Page 149 - 《应用声学》2022年第4期

第 41 卷 第 4 期 贾尚帅等： 利用卷积网络的高速列车主观声品质预测 647

积神经网络 (ALRT-CNNs) 进行纯电动汽车的非平
0 引言
稳车内噪声的主观评价预测，避免了固定学习率下
随着高速列车速度的提升，车内噪声问题日益 的造成的局部最优解，从而反映非平稳噪声对人主
突出，这不仅会影响乘客的乘车体验，甚至会损害 观评价的影响。
人体健康。高速列车车内噪声是多种复杂激励源共 高速列车车内噪声的时-频特性是动态变化的。
同作用下的宽频带噪声，且以中低频为主 [1] 。传统 然而现有的客观品质指标或者预测模型通常旨在
的 A 计权声压级评价会对车内噪声水平造成一定 通过单独考虑时域或频域来评价，很少能同时考虑
的低估，导致结果与人的主观感受不相符。因此，国 声音的时-频变化特性，而声学主观评价的过程又会
内外学者针对车内包括响度、尖锐度、粗糙度和抖 消耗大量的人力，因此，本文拟采用深度学习中的
动度等客观声品质参数开展了大量研究。Luo 等 [2] CNN 技术，研究建立预测精度高，且节省人力的高
针对高速列车车内声品质提出了一种自适应Moore 速列车车内声学主观声品质的预测模型。
响度算法 (AMLA)，该算法有效提升了计算的精度
1 高速列车车内噪声样本采集
和效率。鞠龙华等 [3] 定量分析了车内强声环境下
的语言清晰度，研究了运行速度与语言清晰度之间
为了获取高速列车在 350 km/h 速度下的车内
的关系。Park 等 [4] 研究了车内瞬态变化噪声的声
噪声样本，本文首先开展了高速列车车内噪声搭载
品质参数，得出响度值不能充分评价瞬态噪声的结
实验研究。实验在我国徐州至南京的高速铁路上
论。Li 等 [5] 通过语义细分方法，利用主成分分析对
进行，测试车辆型号为 CRH400BF。实验采用德国
14个客观指标进行降维，获得了变电站噪声的主要
Head Acoustics 公司的声学人工头设备 (HMS IV，
噪声成分，并以此建立了主观评价预测回归模型。
以下简称人工头)。人工头考虑了人体肩膀、头部、
为了进一步提升车内噪声评价的准确率，近年
耳廓等对声场造成的影响，能模拟双耳信号采集，从
来支持向量机或人工智能算法结合主观评价的方
而使得采集的声音更加符合人耳的听觉感受。
法先后被运用到车内噪声的主客观预测研究中。申
车内噪声测点及人工头的布置根据 ISO 3381：
秀敏等 [6] 采用基于小样本理论的支持向量机回归
2005《铁路应用 -声学 -轨道车辆内部噪声测量》来
方法建立了声品质客观参量与主观评价结果的预
进行。坐姿情况下，人工头的双耳高度放置在座
测模型。Fang 等 [7] 基于支持向量机方法，通过客
椅的垂直坐标，即座椅表面与靠背表面交线以上
观声品质和主观评价来研究电动车动力总成的声
0.75 m 的位置。站姿情况下，人工头人耳的垂直坐
品质。Liu 等 [8] 将支持向量机和遗传算法结合，选
标在地面以上 1.5 m 处。图 1 为一等座和二等座车
择了 5 个心理声学参数，以综合满意度指数作为主
厢内人工头测点。本次实验采集了车内 19 个测点
观评价标准，分析柴油机的噪声质量。Xing 等 [9] 采
的噪声数据，19个测点的位置如表1 所示，其中1∼2
用小波包变换提取的加速特征作为输入，使用神经
为1 车，3∼5为3车，6∼8为 4 车，9∼11为4车与5车
网络模型建立了响度和尖锐度的预测模型。Pietila
连接处，12∼19为5车。每个测点记录时间为30 s。
等 [10] 比较了多元线性回归和神经网络方法的优缺
点，探讨了鲁棒方法对提高声品质评价模型精确
度的影响。Zhang 等 [11] 结合神经网络和粒子群优
化算法提出了声品质的预测模型，解决了主观评
价结果和客观声品质参数之间复杂的非线性问题。
近年来，深度卷积神经网络 (Convolutional neural
network, CNN)在语声识别和计算机视觉领域取得
了相当大的成功，因此 Cao 等 [12] 将 CNN 应用于城 (a) ʷ኎ऐ฾ག (b) ̄኎ऐ฾ག
市噪声识别，其识别效果比传统的支持向量机更好。 图 1 人工头及测点布置示意图
Huang 等 [13] 使用具有自适应学习速率树的深度卷 Fig. 1 Artificial head and measuring points