本发明涉及汽车nvh性能领域,具体涉及基于卷积神经网络的排气声品质评价方法、装置及存储介质。
背景技术:
1、声品质直接反映了驾乘人员对汽车声音的主观感受,进而会影响用户的购买倾向。随着国内消费群体的年轻化,市场对具有运动感声音汽车的需求日臻旺盛,因此开发具有运动音质的汽车是当前各汽车企业增强产品市场竞争力的重要手段。排气声是运动型汽车运动感的重要表征,研究运动型排气声品质评价及预测方法具有重要意义。
2、声品质评价主要包括主观评价和客观评价。主观评价能直观反映人的主观感受,但与评价者的经验、工作状态密切相关,结果稳定性相对较差,且由于高度依赖评价人员不利于企业数据积累。为此,众多学者试图建立主观评价结果与声音客观度量参量之间的关系模型,以实现将声品质评价客观化。
3、多元线性回归方法简单易实现,是早先常用的声品质客观量化模型建立方法。cn110737970a公开的一种发动机加速声品质评价方法中建立了发动机加速声品质的多元线性回归方法模型,实现对发动机加速声品质的客观评价。但加速声是随转速变化的典型非平稳信号,并且由于人耳对声音感知的非线性特征及非平稳信号特征提取的复杂性,使得线性模型难以达到满意效果。
技术实现思路
1、本发明的目的是提供一种基于卷积神经网络的排气声品质评价方法、装置及存储介质,通过建立基于卷积神经网络的排气声预测模型,降低预测结果与主观评价结果之间的相对误差,保证模型预测结果的准确性。
2、为了实现上述目的,本发明采用的技术方案如下:
3、第一方面,本发明公开了一种基于卷积神经网络的排气声品质评价方法,其包括如下步骤:
4、s1,采集设定工况下的若干个排气声样本,分别对排气声样本进行客观量化分析和主观评价,得到每个排气声样本的满足相关性要求的客观量化参数和主观评价得分;
5、s2,搭建基于卷积神经网络的排气声预测模型,以s1得到的客观量化参数作为输入、主观评价得分作为输出对排气声预测模型进行训练、验证,得到满足精度要求的基于卷积神经网络的排气声预测模型;
6、s3,将待测排气声客观量化参数输入s2得到的基于卷积神经网络的排气声预测模型中,输出待测排气声的主观评价得分预测值。
7、进一步,s1中排气声样本为待测车辆在半消声室内的底盘测功机上三挡全油门加速行驶的排气声。
8、进一步,s1中的客观量化分析为:对采集到的排气声样本进行分析处理,得到排气声样本的总声压级及二、四、六阶次声压级随发动机转速的变化曲线,以所述排气声样本的二、四、六阶次声压级随发动机转速的变化曲线作为客观量化参数。
9、进一步,s1中主观评价具体为:多名评价人员使用等级评分法对排气声样本进行主观评价,若各评价人员与其余评价人员主观评价结果相关性的平均值≥0.75,表明评价结果有效,取满足相关性要求的多名评价人员的主观评价结果的平均值作为排气声样本的主观评价得分。
10、进一步,所述基于卷积神经网络的排气声预测模型包括输入层、两层卷积层、池化层、全连接层和回归输出层。所述输入层用于接受数据输入,并且进行数据预处理;所述卷积层通过卷积核自动进行数据特征提取;所述池化层是对卷积层获得的特征矩阵降维,从而提高计算效率,并降低过拟合风险;所述全连接层位于池化层之后,将池化层的输出特征展开成一维向量输入到全连接层网络中;所述回归输出层用于模型预测结果的输出。
11、进一步,s1中采用pearson相关系数检验客观量化参数和主观评价得分的相关程度,若满足相关性要求,则执行s2;若不满足相关性要求,则重新选择客观量化参数进行相关性检验。
12、第二方面,本发明公开了一种基于卷积神经网络的排气声品质评价装置,其能够实现本发明所述的基于卷积神经网络的排气声品质评价方法的步骤,包括:样本采集模块,用于采集设定工况下的排气声样本;客观量化分析模块,用于对采集的排气声样本进行客观量化,得到排气声样本的客观量化参数;主观评价模块,用于对采集的排气声样本进行主观评价,得到排气声样本的主观评价得分;预测模型模块,用于搭建基于卷积神经网络的排气声预测模型,以得到的客观量化参数作为输入、主观评价得分作为输出对排气声预测模型进行训练、验证,得到满足精度要求的基于卷积神经网络的排气声预测模型;将待测排气声客观量化参数输入得到的基于卷积神经网络的排气声预测模型中,输出待测排气声的主观评价得分预测值。
13、第三方面,本发明公开了一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行本发明所述的基于卷积神经网络的排气声品质评价方法的步骤。
14、本发明的有益效果:本发明先获取若干个排气声样本的满足相关性要求的客观量化参数和主观评价得分,然后搭建基于卷积神经网络的排气声预测模型,以s1得到的客观量化参数作为输入、主观评价得分作为输出对排气声预测模型进行训练、验证,得到满足精度要求的基于卷积神经网络的排气声预测模型,降低了预测结果与主观评价结果之间的相对误差,保证了模型预测结果的准确性。能够快速得到待测排气声的主观评价得分,提高了评价效率,减少了后期数据处理工作量。
1.一种基于卷积神经网络的排气声品质评价方法,其特征在于,包括如下步骤:
2.根据权利要求1所述的基于卷积神经网络的排气声品质评价方法,其特征在于,s1中排气声样本为待测车辆在半消声室内的底盘测功机上三挡全油门加速行驶的排气声。
3.根据权利要求1或2所述的基于卷积神经网络的排气声品质评价方法,其特征在于,s1中的客观量化分析为:对采集到的排气声样本进行分析处理,得到排气声样本的总声压级及二、四、六阶次声压级随发动机转速的变化曲线,以所述排气声样本的二、四、六阶次声压级随发动机转速的变化曲线作为客观量化参数。
4.根据权利要求1或2所述的基于卷积神经网络的排气声品质评价方法,其特征在于,s1中主观评价具体为:多名评价人员使用等级评分法对排气声样本进行主观评价,若各评价人员与其余评价人员主观评价结果相关性的平均值≥0.75,表明评价结果有效,取满足相关性要求的多名评价人员的主观评价结果的平均值作为排气声样本的主观评价得分。
5.根据权利要求1或2所述的基于卷积神经网络的排气声品质评价方法,其特征在于:所述基于卷积神经网络的排气声预测模型包括输入层、两层卷积层、池化层、全连接层和回归输出层;
6.根据权利要求1或2所述的基于卷积神经网络的排气声品质评价方法,其特征在于:s1中采用pearson相关系数检验客观量化参数和主观评价得分的相关程度,若满足相关性要求,则执行s2;若不满足相关性要求,则重新选择客观量化参数进行相关性检验。
7.一种基于卷积神经网络的排气声品质评价装置,其特征在于,能够实现权利要求1~6任一项所述的基于卷积神经网络的排气声品质评价方法的步骤,包括:
8.一种存储介质,其内存储有计算机可读程序,所述计算机可读程序被调用时能执行如权利要求1至6任一项所述的基于卷积神经网络的排气声品质评价方法的步骤。