CN116933620A - 一种噪声品质评价及模型搭建方法 - Google Patents

一种噪声品质评价及模型搭建方法 Download PDF

Info

Publication number
CN116933620A
CN116933620A CN202310688953.0A CN202310688953A CN116933620A CN 116933620 A CN116933620 A CN 116933620A CN 202310688953 A CN202310688953 A CN 202310688953A CN 116933620 A CN116933620 A CN 116933620A
Authority
CN
China
Prior art keywords
evaluation
noise quality
audio
noise
model
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
Application number
CN202310688953.0A
Other languages
English (en)
Inventor
刘祖斌
许则鹏
林静
邱丽
舒勤业
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhejiang University of Technology ZJUT
Jack Technology Co Ltd
Original Assignee
Zhejiang University of Technology ZJUT
Jack Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhejiang University of Technology ZJUT, Jack Technology Co Ltd filed Critical Zhejiang University of Technology ZJUT
Priority to CN202310688953.0A priority Critical patent/CN116933620A/zh
Publication of CN116933620A publication Critical patent/CN116933620A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Pure & Applied Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Operations Research (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Geometry (AREA)
  • Algebra (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)

Abstract

本发明公开了一种噪声品质评价及模型搭建方法，包括：1、机械装备运转时的噪声音频采集；2、噪声音频预处理得到有效音频；3、有效音频的噪声品质客观参数计算；4、烦恼度噪声品质主观评价；5、烦恼度噪声品质主观评价结果处理；6、搭建噪声品质评价模型；7、满意度噪声品质主观评价；8、满意度噪声品质主观评价结果处理；9、确定满意度等级在最终预测结果上所对应的预测区间。本发明对机械装备噪声品质评价和评价模型搭建过程进行了规范，使得噪声品质评价结果更具有效性，也使得模型搭建更具可靠性和准确性。

Description

一种噪声品质评价及模型搭建方法
技术领域
本发明属于心理声学噪声品质评价的技术领域，具体涉及一种噪声品质评价及模型搭建方法。
背景技术
目前国内外针对机械装备运转噪声品质评价所制定的相关标准均是利用声级计测量A计权声压级(A-weighted Sound PressureLevel)，但这种方法只能反映噪声的物理特性，不能很好地解释许多噪声现象，也不能很好地描述噪声对人的心理所产生的影响，因此也无法对机械装备噪声品质进行有效评价。
由于人耳对不同频率声信号的敏感度存在一定差异，即使在A计权声压级(A-weighted Sound Pressure Level)相等的情况下，不同频率的声信号给人带来的听觉感受也不相同，因此近年来噪声品质技术逐渐在机械装备领域得到应用。
噪声品质中的“声”既不是指传统意义上声波传递的物理过程，也不是指单纯的声压，而是人对声音的一种感受；“品质”则是指人对感知到的声音的评价，评判其好坏程度，这也明确指出了人在噪声品质研究中的重要性。
因此，如果能基于噪声品质的概念对机械装备的噪声品质进行评价，则可以更好地反映人的主观感受；同时针对评价结果，提供一种噪声品质评价模型的搭建方法，避免单次随机建模出现的偶然性，提高建模过程中模型的可靠性和准确性。这些对机械装备的声学设计及噪声控制都将具有实际的意义。
发明内容
鉴于以上所述现有方法的缺点，本发明提供了一种噪声品质评价及模型搭建方法，解决现有技术无法对机械装备噪声品质进行有效评价以及模型搭建的可靠性和准确性不高的问题。
本发明所述的一种噪声品质评价及模型搭建方法，包括以下步骤：
步骤1：利用人工头采集机械装备运转时的噪声音频，利用噪声音频建立噪声音频数据库；
进一步优选，利用人工头在同一位置采集同一转速、不同型号、不同品牌以及不同运转工况的时长为10s～15s的机械装备运转时的噪声音频，该噪声音频具有左耳和右耳两个通道，同时利用噪声音频建立噪声音频数据库；
步骤2：从步骤1得到的噪声音频数据库中挑选稳定音频并将稳定音频截断作为有效音频；
进一步优选，从步骤1得到的噪声音频数据库中挑选稳定音频并将稳定音频截断得到有效音频，有效音频具有相同的时长同时具有左耳和右耳两个通道；
步骤3：将步骤2得到的有效音频进行噪声品质客观参数计算，得到有效音频的噪声品质客观参数结果；
进一步优选，对步骤2得到的有效音频进行噪声品质客观参数计算，得到有效音频的噪声品质客观参数结果，该噪声品质客观参数结果为左耳和右耳两个通道的结果。此处使用的噪声品质客观参数包括声压级(Sound Pressure Level)、A计权声压级(A-weightedSound PressureLevel)、响度(Loudness)、尖锐度(Sharpness)、抖动度(FluctuationStrength)、粗糙度(Roughness)和音调度(Tonality)；
步骤4：结合步骤2得到的有效音频和步骤3得到的噪声品质客观参数结果，利用参考等级评分法对有效音频进行烦恼度噪声品质主观评价，得到有效音频的烦恼度噪声品质主观评价结果；
进一步优选，由于从步骤3得到的噪声品质客观参数结果为左耳和右耳两个通道的结果，因此分别对左耳和右耳的噪声品质客观参数结果进行从小到大的排序，然后找到排序位置为40％～60％的区间段。综合考虑每条有效音频左耳和右耳的噪声品质客观参数结果是否同时处于各自的区间段内，基于此从步骤2得到的有效音频中挑选出奇数条有效音频作为待选参考音频。然后使用排序法对这些待选参考音频进行噪声品质主观评价，挑选出排序位于中间位置的一条音频作为参考音频。再利用参考音频，采用参考等级评分法对有效音频进行烦恼度噪声品质主观评价，得到有效音频的烦恼度噪声品质主观评价结果；
步骤5：对步骤4得到的烦恼度噪声品质主观评价结果进行处理，得到有效音频的烦恼度噪声品质主观评价最终结果，处理过程包含一致性检验、尺度变换和相关性计算；
步骤6：结合步骤3得到的噪声品质客观参数结果和步骤5得到的烦恼度噪声品质主观评价最终结果，利用多元线性回归和蒙特卡洛仿真搭建双耳融合评价最终模型，并且使用双耳融合评价最终模型得到有效音频的最终预测结果；
进一步优选，结合步骤3得到的噪声品质客观参数结果和步骤5得到的烦恼度噪声品质主观评价最终结果，利用多元线性回归(Multiple Linear Regression)和蒙特卡洛仿真搭建双耳融合评价最终模型，并且使用双耳融合评价最终模型得到有效音频的最终预测结果。具体步骤如下：
步骤6.1：以步骤3得到的噪声品质客观参数结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，然后将步骤2得到的有效音频随机分为训练集和测试集。根据多元线性回归(Multiple Linear Regression)，利用训练集分别对有效音频的左耳和右耳两个通道进行模型搭建，得到左耳评价模型和右耳评价模型，然后利用测试集分别对左耳评价模型和右耳评价模型进行检测，得到左耳评价准确率和右耳评价准确率；
步骤6.2：根据蒙特卡洛仿真，重复步骤6.1的过程，并且对每次得到的左耳评价准确率和右耳评价准确率进行统计。分别从统计的左耳评价准确率和右耳评价准确率中获得各自的准确率最小值和最大值，然后将最小值进行向下取整并将其作为准确率分布区间的下限，将最大值进行向上取整并将其作为准确率分布区间的上限。然后以1％的准确率为步长从下限到上限进行准确率分布区间的划分，得到左耳评价准确率分布区间和右耳评价准确率分布区间。这样一来，每次重复步骤6.1时所得到的左耳评价准确率和右耳评价准确率就可以划分到相应的分布区间当中；
步骤6.3：从步骤6.2得到的左耳评价准确率分布区间中找到左耳评价准确率主要分布区间，左耳评价准确率主要分布区间表示在对左耳评价模型的准确率进行统计时，准确率划分到这个区间的次数最多。然后从左耳评价准确率主要分布区间中选择一个正中间的左耳评价模型作为左耳评价最终模型，再利用左耳评价最终模型得到有效音频的左耳预测结果。按照相同的操作，可以得到右耳评价最终模型和有效音频的右耳预测结果；
步骤6.4：以步骤6.3得到的左耳预测结果和右耳预测结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，然后将步骤2得到的有效音频随机分为训练集和测试集。根据多元线性回归(Multiple Linear Regression)，利用训练集搭建双耳融合评价模型，然后利用测试集对双耳融合评价模型进行检测，得到双耳评价准确率；
步骤6.5：根据蒙特卡洛仿真，重复步骤6.4的过程，对每次得到的双耳评价准确率进行统计。然后参考步骤6.2的过程可以得到双耳评价准确率分布区间；
步骤6.6：从步骤6.5得到的双耳评价准确率分布区间中找到双耳评价准确率主要分布区间，然后从双耳评价准确率主要分布区间中选择一个正中间的双耳融合评价模型作为双耳融合评价最终模型，再利用双耳融合评价最终模型得到有效音频的最终预测结果。
步骤7：结合步骤2得到的有效音频和步骤5得到的烦恼度噪声品质主观评价最终结果，利用等级评分法对有效音频进行满意度噪声品质主观评价，得到有效音频的满意度噪声品质主观评价结果；
步骤8：对步骤7得到的满意度噪声品质主观评价结果进行处理，得到有效音频的满意度噪声品质主观评价最终结果，处理过程包含一致性检验、尺度变换和相关性计算；
步骤9：将步骤8得到的满意度噪声品质主观评价最终结果转换为满意度等级，结合满意度等级和步骤6得到的最终预测结果，最后得到满意度等级在最终预测结果上所对应的预测区间。
进一步优选，将步骤8得到的满意度噪声品质主观评价最终结果进行四舍五入取整，将取整的结果转换为满意度等级，并且计算各满意度等级下的有效音频在全部有效音频中的占比，然后计算不超过某一满意度等级下的有效音频在全部有效音频中的累计占比，即满意度等级累计占比。对步骤6得到的最终预测结果进行烦恼度累计占比的统计，先找到最终预测结果的最小值和最大值，然后将最小值进行向下取整并将其作为烦恼度累计的第一级，将最大值进行向上取整并将其作为烦恼度累计的最后一级，然后以0.5为步长，计算不超过某一级烦恼度累计下的有效音频在全部有效音频中的累计占比，即烦恼度累计占比。利用反向传播神经网络(Back Propagation Neural Network)得到烦恼度累计占比的拟合曲线，然后将满意度等级累计占比和拟合曲线相关联，最终得到满意度等级在最终预测结果上所对应的预测区间。
与现有技术相比，本发明具有如下优点：
1、针对目前传统噪声品质评价方法无法对机械装备进行有效的噪声品质评价，本发明方法通过引入噪声品质的概念，进一步规范了机械装备噪声品质的评价过程，使得机械装备噪声品质评价有据可依。
2、针对噪声品质评价建模过程容易出现的偶然性问题，本发明方法通过借助蒙特卡洛仿真，找到噪声品质评价模型真实的准确率分布区间，使得建模过程有据可依，大大提高了建模过程中模型的可靠性、准确性和泛化性。
3、根据人耳的双耳听觉特性，搭建了双耳融合评价最终模型，避免了仅仅使用左耳评价最终模型或右耳评价最终模型无法准确表征人的主观感受的问题。这种方法使得噪声品质评价模型的预测更接近于人的主观感受，提高了模型预测的准确性和适用性。
4、通过满意度噪声品质主观评价，将满意度和烦恼度相结合，最终将机械装备的噪声品质以满意度等级的形式表示，通俗易懂，更符合大众的认知。
附图说明
图1为本发明噪声品质评价及模型搭建方法的流程图；
图2为详细流程图；
图3为拼接音频组成；
图4(a)为左耳评价准确率分布区间；
图4(b)为右耳评价准确率分布区间；
图4(c)为双耳评价准确率分布区间；
图5(a)为满意度等级占比结果；
图5(b)为满意度等级累计占比结果；
图6为烦恼度累计占比拟合曲线。
具体实施方式
下面以工业缝纫机为例，结合图1至图6进一步说明本发明的具体实施方式，包括但不限于以下内容，如下所示：
如图1所示，本发明主要包含9个步骤，每个步骤的详细情况参见图2，可以通过以下内容实现：
步骤1：利用人工头在同一位置采集同一转速、不同型号、不同品牌以及不同运转工况的时长为10s～15s的工业缝纫机运转时的噪声音频，该噪声音频具有左耳和右耳两个通道，同时利用噪声音频建立噪声音频数据库；
步骤2：从步骤1得到的噪声音频数据库中挑选75条稳定音频并将稳定音频截断得到有效音频。研究表明，时长为5s的声音即可产生稳定的感知印象，因此截断得到的有效音频为5s时长，同时有效音频具有左耳和右耳两个通道；
步骤3：对步骤2得到的有效音频进行噪声品质客观参数计算，得到有效音频的噪声品质客观参数结果，该噪声品质客观参数结果为左耳和右耳两个通道的结果。此处使用的噪声品质客观参数包括声压级(Sound Pressure Level)、A计权声压级(A-weightedSound PressureLevel)、响度(Loudness)、尖锐度(Sharpness)、抖动度(FluctuationStrength)、粗糙度(Roughness)和音调度(Tonality)；
步骤4：结合步骤2得到的有效音频和步骤3得到的噪声品质客观参数结果，利用参考等级评分法对有效音频进行烦恼度噪声品质主观评价，得到有效音频的烦恼度噪声品质主观评价结果。具体步骤如下：
步骤4.1：由于从步骤3得到的噪声品质客观参数结果为左耳和右耳两个通道的结果，因此分别对左耳和右耳的噪声品质客观参数结果进行从小到大的排序，然后找到排序位置为40％～60％的区间段。综合考虑每条有效音频左耳和右耳的噪声品质客观参数结果是否同时处于各自的区间段内，基于此从步骤2得到的有效音频中挑选出9条有效音频作为待选参考音频；
步骤4.2：选择5位有经验的老师傅对步骤4.1中选取的待选参考音频进行噪声品质主观评价。噪声品质主观评价在一间安静的会议室内进行，同时使用双耳耳机均衡器和高性能保真耳机对待选参考音频进行准确回放。根据主观感受使用排序法对待选参考音频进行排序，最后选择一条处于中间位置同时排序一致性最高的待选参考音频作为参考音频；
步骤4.3：将步骤4.2中得到的参考音频分别和75条有效音频进行拼接，共得到75条拼接音频。每条拼接音频时长为13s，第0s～5s为参考音频，第5s～8s为静音，第8s～13s为有效音频，如图3所示。同时重新选择至少20位评价人员进行烦恼度噪声品质主观评价；
步骤4.4：对步骤4.2中得到的参考音频进行3次回放试听，为了让评价人员熟悉参考音频的情况；
步骤4.5：从步骤4.3中得到的75条拼接音频中选择3条拼接音频进行试听，为了让评价人员熟悉拼接音频的组成情况。同时这3条拼接音频中的有效音频的噪声品质分别优于、劣于以及接近于参考音频的噪声品质，为了让评价人员了解有效音频的噪声品质相对于参考音频的噪声品质的分布情况；
步骤4.6：考虑到烦恼度噪声品质主观评价的拼接音频数量较多，因此将步骤4.3中得到的75条拼接音频均分为3组，每组评价完之后有3分钟休息时间，以此缓解评价人员的听觉疲劳。同时由于烦恼度噪声品质主观评价是在规定的评价尺度内进行，评价人员在评价过程中会处于评价标准不断调整的状态，当同一评价人员前后评价标准差别较大时会使得整体的烦恼度噪声品质主观评价结果准确度不高，因此为了减小这种现象带来的影响，将从第1组中抽取1条拼接音频插入到第2组和第3组的相同位置，以此检验该评价人员前后评价标准的一致性；
表1烦恼度9级评价尺度表
步骤4.7：利用参考等级评分法对步骤4.6中分好组的拼接音频进行烦恼度噪声品质主观评价，烦恼度噪声品质主观评价在一间安静的会议室内进行，同时使用双耳耳机均衡器和高性能保真耳机对75条拼接音频进行准确回放。评价人员需要比较拼接音频内有效音频相比于参考音频的烦恼程度，并在每条拼接音频回放完之后的5s内对有效音频进行9级烦恼度的评价，以此得到有效音频的烦恼度噪声品质主观评价结果。烦恼度9级评价尺度表如表1所示。
步骤5：对步骤4得到的烦恼度噪声品质主观评价结果进行处理，得到有效音频的烦恼度噪声品质主观评价最终结果。具体步骤如下：
步骤5.1：对步骤4.6中用于检验评价人员前后评价标准一致性的拼接音频中的有效音频的3次烦恼度噪声品质主观评价结果进行统计，并进行标准差的计算，得到相应标准差计算结果。若某一评价人员对该有效音频的3次烦恼度噪声品质主观评价结果的标准差大于2，则将此评价人员进行剔除。然后将剩余每个评价人员对该有效音频的3次烦恼度噪声品质主观评价结果进行均值计算，将均值作为该评价人员对这条有效音频的烦恼度噪声品质主观评价结果；
步骤5.2：由于评价人员职业和个体上的差异，导致所有评价人员在评价过程中使用的评价尺度并不完全一致。如果不将评价尺度进行统一处理，则在进行数据分析时容易产生较大的误差。紧接着步骤5.1，将各评价人员的烦恼度噪声品质主观评价结果均转换至统一的评价尺度内，即1至9分的评价区间，然后可以得到各评价人员的评价尺度统一的烦恼度噪声品质主观评价结果；
步骤5.3：考虑到外界干扰和评价人员主观差异性等因素的存在，即使在相同环境下，也会出现各评价人员的评价趋向性不同的情况，因此需要对各评价人员的评价趋向性进行检验。对步骤5.2得到的各评价人员的评价尺度统一的烦恼度噪声品质主观评价结果与所有评价尺度统一的烦恼度噪声品质主观评价结果的均值进行Spearman相关系数的计算。研究指出，0.6以上的相关系数即可表现出高相关性，因此剔除相关系数低于0.6的评价人员，然后得到筛选后的各评价人员的烦恼度噪声品质主观评价结果；
步骤5.4：对步骤5.3得到的筛选后的各评价人员的烦恼度噪声品质主观评价结果进行均值计算，得到的均值即为有效音频的烦恼度噪声品质主观评价最终结果。
步骤6：结合步骤3得到的噪声品质客观参数结果和步骤5得到的烦恼度噪声品质主观评价最终结果，利用多元线性回归(Multiple Linear Regression)和蒙特卡洛仿真搭建双耳融合评价最终模型，并且使用双耳融合评价最终模型得到有效音频的最终预测结果。具体步骤如下：
步骤6.1：以步骤3得到的噪声品质客观参数结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，将步骤2得到的75条有效音频随机选择80％为训练集，剩下20％为测试集。根据多元线性回归(Multiple Linear Regression)，利用训练集分别对有效音频的左耳和右耳两个通道进行模型搭建，得到左耳评价模型和右耳评价模型，然后利用测试集分别对左耳评价模型和右耳评价模型进行检测，得到左耳评价准确率和右耳评价准确率；
步骤6.2：根据蒙特卡洛仿真，重复步骤6.1的过程1000次，并且对每次得到的左耳评价准确率和右耳评价准确率进行统计。分别从统计的左耳评价准确率和右耳评价准确率中获得各自的准确率最小值和最大值，然后将最小值进行向下取整并将其作为准确率分布区间的下限，将最大值进行向上取整并将其作为准确率分布区间的上限。然后以1％的准确率为步长从下限到上限进行准确率分布区间的划分，得到左耳评价准确率分布区间和右耳评价准确率分布区间，如图4(a)和4(b)所示。这样一来，每次重复步骤6.1时所得到的左耳评价准确率和右耳评价准确率就可以划分到相应的分布区间当中；
步骤6.3：从步骤6.2得到的左耳评价准确率分布区间中找到左耳评价准确率主要分布区间，左耳评价准确率主要分布区间表示在对左耳评价模型的准确率进行统计时，准确率划分到这个区间的次数最多，如图4(a)所示为93％～94％的区间。然后从左耳评价准确率主要分布区间中选择一个正中间的左耳评价模型作为左耳评价最终模型，再利用左耳评价最终模型得到75条有效音频的左耳预测结果。按照相同的操作，可以得到右耳评价最终模型和75条有效音频的右耳预测结果；
步骤6.4：以步骤6.3得到的左耳预测结果和右耳预测结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，然后将步骤2得到的75条有效音频随机选择80％为训练集，剩下20％为测试集。根据多元线性回归(Multiple Linear Regression)，利用训练集搭建双耳融合评价模型，然后利用测试集对双耳融合评价模型进行检测，得到双耳评价准确率；
步骤6.5：根据蒙特卡洛仿真，重复步骤6.4的过程1000次，对每次得到的双耳评价准确率进行统计，然后参考步骤6.2的过程可以得到双耳评价准确率分布区间，如图4(c)所示；
步骤6.6：从步骤6.5得到的双耳评价准确率分布区间中找到双耳评价准确率主要分布区间，然后从双耳评价准确率主要分布区间中选择一个正中间的双耳融合评价模型作为双耳融合评价最终模型，再利用双耳融合评价最终模型得到75条有效音频的最终预测结果。
步骤7：结合步骤2得到的有效音频和步骤5得到的烦恼度噪声品质主观评价最终结果，利用等级评分法对有效音频进行满意度噪声品质主观评价，得到有效音频的满意度噪声品质主观评价结果。具体步骤如下：
步骤7.1：重新选择至少30位评价人员进行满意度噪声品质主观评价。同时将步骤2的有效音频均分为3组，每组评价完之后有3分钟休息时间，以此缓解评价人员的听觉疲劳。同时由于满意度噪声品质主观评价是在规定的评价尺度内进行，评价人员在评价过程中会处于评价标准不断调整的状态，当同一评价人员前后评价标准差别较大时会使得整体的满意度噪声品质主观评价结果准确度不高，因此为了减小这种现象带来的影响，将从第1组中抽取1条有效音频插入到第2组和第3组的相同位置，以此检验该评价人员前后评价标准的一致性；
步骤7.2：从步骤5得到的烦恼度噪声品质主观评价最终结果中挑选出最低分和最高分的2条有效音频。然后对2条有效音频进行回放，让评价人员熟悉75条有效音频大致所处的范围；
步骤7.3：从75条有效音频中随机选择5条有效音频进行回放，并且让评价人员进行满意度噪声品质主观评价，该步骤的目的是让评价人员熟悉满意度噪声品质主观评价的评价方式，并且此步骤得到的满意度噪声品质主观评价结果不进行统计分析；
表2满意度5级评价尺度表
不合格 合格 中等 良好 优秀
1 2 3 4 5
步骤7.4：利用等级评分法对步骤7.1中分好组的有效音频进行满意度噪声品质主观评价，满意度噪声品质主观评价在一间安静的会议室内进行，同时使用双耳耳机均衡器和高性能保真耳机对75条有效音频进行准确回放。在每条有效音频回放完之后的5s内进行5级满意度评价，以此得到有效音频的满意度噪声品质主观评价结果。满意度5级评价尺度表如表2所示。
步骤8：对步骤7得到的满意度噪声品质主观评价结果进行处理，得到有效音频的满意度噪声品质主观评价最终结果。处理步骤如下：
步骤8.1：对步骤7.1中用于检验评价人员前后评价标准一致性的有效音频的3次满意度噪声品质主观评价结果进行统计，并进行标准差的计算，得到相应标准差计算结果。若某一评价人员对该有效音频的3次满意度噪声品质主观评价结果的标准差不在1以内，则将此评价人员进行剔除。然后将剩余每个评价人员对该有效音频的3次满意度噪声品质主观评价结果进行均值计算，将均值作为该评价人员对这条有效音频的满意度噪声品质主观评价结果；
步骤8.2：由于评价人员职业和个体上的差异，导致所有评价人员在评价过程中使用的评价尺度并不完全一致。如果不将评价尺度进行统一处理，则在进行数据分析时容易产生较大的误差。紧接着步骤8.1，将各评价人员的满意度噪声品质主观评价结果均转换至统一的评价尺度内，即1至5分的评价区间，然后可以得到各评价人员的评价尺度统一的满意度噪声品质主观评价结果；
步骤8.3：考虑到外界干扰和评价人员主观差异性等因素的存在，即使在相同环境下，也会出现各评价人员的评价趋向性不同的情况，因此需要对各评价人员的评价趋向性进行检验。将步骤8.2得到的各评价人员的评价尺度统一的满意度噪声品质主观评价结果与所有评价尺度统一的满意度噪声品质主观评价结果的均值进行Spearman相关系数的计算。研究指出，0.6以上的相关系数即可表现出高相关性，因此剔除相关系数低于0.6的评价人员，然后得到筛选后的各评价人员的满意度噪声品质主观评价结果；
步骤8.4：对步骤8.3得到的筛选后的各评价人员的满意度噪声品质主观评价结果进行均值计算，得到的均值即为有效音频的满意度噪声品质主观评价最终结果。
步骤9：将步骤8得到的满意度噪声品质主观评价最终结果转换为满意度等级，结合满意度等级和步骤6得到的最终预测结果，最后得到满意度等级在最终预测结果上所对应的预测区间。具体步骤如下：
步骤9.1：将步骤8得到的满意度噪声品质主观评价最终结果进行四舍五入取整，对取整结果进行5级满意度等级的划分，得到75条有效音频的满意度等级，并且计算各满意度等级下的有效音频在75条有效音频中的占比，如图5(a)所示，然后计算不超过某一满意度等级下的有效音频在75条有效音频中的累计占比，即满意度等级累计占比，如图5(b)所示；
步骤9.2：对步骤6得到的最终预测结果进行烦恼度累计占比的统计，先找到最终预测结果的最小值和最大值，然后将最小值进行向下取整并将其作为烦恼度累计的第一级，将最大值进行向上取整并将其作为烦恼度累计的最后一级，然后以0.5为步长，计算不超过某一级烦恼度累计下的有效音频在全部有效音频中的累计占比，即烦恼度累计占比；
步骤9.3：根据步骤9.2的结果，以烦恼度累计级别所对应的最终预测结果为自变量，以烦恼度累计占比为因变量，利用反向传播神经网络(Back Propagation NeuralNetwork)得到烦恼度累计占比的拟合曲线，如图6所示。反向传播神经网络选择2层隐藏层，其中输入层、第1层隐藏层、第2层隐藏层和输出层的各层神经元数目分别为1个、4个、4个和1个；
步骤9.4：将步骤9.1中得到的满意度等级累计占比和步骤9.3中得到的拟合曲线相关联，最终得到满意度等级在最终预测结果上所对应的预测区间。

Claims (7)

1.一种噪声品质评价及模型搭建方法，其特征在于，包括以下步骤：
步骤1：利用人工头采集机械装备运转时的噪声音频，利用噪声音频建立噪声音频数据库；
步骤2：从步骤1得到的噪声音频数据库中挑选稳定音频并将稳定音频截断作为有效音频；
步骤3：将步骤2得到的有效音频进行噪声品质客观参数计算，得到有效音频的噪声品质客观参数结果；
步骤4：结合步骤2得到的有效音频和步骤3得到的噪声品质客观参数结果，利用参考等级评分法对有效音频进行烦恼度噪声品质主观评价，得到有效音频的烦恼度噪声品质主观评价结果；
步骤5：对步骤4得到的烦恼度噪声品质主观评价结果进行处理，得到有效音频的烦恼度噪声品质主观评价最终结果；
步骤6：结合步骤3得到的噪声品质客观参数结果和步骤5得到的烦恼度噪声品质主观评价最终结果，利用多元线性回归和蒙特卡洛仿真搭建双耳融合评价最终模型，并且使用双耳融合评价最终模型得到有效音频的最终预测结果；
步骤7：结合步骤2得到的有效音频和步骤5得到的烦恼度噪声品质主观评价最终结果，利用等级评分法对有效音频进行满意度噪声品质主观评价，得到有效音频的满意度噪声品质主观评价结果；
步骤8：对步骤7得到的满意度噪声品质主观评价结果进行处理，得到有效音频的满意度噪声品质主观评价最终结果；
步骤9：将步骤8得到的满意度噪声品质主观评价最终结果转换为满意度等级，结合满意度等级和步骤6得到的最终预测结果，最后得到满意度等级在最终预测结果上所对应的预测区间。
2.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于，步骤1中，人工头需要在同一位置采集同一转速、不同型号、不同品牌以及不同运转工况的时长为10s～15s的机械装备运转时的噪声音频，该噪声音频具有左耳和右耳两个通道。
3.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于，步骤2中，将稳定音频截断得到的有效音频具有相同的时长，同时有效音频依然具有左耳和右耳两个通道。
4.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于，步骤3中，将步骤2得到的有效音频进行噪声品质客观参数计算，具体包括：
对步骤2得到的有效音频的左耳和右耳两个通道分别进行噪声品质客观参数计算。
5.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于：步骤5中，对步骤4得到的烦恼度噪声品质主观评价结果进行处理，具体包括：
对步骤4得到的烦恼度噪声品质主观评价结果依次进行一致性检验、尺度变换和相关性计算的处理。
6.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于：步骤6具体包括：
步骤6.1：以步骤3得到的噪声品质客观参数结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，然后将步骤2得到的有效音频随机分为训练集和测试集，根据多元线性回归，利用训练集分别对有效音频的左耳和右耳两个通道进行模型搭建，得到左耳评价模型和右耳评价模型，然后利用测试集分别对左耳评价模型和右耳评价模型进行检测，得到左耳评价准确率和右耳评价准确率；
步骤6.2：根据蒙特卡洛仿真，重复步骤6.1的过程，对每次得到的左耳评价准确率和右耳评价准确率进行统计，得到左耳评价准确率分布区间和右耳评价准确率分布区间；
步骤6.3：从步骤6.2得到的左耳评价准确率分布区间中找到左耳评价准确率主要分布区间，然后从左耳评价准确率主要分布区间中选择一个正中间的左耳评价模型作为左耳评价最终模型，再利用左耳评价最终模型得到有效音频的左耳预测结果；
从步骤6.2得到的右耳评价准确率分布区间中找到右耳评价准确率主要分布区间，然后从右耳评价准确率主要分布区间中选择一个正中间的右耳评价模型作为右耳评价最终模型，再利用右耳评价最终模型得到有效音频的右耳预测结果；
步骤6.4：以步骤6.3得到的左耳预测结果和右耳预测结果为自变量，以步骤5得到的烦恼度噪声品质主观评价最终结果为因变量，然后将步骤2得到的有效音频随机分为训练集和测试集，根据多元线性回归，利用训练集搭建双耳融合评价模型，然后利用测试集对双耳融合评价模型进行检测，得到双耳评价准确率；
步骤6.5：根据蒙特卡洛仿真，重复步骤6.4的过程，对每次得到的双耳评价准确率进行统计，得到双耳评价准确率分布区间；
步骤6.6：从步骤6.5得到的双耳评价准确率分布区间中找到双耳评价准确率主要分布区间，然后从双耳评价准确率主要分布区间中选择一个正中间的双耳融合评价模型作为双耳融合评价最终模型，再利用双耳融合评价最终模型得到有效音频的最终预测结果。
7.根据权利要求1所述的一种噪声品质评价及模型搭建方法，其特征在于：步骤8中，对步骤7得到的满意度噪声品质主观评价结果进行处理，具体包括：
对步骤7得到的满意度噪声品质主观评价结果依次进行一致性检验、尺度变换和相关性计算的处理。
CN202310688953.0A 2023-06-12 2023-06-12 一种噪声品质评价及模型搭建方法 Pending CN116933620A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310688953.0A CN116933620A (zh) 2023-06-12 2023-06-12 一种噪声品质评价及模型搭建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310688953.0A CN116933620A (zh) 2023-06-12 2023-06-12 一种噪声品质评价及模型搭建方法

Publications (1)

Publication Number Publication Date
CN116933620A true CN116933620A (zh) 2023-10-24

Family

ID=88385382

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310688953.0A Pending CN116933620A (zh) 2023-06-12 2023-06-12 一种噪声品质评价及模型搭建方法

Country Status (1)

Country Link
CN (1) CN116933620A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407650A (zh) * 2023-12-13 2024-01-16 中汽研新能源汽车检验中心(天津)有限公司 一种驱动电机系统噪声品质等级评价方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117407650A (zh) * 2023-12-13 2024-01-16 中汽研新能源汽车检验中心(天津)有限公司 一种驱动电机系统噪声品质等级评价方法
CN117407650B (zh) * 2023-12-13 2024-04-09 中汽研新能源汽车检验中心(天津)有限公司 一种驱动电机系统噪声品质等级评价方法

Similar Documents

Publication Publication Date Title
US8565908B2 (en) Systems, methods, and apparatus for equalization preference learning
CN110261101B (zh) 基于正交-成对比较试验与svr的啸叫定量评价方法
CN113343384B (zh) 一种变速器变转速工况下声品质主客观评价方法
CN107170468A (zh) 一种基于两层模型的多声道音频质量评价方法
CN106303874A (zh) 一种数字助听器的自适应验配方法
CN116933620A (zh) 一种噪声品质评价及模型搭建方法
Zagala et al. Comparison of direct and indirect perceptual head-related transfer function selection methods
CN113435116B (zh) 一种基于虚拟驾驶台架的声品质自适应设计方法与装置
de La Prida et al. Methodology for the subjective evaluation of airborne sound insulation through 2-AC and Thurstonian models
CN108596217A (zh) 一种基于潜类多维尺度分析的声品质建模方法
Ih et al. Experimental design and assessment of product sound quality: application to a vacuum cleaner
Lawless et al. Effects of test method and participant musical training on preference ratings of stimuli with different reverberation times
Kasperuk et al. Non-intrusive method for audio quality assessment of lossy-compressed music recordings using convolutional neural networks
CN113782053B (zh) 值得保护的城市声景观品质自动监测方法
Sung et al. Descriptors of sound from HVAC&R equipment
CN113313397A (zh) 一种声品质满意度分级以及限值确定方法
Suhanek et al. Urban Acoustic Environments–An Acoustic Model for Total Distraction Coefficient
CN115512718A (zh) 用于存量语音文件的语音质量评价方法、装置及系统
Zhao et al. Research on sound quality prediction of vehicle interior noise using the human-ear physiological model
Jeong et al. Prediction of reverberance in rooms with simulated non-single-exponential sound decays
Bergner et al. Perceptual Correlates of Underlying Acoustic Dimensions in Soundscape Assessment
Tsuruta-Hamamura et al. Difference in the perceived loudness of sound between Chinese men and women
CN117238319B (zh) 一种汽车加速行驶车内噪声声品质量化处理方法
Von Berg et al. Analysis of physical and perceptual properties of room impulse responses: development of an online tool
Yadav et al. Assessing linearity in the loudness envelope of the messa di voce singing exercise through acoustic signal analysis

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