车内声品质分区评价方法、控制方法、系统及存储介质技术方案

本发明专利技术涉及一种车内声品质分区评价方法、控制方法、系统及存储介质，属于汽车NVH性能领域。车内声品质分区评价方法包括：获取车内当前区域的声音信息；将声音信息输入当前区域的声品质模式所对应的声品质评价模型进行评价，得到当前区域的声品质评分，所述声品质评价模型是基于深度卷积神经网络算法和支持向量回归算法的混合预测模型。该方法将非线性映射能力强，且能自动提取图像特征的卷积神经网络用于声品质评价及预测建模中，结合卷积神经网络拥有的自适应特征提取能力及支持向量回归算法在小数据样本场景的优势，建立了车内声品质评价模型，不同声品质模式对应不同的声品质评价模型，实现分区域分声品质模式对车内声品质进行评价及预测。进行评价及预测。进行评价及预测。

【技术实现步骤摘要】
车内声品质分区评价方法、控制方法、系统及存储介质


[0001]本专利技术涉及汽车NVH性能领域，具体涉及一种车内声品质分区评价方法、一种车内声品质分区评价系统、一种车内声品质分区主动控制方法，一种车内声品质分区主动控制装置、一种车辆以及一种计算机可读存储介质。

技术介绍

[0002]声品质能直接反映驾乘人员对汽车声音的主观感受，是影响客户购买倾向的重要因素。随着经济的发展和人们物质、文化生活水平的提高，用户对车内声品质的需求呈现多维性特征，不同客户群体需求不同，有的喜欢安静舒适的车内环境，有的追求运动感的驾乘体验，即便同一车内空间，驾驶员位置，后排乘客位置等不同位置乘员对车内声品质的需求也不相同，研究乘用车车内多维度声品质评价及控制方法具有现实意义。
[0003]声品质主观评价方法能直观反映人的主观感受，但依赖评价者经验、工作状态等，结果稳定性较差，也不利于企业的数据积累。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。CN103471709A《乘用车车内噪声声品质预测方法》中以车内A声级、响度、尖锐度等车内声品质客观心理声学参数与声品质主观评价结果为基础，通过BP神经网络，建立车内声品质主观评价的客观量化模型。
[0004]但上述方法需要人工提取声学客观指标，不仅耗时耗力，所提取指标的合理性、全面性也较大程度的依赖于工程师或研究人员的经验和认知，不易真实全面的反映声样本的物理特性。

技术实现思路

[0005]本专利技术的目的之一在于提供一种车内声品质分区评价方法，该方法将非线性映射能力强，且能自动提取图像特征的卷积神经网络用于声品质评价及预测建模中，结合卷积神经网络拥有的自适应特征提取能力及支持向量回归算法在小数据样本场景的优势，建立了深度卷积神经网络与支持向量回归算法相结合的车内声品质评价模型，不同声品质模式对应不同的声品质评价模型，实现分区域分声品质模式对车内声品质进行评价及预测，模型精度较高；目的之二在于提供一种车内声品质分区主动控制方法，基于车内声品质评分以及当前区域的声品质模式所对应的目标分值控制主动噪声控制系统对当前区域进行噪声主动控制，高效实现车内声品质的评价和提升，使得在同一空间内，不同用户根据自身需求拥有不同的私人声学环境，满足不同驾乘人员个性化的驾乘体验。
[0006]为了实现上述目的，本专利技术采用的技术方案如下：
[0007]一种车内声品质分区评价方法，所述方法包括：
[0008]获取车内当前区域的声音信息；
[0009]将声音信息输入当前区域的声品质模式所对应的声品质评价模型进行评价，得到当前区域的声品质评分，所述声品质评价模型是基于深度卷积神经网络算法和支持向量回归算法的混合预测模型。
[0010]根据上述技术手段，采用基于深度卷积神经网络算法和支持向量回归算法的混合预测模型构建了不同声品质模式对应的声品质评价模型，依据车内不同区域的用户对声品质模式的需求对不同区域的声音信息进行评价，评价精度高。
[0011]在本申请实施例中，所述声品质评价模型通过如下方法进行训练：
[0012]采集噪声样本；
[0013]按照不同声品质模式所对应的声品质维度对噪声样本进行分类，得到各声品质模式对应的噪声样本；
[0014]对各声品质模式对应的噪声样本进行打分标记；
[0015]将每一声品质模式的噪声样本以及噪声样本对应的打分划分为训练集和验证集；
[0016]采用训练集和验证集对基于深度卷积神经网络算法和支持向量回归算法的混合预测模型进行训练，得到各声品质模式对应的声品质评价模型。
[0017]根据上述技术手段，可以训练得到不同声品质对应的声品质评价模型，用于实现不同声品质模式下的声品质评价。
[0018]在本申请实施例中，所述噪声样本包括：不同工况、不同种类路面、车内不同测试位置、不同时速、不同车辆上采集的噪声样本。
[0019]通过上述技术手段采集的噪声样本能够体现车辆在实际使用过程中产生的多样化的噪声，车内不同测试位置可以反映车内不同区域的噪声情况，这样的噪声样本用于模型训练，训练得到的模型准确度更高。
[0020]在本申请实施例中，所述基于深度卷积神经网络算法和支持向量回归算法的混合预测模型包括输入层、卷积层、池化层、全连接层和回归输出层。
[0021]通过上述技术手段构建的预测模型即具有卷积神经网络算法拥有的自适应特征提取能力，又具有支持向量回归算法在小数据样本场景的优势。更适用于车内声品质评价这样的噪声样本采集难度高的场景。
[0022]本专利技术第二方面提供一种车内声品质分区评价系统，所述系统包括：
[0023]数据获取单元，用于获取车内当前区域的声音信息；
[0024]声品质评分单元，用于将声音信息输入当前区域的声品质模式所对应的声品质评价模型进行评价，得到当前区域的声品质评分。
[0025]通过上述技术手段，可以实现对采集的车内当前区域的声音信息进行评价，评价基于深度卷积神经网络算法和支持向量回归算法的混合预测模型，不同声品质模式对应不同的声品质评价模型，评价精度高。
[0026]本专利技术第三方面提供一种车内声品质分区主动控制方法，所述方法包括：
[0027]根据所述的车内声品质分区评价方法获得当前区域的声品质评分；
[0028]比较当前区域的声品质评分与当前区域的声品质模式所对应的目标分值；
[0029]在声品质评分低于目标分值的情况下，控制主动噪声控制系统对当前区域进行噪声主动控制；
[0030]重复上述步骤，直至当前区域声品质评分不低于目标分值。
[0031]通过上述技术方案，可以实现车内不同区域的声品质评分，然后基于声品质评分以设置的声品质模式的目标分值为标准，来进行当前区域进行噪声主动控制，高效实现车内声品质的评价和提升，使得在同一空间内，不同用户根据自身需求拥有不同的私人声学
环境，满足不同驾乘人员个性化的驾乘体验。
[0032]在本申请实施例中，控制主动噪声控制系统对当前区域进行噪声主动控制，包括：
[0033]获取参考信号以及当前区域的声音信息；
[0034]根据所述参考信号和当前区域的声音信息计算次级声源控制信号；
[0035]根据所述次级声源控制信号控制次级声源产生次级声波。
[0036]根据上述技术手段，根据从车辆上采集的参考信号和当前区域的声音信息来控制次级声源发声，次级声源发出的的声波与当前区域的噪声相互干涉抵消，从而提升当前区域的声品质评分。
[0037]在本申请实施例中，根据所述参考信号和当前区域的声音信息计算次级声源控制信号，包括：
[0038]采用人工神经网络算法根据所述参考信号和当前区域的声音信息计算次级声源控制信号。
[0039]通过上述技术手段，采用人工神经网络网络算法计算次级声源控制信号，人工申请网络算法具有较强的自适应学习能力和非线性特性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种车内声品质分区评价方法，其特征在于，所述方法包括：获取车内当前区域的声音信息；将声音信息输入当前区域的声品质模式所对应的声品质评价模型进行评价，得到当前区域的声品质评分，所述声品质评价模型是基于深度卷积神经网络算法和支持向量回归算法的混合预测模型。2.根据权利要求1所述的车内声品质分区评价方法，其特征在于，所述声品质评价模型通过如下方法进行训练：采集噪声样本；按照不同声品质模式所对应的声品质维度对噪声样本进行分类，得到各声品质模式对应的噪声样本；对各声品质模式对应的噪声样本进行打分标记；将每一声品质模式的噪声样本以及噪声样本对应的打分划分为训练集和验证集；采用训练集和验证集对基于深度卷积神经网络算法和支持向量回归算法的混合预测模型进行训练，得到各声品质模式对应的声品质评价模型。3.根据权利要求2所述的车内声品质分区评价方法，其特征在于，所述噪声样本包括：不同工况、不同种类路面、车内不同测试位置、不同时速、不同车辆上采集的噪声样本。4.根据权利要求1所述的车内声品质分区评价方法，其特征在于，所述基于深度卷积神经网络算法和支持向量回归算法的混合预测模型包括输入层、卷积层、池化层、全连接层和回归输出层。5.一种车内声品质分区评价系统，其特征在于，所述系统包括：数据获取单元，用于获取车内当前区域的声音信息；声品质评分单元，用于将声音信息输入当前区域的声品质模式所对应的声品质评价模型进行评价，得到当前区域的声品质评分。6.一种车内声品质分区主动控制方法，其特征在于，所述方法包括：根据权利要求1
‑
4中任一项所述的车内声品质分区评价方法获得当前区域的声品质评分；比较当前区域的声品质评分与当前区域的声品质模式所对应的目标分值；在声品质评分低于目标分值的情况下，控制主动噪声控制系统对当前区域进行噪声主动控制；重复上述步骤，直至当...

【专利技术属性】
技术研发人员：贾小利，庞剑，
申请(专利权)人：重庆长安汽车股份有限公司，
类型：发明
国别省市：