基于时域动态特性分析的车内声品质预测方法

摘要

本发明属于汽车振动与噪声分析与控制中声品质预测的技术领域，涉及一种基于时域动态特性分析的车内声品质预测方法；克服了目前车内声品质分析研究多无法描述车辆常规行驶时车内声音环境的时域动态特性的问题，包括以下步骤：1、利用声音采集设备采集车内声音信号样本；2、对车内声音信号样本进行分帧加窗处理；3、对车内噪声样本进行主观评价试验；4、计算声品质客观心理声学参数；5、计算客观心理声学参数的时域动态特性指标；指标包括各客观心理声学参数的方差和各客观心理声学参数的极差；6、建立车内声品质客观综合评价模型；7、对声品质客观综合评价模型输出值与主观评价值进行对比；8、使用检验样本对模型进行验证。

说明书

技术领域

本发明属于汽车振动与噪声分析与控制中声品质预测的技术领域，涉及一种基于时域动态特性分析的车内声品质预测方法。更具体的说，本发明是一种车内基于时域动态特性分析的车内声品质预测方法，适用于车辆常规行驶时由各种因素造成的非稳态车内声音环境下声品质的预测。

背景技术

随着汽车行业的迅猛发展，人们对汽车舒适性的要求越来越高，车内声品质在评价汽车整体质量中起的作用也越来越重要。车内声品质好坏反映人对车内声环境的感受，是人类心理和生理因素的共同作用。

目前现有的车内声品质研究，大部分都是在消声室或半消声室中进行，即基于稳态环境这一假设，且研究中车辆的工况也多设定为稳定的工况。近年来，仅有少数学者开始涉及加速等特定的非稳态工况下的车内声品质研究。与此同时，这些方法所涉及的车内声品质客观分析所广泛采用的声品质客观心理参数普遍只能反映稳态环境下的车内声品质，无法描述车辆常规行驶时车内声音环境的时域动态特性适用于车辆常规行驶时各种因素造成的车内非稳态声品质研究至今未见报道。且目前可见的声品质研究，普遍基于车内声音是稳定的这一前提，而选择以秒量级的单个声音样本代替整个声音环境进行分析研究。而车内实际行驶时，声音环境既包括随着行驶工况变化而不断变化的车辆自身的发动机噪声、轮胎噪声、空气噪声和车身结构噪声，更有车内人员语言交流、多媒体播放和行驶周边环境等其他声源的作用。上述声源的作用时间从数秒起，甚至持续伴随车辆的行驶过程，因此仅用秒量级的单个声音样本显然不能全面描述车内声音环境。

发明内容

本发明所要解决的技术问题是克服了现有技术存在的无法描述车辆常规行驶时车内声音环境的时域动态特性的问题，提供了一种基于时域动态特性分析的车内声品质预测方法。

为此，本发明提出了利用声品质客观心理声学参数的方差和极差作为动态特性指标，来建立车内声品质综合评价模型，以更好的反映车内声品质的实际情况。在具体声音样本处理 过程中，本发明提出在分钟量级上采集车内声音信号样本并在秒量级上进行声音时域信号分帧，并将其命名为“长时帧”，以反映人类听觉心理感受的累积效应。并提出适用于长时帧处理的梯形窗加窗方法，在消除边界效应同时又可使声音信号样本的特性得以充分保留。

本发明基于模糊综合评价方法对客观评价结果进行声品质综合评价建模。模糊综合评价是一种将边界不清、不易定量的因素定量化的综合评价方法，因其具有数学模型简单、结构层次清晰、被评价对象评价值唯一等优点，被广泛应用于许多科学领域。

为解决上述技术问题，本发明是采用如下技术方案实现的，结合附图说明如下：

一种基于时域动态特性分析的车内声品质预测方法，包括以下步骤：

步骤1：利用声音采集设备采集车内声音信号样本；

步骤2：对车内声音信号样本信号进行分帧加窗处理；

采集车内声音信号样本对声音样本进行分钟量级的截取，并以秒量级进行声音时域信号分帧，对长时帧进行梯形窗加窗方法处理，在消除边界效应同时，保留声音信号样本的特性；

步骤3：对车内噪声样本进行主观评价试验；

步骤4：计算声品质客观心理声学参数；

所述声品质客观心理声学参数包括：响度、尖锐度、粗糙度、抖动度和语言清晰度；

步骤5：计算客观心理声学参数的时域动态特性指标；

所述客观心理声学参数的时域动态特性指标包括各客观心理声学参数的方差和各客观心理声学参数的极差；

步骤6：建立车内声品质客观综合评价模型；

步骤7：对声品质客观综合评价模型输出值与主观评价值进行比较，根据比较结果对步骤6所建模型进行调整，直至结果与实际误差在20％之内，误差度满足要求；

步骤8：使用检验样本对模型进行验证；

采用检验样本对模型进行检验，如果结果对比度误差在20％之内，说明模型可以接受，如果结果对比度大于20％，则返回步骤6，重新调整模型，直到在此验证结果满足误差要求。

技术方案中所述步骤1中采集车内声音信号样本，具体步骤如下：

(1)将声音采集设备布放在副驾驶员处，即人工头或两个传声器具体位置的垂直坐标是座椅表面中线，横坐标是靠背表面中线，两者交点以上0.7±0.05m处，人工头或传声器对称地布置于座椅表面与靠背的对称面左右0.2±0.02m处；

(2)选择路况及工况：

选择测试车辆行驶的等级路面，并设计选择多个有代表性的车辆行驶工况；

(3)车内声音信号样本采集：

记录每个工况的车内声音信号样本，每次记录时间5～6分钟；

技术方案中所述步骤2中对车内噪声样本信号进行分帧加窗处理的具体步骤如下：

(1)车内声音信号样本分帧：

采集车内声音信号样本时长为4分钟，以2秒为一个帧长进行声音时域信号分帧；

(2)选择窗型： 

选择在消除边界效应同时又可使声音信号样本的特性得以充分保留的梯形窗；

(3)设定窗型参数：

窗型参数确定为：窗长是2秒，边缘长度是10毫秒。

技术方案中所述步骤3中对车内噪声样本进行主观评价试验的具体步骤如下：

(1)选取人员组成评审团：

选取了20名以上的试验人员作为声品质主观评价主体，评价主体中男女的比例为1:1，年龄在18～70之间，有驾驶经验的试验评价人员的数量与无驾驶经验的试验评价人员的数量比例为1:1；

(2)对评审团人员进行试验前培训；

(3)确定声品质评价指标：

评价指标为声环境舒适度；

(4)确定评价方法：

用数值估计法进行声音样本打分评价。

技术方案中所述步骤3中计算声品质客观心理声学参数的具体步骤如下：

(1)提取分帧加窗处理后的样本，进行响度计算：

$N^{\prime }=0.08{(E_{TQ}/E_0)}^{0.28}[{(0.5+E/E_{TQ})}^{0.23}-1]---\left(1\right)$

式中：N′是特征响度，单位sone；

E_TQ为与听阈对应的激励；

E为声信号对应的激励；

E₀为激励，与参考声强I₀＝10^-12w/m²相对应；

响度N为频带特征响度之和，单位sone，计算公式如下：

$N={\int }_0^{24Bark}{N}^{\prime }dz\left(sone\right)---\left(2\right)$

(2)提取分帧加窗处理后的样本，进行尖锐度计算；

采用Zwicker模型来计算尖锐度S，其数学模型以响度模型为基础，数学公式如下：

$S=k\frac{\underset{0}{\overset{24Bark}{\int }}{N}^{\prime }\left(z\right)zg\left(z\right)dz}{N}\left(acum\right)---\left(3\right)$

式中，S是尖锐度，单位acum；

k是加权系数，k取0.11；

N是总响度值，单位sone；

N′(z)是z号Bark域内的特征响度，单位sone；

(3)提取分帧加窗处理后的样本，进行粗糙度计算：

利用噪声的调制频率f_mod和个特征频带内的激励级差ΔL_E(z)来计算粗糙度，公式为：

$R=0.3f_{\mathrm{mod}}{\int }_0^{24Bark}{\mathrm{\Delta L}}_E\left(z\right)dz\left(asper\right)---\left(4\right)$

式中，R是粗糙度，单位asper；

f_mod是调制频率；

ΔL_E(z)为声信号激励级的变化量，定义为：

${\mathrm{\Delta L}}_E\left(z\right)=20{\log }_{10}\left(\frac{N_{max}^{\prime }\left(z\right)}{N_{min}^{\prime }\left(z\right)}\right)---\left(5\right)$

式中：N′_max(z)和N′_min(z)分别表示特征响度的最大值和最小值；

(4)提取分帧加窗处理后的样本，进行抖动度计算：

Zwicker抖动度计算模型为：

$F=0.008\frac{\underset{0}{\overset{24Bark}{\int }}{\mathrm{\Delta L}}_E\left(z\right)dz}{(f_{\mathrm{mod}}/f_0)+(f_0/f_{\mathrm{mod}})}\left(vacil\right)---\left(6\right)$

其中，F表示抖动度，单位vacil；

f₀表示调制基频；

(5)提取分帧加窗处理后的样本，进行语言清晰度AI计算:

语言清晰度计算模型为：

AI＝ΣW(f)D(f)/30      (7)

$\{\begin{array}{c}N\left(f\right)>UL\left(f\right),D\left(f\right)=0\\ LL\left(f\right)<N\left(f\right)<UL\left(f\right),D\left(f\right)=UL\left(f\right)-N\left(f\right)\\ N\left(f\right)<LL\left(f\right),D\left(f\right)=30\end{array}---\left(8\right)$

式中，W(f)为计权系数； 

N(f)为背景噪声上线，其表达式为UL(f)＝H(f)+12dB；

LL(f)为背景噪声下限，其表达式为LL(f)＝UL(f)-30dB。

技术方案中所述步骤4中计算客观心理声学参数的时域动态特性指标的具体步骤如下：

(1)各客观心理声学参数的方差S²计算

对经过公式计算出的响度、尖锐度、粗糙度、语言清晰度、抖动度依照方差公式进行计算：

$S^2=\frac{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}{n-1}---\left(9\right)$

式中：x_i为各参数以2秒为一帧的计算值；

为各参数计算值的平均值；

n为各参数计算值的个数；

(2)各客观心理声学参数的极差R计算

R＝x_max-x_min     (10)

式中：x_max为各参数以2秒为一帧的计算值中的最大值；

x_min为各参数以2秒为一帧的计算值中的最小值。

技术方案中所述步骤6中建立车内声品质客观综合评价模型的具体步骤如下：

(1)确定模糊综合评价因素集；

声品质的模糊评价过程中，选取各客观心理声学参数及各参数的时域动态特性指标作为评价参量：

U＝{语言清晰度，语言清晰度的方差，响度，响度的方差，粗糙度，粗糙度的方差，尖锐度，尖锐度的方差，抖动度，抖动度的方差}；

(2)建立备择集； 

备择集是各因素对评价对象的评价结果的集合，是一种向量表示：

V＝{完全不能接受，不能接受，一般，可以接受，欣然接受}；

(3)确定权重； 

(4)确定隶属度函数。

技术方案中所述确定权重，是指采用定性与定量结合的层次分析法确定客观心理声学参数及各参数的方差的权重，据此构造判断矩阵，具体过程如下：

1)首先对评价对象的各因素确定层次，将同类因素归为一类且降低层次，以此来确定各因素的层次结构。

2)参考客观指标与主观评价指标的相关系数值及判断矩阵标度，比较同一层次的各因素，依据各因素之间重要性的不同来补充判断矩阵；

3)计算矩阵的特征根与特征向量，对判断矩阵进行一致性检验；

4)若矩阵一致性检验合格，进行权重向量的计算，归一化之后为矩阵的特征向量。

9、根据权利要求8所述的一种基于时域动态特性分析的车内声品质预测方法，其特征在于：

所述计算矩阵的特征根与特征向量，对判断矩阵进行一致性检验的具体步骤如下：

a、计算矩阵A的最大特征值λ_max；

b、求解公式(11)所示的一致性指标C.L；

$C.L=\frac{{\lambda }_{max}-n}{n-1}---\left(11\right)$

λ_max为矩阵A的最大特征值，n为阶数。

c、找出矩阵对应的平均随机一致性指标R.L.

d、求解公式(12)所示的一致性比率C.R.；

$C.R.=\frac{C.L}{R.L}---\left(12\right)$

e、若C.R.＞0.1时，需重新构建或修正判断矩阵；若C.R.＜0.1，一般认为判断矩阵的一致性可以接受；

若矩阵一致性检验合格，进行权重向量的计算，归一化之后为矩阵的特征向量，特征向量的求解过程如下：

a.将矩阵A按列归一化： 

$\left(\begin{array}{cc}{b}_{ij}=\frac{a_{ij}}{\underset{i=1}{\overset{n}{\Sigma }}{a}_{ij}}& (i,j=1,2,...,n)---\left(13\right)\end{array}\right)$

b.将每一列归一化后的数据按行相加：

$W_i=\underset{j=1}{\overset{n}{\Sigma }}{b}_{ij}---\left(14\right)$

c.将得到的和向量归一化，得到权重向量：

$\overline{W_i}=\frac{W_i}{\underset{j=1}{\overset{n}{\Sigma }}{b}_{ij}}---\left(15\right)$

按照上述所述的步骤，确定了各评价因素的层次结构，进而确定各层次的权重向量，总权重向量为A。

技术方案中所述确定隶属度函数步骤如下：

1)选择隶属度函数及指标模糊化处理：

选择离散隶属度函数，将10个指标进行模糊化；

2)确定隶属度函数区间范围：

结合专家给出的意见来确定心理声学参数隶属度函数的区间范围；

3)计算评价矩阵：

结合确定的备择集与各因素隶属度函数，将各因素的值输入隶属度函数进而得到各因素的评价矩阵R；

4)计算模糊综合评价式：

将各因素计算的评价矩阵R与权重集A运算，得到模糊综合评价模型：

B表示综合评价向量。

与现有技术相比本发明的有益效果是：

本发明所述的基于时域动态特性分析的车内声品质预测方法与传统的声品质研究相比，最大的不同在于充分考虑了车辆常规行驶时由各种因素造成的车内声音环境的非稳态情况，提出了以各声品质客观评价参数及各参数的时域动态特性指标为基础的非稳态声环境下声品质综合评价模型的建立方法。

此外，不同于以往的声品质研究选择以秒量级的单个声音样本代替整个声音环境进行分析研究，本发明提出了能够反映反映人类听觉心理感受的累积效应，在秒量级上进行声音时域信号分帧，并将其命名为“长时帧”。并对长时帧采用梯形窗加窗，在消除边界效应同时又可使声音信号样本的特性得以充分保留。

本发明所述的基于时域动态特性分析的车内声品质预测方法通用性强，更具有实际意义， 既可以应用于实车试验，进行声品质方案分析及优化。

此外，本发明所述方法不仅限于车内声环境，同时也适用于其他封闭环境的声品质分析及预测。

附图说明

下面结合附图对本发明作进一步的说明：

图1为本发明所述的一种基于时域动态特性分析的车内声品质预测方法总流程图；

图2为本发明所述的基于时域动态特性分析的车内声品质预测方法的语言清晰度隶属度函数图；

图3为本发明所述的基于时域动态特性分析的车内声品质预测方法的语言清晰度方差隶属度函数图；

图4为本发明所述的基于时域动态特性分析的车内声品质预测方法的主观指标的隶属度函数图；

具体实施方式

下面结合附图对本发明作详细的描述：

本发明的宗旨是为了克服目前车内声品质分析研究多无法描述车辆常规行驶时车内声音环境的时域动态特性的问题，同时为了针对以往的车内声品质优化中，每一次实车声品质改造都要进行繁琐的声品质主观评价和声品质客观心理声学参数分析实验的现状，提出了以各声品质客观评价参数及各参数的时域动态特性指标为基础的非稳态声环境下声品质预测方法。本发明由于引入了时域动态特性分析，解决了车辆常规行驶时由各种因素造成的车内声音环境的非稳态情况下声品质分析问题。同时，简化了乘用车车内声品质评价的实验步骤，建立了主客观对应关系，较以往的研究更具有实际意义。

基于时域动态特性分析的车内声品质预测方法中，所用的设备和计算方法如下：

所述的声音采集设备可以是人工头或传声器。其中人工头是模拟真人头部肩部尺寸的人体模型，人工头的耳部结构是模拟人耳的内部构造，两个传声器分别安装在两个耳朵内，可以真实还原听音者的声场环境。

所述的传声器是指市场上通用的声音传感器，即为麦克。

所述的计算模型是采用模糊数学理论建立的综合评价模型：(1)确定模糊综合评价因素集；(2)建立备择集；(3)确定权重；(4)确定隶属度函数。

所述的加窗处理，可应用专业的计算软件编程设计窗型，窗长及边缘长度。

一种基于时域动态特性分析的车内声品质预测方法，包括以下步骤：

步骤1：利用声音采集设备在分钟量级上采集车内声音信号样本；

所述步骤1中采集车内声音信号样本，具体步骤如下：

(1)将声音采集设备布放在副驾驶员处，声音采集设备具体位置的垂直坐标是座椅表面中线，横坐标是靠背表面中线，两者交点以上0.7±0.05m处，人工头或传声器对称地布置于座椅表面与靠背的对称面左右0.2±0.02m处；

(2)选择路况及工况：

参考国家现行《公路工程技术标准》选择测试车辆行驶的等级路面，并设计选择多个有代表性的车辆行驶工况，如怠速和匀速35km/h多个有代表性的工况；

(3)车内声音信号样本采集；

利用声音采集设备，对于选定路况下运行的乘用车辆，记录每个工况的车内声音信号样本，每次记录时间5～6分钟，保证足够的时长用于长时帧划分；

步骤2：对车内声音信号样本信号进行分帧加窗处理车内声音信号样本对声音样本在秒量级上进行分帧，采用长时帧梯形窗，在消除边界效应同时，保留声音信号样本的特性；

为了能够反映车内声音环境的动态特性及人类听觉心理感受的累积效应，本发明提出在车内声品质研究中采集车内声音信号样本以2秒为一个帧长进行声音时域信号分帧。并提出适用于长时帧处理的梯形窗加窗方法，在消除边界效应同时又可使声音信号样本的特性得以充分保留。具体参数选择中，考虑到人耳对于声品质参数的感受积累时间不应该太短，同时参考人类对音乐的感受积累，最终确定窗长为2s，边缘长度是窗长的百分之一，即10毫秒。可以应用专业的计算软件编程设计窗型。

所述步骤2中对车内声音样本信号进行分帧加窗处理的具体步骤如下：

(1)车内声音信号样本分帧：

对车内声音信号样本以2秒为一个帧长进行声音时域信号分帧；

(2)选择窗型： 

选择在消除边界效应同时又可使声音信号样本的特性得以充分保留的梯形窗；

(3)设定窗型参数：

窗型参数确定为：窗长是2秒，边缘长度是10毫秒。

步骤3：将声音信号样本分为训练样本和检测样本，对训练样本进行主观评价分析；

在评价主体数量上，大多数心理声学的评价试验，20名及以上的主观评价者就可以得出比较准确的声学评价结果。基于这个原则，本发明推荐选取24名试验人员作为声品质主观评价主体，评价主体中男女的比例为1:1，年龄在18～70之间，有驾驶经验的试验评价人员 的数量与无驾驶经验的试验评价人员的数量比例为1:1，，评审组人员组成需考虑尽可能覆盖不同的地域、职业、性别、年龄、文化背景和生活习惯等。经过熟悉实验场所及环境，并讲解试验流程及评审指标的含义等培训后的评审人员组成评审团对分帧加窗之后的声音样本进行声品质主观评价。主观评价可根据车型和人群需要，选取合适的声品质评价指标，本发明评价指标为声环境舒适度，采用数值估计法按0-10的分值进行声音样本打分评价。本发明声品质主观评价并不局限与此方法，也可采用等级评分法等方法进行。

所述步骤3中进行主观评价分析的具体步骤如下：

(1)选取人员组成评审团：

选取了20名以上试验人员作为声品质主观评价主体，评价主体中男女的比例为1:1，年龄在18～70之间，有驾驶经验的试验评价人员的数量与无驾驶经验的试验评价人员的数量比例为1:1；

(2)对评审团人员进行试验前培训；

通过培训让评审团人员熟悉实验场所及环境，并为评审团人员讲解试验流程及评审指标的含义。

(3)确定声品质评价指标：

评价指标为声环境舒适度，其描述车内声音对乘坐人员造成的干扰、扰乱的程度，需要主观评价人员对存在车内声环境的舒适程度进行打分。

(4)确定评价方法：

以声环境舒适度为指标，由评审团人员采用数值估计法进行声音样本打分评价。

步骤4：计算声品质客观心理声学参数

所述声品质客观心理声学参数包括：响度、尖锐度、粗糙度、抖动度和语言清晰度；

所述步骤4中计算声品质客观心理声学参数的具体步骤如下：

(1)提取分帧加窗处理后的样本，进行响度计算：

$N^{\prime }=0.08{(E_{TQ}/E_0)}^{0.28}[{(0.5+E/E_{TQ})}^{0.23}-1]---\left(1\right)$

式中：N′是特征响度，单位sone；

E_TQ为与听阈对应的激励；

E为声信号对应的激励；

E₀为激励，与参考声强I₀＝10^-12w/m²相对应；

响度N为频带特征响度之和，单位sone，计算公式如下：

$N={\int }_0^{24Bark}{N}^{\prime }dz\left(sone\right)---\left(2\right)$

(2)提取分帧加窗处理后的样本，进行尖锐度计算；

采用Zwicker模型来计算尖锐度S，其数学模型以响度模型为基础，数学公式如下：

$S=k\frac{\underset{0}{\overset{24Bark}{\int }}{N}^{\prime }\left(z\right)zg\left(z\right)dz}{N}\left(acum\right)---\left(3\right)$

式中，S是尖锐度，单位acum；

k是加权系数，k取0.11；

N是总响度值，单位sone；

N′(z)是z号Bark域内的特征响度，单位sone；

(3)提取分帧加窗处理后的样本，进行粗糙度计算：

利用噪声的调制频率f_mod和个特征频带内的激励级差ΔL_E(z)来计算粗糙度，公式为：

$R=0.3f_{\mathrm{mod}}{\int }_0^{24Bark}{\mathrm{\Delta L}}_E\left(z\right)dz\left(asper\right)---\left(4\right)$

式中，R是粗糙度，单位asper；

f_mod是调制频率；

ΔL_E(z)为声信号激励级的变化量，定义为：

${\mathrm{\Delta L}}_E\left(z\right)=20{\log }_{10}\left(\frac{N_{max}^{\prime }\left(z\right)}{N_{min}^{\prime }\left(z\right)}\right)---\left(5\right)$

式中：N′_max(z)和N′_min(z)分别表示特征响度的最大值和最小值；

(4)提取分帧加窗处理后的样本，进行抖动度计算：

Zwicker抖动度计算模型为：

$F=0.008\frac{\underset{0}{\overset{24Bark}{\int }}{\mathrm{\Delta L}}_E\left(z\right)dz}{(f_{\mathrm{mod}}/f_0)+(f_0/f_{\mathrm{mod}})}\left(vacil\right)---\left(6\right)$

其中，F表示抖动度，单位vacil；

f₀表示调制基频(f₀取4Hz)；f_mod、ΔL_E(z)的定义和计算与粗糙度相同。

(5)提取加窗处理后的样本对其进行处理，进行语言清晰度计算:

根据对每个频带的分析得到AI指数，语言清晰度即AI指数依赖于背景噪声的声压级和频率(三分之一倍频程)，在车内人们交谈时人耳可听的语言范围在背景噪声的频谱中表现一个200～6300Hz的区域，其计算模型为

AI＝ΣW(f)D(f)/30   (7)

$\{\begin{array}{c}N\left(f\right)>UL\left(f\right),D\left(f\right)=0\\ LL\left(f\right)<N\left(f\right)<UL\left(f\right),D\left(f\right)=UL\left(f\right)-N\left(f\right)\\ N\left(f\right)<LL\left(f\right),D\left(f\right)=30\end{array}---\left(8\right)$

式中，W(f)为计权系数；N(f)为背景噪声上线，其表达式为UL(f)＝H(f)+12dB；LL(f)为背景噪声下限，其表达式为LL(f)＝UL(f)-30dB。其中各频段对应的上限噪声以及计权系数如下表1所示

表1各频段对应的上限噪声以及计权系数

频率/Hz>上限噪声UL(f)>计权系数W(f)>200>64>1>250>69>2>315>71>3.25>400>73>4.25>500>75>4.5>630>75>5.25>800>75>6.5>1000>74>7.25>1250>72>8.5>1600>70>1.5>2000>67>11>2500>65>9.5>3150>63>9>4000>60>7.75>5000>56>6.25>6300>51>2.5>

步骤5：计算客观心理声学参数的时域动态特性指标

时域动态特性指标包括各客观心理声学参数的方差和各客观心理声学参数的极差；各客观心理声学参数的方差指响度的方差、尖锐度的方差、粗糙度的方差、抖动度的方差、语言清晰度的方差；各客观心理声学参数的极差指响度的极差、尖锐度的极差、粗糙度的极差、语言清晰度的极差、抖动度的极差；

所述步骤5中计算客观心理声学参数的时域动态特性指标的具体步骤如下：

(1)各客观心理声学参数的方差S²计算

对经过公式计算出的响度、尖锐度、粗糙度、语言清晰度、抖动度依照方差公式进行计算：

$S^2=\frac{\underset{i=1}{\overset{n}{\Sigma }}{(x_i-\bar{x})}^2}{n-1}---\left(9\right)$

式中：x_i为各参数以2秒为一帧的计算值；

为各参数计算值的平均值；

n为各参数计算值的个数；

(2)各客观心理声学参数的极差R计算

R＝x_max-x_min    (10)

式中：x_max为各参数以2秒为一帧的计算值中的最大值；

x_min为各参数以2秒为一帧的计算值中的最小值。

在计算过程中可以采用专业的计算软件计算。

步骤6：建立车内声品质主客观综合评价模型；

所述步骤6中建立车内声品质客观综合评价模型的具体步骤如下：

(1)确定模糊综合评价因素集；

声品质的模糊评价过程中，选取各客观心理声学参数及各参数的时域动态特性指标作为评价参量：

U＝{语言清晰度，语言清晰度的方差，响度，响度的方差，粗糙度，粗糙度的方差，尖锐度，尖锐度的方差，抖动度，抖动度的方差}；

(2)建立备择集； 

备择集是各因素对评价对象的评价结果的集合，是一种向量表示：

V＝{完全不能接受，不能接受，一般，可以接受，欣然接受}；

(3)确定权重； 

上述(3)技术方案中所述确定权重，是指采用定性与定量结合的层次分析法构造判断矩阵，根据判断矩阵确定客观心理声学参数及各参数的方差的权重，具体过程如下：

1)首先对评价对象的各因素确定层次，将同类因素归为一类且降低层次，以此来确定各因素的层次结构。

2)参考客观指标与主观评价指标的相关系数值及判断矩阵标度，比较同一层次的各因素，依据各因素之间重要性的不同来补充判断矩阵；

参阅图2，以尖锐度方差与声舒适度的相关性为例，及判断矩阵标度，参阅表2，比较同一层次的各因素，依据各因素之间重要性的不同来补充判断矩阵，参阅表3所示。

表2判断矩阵标度及其意义

标度值>含义>1>A_j与A_i对评价对象有着同样的重要程度>3>A_j比A_i稍微重要>5>A_j明显重要>7>A_j强烈重要>9>A_j极端重要>2,4,6,8>相邻两等级的中间值>

表3判断矩阵

表3中，a_ij表示因素i与j相比，重要程度的比值。

3)计算矩阵的特征根与特征向量，对判断矩阵进行一致性检验；

上述3)技术方案中所述计算矩阵的特征根与特征向量，对判断矩阵进行一致性检验的具体步骤如下：

a、计算矩阵A的最大特征值λ_max；

b、求解公式(11)所示的一致性指标C.L；

$C.L=\frac{{\lambda }_{max}-n}{n-1}---\left(11\right)$

λ_max为矩阵A的最大特征值，n为阶数；

c.对照表4找出矩阵对应的平均随机一致性指标R.L.

表4平均随机一致性R.L.表

阶数>1>2>3>4>5>6>7>8>9>10>11>12>R.L.>0.00>0.00>0.58>0.90>1.12>1.24>1.32>1.41>1.45>1.49>1.52>1.54>

d.求解公式(12)所示的一致性比率C.R.

$C.R.=\frac{C.L}{R.L}---\left(12\right)$

e、若C.R.＞0.1时，需重新构建或修正判断矩阵；若C.R.＜0.1，一般认为判断矩阵的一致性可以接受；

4)若矩阵一致性检验合格，进行权重向量的计算。

上述4)技术方案中所述的权重向量的计算过程如下：

a.将矩阵A按列归一化： 

$\left(\begin{array}{cc}{b}_{ij}=\frac{a_{ij}}{\underset{i=1}{\overset{n}{\Sigma }}{a}_{ij}}& (i,j=1,2,...,n)---\left(13\right)\end{array}\right)$

b.将每一列归一化后的数据按行相加：

$W_i=\underset{j=1}{\overset{n}{\Sigma }}{b}_{ij}---\left(14\right)$

c.将得到的和向量归一化，得到权重向量：

$\overline{W_i}=\frac{W_i}{\underset{j=1}{\overset{n}{\Sigma }}{b}_{ij}}---\left(15\right)$

按照上述所述的步骤，确定了各评价因素的层次结构，进而确定各层次的权重向量，总权重向量为A。

(4)确定隶属度函数；

在建立综合模型之前，选择了离散三角形隶属度函数将10个指标进行模糊化；10个指标为：语言清晰度，语言清晰度的方差，响度，响度的方差，粗糙度，粗糙度的方差，尖锐度，尖锐度的方差，抖动度，抖动度的方差；

结合专家给出的意见来确定心理声学参数隶属度函数的区间范围。在此以语言清晰度、语言清晰度的方差及声舒适度为例。参阅图3、图4。

结合确定的备择集与各因素隶属度函数，将各因素的值输入隶属度函数，进而得到各因素的评价矩阵R。

上述(4)技术方案中所述确定隶属度函数具体步骤如下：

1)选择隶属度函数及指标模糊化处理：

选择合适隶属度函数，将各客观心理声学参数及各参数的时域动态特性指标的10个指标进行模糊化；

2)确定隶属度函数区间范围：

结合专家给出的意见来确定心理声学参数隶属度函数的区间范围；

3)计算评价矩阵：

结合确定的备择集与各因素隶属度函数，将各因素的值输入隶属度函数进而得到各因素的评价矩阵R；

4)计算模糊综合评价式：

将各因素计算的评价矩阵R与权重集A运算，得到模糊综合评价模型：

B表示综合评价向量。

步骤7：对声品质客观综合评价模型输出值与主观评价值进行比较，根据比较结果对步骤6所建模型进行调整，直至结果与实际误差在20％之内，误差度满足要求。

步骤8：使用检验样本对模型进行验证；

采用新的检验样本对模型进行检验，如果结果对比度误差在20％之内，说明模型可以接受，如果结果对比度大于20％，则返回步骤6，重新调整模型，直到在此验证结果满足误差要求。

实施例：

为了便于相关技术人员更深入的理解本方法，通过将此方法应用于某国产乘用车声品质预测的具体实施案例进行说明：

1、为了足够的数据样本，选取某国产乘用车为测试对象，声音样本信号采集时，要求车辆正常一级高级路面即沥青混凝土路面或水泥混凝土路面行驶，以怠速和35Km/h等多个工况行驶，将人工头按照前面所述的方法安装了副驾驶员位置，记录各个工况下车内声音信号样本。每个工况记录3次，记录时间大于5分钟，车内声音信号样本各工况样本截取的长度为4分钟。

2、应用matlab编程设计加窗。窗型选择为梯形窗，窗长为2s，边缘长度是窗长的百分之一，即10毫秒。对筛选、分段、截取后的声音样本进行加窗处理。

3、利用LMS/test.lab中的声品质分析模块直接计算各声音样本的客观心理声学参数(响度、尖锐度、粗糙度、抖动度、语言清晰度)如表5所示。

表5客观心理参数计算值

4、利用matlab进行各心理声学参数的时域动态特性指标计算即方差和极差计算，如表6、表7所示。

表6各客观心理参数方差计算值

表7各客观心理参数极差计算值

5、本发明选取了24名试验人员作为声品质主观评价主体，评价主体中男女的比例为1:1，年龄在18～70之间，有驾驶经验的试验评价人员的数量与无驾驶经验的试验评价人员的数量比例为1:1，经过培训的评审人员组成评审团对分帧加窗之后的声音样本进行声品质主观评价，评审组人员组成需考虑尽可能覆盖不同的地域、职业、性别、年龄、文化背景和生活习惯等。

主观评价可根据车型和人群需要，选取合适的声品质评价指标，本发明评价指标为声环境舒适度，采用数值估计法由0-10的分值进行声音样本打分评价。如下所示。

在评价实验之前，由操作人员对评审团人员进行试验方法的详细步骤和注意事项进行讲解，并回答评审团提出的疑问，在试验过程中，评审团会依次听到不同的声音样本，根据其主观感觉分别在打分表上填写相应的分值。在试验过程中，当某个声音样本播放后，评审团不能对声音样本做出明确打分时，可以再次对该样本进行听审评价，直到获得满意的结果。将24位评价人员的打分值进行统计，使用软件进行评价人员之间的相关系数检验。剔除相关系数最小的两名评价人员。

计算出24名评价人员的主观打分值之间的皮尔逊相关系数，如下表8所示：

表8相关系数

 >1>2>3>4>5>6>…>20>21>22>23>24>1>1.00>0.78>0.68>0.87>0.73>0.71>…>0.62>0.63>0.40>0.73>0.62>2>0.78>1.00>0.83>0.74>0.68>0.70>…>0.69>0.74>0.58>0.62>0.61>3>0.68>0.83>1.00>0.75>0.64>0.77>…>0.70>0.73>0.45>0.69>0.75>4>0.87>0.74>0.75>1.00>0.87>0.76>…>0.87>0.79>0.51>0.61>0.64>5>0.73>0.68>0.64>0.87>1.00>0.81>…>0.61>0.77>0.42>0.63>0.73>6>0.71>0.70>0.77>0.76>0.81>1.00>…>0.76>0.85>0.40>0.65>0.83>

…>…>…>…>…>…>…>…>…>…>…>…>…>20>0.62>0.69>0.70>0.87>0.61>0.76>…>1.00>0.59>0.36>0.61>0.77>21>0.63>0.74>0.73>0.79>0.77>0.85>…>0.59>1.00>0.24>0.72>0.78>22>0.40>0.58>0.45>0.51>0.42>0.40>…>0.36>0.24>1.00>0.56>0.71>23>0.73>0.62>0.69>0.61>0.63>0.65>…>0.61>0.72>0.56>1.00>0.70>24>0.62>0.61>0.75>0.64>0.73>0.83>…>0.77>0.78>0.71>0.70>1.00>

可以看出22号主观评价人员与其他的主观评价人员之间的相关系数普遍相对较低，所以将这两名主观评价人员的评价结果剔除。

6、基于时域动态特性分析的车内声品质预测方法中进行车内声品质客观综合评价模型建立；

(1)确定模糊综合评价因素集

在声品质的模糊评价理论中，因素是选取的评价参量，表示为

U＝{语言清晰度，语言清晰度的方差，响度，响度的方差，粗糙度，粗糙度的方差，尖锐度，尖锐度的方差，抖动度，抖动度的方差}

(2)建立备择集 

备择集是各因素对评价对象的评价结果的集合，是一种向量表示，即V＝{完全不能接受，不能接受，一般，可以接受，欣然接受}。

(3)确定权重

确定评价体系权重的重点是构造判断矩阵，本发明参考轿车车内声品质模糊综合评价模型建立方法，并请具有丰富汽车声品质、声学经验及多年驾龄的专家来提出建议构造判断矩阵。

在权重向量的确定上提出参考客观指标与主观评价指标的相关系数值与判断矩阵标度相结合的方法。参考客观指标与主观评价指标的相关系数值及判断矩阵标度，比较同一层次的各因素，以各因素之间重要性的不同来补充判断矩阵。

在客观评价指标中，心理声学参数与各心理声学参数的方差及心理声学参数的极差作为第一层次的因素。而心理声学参数中的语言清晰度、响度等参数作为第二层次的因素，各参数的方差和极差也作为第二维度的因素。采用层次分析法构造以下表中客车车内掩蔽声环境声品质的客观评价指标各级别判断矩阵。

在乘客区的判断矩阵构造与权重的确定如下。

表9第一维度判断矩阵

 >心理声学参数>声学参数方差>声学参数极差>心理声学参数>1>1.5>2>

声学参数方差>2/3>1>1.5>声学参数极差>1/2>2/3>1>

计算可得到，λ_max＝3.0015，C.I.＝0.0007，R.I.＝0.58，C.R.＝0.0013,因此此判断矩阵的一致性是合格的。

表10“心理声学参数”判断矩阵

 >语言清晰度>响度>尖锐度>粗糙度>抖动度>语言清晰度>1>1>2>3>4>响度>1>1>2>3>5>尖锐度>1/2>1/2>1>2>2>粗糙度>1/3>1/3>1/2>1>2>抖动度>1/4>1/5>1/2>1/2>1>

计算可得到，λ_max＝5.0380，C.I.＝0.0095，R.I.＝0.90，C.R.＝0.0106，因此此判断矩阵的一致性是合格的。

表11“各参数方差”判断矩阵

计算可得到，λ_maxλ4.0407，C.I.＝0.0136，R.I.＝0.90，C.R.＝0.015，因此此判断矩阵的一致性是合格的。

表12“各参数极差”判断矩阵

计算可得到，λ_max＝5.1745，C.I.＝0.0436，R.I.＝0.90，C.R.＝0.0485，因此此判断矩阵的一致性是合格的。

计算上述两级因素的权重，列入下表中。

表13客观评价指标各级因素权重

即(0.1366，0.1427，0.0729，0.0472，0.0304，0.0967，0.0967，0.0536，0.0226，0.0501，0.0867，0.0867，0.0428，0.0110，0.0225)

(4)确定隶属度函数

各声品质主客观评价参数的隶属度函数如图选择了三角形隶属度函数，函数形式为离散型函数。在此仅列举的语言清晰度及语言清晰度方差和主观评价指标的隶属度函数，参阅图3、图4。

在确定隶属度函数时，用matlab编写一个程序，将声环境的主客观参数及计算值输入程序计算出每个参数的隶属度函数。

仅以语言清晰度指数隶属度函数为例，如下表示：

结合确定的备择集与各因素隶属度函数，将各因素的值输入隶属度函数，进而得到各因素的评价矩阵R。

将各因素计算的评价矩阵R与权重集A运算，得到模糊综合评价。

客观评价模型计算出的声品质结果如下。

表14声品质客观综合评价结果

主观评价计算出的声品质结果如下。

表15主观评价结果

7、对声品质客观综合评价模型输出值与主观评价值进行比较，根据比较结果对步骤6所建模型进行调整，直至结果与实际误差在20％之内，误差度满足要求。

8、综合评价模型的检验

采用新的检验样本对模型进行声品质模型的检验，将后12种声环境中的试验进行计算及预测统计，结果如下表。

表16模型检验结果

附加声环境>1>2>3>4>5>6>7>8>9>10>11>12>预测可接受度>5.16>5.06>4.67>4.95>3.77>4.47>4.83>4.53>4.44>3.96>3.54>3.12>实际可接受度>5.73>4.39>4.11>4.26>3.58>4.17>5.44>5.02>5.21>4.39>3.59>3.27>误差％>11>13.2>12>13.9>5>6.7>12.6>10.8>17.3>10.9>1.1>4.8>

由模型检验结果可以看出本文建立的声品质综合预测模型与可接受度预测模型将误差控制在15％以内，可以较好地预测客车内声品质。