自适应分组成对比较法:原理及种子的选择

声品质主观评价实验中,大样本量的成对比较实验由于评价时间随样本数量的平方增长而变得难以实现,为此本文提出了自适应分组成对比较法.该方法不仅可以有效减少评价工作量并使得实验易于实现,而且通过对种子样本的调整,避免了普通的分组成对比较法由于关联样本选取不当而减小实验结果准确度的情况.论文给出了自适应分组成对比较法的数学原理和实现方法,提出了选取最佳种子的经验公式,最终通过计算机仿真和主观评价实验,与传统成对比较法的结果进行比较,证明了自适应分组成对比较法的有效性.     

声品质成对比较主观评价的数据检验及判据

针对声品质主观评价成对比较法试验结果统计分析中,采用Kendall一致性系数进行数据有效性判断的不足,从检验成对比较试验数据中存在的相同声事件、不同回放次序以及三角循环等三种误判出发,分析了评价试验的三角循环误判的发生情况,提出了三角循环误判次数的准确计算方法。在成对比较评价试验数据有效性检验中,综合考虑了三种误判情形,提出了判断数据有效性的计权一致性系数判据。最后,将数据检验方法和判据应用于车内噪声的声品质成对比较评价数据的分析,获得了分析结果与Bradley-Terry模型拟合结果较好的相关性,验证了判据的可靠性。     

基于非度量多维尺度分析的噪声声品质主观评价研究

以等响处理后双耳记录的车内噪声为例,针对非度量多维尺度分析(NMDS)是否适用于研究一致性较强的噪声声品质主观评价这一疑问进行研究。研究发现,按照评价者之间正负相关性分类处理的方法,对于运用NMDS揭示了一致性较强的复杂车内噪声声品质潜在的主观感知结构起着重要作用。采用该方法可以揭示出:车内噪声的偏好性可以作为主观感知相似性主要子维度的表示;评价者分类处理之后,两类评价者对于车内噪声的偏好性均可采用一个维度表示,并可直接采用成对比较法的直接排序法获得;一类评价者的偏好性与低沉度成正比,而另一类评价者与低沉度成反比。     

利用卷积网络的高速列车主观声品质预测*

随着高速列车在中国的高速发展,乘客对舒适性的要求也在提高,因此高速列车内声学舒适性是一个需要研究和解决的问题。首先,本文基于声学人工头设备,获取了高速列车行驶在350 km/h速度下不同车厢不同区域的双耳噪声样本,并对其分别开展了主观声学评价和基于响度、尖锐度、粗糙度和抖动度等参数的客观声品质分析。结果表明,350 km/h速度下高速列车车内噪声能量集中在3000 Hz以内,风挡区域是舒适性评价较差的位置,而响度是影响主观评价最大的因素。其次,利用卷积神经网络算法将主观评价结果与高速列车噪声样本相关联,建立了车内噪声主观声品质预测模型,并与基于BP神经网络的预测模型进行了对比。结果表明,基于卷积神经网络的主观声品质预测模型具有更高的预测精度,可以用于指导高速列车车内声学舒适性的优化设计。     

水下噪声听觉属性的主观评价与分析

为探求人耳感知水下目标类型的声学因素,研究了水下噪声听觉属性空间的维度数及其各维度的物理解释.首先通过词汇聚类分析和问卷调查确定评价水下噪声听觉属性的汉语描述词,然后完成基于成对比较法和语义细分法的主观评价实验,获得听觉属性的不相似性矩阵及各样本在不同听觉属性下的主观评价分值.最后,利用多维尺度分析确定水下噪声听觉属性空间由五个维度组成,再利用主成分分析得到独立的五个主成分,进而利用相关系数和压力值确定五个主成分分别表示听觉属性空间的五个维度,根据各个主成分对应的汉语描述词所反映的听觉属性对其进行物理解释 关键词： 听觉属性 多维尺度分析 主成分分析     

采用生理响度感知机制的车内噪声声品质预测

现有车内噪声声品质预测的响度计算中没有考虑真实人耳生理解剖结构的传声特性,因此提出了一种基于生理响度感知模型的车内噪声声品质预估方法。首先,采集两款轿车的车内噪声样本,并通过主观评价试验得到车内噪声的主观评价烦恼度。之后,整合中耳集总参数模型与耳蜗传输线模型,构建生理响度模型。然后,以生理响度模型的响度计算值为主要参数,结合尖锐度、粗糙度与车内噪声的主观评价值,通过TabNet模型构建了车辆声品质预测模型。最终,对比分析了所构建声品质模型与基于现有标准响度模型所构建的声品质模型的预测效果。结果表明,采用生理响度模型的声品质预测平均误差百分比仅有4.73%,优于采用Moore响度(6.13%)与Zwicker响度(6.94%)的声品质预测结果。此外,所构建的TabNet声品质预测模型的平均误差百分比也低于基于BP神经网络模型的平均误差百分比(7.60%)。采用生理响度模型的TabNet声品质预测能够提高车内噪声声品质客观评价的准确率。     

数值仿真生成的汽车后空调气动噪声预测及评价

为解决需要项目开发后期样车完成后才能进行整车空调气动噪声性能测试及评价的滞后性问题,针对某SUV整车后空调高档范围工作产生的气动噪声,提出了一种基于空调整车计算流体动力学和FW-H声类比方程的气动噪声仿真计算分析和神经网络的主观评价预测方法。首先采用计算流体动力学和FW-H声类比相结合的方法仿真计算和验证后空调高档运行时车内产生的气动噪声特性;然后将仿真得到的时域气动噪声样本转化成声频格式,并开发GUI程序界面进行噪声样本主观评价和客观参数计算;最后建立基于遗传算法优化的主客观映射神经网络预测模型以实现车内后空调气动噪声性能的预测评价。仿真计算及预测评价结果表明：该方法计算的气动噪声仿真误差在10%以内,主观预测误差在0.5分以内,可有效指导汽车空调气动噪声性能的前瞻性预测开发。     

主观评价实验中声音样本剂量值的度量方法

提出了一种基于对播放时长短时化处理的声音样本剂量值度量方法, 确定了十一种剂量值指标用于衡量具有固定播放时长声音样本的剂量值, 并分析了可能影响声音样本剂量值的主要因素; 随后, 对大量声音样本以各种指标度量的剂量值矩阵进行了聚类分析, 获得了三种类型的声音样本剂量值度量指标, 并确定了不同指标类型中的代表性指标; 最后, 分析了声音样本采用不同类型指标度量的剂量值与评价者对声音样本主观烦恼度等级之间的关系. 为利用主观评价实验进行固定播放时长声音样本作用下的主观烦恼度研究奠定了基础. 关键词： 声暴露量 烦恼度 声音样本 主观评价     

混合算法优化的乘用车舱内噪声感知烦恼度神经网络建模

针对传统乘用车舱内噪声感知烦恼度量化模型精度低的问题,提出了一种利用混合算法优化的神经网络模型预测舱内噪声感知烦恼度的评价方法。此混合算法融合麻雀搜索算法(SSA)和遗传算法(GA),对反向传播(BP)神经网络进行优化,根据声品质主客观评价数据,建立SSA-GA-BP网络的乘用车舱内噪声感知烦恼度客观量化模型,与BP模型、GA-BP模型、SSA-BP模型进行对比分析。结果表明, SSA-GA-BP模型能够实现更高的预测精度,更接近主观评价数值,泛化能力更强,可替代传统的声品质主观评价实验。     

一种吸油烟机声品质满意度分级限值评定方法

声品质作为一种描述吸油烟机噪声听觉感知特性的手段已经被行业所接受，团体标准T/CAS 341-2019《吸油烟机噪声声品质测试方法》给出了吸油烟机声品质测试与建模方法，同时通过声品质指数给出了声品质的数值化表达。该标准为各厂商定量描述声品质提供了依据，但目前仍缺乏对产品声品质满意度级别的划分方法，这不利于声品质技术的推广应用。本文结合相关标准以及主观评价实验，以级别容量比为中间量构建声品质指数与分级限值之间的关系，实现了吸油烟机噪声声品质满意度的分级，为吸油烟机噪声感知评价标准或规范的制定提供了科学依据，同时为其他消费品声品质评价与分级提供了有益参考。