Page 154 - 《应用声学》2022年第4期

652 2022 年 7 月

Fc1 Fc2
Conv2 Pool2
1€1€4096 1€1€10
13€13€256 6€6€256
Conv1 Pool1
55€55€96 27€27€96
ᣥѣ

图 7 CNN 主观评价预测模型
Fig. 7 CNN prediction model

4.3 训练结果 表 6 准确度矩阵
考虑到 CNN 模型所需的大量数据，每个车内 Table 6 Accuracy matrix
噪声样本都分为多个 1 s 的片段。因此，每个记录的
极度不适 非常不适 一般不适 略微不适
350 km/h 时速车内噪声信号可被分成 30个噪声样
极度不适 72(100%) 0 0 0
本 (每个样本对应相同的主观评估得分)，总共获得
非常不适 0 153(91.1%) 2 13
570 个噪声样本，将所有样本划分为 80% 的训练样
一般不适 0 0 112(93.3%) 8
本(456 个) 以及 20% 的检验样本 (114 个)。然后，将
略微不适 0 0 2 94(97.9%)
训练样本输入到CNN模型中，获得的结果如图 8所
示。从结果上看，在经过100次迭代之后，CNN模型 相比于 BP 神经网络，采用 CNN进行主客观预
的准确度达到了 94.5%。同时表 6 给出了准确度矩 测，准确度更高。该主客观预测模型一方面可以用
阵，从中可以看出准确度最低的地方出现在对于‘非 于车内噪声主观评价预测，从而避免组织主观实验
常不适’的评价(91.1%)。 而浪费大量的人力和物力；另一方面由于模型输入
是具有真实物理意义的声学时-频分布图，因此还可
100
以指导高速列车车内声品质的优化设计。
80
юᆸए/% 60 5 结论

40 本文基于声学人工头设备，获取了高速列车在
ೝᰎюᆸए 350 km/h速度下不同车厢、不同区域的双耳噪声样
20 ᝫጷюᆸए
本，对车内的主客观声品质评价和预测进行了系统
0 20 40 60 80 100
ᤖ̽൓஝ 研究，主要结论如下：
(a) ᝫጷюᆸए (1) 高速列车车内噪声存在明显的低频特性，
不同区域的噪声幅值差别较大。噪声幅值最高的区
ೝᰎឨࣀ
4
ᝫጷឨࣀ 域在风挡，最小的区域在客室中部。在客室内二等
3 座一位端的噪声往往相对于中部以及二位端要高。
ឨࣀ 2 (2) 根据 A 计权声压级和主观评价结果，A 计

权声压级可以很好地预测主观评价最好以及最差
1
的区域，对于客室内二等座区域预测效果较不佳。
0 原因可能在于客室内噪声的频率分布以及动态
0 20 40 60 80 100
ᤖ̽൓஝ 时 -频特性会影响受试者的评价，因此导致 A 计权
(b) ᝫጷឨࣀ
声压级不能取得较好的评价效果。
图 8 训练过程和训练准确度 (3) 基于 Spearman 相关系数分析了客观声品
Fig. 8 Training progress and accuracy 质参数与主观评价结果的相关性，发现主观评价分