System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及评价领域,尤其涉及一种基于神经网络的指挥室声环境质量权重计量优化分析方法。
技术介绍
1、现有指挥室声环境在大量运用先进技术的同时,对声学方面的听闻感受有较多忽略,导致指挥室声环境出现各种客观音质和噪声控制方面的声场缺陷和问题,例如:系统总噪声过大、隔声量欠缺、混响时间过长、声场均匀度差,甚至部分指挥室声环境存在声泄露、声阴影、颤动回声等声学缺陷,造成沟通保密性差、语言清晰度低、语音可懂度低等重大声场问题,严重影响声信息的传输和保密,很可能会阻碍和影响各类信息的传递和指挥调度。因此,开发一种高效、准确的基于神经网络的指挥室声环境质量权重计量优化分析方法显得尤为重要。
技术实现思路
1、本专利技术的目的是要提供一种基于神经网络的指挥室声环境质量权重计量优化分析方法。
2、为达到上述目的,本专利技术是按照以下技术方案实施的:
3、本专利技术包括以下步骤:
4、获取指挥室声环境历史数据,对所述指挥室声环境历史数据进行预处理;
5、对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重,所述环境分析包括声学环境分析环节、声学设计分析环节、声学施工分析环节,声学中期监测分析环节和声学测试分析环节;
6、获取所述环境分析的细化步骤进行二级权重评分;
7、针对不同等级指挥室声环境的声环境质量的所述二级权重评分的评价量值进行加权求和,根据算法再得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环
8、 所述质量优化分析效能的总评分计算公式为:
9、tall=αa·wa+αd·wd+αc·wc+αm·wm+αt·wt
10、其中,tall为所有环节质量优化分析效能评分,αa为声学环境分析环节下各步骤二级权重评分;αd为声学设计分析环节下各步骤二级权重评分;αc为声学施工分析环节下各步骤二级权重评分;αm为声学中期监测分析环节下各步骤二级权重评分;αt为声学测试分析环节下各步骤二级权重评分;声学环境分析环节占权重为wa,声学设计分析环节占权重wd,声学施工分析环节占权重wc,声学中期监测分析环节占权重wm,声学测试分析环节占权重wt。
11、进一步地,所述指挥室声环境历史数据进行预处理包括特征提取和归一化、标准化处理。
12、进一步地,对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重包括采用自组织映射som网络和learnsomb算法对所述指挥室声环境历史数据进行分类评价用以调整权重使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
13、进一步地,所述声学环境分析环节包括指挥室声环境等级确认,声环境需求确认和建设预算分析;所述声学设计分析环节包括建筑声学设计,隔声设计,隔振设计,保密设计和声学仿真;所述声学施工分析环节包括施工资质评审,材料测试和施工监理;所述声学中期监测分析环节包括一次中期监测,两次中期监测和多次中期监测;所述声学测试分析环节包括噪声测试,隔声测试和建声测试。
14、进一步地,采用多组数据作为总观测值,为防止数据过拟合,随机提取20%数据进行交叉验证。
15、进一步地,获取所述环境分析的细化步骤进行二级权重评分的具体步骤包括:声学环境分析环节二级权重评分公式为:
16、αa=tx+ty+tz
17、其中,αa为声学环境分析环节下各步骤二级权重评分;
18、tx为“a1指挥室等级确认”步骤评价量值;
19、ty为“a2声环境需求确认”步骤评价量值;
20、tz为“a3建设预算分析”步骤评价量值;
21、声学设计分析环节下各步骤二级权重评分公式为:
22、αd=ta+tb+tc+td+te
23、其中,αd为声学设计分析环节下各步骤二级权重评分;
24、ta为“d1建筑声学设计”步骤评价量值;
25、tb为“d2隔声设计”步骤评价量值;
26、tc为“d3隔振设计”步骤评价量值;
27、td为“d4保密设计”步骤评价量值;
28、te为“d5声学仿真”步骤评价量值;
29、 声学施工分析环节下各步骤二级权重评分公式为:
30、αc=to+tp+tq
31、其中,αc为声学施工分析环节下各步骤二级权重评分;
32、to为“c1施工资质评审”步骤评价量值;
33、tp为“c2材料测试”步骤评价量值;
34、tq为“c3施工监理”步骤评价量值;
35、 声学中期监测分析环节下各步骤二级权重评分公式为:
36、αm=tl+tm+tn
37、其中,αm为声学中期监测分析环节下各步骤二级权重评分;
38、tl为“m1一次中期监测”步骤评价量值;
39、tm为“m2两次中期监测”步骤评价量值;
40、tn为“m3多次中期监测”步骤评价量值;
41、 声学测试分析环节下各步骤二级权重评分公式为:
42、αt=tu+tv+tw
43、其中,αt为声学测试分析环节下各步骤二级权重评分;
44、tu为“t1噪声测试”步骤评价量值;
45、tv为“t2隔声测试”步骤评价量值;
46、tw为“t3建声测试”步骤评价量值。
47、进一步地,所述总观测值使用多种神经网络模型类型进行数据训练,数据集的训练值vnn 1.7e+1,训练值cvf 8.0e-1,目标值tvn 1.0e+0,验证值cvf 2.0e-1,模型类型bfld,训练值回归系数r=0.98。
48、第二方面,本申请实施例还提供一种电子设备,包括:
49、处理器;以及被安排成存储计算机可执行指令的存储器。
50、第三方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序。
51、本专利技术的有益效果是:
52、与现有技术相比,本专利技术具有以下技术效果:
53、本专利技术方法可以实现对指挥室声环境质量优化分析效能的快速判定,为其工程建设提供更快捷有效的管理参考,确保项目在设计之初就能够将声环境质量优化分析在预期的效果范围中,可以有效地指导相关声环境工程高质量立项及发展,避免声环境建设过程中的盲目性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:所述指挥室声环境历史数据进行预处理包括特征提取和归一化、标准化处理。
3.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重包括采用自组织映射SOM网络和learnsomb算法对所述指挥室声环境历史数据进行分类评价用以调整权重使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
4.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,所述声学环境分析环节包括指挥室声环境等级确认,声环境需求确认和建设预算分析;所述声学设计分析环节包括建筑声学设计,隔声设计,隔振设计,保密设计和声学仿真;所述声学施工分析环节包括施工资质评审,材料测试和施工监理;所述声学中期监测分析环节包括一次中期监测,两次中期监测和多次中期监测;所述声学测试分析环
5.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:采用多组数据作为总观测值,为防止数据过拟合,随机提取20%数据进行交叉验证。
6.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:获取所述环境分析的细化步骤进行二级权重评分的具体步骤包括:声学环境分析环节二级权重评分公式为:
7.根据权利要求5所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:所述总观测值使用多种神经网络模型类型进行数据训练,数据集的训练值VNN1.7E+1,训练值CVF 8.0E-1,目标值TVN 1.0E+0,验证值CVF 2.0E-1,模型类型BFLD,训练值回归系数R=0.98。
...【技术特征摘要】
1.一种基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,包括以下步骤:
2.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:所述指挥室声环境历史数据进行预处理包括特征提取和归一化、标准化处理。
3.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重包括采用自组织映射som网络和learnsomb算法对所述指挥室声环境历史数据进行分类评价用以调整权重使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
4.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,所述声学环境分析环节包括指挥室声环境等级确认,声环境需求确认和建设预算分析;所述声学设计分析环节包括建筑声学设计,隔声设计,隔振设计,保密设计和声学仿真;所述声学施工...
【专利技术属性】
技术研发人员:万宇鹏,付皓甯,周承毅,尹永钊,江东,钟守君,冯锦,张海锭,杨春节,
申请(专利权)人:中国测试技术研究院声学研究所,
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。