-20 | 清华大学苏州汽车研究院（相城） | 一种车辆工作时各振动激励系统贡献量计算分析方法 |
-
2018
- 2018-12-20 CN CN201811577736.XA patent/CN109671441B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102494754A (zh) * | 2011-12-20 | 2012-06-13 | 重庆长安汽车股份有限公司 | 一种基于阶次离散的车内噪声源贡献量快速识别方法 |
| CN102589680A (zh) * | 2012-02-29 | 2012-07-18 | 重庆长安汽车股份有限公司 | 一种用语言清晰度定量评价传动系统敲击噪声的方法 |
| CN107123427A (zh) * | 2016-02-21 | 2017-09-01 | 珠海格力电器股份有限公司 | 一种确定噪声声品质的方法及装置 |
| CN108267321A (zh) * | 2016-12-30 | 2018-07-10 | 华晨汽车集团控股有限公司 | 一种汽车声学包装吸隔声性能的测试与评价方法 |
| CN108132159A (zh) * | 2017-12-23 | 2018-06-08 | 奇瑞汽车股份有限公司 | 汽车车身钣金对车内驾乘位置的噪音贡献识别系统及方法 |
| CN108846147A (zh) * | 2018-04-16 | 2018-11-20 | 清华大学苏州汽车研究院（相城） | 一种车辆工作时各振动激励系统贡献量计算分析方法 |
Non-Patent Citations (3)
| Title |
|---|
| 孔传旭等: "主观评价声品质参数的计算", 《汽车工程师》 * |
| 彭健新等: "扩声系统对小学教室汉语语言清晰度的影响", 《华南理工大学学报(自然科学版)》 * |
| 赵静等: "车身板件振动声学贡献分析与优化", 《机械工程学报》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956979A (zh) * | 2019-10-22 | 2020-04-03 | 浙江合众新能源汽车有限公司 | 一种基于matlab的车内语言清晰度自动计算方法 |
| CN113823302A (zh) * | 2020-06-19 | 2021-12-21 | 北京新能源汽车股份有限公司 | 一种语言清晰度的优化方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109671441B (zh) | 2022-11-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105275833B (zh) | 一种基于CEEMD-STFT时频信息熵和multi-SVM的离心泵故障诊断方法 | |
| CN109443792A (zh) | 一种汽车匀速行驶声品质的评价方法 | |
| RU2607917C2 (ru) | Способ и устройство для определения состояния поверхности дороги | |
| AU2016200487B2 (en) | Method for detecting abnormal sound and method for judging abnormality in structure by use of detected value thereof, and method for detecting similarity between oscillation waves and method for recognizing voice by use of detected value thereof | |
| CN108595414B (zh) | 基于源汇空间变量推理的土壤重金属企业污染源识别方法 | |
| CN107144428A (zh) | 一种基于故障诊断的轨道交通车辆轴承剩余寿命预测方法 | |
| CN109671441A (zh) | 识别语言清晰度频带贡献量的方法 | |
| CN101672690A (zh) | 基于听觉模型的车内噪声烦躁度客观量化评价方法 | |
| CN106706558B (zh) | 一种剔除校正集异常样本的方法 | |
| CN112067117B (zh) | 一种汽车风噪声性能评价方法 | |
| JP6098664B2 (ja) | せん断縁の成形可否評価方法 | |
| CN104688252A (zh) | 采用方向盘转角信息的驾驶人疲劳状态检测方法 | |
| CN109030014A (zh) | 车辆加速时对车内噪声主观评分的预测方法 | |
| CN103578480B (zh) | 负面情绪检测中的基于上下文修正的语音情感识别方法 | |
| CN112131662A (zh) | 一种乘用车风噪主观评价客观量化方法 | |
| CN110987866A (zh) | 一种汽油性质评价方法及装置 | |
| CN106021639A (zh) | 基于cae仿真分析结果的受损零件损伤判断和分类方法及维修工时预估方法 | |
| CN106203520A (zh) | 基于深度相关向量机的sar图像分类方法 | |
| CN105930602A (zh) | 一种基于最优加权小波包熵的颤振检测方法 | |
| CN111047142B (zh) | 一种基于层次分析法的汽车评分方法及系统 | |
| CN109940462B (zh) | 铣刀切削振动变化特性的检测与高斯过程模型构建方法 | |
| CN106057211A (zh) | 一种信号匹配方法及装置 | |
| DE102005059390A1 (de) | Spracherkennung im Kraftfahrzeug | |
| CN110631905B (zh) | 一种汽车车身常用材料的归一化处理方法及处理系统 | |
| CN114993434A (zh) | 一种基于声信号的emd能量熵的车重识别系统和方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |