【技術實現步驟摘要】
本專利技術涉及噪聲分析，具體涉及到一種基于傳遞路徑分析的聲品質優化方法及裝置。
技術介紹
1、隨著人們對噪聲特性認知度的提高，聽覺系統會在噪聲物理特性和發聲體的功能品質之間形成特定的感知聯系，產生特定的心理感知需求。傳統的聲學研究主要針對客觀參量的優化逐漸無法滿足"以人為本"的研究趨向，因此產生了越來越多針對聲品質的研究工作。
2、在傳統的減振降噪優化工作中，傳遞路徑分析(tap)是最常用的一種方法，傳遞路徑分析通過識別和量化噪聲和振動從源頭傳遞到接收點的路徑，并針對貢獻較高的主要路徑進行優化，從而有效地控制噪聲。但是由于傳遞路徑分析是針對聲壓級的優化，通過傳遞路徑分析很難直接反映出聲品質的優化結果，因此將聲品質與傳遞路徑分析方法相結合，可以有效地識別出影響聲品質優化結果的主要路徑，并對后續的聲品質優化工作提供指導。簡單地計算各傳遞路徑的聲品質貢獻確實可以識別出主要路徑指導優化工作，但在確定主要優化頻率范圍時，仍然需要反復修改傳遞函數并計算路徑貢獻，這樣的過程是繁瑣且盲目的。
技術實現思路
1、本專利技術的目的在于解決現有技術聲品質優化過程中需要反復修改傳遞函數并計算路徑貢獻的問題。
2、本專利技術解決其技術問題所采用的技術方案是：提供一種基于傳遞路徑分析的聲品質優化方法，包括如下步驟：
3、采集被測對象的噪聲數據，計算噪聲數據的特征并評價噪聲數據的噪聲舒適度值，以噪聲數據的特征和噪聲舒適度值作為噪聲數據集；所述噪聲數據的特征包括局部頻域特征和全
4、基于xgboost的網絡結構構建預測模型，利用噪聲數據集對預測模型進行優化，獲得xgboost聲品質預測模型；所述xgboost聲品質預測模型以噪聲數據的特征為輸入，輸出噪聲舒適度值；
5、通過傳遞路徑分析方法計算各個路徑對目標點的噪聲貢獻作為路徑噪聲，利用xgboost聲品質預測模型預測路徑噪聲的噪聲舒適度值作為聲品質貢獻量；
6、針對聲品質貢獻量最高的前m個路徑進行shap值分析，得到優化特征及優化頻率，基于優化特征及優化頻率實現聲品質優化。
7、優選的，所述采集被測對象在不同工況下的噪聲數據，具體為：利用傳聲器測量被測對象在不同工況下的目標點噪聲、近場噪聲以及遠場噪聲，將數據裁切為5-10s，采樣頻率為44.1khz。
8、優選的，所述計算噪聲數據的特征，包括以下步驟：
9、使用灰狼優化算法優化vmd中的參數；
10、利用優化過參數的vmd將噪聲信號分解為多個時頻局部化的模態分量，取前5階本征模態分量并將其余信號合并作為第6階本征模態分量；
11、對提取出的本征模態分量做快速傅里葉變換fft并提取局部頻域特征，包括峭度、波形因數和能量；
12、計算各噪聲信號的傳統聲品質參數，包括響度、尖銳度、粗糙度、波動度、音調度和語音清晰度。
13、優選的，所述使用灰狼優化算法優化vmd中的參數，具體為：在灰狼算法的每次迭代中，根據gwo的社會等級分層和搜索過程更新vmd的懲罰因子α和模態分解數k。
14、優選的，所述評價噪聲數據的噪聲舒適度值，包括以下步驟：
15、將聲學舒適度劃分為1到10個等級，對噪聲樣本依據聲學舒適度等級進行評分，獲得噪聲舒適度值；
16、計算噪聲舒適度值的均值和標準差，剔除那些落在均值加減三倍標準差之外的數據點。
17、優選的，所述利用噪聲數據集對預測模型進行優化，包括以下步驟：
18、對噪聲數據集進行相關性分析，篩選出主要特征構成數據集d2，并對數據集d2中的數據進行歸一化后得到數據集d；
19、基于數據集d，通過梯度提升方法和正則化方法對預測模型進行訓練。
20、優選的，所述通過傳遞路徑分析方法計算各個路徑對目標點的噪聲貢獻作為路徑噪聲，包括以下步驟：
21、定義被測對象的傳遞路徑分析模型；
22、采集噪聲源的振動信號和噪聲信號，根據傳遞路徑分析模型得到噪聲數據；
23、測量傳遞路徑的傳遞函數，使用傳遞函數和噪聲數據的頻譜計算每個路徑對目標點噪聲或振動的貢獻；
24、對每個路徑對接收點噪聲或振動的貢獻做逆傅里葉變換得到各個路徑的時域貢獻噪聲，作為路徑噪聲。
25、優選的，所述xgboost聲品質預測模型預測路徑噪聲的噪聲舒適度值作為聲品質貢獻量，包括以下步驟：
26、計算各個路徑噪聲的特征，所述特征為相關性分析篩選出的主要特征；
27、xgboost聲品質預測模型基于路徑噪聲的特征，預測噪聲舒適度值作為該路徑的聲品質貢獻量。
28、優選的，所述針對聲品質貢獻量最高的前m個路徑進行shap值分析，包括以下步驟：
29、選擇聲品質貢獻量最高的前m個路徑作為主要路徑；
30、對主要路徑中的每個路徑，計算路徑中每個特征對預測結果的貢獻，選擇貢獻度最高的前n個特征作為優化特征，并將優化特征的imf對應的中心頻率作為優化頻率。
31、本專利技術還提供一種基于傳遞路徑分析的聲品質優化裝置，包括：
32、數據集采集模塊，采集被測對象在不同工況下的噪聲數據，計算噪聲數據的特征并評價噪聲數據的噪聲舒適度值，以噪聲數據的特征和噪聲舒適度值作為噪聲數據集；所述特征包括局部頻域特征和全局聲品質特征；
33、聲品質預測模型獲取模塊，基于xgboost的網絡結構構建預測模型，利用噪聲數據集對預測模型進行優化，獲得xgboost聲品質預測模型；所述xgboost聲品質預測模型以噪聲數據的特征為輸入，輸出噪聲舒適度值；
34、聲品質貢獻量獲取模塊，通過傳遞路徑分析方法計算各個路徑的噪聲貢獻作為路徑噪聲，利用xgboost聲品質預測模型預測路徑噪聲的噪聲舒適度值作為聲品質貢獻量；
35、聲品質優化模塊，針對聲品質貢獻量最高的前m個路徑進行shap值分析，得到優化特征及優化頻率，基于優化特征及優化頻率實現聲品質優化。
36、本專利技術具有如下有益效果：
37、(1)本專利技術采用gwo-vmd算法提取噪聲的頻域特征，能夠準確定位到優化的主要頻率范圍；
38、(2)本專利技術采用xgboost聲品質預測模型與傳遞路徑分析方法相結合，能夠在傳遞路徑分析中快速找出影響聲品質的主要路徑，并能根據重要性分析指出優化的關鍵頻率以指導后續的聲品質優化工作。
39、以下結合附圖及實施例對本專利技術作進一步詳細說明，但本專利技術不局限于實施例。
本文檔來自技高網...【技術保護點】
1.一種基于傳遞路徑分析的聲品質優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述采集被測對象在不同工況下的噪聲數據，具體為：利用傳聲器測量被測對象在不同工況下的目標點噪聲、近場噪聲以及遠場噪聲，將數據裁切為5-10s，采樣頻率為44.1kHz。
3.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述計算噪聲數據的特征，包括以下步驟：
4.根據權利要求3所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述使用灰狼優化算法優化VMD中的參數，具體為：在灰狼算法的每次迭代中，根據GWO的社會等級分層和搜索過程更新VMD的懲罰因子α和模態分解數K。
5.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述評價噪聲數據的噪聲舒適度值，包括以下步驟：
6.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述利用噪聲數據集對預測模型進行優化，包括以下步驟：
7.根據權利要求1所述的基于傳遞路徑分析的聲
8.根據權利要求6所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述XGBoost聲品質預測模型預測路徑噪聲的噪聲舒適度值作為聲品質貢獻量，包括以下步驟：
9.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述針對聲品質貢獻量最高的前M個路徑進行Shap值分析，包括以下步驟：
10.一種基于傳遞路徑分析的聲品質優化裝置，其特征在于，包括：
...【技術特征摘要】
1.一種基于傳遞路徑分析的聲品質優化方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述采集被測對象在不同工況下的噪聲數據，具體為：利用傳聲器測量被測對象在不同工況下的目標點噪聲、近場噪聲以及遠場噪聲，將數據裁切為5-10s，采樣頻率為44.1khz。
3.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述計算噪聲數據的特征，包括以下步驟：
4.根據權利要求3所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，所述使用灰狼優化算法優化vmd中的參數，具體為：在灰狼算法的每次迭代中，根據gwo的社會等級分層和搜索過程更新vmd的懲罰因子α和模態分解數k。
5.根據權利要求1所述的基于傳遞路徑分析的聲品質優化方法，其特征在于，...
【專利技術屬性】
技術研發人員：侯亮，劉宇航，卜祥建，羅斯進，崔戰波，
申請(專利權)人：廈門大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。