模型训练及声音品质评价方法、装置、电子设备制造方法及图纸

本发明专利技术公开了一种模型训练及声音品质评价方法、装置、电子设备和存储介质。其中，模型训练方法包括：获取训练样本集；训练样本集中的训练样本为驻车充电工况下的车内声音数据；获取每个训练样本对应的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型；设定模型为径向基神经网络模型，设定模型用于预测驻车充电工况下的车内声音数据的声音品质评分。的声音品质评分。的声音品质评分。

【技术实现步骤摘要】
模型训练及声音品质评价方法、装置、电子设备


[0001]本专利技术涉及计算机
，尤其涉及一种模型训练及声音品质评价方法、装置、电子设备和存储介质。

技术介绍

[0002]随着人们生活品质的不断提升，各种车况下的声音品质好坏逐渐纳入客户买车需求指标。在汽车研发过程中，研发人员更多的倾向于研究怠速噪声、加速噪声、关门声等与燃油车一致的常用工况，但新能源汽车还存在一种特殊工况：驻车充电工况。相关技术采用人工主观评价的方式来评估驻车充电工况下的声音品质，但是人工主观评价过于耗时繁琐，工作量大。

技术实现思路

[0003]有鉴于此，本专利技术实施例提供了一种模型训练及声音品质评价方法、装置、电子设备和存储介质，旨在提高预测模型的预测准确率。
[0004]本专利技术实施例的技术方案是这样实现的：
[0005]一方面，本专利技术实施例提供了一种模型训练方法，该方法包括：
[0006]获取训练样本集；所述训练样本集中的训练样本为驻车充电工况下的车内声音数据；
[0007]获取每个训练样本对应的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；
[0008]基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型；所述设定模型为径向基神经网络模型，所述设定模型用于预测驻车充电工况下的车内声音数据的声音品质评分。
[0009]在上述方案中，所述获取每个训练样本对应的多个设定参数的参数值之后，所述方法还包括：
[0010]对所述多个设定参数的参数值和主观评分进行相关性分析，得到每个设定参数与主观评分的相关系数；
[0011]对应地，所述基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型，包括：
[0012]基于所述多个设定参数中相关系数大于第一阈值的设定参数的参数值，以及每个训练样本的主观评分，训练所述设定模型。
[0013]在上述方案中，所述方法还包括：
[0014]获取多个评价人员输入的对每个训练样本的主观评分。
[0015]在上述方案中，所述方法还包括：
[0016]基于验证样本集确定所述设定模型的预测误差；
[0017]在所述预测误差小于第二阈值的情况下，确定所述设定模型训练完成。
[0018]在上述方案中，所述多个设定参数包括以下至少两项：
[0019]线性声压级；
[0020]A计权声压级；
[0021]响度；
[0022]声强级SIL；
[0023]粗糙度；
[0024]尖锐度；
[0025]波动强度；
[0026]共轨油压。
[0027]另一方面，本专利技术实施例提供了一种声音品质评价方法，该方法包括：
[0028]采集驻车充电工况下的车内声音数据；
[0029]获取所述车内声音数据的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；
[0030]将所述多个第一参数的参数值输入设定模型，得到所述设定模型预测的对所述车内声音数据的声音品质评分；所述设定模型为径向基神经网络模型。
[0031]在上述方案中，所述采集驻车充电工况下的车内声音数据，包括：
[0032]采集主驾驶位和/或副驾驶位的左右耳位置点的声音数据。
[0033]另一方面，本专利技术实施例提供了一种模型训练装置，该装置包括：
[0034]第一获取模块，用于获取训练样本集；所述训练样本集中的训练样本为驻车充电工况下的车内声音数据；
[0035]第二获取模块，用于获取每个训练样本对应的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；
[0036]训练模块，用于基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型；所述设定模型为径向基神经网络模型，所述设定模型用于预测驻车充电工况下的车内声音数据的声音品质评分。
[0037]一方面，本专利技术实施例提供了一种声音品质评价装置，该装置包括：
[0038]采集模块，用于采集驻车充电工况下的车内声音数据；
[0039]第三获取模块，用于获取所述车内声音数据的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；
[0040]预测模块，用于将所述多个第一参数的参数值输入设定模型，得到所述设定模型预测的对所述车内声音数据的声音品质评分；所述设定模型为径向基神经网络模型。
[0041]另一方面，本专利技术实施例提供了一种电子设备，包括处理器和存储器，所述处理器和存储器相互连接，其中，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器被配置用于调用所述程序指令，执行本专利技术实施例第一方面提供的模型训练方法的步骤或第二方面提供的声音品质评价方法的步骤。
[0042]另一方面，本专利技术实施例提供了一种计算机可读存储介质，包括：所述计算机可读存储介质存储有计算机程序。所述计算机程序被处理器执行时实现如本专利技术实施例第一方面提供的模型训练方法的步骤或第二方面提供的声音品质评价方法的步骤。
[0043]本专利技术实施例通过获取训练样本集，获取训练样本集中的每个训练样本对应的多
个设定参数的参数值，基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型。其中，训练样本集中的训练样本为驻车充电工况下的车内声音数据，每个设定参数表征一种反映声音品质的客观参数，设定模型为径向基神经网络模型，设定模型用于预测驻车充电工况下的车内声音数据的声音品质评分。本实施例通过径向基神经网络来训练设定模型，可以提高设定模型的预测精确度。通过设定模型预测驻车充电工况下的声音品质评分，能够实现声品质的自动化评价，避免组织评价团来进行主观评价，提高了声品质评价效率，同时预测评分的准确率高，对后续驻车充电声品质优化有着较强的指导意义。
附图说明
[0044]图1是本专利技术实施例提供的一种模型训练方法的实现流程示意图；
[0045]图2是本专利技术实施例提供的一种主观评价标准的示意图；
[0046]图3是本专利技术实施例提供的一种径向基网络结构模型的示意图；
[0047]图4是本专利技术实施例提供的一种主观评价实际值与主观评价预测值的误差示意图；
[0048]图5是本专利技术实施例提供的一种声音品质评价方法的实现流程示意图；
[0049]图6是本专利技术实施例提供的一种模型训练装置的示意图；
[0050]图7是本专利技术实施例提供的一种声音品质评价装置的示意图；
[0051]图8是本专利技术实施例提供的电子设备的示意图。
具体实施方式
[0052]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种模型训练方法，其特征在于，所述方法包括：获取训练样本集；所述训练样本集中的训练样本为驻车充电工况下的车内声音数据；获取每个训练样本对应的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型；所述设定模型为径向基神经网络模型，所述设定模型用于预测驻车充电工况下的车内声音数据的声音品质评分。2.根据权利要求1所述的方法，其特征在于，所述获取每个训练样本对应的多个设定参数的参数值之后，所述方法还包括：对所述多个设定参数的参数值和主观评分进行相关性分析，得到每个设定参数与主观评分的相关系数；对应地，所述基于每个训练样本对应的多个设定参数的参数值，以及每个训练样本的主观评分，训练设定模型，包括：基于所述多个设定参数中相关系数大于第一阈值的设定参数的参数值，以及每个训练样本的主观评分，训练所述设定模型。3.根据权利要求1所述的方法，其特征在于，所述方法还包括：获取多个评价人员输入的对每个训练样本的主观评分。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：基于验证样本集确定所述设定模型的预测误差；在所述预测误差小于第二阈值的情况下，确定所述设定模型训练完成。5.根据权利要求1至4任一项所述的方法，其特征在于，所述多个设定参数包括以下至少两项：线性声压级；A计权声压级；响度；声强级SIL；粗糙度；尖锐度；波动强度；共轨油压。6.一种基于权利要求1至4任一项所述方法训练得到的设定模型的声音品质评价方法，其特征在于，所述方法包括：采集驻车充电工况下的车内声音数据；获取所述车内声音数据的多个设定参数的参数值，每个设定参数表征一种反映声音品质的客观参数；将所述多个第一参数的参数值输入...

【专利技术属性】
技术研发人员：喻盼，张志明，张文龙，谢秀全，郝少华，
申请(专利权)人：东风汽车集团股份有限公司，
类型：发明
国别省市：