【技术实现步骤摘要】
本专利技术涉及一种机器学习网络，其包括与带有电驱动机器的设备相关联的机器学习网络。
技术介绍
1、人类对机电系统(ems)——诸如电驱动(ed)、致动器、泵等——产生的声音的感知是影响包含ems的产品的可用性以及客户的产品购买决定的重要特性。通常，人类感知分数是使用来自陪审团测试的人类输入来测量的，在陪审团测试中，要求选定数量的人重复地对声音愉悦度进行评级，或者选择2种声音中的哪一种被感知为“更好”或更愉悦。然而，执行这样的陪审团测试是昂贵的，因为每个声音需要由多人手动判断多次。手动评分的一种替代方案是开发一种自动评分模型，所述模型基于先前看到的标记数据预测人类感知分数。然而，在一些情况下，诸如在装配工厂进行生产线末端(eol)测试，由于记录条件不足(例如高背景噪音)，很难记录产品声音。尽我们所知，当前还没有能够在这样的情况下估计人类感知分数的方法。这里，我们提出了一种基于加速度计数据或其他在eol测试环境中容易记录的模态来估计人类声音感知的虚拟感测方法。
2、大多数当前虚拟感测方法依赖于基于物理的模型，该模型开发麻烦，难以...
【技术保护点】
1.一种计算机实现的方法，包括：
2.根据权利要求1所述的计算机实现的方法，其中仅利用振动信息并最小化由未训练的机器学习模型输出的分数预测误差来训练经训练的机器学习模型。
3.根据权利要求1所述的计算机实现的方法，其中所述经训练的机器学习模型经由间接方法训练，其中机器学习模型的第一神经网络利用声音信息训练，并且第二神经网络利用振动信息训练以预测测量的声音并获得预测的声音；
4.根据权利要求1所述的计算机实现的方法，其中所述训练数据利用从无噪声环境中获得的声音信息和加速度计数据。
5.根据权利要求1所述的计算机实现的方法，...
【技术特征摘要】
1.一种计算机实现的方法，包括：
2.根据权利要求1所述的计算机实现的方法，其中仅利用振动信息并最小化由未训练的机器学习模型输出的分数预测误差来训练经训练的机器学习模型。
3.根据权利要求1所述的计算机实现的方法，其中所述经训练的机器学习模型经由间接方法训练，其中机器学习模型的第一神经网络利用声音信息训练，并且第二神经网络利用振动信息训练以预测测量的声音并获得预测的声音；
4.根据权利要求1所述的计算机实现的方法，其中所述训练数据利用从无噪声环境中获得的声音信息和加速度计数据。
5.根据权利要求1所述的计算机实现的方法，其中所述声音感知评分是响应于声音信息而手动生成的。
6.根据权利要求1所述的计算机实现的方法，其中所述振动信息是加速度计数据。
7.根据权利要求1所述的计算机实现的方法，其中所述机器学习模型是u-net或transformer网络。
8.根据权利要求1所述的计算机实现的方法，其中仅利用实时振动信息来生成实时声音感知分数。
9.根据权利要求1所述的计算机实现的方法，其中所述机器学习模型是深度学习网络。
【专利技术属性】
技术研发人员：I·巴塔洛夫，T·阿尔贝尔，F·J·C·孔德萨，F·郎，F·舍恩，C·欧，M·胡贝尔，D·瑙姆金，M·库卡，B·利普奇克，M·博舍特，A·亨克，
申请(专利权)人：罗伯特·博世有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。