CN116347318A - 一种音响的智能生产测试方法及系统 - Google Patents
一种音响的智能生产测试方法及系统 Download PDFInfo
- Publication number
- CN116347318A CN116347318A CN202310609707.1A CN202310609707A CN116347318A CN 116347318 A CN116347318 A CN 116347318A CN 202310609707 A CN202310609707 A CN 202310609707A CN 116347318 A CN116347318 A CN 116347318A
- Authority
- CN
- China
- Prior art keywords
- sound
- acoustic
- production
- application
- 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.)
- Granted
Links
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 205
- 238000010998 test method Methods 0.000 title claims abstract description 10
- 238000001514 detection method Methods 0.000 claims abstract description 206
- 238000012360 testing method Methods 0.000 claims abstract description 40
- 230000000694 effects Effects 0.000 claims abstract description 21
- 238000013139 quantization Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 17
- 238000000034 method Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims description 43
- 238000011156 evaluation Methods 0.000 claims description 20
- 238000012549 training Methods 0.000 claims description 18
- 238000004590 computer program Methods 0.000 claims description 13
- 238000009826 distribution Methods 0.000 claims description 13
- 230000004044 response Effects 0.000 claims description 11
- 230000004927 fusion Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000002156 mixing Methods 0.000 claims description 7
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 230000002068 genetic effect Effects 0.000 claims description 5
- 238000007418 data mining Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 4
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims 1
- 238000011056 performance test Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000030808 detection of mechanical stimulus involved in sensory perception of sound Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04R—LOUDSPEAKERS, MICROPHONES, GRAMOPHONE PICK-UPS OR LIKE ACOUSTIC ELECTROMECHANICAL TRANSDUCERS; DEAF-AID SETS; PUBLIC ADDRESS SYSTEMS
- H04R29/00—Monitoring arrangements; Testing arrangements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及音响测试技术领域,提供一种音响的智能生产测试方法及系统。所述方法包括:按照音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;基于应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;基于音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;获得音响结构参数‑生产质量空间,并根据所述音响结构参数‑生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。采用本方法能够达到实现音响性能测试智能化和精准性检测,提高性能质量测试准确性,进而及时优化音响生产参数,保证音响生产质量的技术效果。
Description
技术领域
本申请涉及音响测试技术领域,特别是涉及一种音响的智能生产测试方法及系统。
背景技术
音响是音响系统的简称,是一整套可以还原播放音频信号的设备,随着社会的进步和科技的发展,音响系统也随着之不断改进和完善,大到满足上万人演唱会现场扩声需求,小到满足个人家庭弹奏乐器、K歌的需要。音响广泛应用于体育馆、多功能厅、影院、报告厅以及汽车、多媒体中,为保证音响应用效果,对音响进行性能测试至关重要。然而,现有技术存在音响性能测试智能化程度不高,测试准确性低,进而导致音响生产质量不达标的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种能够实现音响性能测试智能化和精准性检测,提高性能质量测试准确性,进而及时优化音响生产参数,保证音响生产质量的一种音响的智能生产测试方法及系统。
一种音响的智能生产测试方法,所述方法包括:根据音响应用需求进行应用要素提取,获得应用场景参数信息;获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
一种音响的智能生产测试系统,所述系统包括:应用要素提取模块,用于根据音响应用需求进行应用要素提取,获得应用场景参数信息;应用指标获得模块,用于获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;标准量化模块,用于按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;模拟测试模块,用于基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;音响质量检测模块,用于构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;音响生产参数优化模块,用于获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现以下步骤:
根据音响应用需求进行应用要素提取,获得应用场景参数信息;
获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
根据音响应用需求进行应用要素提取,获得应用场景参数信息;
获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
上述一种音响的智能生产测试方法及系统,解决了现有技术音响性能测试智能化程度不高,测试准确性低,进而导致音响生产质量不达标的技术问题,达到了通过构建音响质量检测自适应分类器对音响性能检测数据流进行分析,实现音响性能测试智能化和精准性检测,提高性能质量测试准确性,进而及时优化音响生产参数,保证音响生产质量的技术效果。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
图1为一个实施例中一种音响的智能生产测试方法的流程示意图;
图2为一个实施例中一种音响的智能生产测试方法中构建音响质量检测自适应分类器的流程示意图;
图3为一个实施例中一种音响的智能生产测试系统的结构框图;
图4为一个实施例中计算机设备的内部结构图。
附图标记说明:应用要素提取模块11,应用指标获得模块12,标准量化模块13,模拟测试模块14,音响质量检测模块15,音响生产参数优化模块16。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
如图1所示,本申请提供了一种音响的智能生产测试方法,所述方法包括:
步骤S100:根据音响应用需求进行应用要素提取,获得应用场景参数信息;
步骤S200:获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
具体而言,音响是音响系统的简称,是一整套可以还原播放音频信号的设备,随着社会的进步和科技的发展,音响系统也随着之不断改进和完善,大到满足上万人演唱会现场扩声需求,小到满足个人家庭弹奏乐器、K歌的需要。音响广泛应用于体育馆、多功能厅、影院、报告厅以及汽车、多媒体中,为保证音响应用效果,对音响进行性能测试至关重要。
为保证音响应用效果,根据音响应用需求进行应用要素提取,即根据用户对音响的应用需求进行应用场景参数提取,示例性的,对应用于报告厅的音响对其传播方向、传播距离等参数有应用需求,以此获得应用场景参数信息。再制定获得音响性能应用指标,所述音响性能应用指标用于评价音响实际应用效果,包括频响范围、音响音效、传播指向性、失真度、信噪比等指标。
步骤S300:按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
步骤S400:基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
具体而言,按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,即满足所述应用场景参数时所对应的所述音响性能应用指标的具体应用阈值数值,可通过行业规定标准或音响应用技术经验进行确定,获得各应用指标数值化的音响生产质量标准。基于所述应用场景参数信息对待检测音响进行模拟测试,即使用所述应用场景参数信息对当前生产的音响设备进行多维测试,在该场景参数内对音响进行音效、传播效果、失真情况等技术性测试,检测获得音响性能检测数据流,为后续音响质量检测提供测试数据基础。
步骤S500:构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
在一个实施例中,如图2所示,所述构建音响质量检测自适应分类器,本申请步骤S500还包括:
步骤S510:通过数据挖掘技术获取音响历史性能检测数据集,所述音响历史性能检测数据集包括历史音响性能检测数据流和历史音响生产质量标准;
步骤S520:按照所述音响性能应用指标对所述音响历史性能检测数据集进行分类,获得音响性能应用属性信息;
步骤S530:将所述音响历史性能检测数据集按照所述音响性能应用属性信息进行整合,获得音响分类检测样本数据集;
步骤S540:基于所述音响分类检测样本数据集进行训练,获得音响质量检测分支模型集合;
在一个实施例中,所述获得音响质量检测分支模型集合,本申请步骤S540还包括:
步骤S541:对所述音响分类检测样本数据集分别进行均匀分布权重层训练,得到基础质量检测分支模型集合;
步骤S542:获取所述基础质量检测分支模型集合的模型输出结果,所述模型输出结果包括音响质量检测结果集合;
步骤S543:验证所述音响质量检测结果集合,获得模型检测误差率信息;
步骤S544:基于所述模型检测误差率信息,更新所述音响分类检测样本数据集的权值分布,用于进行下一轮迭代,获得所述音响质量检测分支模型集合。
在一个实施例中,所述更新所述音响分类检测样本数据集的权值分布,本申请步骤S544还包括:
步骤S5441:对所述音响性能应用属性信息中的各应用属性进行需求性评价,获取应用属性需求性系数;
在一个实施例中,所述获取应用属性需求性系数,本申请步骤S5441还包括:
步骤S54411:制定应用属性赋权规则;
步骤S54412:音响专家参与方基于所述应用属性赋权规则对所述音响性能应用属性信息中的各应用属性进行权重评价,获得应用属性权重评价信息集合;
步骤S54413:对所述音响专家参与方进行信任度标记,获得专家信任度系数;
步骤S54414:将所述应用属性权重评价信息集合和所述专家信任度系数进行串联融合,获得所述应用属性需求性系数。
具体而言,构建音响质量检测自适应分类器,所述音响质量检测自适应分类器为音响质量数据检测自适应模型,检测精准性高、数据处理速率快。其构建过程为首先通过数据挖掘技术获取音响历史性能检测数据集,所述音响历史性能检测数据集包括历史音响性能检测数据流和历史音响生产质量标准。按照所述音响性能应用指标对所述音响历史性能检测数据集进行分类,即对其进行数据属性标记,获得音响性能应用属性信息,例如音响音效属性检测数据、传播指向性属性检测数据、失真度属性检测数据等。将所述音响历史性能检测数据集按照所述音响性能应用属性信息进行整合,即将相同音响性能应用属性的历史性能检测数据归为一类,整合获得音响分类检测样本数据集。
基于所述音响分类检测样本数据集进行训练,具体为对所述音响分类检测样本数据集分别进行均匀分布权重层训练,即所述音响分类检测样本数据集的初始权重相同,每组模型训练数据中的样本数据权重都是均等分,使用模型训练数据训练神经网络模型,得到相应训练的基础质量检测分支模型集合,即弱质量检测分支模型,模型检测准确率较低。对所述基础质量检测分支模型集合中的各分支模型进行验证,获取所述基础质量检测分支模型集合的各模型输出结果,所述模型输出结果包括音响质量检测结果集合,再计算模型输出检测结果的误差率,以此获得相应的各模型检测误差率信息。基于所述模型检测误差率信息,更新所述音响分类检测样本数据集的权值分布,以提高前一轮弱检测模型错误分类的样本的权值,降低被正确分类的样本的权值。
权值更新过程为对所述音响性能应用属性信息中的各应用属性进行需求性评价,即评价各应用属性重要程度等级,首先制定应用属性赋权规则,所述应用属性赋权规则为对各应用属性进行权重分配的依据,包括赋权数值范围、赋权指标等,可依据实际应用情况自行设定。多个音响专家参与方基于所述应用属性赋权规则对所述音响性能应用属性信息中的各应用属性进行权重评价,获得各专家评价所得的应用属性权重评价信息集合。再对所述音响专家参与方进行信任度标记,即对各专家可信任程度进行标记,其专业性越强,相应的信任度也就越高,按照其专业强度确定专家信任度系数。将所述应用属性权重评价信息集合和所述专家信任度系数进行串联融合,即根据专家信任度系数进行应用属性权重加权融合,计算获得应用属性需求性系数,提高应用属性评价准确性,进而提高后续模型训练准确性。
步骤S5442:根据所述应用属性需求性系数对所述模型检测误差率信息进行参数交融,获取所述基础质量检测分支模型集合的模型关键性参数集合;
步骤S5443:以所述模型关键性参数集合更新所述音响分类检测样本数据集的权值分布。
步骤S550:将所述音响质量检测分支模型集合中的各分支模型进行融合,生成所述音响质量检测自适应分类器。
具体而言,根据所述应用属性需求性系数对所述模型检测误差率信息进行参数交融,其中,所述参数交融函数具体优选为,其中,/>标识各基础质量检测分支模型的更新关键性参数,/>标识各基础质量检测分支模型检测误差率,/>标识应用属性需求性系数,/>随着/>的减小而增大,计算获取参数交融后的所述基础质量检测分支模型集合的模型关键性参数集合。以所述模型关键性参数集合更新所述音响分类检测样本数据集的权值分布,以提高弱检测模型的训练输出准确率,模型训练数据的权值更新函数为/>,其中,/>表明模型训练数据的更新后权值,/>表明第N个检测模型的第i个样本的权值,/>为第N个检测模型对第i个样本的预测值,/>为第i个样本的正确输出值,即对于分类失败的训练数据个体赋予较大权重,下一次迭代运算时更加关注这些训练个体,使得前一个弱检测模型分错的样本权值会得到加强,以用于进行下一轮迭代。
一直迭代直到达到预定的错误率或达到指定的最大迭代次数,训练获得音响质量检测分支模型集合。将所述音响质量检测分支模型集合中的各分支模型进行融合,其中,各分支模型的融合系数为模型关键性参数,加大分类误差率小且重要性大的弱检测模型的权值,使其在表决中起较大的作用;减小分类误差率大且重要性小的检测模型的权值,使其在表决中起较小的作用,加权融合生成音响质量检测自适应分类器,即各弱检测模型组成的强音响质量检测模型,提高音响性能质量检测精确性。
步骤S600:获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
在一个实施例中,所述根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化,本申请步骤S600还包括:
步骤S610:根据所述音响生产质量检测结果,获得目标音响质量优化信息;
步骤S620:将所述目标音响质量优化信息映射至所述音响结构参数-生产质量空间进行匹配,获得音响优化结构参数类型;
步骤S630:根据所述音响优化结构参数类型,获取音响生产参数取值阈值;
步骤S640:基于所述目标音响质量优化信息在所述音响生产参数取值阈值中进行遍历预测,获得音响生产优化参数。
在一个实施例中,所述获得音响生产优化参数,本申请步骤S640还包括:
步骤S641:从所述音响生产参数取值阈值中随机抽取N个音响生产参数;
步骤S642:基于遗传算法对所述N个音响生产参数进行计算,获得N个预测生产质量曲线;
步骤S643:根据所述目标音响质量优化信息获得目标生产质量曲线,将所述N个预测生产质量曲线和所述目标生产质量曲线进行对比,获得音响生产优化参数,其中,所述音响生产优化参数对应的预测生产质量曲线与所述目标生产质量曲线的相似度最大。
具体而言,根据音响生产结构参数与生产性能质量的对应关系构建音响结构参数-生产质量空间,示例性的,音响的音质效果与音响扬声器、喇叭材质、音圈类型等结构部件相关。根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化,具体为根据所述音响生产质量检测结果,获取目标音响质量优化信息,即筛选质量检测结果中不达标的音响性能类型及检测差值。将所述目标音响质量优化信息映射至所述音响结构参数-生产质量空间进行匹配,获得需要优化的不达标性能所对应的音响优化结构参数类型,即需要优化的相关音响结构部件类型。
根据所述音响优化结构参数类型,获取与该结构参数类型对应的生产要求内的音响生产参数取值阈值,例如结构型号、规格、材料等历史参数取值阈值。基于所述目标音响质量优化信息在所述音响生产参数取值阈值中进行遍历预测,首先从所述音响生产参数取值阈值中随机抽取N个音响生产参数。基于遗传算法对所述N个音响生产参数进行计算,通过历史数据经验计算各生产参数值对应的预测生产质量曲线,获得N个预测生产质量曲线,且所述N个预测生产质量曲线与所述N个音响生产参数唯一对应。遗传算法的本质是在解空间中不断进行随机搜索,在搜索过程中不断地产生新的解,并保留更优解的算法,其实现难度较低,并且能够在短时间内获得较为满意的结果。
根据所述目标音响质量优化信息获得目标生产质量曲线,所述目标生产质量曲线是在满足生产应用质量标准下的生产质量曲线,是生产质量达标最优状态。将系统预测得到的所述N个预测生产质量曲线和所述目标生产质量曲线进行对比,获得满足系统预设相似度要求且相似度最大的音响生产优化参数,其中,所述音响生产优化参数对应的预测生产质量曲线与所述目标生产质量曲线的相似度最大。并根据音响生产优化参数对音响生产参数进行调整生产,提高系统预测准确性、有效性,进而及时优化音响生产参数,保证音响生产质量。
在一个实施例中,如图3所示,提供了一种音响的智能生产测试系统,包括:应用要素提取模块11,应用指标获得模块12,标准量化模块13,模拟测试模块14,音响质量检测模块15,音响生产参数优化模块16,其中:
应用要素提取模块11,用于根据音响应用需求进行应用要素提取,获得应用场景参数信息;
应用指标获得模块12,用于获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
标准量化模块13,用于按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
模拟测试模块14,用于基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
音响质量检测模块15,用于构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
音响生产参数优化模块16,用于获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
在一个实施例中,所述系统还包括:
检测数据集获取单元,用于通过数据挖掘技术获取音响历史性能检测数据集,所述音响历史性能检测数据集包括历史音响性能检测数据流和历史音响生产质量标准;
数据集分类单元,用于按照所述音响性能应用指标对所述音响历史性能检测数据集进行分类,获得音响性能应用属性信息;
属性信息整合单元,用于将所述音响历史性能检测数据集按照所述音响性能应用属性信息进行整合,获得音响分类检测样本数据集;
分支模型训练单元,用于基于所述音响分类检测样本数据集进行训练,获得音响质量检测分支模型集合;
自适应分类器生成单元,用于将所述音响质量检测分支模型集合中的各分支模型进行融合,生成所述音响质量检测自适应分类器。
在一个实施例中,所述系统还包括:
权重层训练单元,用于对所述音响分类检测样本数据集分别进行均匀分布权重层训练,得到基础质量检测分支模型集合;
模型输出结果获取单元,用于获取所述基础质量检测分支模型集合的模型输出结果,所述模型输出结果包括音响质量检测结果集合;
检测结果验证单元,用于验证所述音响质量检测结果集合,获得模型检测误差率信息;
分支模型集合获得单元,用于基于所述模型检测误差率信息,更新所述音响分类检测样本数据集的权值分布,用于进行下一轮迭代,获得所述音响质量检测分支模型集合。
在一个实施例中,所述系统还包括:
需求性评价单元,用于对所述音响性能应用属性信息中的各应用属性进行需求性评价,获取应用属性需求性系数;
参数交融单元,用于根据所述应用属性需求性系数对所述模型检测误差率信息进行参数交融,获取所述基础质量检测分支模型集合的模型关键性参数集合;
权值分布更新单元,用于以所述模型关键性参数集合更新所述音响分类检测样本数据集的权值分布。
在一个实施例中,所述系统还包括:
赋权规则制定单元,用于制定应用属性赋权规则;
权值评价单元,用于音响专家参与方基于所述应用属性赋权规则对所述音响性能应用属性信息中的各应用属性进行权重评价,获得应用属性权重评价信息集合;
信任度标记单元,用于对所述音响专家参与方进行信任度标记,获得专家信任度系数;
系数串联融合单元,用于将所述应用属性权重评价信息集合和所述专家信任度系数进行串联融合,获得所述应用属性需求性系数。
在一个实施例中,所述系统还包括:
优化信息获取单元,用于根据所述音响生产质量检测结果,获得目标音响质量优化信息;
质量空间匹配单元,用于将所述目标音响质量优化信息映射至所述音响结构参数-生产质量空间进行匹配,获得音响优化结构参数类型;
参数取值阈值获取单元,用于根据所述音响优化结构参数类型,获取音响生产参数取值阈值;
参数遍历预测单元,用于基于所述目标音响质量优化信息在所述音响生产参数取值阈值中进行遍历预测,获得音响生产优化参数。
在一个实施例中,所述系统还包括:
参数随机选取单元,用于从所述音响生产参数取值阈值中随机抽取N个音响生产参数;
质量计算预测单元,用于基于遗传算法对所述N个音响生产参数进行计算,获得N个预测生产质量曲线;
音响生产优化参数获得单元,用于根据所述目标音响质量优化信息获得目标生产质量曲线,将所述N个预测生产质量曲线和所述目标生产质量曲线进行对比,获得音响生产优化参数,其中,所述音响生产优化参数对应的预测生产质量曲线与所述目标生产质量曲线的相似度最大。
关于一种音响的智能生产测试系统的具体实施例可以参见上文中对于一种音响的智能生产测试方法的实施例,在此不再赘述。上述一种音响的智能生产测试装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储新闻数据以及时间衰减因子等数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种音响的智能生产测试方法。
本领域技术人员可以理解,图4中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:根据音响应用需求进行应用要素提取,获得应用场景参数信息;获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:根据音响应用需求进行应用要素提取,获得应用场景参数信息;获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种音响的智能生产测试方法,其特征在于,所述方法包括:
根据音响应用需求进行应用要素提取,获得应用场景参数信息;
获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
2.如权利要求1所述的方法,其特征在于,所述构建音响质量检测自适应分类器,包括:
通过数据挖掘技术获取音响历史性能检测数据集,所述音响历史性能检测数据集包括历史音响性能检测数据流和历史音响生产质量标准;
按照所述音响性能应用指标对所述音响历史性能检测数据集进行分类,获得音响性能应用属性信息;
将所述音响历史性能检测数据集按照所述音响性能应用属性信息进行整合,获得音响分类检测样本数据集;
基于所述音响分类检测样本数据集进行训练,获得音响质量检测分支模型集合;
将所述音响质量检测分支模型集合中的各分支模型进行融合,生成所述音响质量检测自适应分类器。
3.如权利要求2所述的方法,其特征在于,所述获得音响质量检测分支模型集合,包括:
对所述音响分类检测样本数据集分别进行均匀分布权重层训练,得到基础质量检测分支模型集合;
获取所述基础质量检测分支模型集合的模型输出结果,所述模型输出结果包括音响质量检测结果集合;
验证所述音响质量检测结果集合,获得模型检测误差率信息;
基于所述模型检测误差率信息,更新所述音响分类检测样本数据集的权值分布,用于进行下一轮迭代,获得所述音响质量检测分支模型集合。
4.如权利要求3所述的方法,其特征在于,所述更新所述音响分类检测样本数据集的权值分布,包括:
对所述音响性能应用属性信息中的各应用属性进行需求性评价,获取应用属性需求性系数;
根据所述应用属性需求性系数对所述模型检测误差率信息进行参数交融,获取所述基础质量检测分支模型集合的模型关键性参数集合;
以所述模型关键性参数集合更新所述音响分类检测样本数据集的权值分布。
5.如权利要求4所述的方法,其特征在于,所述获取应用属性需求性系数,包括:
制定应用属性赋权规则;
音响专家参与方基于所述应用属性赋权规则对所述音响性能应用属性信息中的各应用属性进行权重评价,获得应用属性权重评价信息集合;
对所述音响专家参与方进行信任度标记,获得专家信任度系数;
将所述应用属性权重评价信息集合和所述专家信任度系数进行串联融合,获得所述应用属性需求性系数。
6.如权利要求1所述的方法,其特征在于,所述根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化,包括:
根据所述音响生产质量检测结果,获得目标音响质量优化信息;
将所述目标音响质量优化信息映射至所述音响结构参数-生产质量空间进行匹配,获得音响优化结构参数类型;
根据所述音响优化结构参数类型,获取音响生产参数取值阈值;
基于所述目标音响质量优化信息在所述音响生产参数取值阈值中进行遍历预测,获得音响生产优化参数。
7.如权利要求6所述的方法,其特征在于,所述获得音响生产优化参数,包括:
从所述音响生产参数取值阈值中随机抽取N个音响生产参数;
基于遗传算法对所述N个音响生产参数进行计算,获得N个预测生产质量曲线;
根据所述目标音响质量优化信息获得目标生产质量曲线,将所述N个预测生产质量曲线和所述目标生产质量曲线进行对比,获得音响生产优化参数,其中,所述音响生产优化参数对应的预测生产质量曲线与所述目标生产质量曲线的相似度最大。
8.一种音响的智能生产测试系统,其特征在于,所述系统包括:
应用要素提取模块,用于根据音响应用需求进行应用要素提取,获得应用场景参数信息;
应用指标获得模块,用于获得音响性能应用指标,所述音响性能应用指标包括频响范围、音响音效、传播指向性、失真度、信噪比;
标准量化模块,用于按照所述音响性能应用指标对所述应用场景参数信息进行标准量化,获得音响生产质量标准;
模拟测试模块,用于基于所述应用场景参数信息对待检测音响进行模拟测试,获得音响性能检测数据流;
音响质量检测模块,用于构建音响质量检测自适应分类器,基于所述音响质量检测自适应分类器对所述音响生产质量标准和所述音响性能检测数据流进行分析,获得音响生产质量检测结果;
音响生产参数优化模块,用于获得音响结构参数-生产质量空间,并根据所述音响结构参数-生产质量空间和所述音响生产质量检测结果进行音响生产参数优化。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609707.1A CN116347318B (zh) | 2023-05-29 | 2023-05-29 | 一种音响的智能生产测试方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310609707.1A CN116347318B (zh) | 2023-05-29 | 2023-05-29 | 一种音响的智能生产测试方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116347318A true CN116347318A (zh) | 2023-06-27 |
CN116347318B CN116347318B (zh) | 2023-08-22 |
Family
ID=86886203
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310609707.1A Active CN116347318B (zh) | 2023-05-29 | 2023-05-29 | 一种音响的智能生产测试方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116347318B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
CN117011293A (zh) * | 2023-09-28 | 2023-11-07 | 山洋自动化设备(苏州)有限公司 | 一种产品包装质量检测方法及系统 |
CN117035697A (zh) * | 2023-10-09 | 2023-11-10 | 天津云起技术有限公司 | 基于历史动态分析的itsm平台优化方法及系统 |
CN117113853A (zh) * | 2023-09-22 | 2023-11-24 | 德耐尔能源装备有限公司 | 一种提高活塞机运行稳定性的方法及系统 |
CN117235606A (zh) * | 2023-11-10 | 2023-12-15 | 张家港广大特材股份有限公司 | 特种不锈钢的生产质量管理方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160366529A1 (en) * | 2015-06-15 | 2016-12-15 | Harman International Industries, Inc. | Estimating parameter values for a lumped parameter model of a loudspeaker |
KR101764274B1 (ko) * | 2017-05-04 | 2017-08-07 | 이기만 | 인공신경망을 이용한 자동음향조율장치 |
CN109729482A (zh) * | 2017-10-27 | 2019-05-07 | 帕拉贡有限股份两合公司 | 设计和制造在车辆内部使用的音响设备的扬声器的方法 |
CN110446150A (zh) * | 2019-08-07 | 2019-11-12 | 厦门市思芯微科技有限公司 | 一种智能Wi-Fi音箱自动化生产测试系统及方法 |
KR102393176B1 (ko) * | 2021-08-03 | 2022-04-29 | 유영재 | 최적의 음향 설정장치 및 그 방법 |
KR102459471B1 (ko) * | 2022-02-07 | 2022-10-26 | 주식회사 오씨모바일 | 음향 데이터 분석 기반 중고차 ai 성능점검 시스템과 그 처리방법 |
WO2023016032A1 (zh) * | 2021-08-12 | 2023-02-16 | 北京荣耀终端有限公司 | 一种视频处理方法及电子设备 |
CN115955645A (zh) * | 2022-12-28 | 2023-04-11 | 安徽井利电子有限公司 | 一种在线测试扬声器性能的系统 |
-
2023
- 2023-05-29 CN CN202310609707.1A patent/CN116347318B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160366529A1 (en) * | 2015-06-15 | 2016-12-15 | Harman International Industries, Inc. | Estimating parameter values for a lumped parameter model of a loudspeaker |
KR101764274B1 (ko) * | 2017-05-04 | 2017-08-07 | 이기만 | 인공신경망을 이용한 자동음향조율장치 |
CN109729482A (zh) * | 2017-10-27 | 2019-05-07 | 帕拉贡有限股份两合公司 | 设计和制造在车辆内部使用的音响设备的扬声器的方法 |
CN110446150A (zh) * | 2019-08-07 | 2019-11-12 | 厦门市思芯微科技有限公司 | 一种智能Wi-Fi音箱自动化生产测试系统及方法 |
KR102393176B1 (ko) * | 2021-08-03 | 2022-04-29 | 유영재 | 최적의 음향 설정장치 및 그 방법 |
WO2023016032A1 (zh) * | 2021-08-12 | 2023-02-16 | 北京荣耀终端有限公司 | 一种视频处理方法及电子设备 |
KR102459471B1 (ko) * | 2022-02-07 | 2022-10-26 | 주식회사 오씨모바일 | 음향 데이터 분석 기반 중고차 ai 성능점검 시스템과 그 처리방법 |
CN115955645A (zh) * | 2022-12-28 | 2023-04-11 | 安徽井利电子有限公司 | 一种在线测试扬声器性能的系统 |
Non-Patent Citations (2)
Title |
---|
张善权;: "扬声器性能常见测试误差原因分析与改进", 电声技术, no. 08 * |
谭华远;: "矿用音箱生产一致性检测方法", 煤矿机械, no. 09 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116520755A (zh) * | 2023-06-29 | 2023-08-01 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
CN116520755B (zh) * | 2023-06-29 | 2023-09-26 | 深圳东原电子有限公司 | 一种音响的自动化产线监测预警方法及系统 |
CN117113853A (zh) * | 2023-09-22 | 2023-11-24 | 德耐尔能源装备有限公司 | 一种提高活塞机运行稳定性的方法及系统 |
CN117113853B (zh) * | 2023-09-22 | 2024-04-02 | 德耐尔能源装备有限公司 | 一种提高活塞机运行稳定性的方法及系统 |
CN117011293A (zh) * | 2023-09-28 | 2023-11-07 | 山洋自动化设备(苏州)有限公司 | 一种产品包装质量检测方法及系统 |
CN117035697A (zh) * | 2023-10-09 | 2023-11-10 | 天津云起技术有限公司 | 基于历史动态分析的itsm平台优化方法及系统 |
CN117035697B (zh) * | 2023-10-09 | 2023-12-15 | 天津云起技术有限公司 | 基于历史动态分析的itsm平台优化方法及系统 |
CN117235606A (zh) * | 2023-11-10 | 2023-12-15 | 张家港广大特材股份有限公司 | 特种不锈钢的生产质量管理方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116347318B (zh) | 2023-08-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116347318B (zh) | 一种音响的智能生产测试方法及系统 | |
CN112259101B (zh) | 语音关键词识别方法、装置、计算机设备和存储介质 | |
CN111312273A (zh) | 混响消除方法、装置、计算机设备和存储介质 | |
CN108831506B (zh) | 基于gmm-bic的数字音频篡改点检测方法及系统 | |
Ge et al. | Deep learning approach in DOA estimation: A systematic literature review | |
CN109871805B (zh) | 一种电磁信号开集识别方法 | |
Olivieri et al. | Audio information retrieval and musical acoustics | |
CN109300470B (zh) | 混音分离方法和混音分离装置 | |
CN116148656A (zh) | 一种便携式模拟断路器故障检测方法 | |
CN114582325A (zh) | 音频检测方法、装置、计算机设备、存储介质 | |
Ooi et al. | Probably pleasant? A neural-probabilistic approach to automatic masker selection for urban soundscape augmentation | |
CN114387987A (zh) | 生态噪声源的测量方法、装置、终端及存储介质 | |
CN110444225B (zh) | 基于特征融合网络的声源目标识别方法 | |
CN111833842A (zh) | 合成音模板发现方法、装置以及设备 | |
CN114302301B (zh) | 频响校正方法及相关产品 | |
Petry et al. | Fractal dimension applied to speaker identification | |
KR20150058662A (ko) | 비교데이터 프루닝과 가우시안 혼합 모델의 유사도 추정을 이용한 유해 동영상 필터링 시스템 및 방법 | |
CN114333844A (zh) | 声纹识别方法、装置、介质及设备 | |
CN112786068A (zh) | 一种音频音源分离方法、装置及存储介质 | |
CN113033817A (zh) | 基于隐空间的ood检测方法、装置、服务器及存储介质 | |
WO2022103290A1 (en) | Method for automatic quality evaluation of speech signals using neural networks for selecting a channel in multimicrophone systems | |
Deng et al. | Intelligent Representation of Wireless Network States: A Multi-Layer Correlation Approach | |
CN115171781B (zh) | 肿瘤变异位点是否为噪音的识别方法、系统、装置和介质 | |
CN114399005B (zh) | 一种活体检测模型的训练方法、装置、设备及存储介质 | |
Ainsleigh | Performance of multiple-model filters and parameter-sensitivity analysis for likelihood evaluation with shock variance models |
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 |