使用DNN对高斯噪声合成源的声音质量进行数量预测和分析

科学领域:

• 汽车工程 汽车工程
• 声学 声学 在声学上
• 机器学习 机器学习

背景情况:

• 噪音,振动和强度 (NVH) 在汽车设计中至关重要.
• 准确地预测像Loudness N10这样的声音质量指标对于消费者满意度至关重要.
• 传统的BSR噪声评估方法可能是复杂和数据密集的.

研究的目的:

• 研究和开发一种机器学习模型,用于预测BSR噪声评估定量指数,Loudness N10.
• 评估统计和机器学习方法对BSR噪声预测的有效性.
• 为了更容易地估计与声音质量相关的物理量,即使在噪音条件下.

主要方法:

• 利用来自130个汽车座椅的1170个数据点,包括带有高斯噪声的合成声音数据.
• 使用与声压和质量相关的十个物理量 (dB,波动强度).
• 应用回归分析,K折交叉验证和深度神经网络 (DNN) 用于预测建模.

主要成果:

• 具有K折交叉验证的深度神经网络 (DNN) 模型显示出优异的预测准确性,特别是在较小的数据集中.
• 机器学习有效地预测了BSR定量指标,而不需要复杂的公式.
• 有效地估计了影响声音质量的特定物理量,即使有背景噪声.

结论:

• 机器学习,特别是具有K折交叉验证的DNN,为BSR噪声预测提供了强大而准确的方法.
• 这种方法简化了汽车声音质量和噪声指标的评估.
• 该研究表明,使用汽车应用中的数据驱动模型估计关键声学参数的可行性.