馮天培，孫躍東，王巖松，張博強，劉寧寧，，郭 輝

（1.上海理工大學(xué)機械工程學(xué)院，上海 200093； 2.上海工程技術(shù)大學(xué)機械與汽車工程學(xué)院，上海 201620；3.河南工業(yè)大學(xué)機電工程學(xué)院，鄭州 450007）

前言

深度學(xué)習(xí)網(wǎng)絡(luò)模擬人類神經(jīng)系統(tǒng)及其非線性層次化特性，逐層對信息進(jìn)行非線性特征抽取并綜合處理，適用于建立車輛聲品質(zhì)評價模型［1-2］。梁凱等［1］利用能夠直接處理二維面板信號的卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN），構(gòu)建內(nèi)燃機噪聲的聽覺時頻譜聲特征與煩躁度全局主觀評價結(jié)果之間的映射關(guān)系，結(jié)果表明整體煩躁度CNN評價模型的預(yù)測性能高于前饋神經(jīng)網(wǎng)絡(luò)模型。

非平穩(wěn)噪聲聲品質(zhì)的瞬時主觀評價研究發(fā)現(xiàn)，時變聲品質(zhì)主觀評價時間序列是平滑的，而提取的A計權(quán)聲壓級與響度等聲特征序列是波動的［3-4］。利用波動的聲特征時間序列建立時變聲品質(zhì)評價模型，導(dǎo)致預(yù)測曲線呈現(xiàn)波動性，降低了對非平穩(wěn)噪聲平滑性時變聲品質(zhì)的評價效果。對于車輛噪聲整體綜合煩躁度CNN評價模型，時域波動聽覺譜的直接使用會限制模型預(yù)測性能。對聽覺譜進(jìn)行時域平滑預(yù)處理，獲取時序平滑聽覺譜聲特征，可改善模型預(yù)測性能。

本文中對采集的汽車勻速和加速車內(nèi)噪聲進(jìn)行綜合煩躁度全局主觀評價試驗，使用Savitzky-Golay濾波器時間序列平滑法（SG濾波器）對噪聲樣本激勵級譜進(jìn)行時域平滑預(yù)處理，分別以激勵級譜與時序平滑譜為聲特征，利用CNN構(gòu)建噪聲樣本的聲特征與整體綜合煩躁度主觀評價結(jié)果之間的映射關(guān)系，研究方法如圖1所示，分析聽覺時頻譜的時域平滑預(yù)處理對車內(nèi)噪聲整體綜合煩躁度CNN評價模型性能的改進(jìn)效果。

1 車輛聲品質(zhì)評價基礎(chǔ)理論

1.1 人類聲品質(zhì)評價系統(tǒng)

圖1 車內(nèi)噪聲整體綜合煩躁度評價的激勵級譜與時序平滑譜CNN模型

人類聲品質(zhì)評價系統(tǒng)包括耳朵、聽覺神經(jīng)系統(tǒng)與大腦，涵蓋了聲音信息的收集、傳遞、處理與主觀判斷。其中，耳蝸將中耳傳來的聲振信號進(jìn)行聽覺頻帶解析處理并轉(zhuǎn)換為電化學(xué)信號，通過刺激聽神經(jīng)向聽覺神經(jīng)系統(tǒng)傳遞電脈沖信息。聽覺中樞對攜帶頻帶聲信息的生物電信號進(jìn)行非線性層次化處理，綜合形成對聲事件的聽覺感知。大腦結(jié)合聽覺感知與個人主觀因素如心理活動、社會經(jīng)歷、偏好與性格等，形成對聲音聲品質(zhì)的判斷與評價結(jié)果。聲信號的耳蝸聽覺頻帶濾波與聽覺神經(jīng)系統(tǒng)的非線性層次化信息處理是聲品質(zhì)形成的重要過程。

1.2 心理聲學(xué)客觀參量

心理聲學(xué)客觀參量包括響度、尖銳度與粗糙度等，常用于測量與評價車輛聲品質(zhì)。粗糙度反映聽覺系統(tǒng)對聲音在時域上幅值快速變化的一種感覺。Aures粗糙度模型［5］是典型的粗糙度計算方法，利用24個聽覺頻帶廣義調(diào)制系數(shù)計算粗糙度。尖銳度感覺被聲音頻譜包絡(luò)影響，反映聲音的刺耳程度。響度表征聲音強弱的主觀感覺。Zwicker響度模型［6］已被國際標(biāo)準(zhǔn) ISO 532B采用［7］，是最常用的響度提取算法。其利用1／3倍頻程濾波器組模擬耳蝸，對聲音信號的功率譜密度進(jìn)行帶通濾波，計算聽覺特征頻帶激勵級與沿臨界頻帶率分布的特征響度，積分獲得響度值，具體流程如圖2所示?？紤]加權(quán)因子的Zwicker尖銳度模型是常用的尖銳度提取方法，如圖2所示，并被德國標(biāo)準(zhǔn)DIN 45692所采用［8］。綜上可知，常用心理聲學(xué)客觀參量的計算方法充分考慮了聽覺頻帶濾波特性，所以頻帶聲信息如激勵級時頻譜，可作為聲特征建立車輛聲品質(zhì)評價模型［2］。

1.3 車輛聲品質(zhì)評價體系

圖2 Zwicker響度與尖銳度計算方法

車輛聲品質(zhì)評價分為全局評價（global evaluation）與瞬時評價（instantaneous evaluation）［9］、主觀評價與客觀評價兩個維度，如圖3所示。

圖3 車輛聲品質(zhì)評價體系

主觀評價研究以人為主體，采用聽音評價試驗的方式進(jìn)行［10］。在車輛噪聲聲品質(zhì)主觀評價試驗中，選定評價指標(biāo)與評價方法，組織評審團對車輛噪聲樣本進(jìn)行聽音評價，統(tǒng)計并分析聲品質(zhì)評價結(jié)果。其中，常用的主觀評價指標(biāo)包括響度、尖銳度、粗糙度等單維度指標(biāo)和綜合煩躁度、偏好性與運動感等多維度綜合性評價指標(biāo)。主觀評價數(shù)據(jù)的典型統(tǒng)計量，如平均評價值，能夠反映出評審團對車輛噪聲直觀全面的聽覺感受，代表了車輛噪聲的真實聲品質(zhì)水平，所以主觀評價是車輛聲品質(zhì)評價的基本研究方法。

客觀評價研究分為傳統(tǒng)客觀評價與智能評價。傳統(tǒng)客觀評價以心理聲學(xué)客觀參量計算模型為典型代表，采用儀器測得的聲學(xué)客觀量來進(jìn)行聲品質(zhì)評判。傳統(tǒng)評價模型的算法過程復(fù)雜，對心理因素的計算模擬存在較大難度，所以在更靠近心理活動的綜合性評價指標(biāo)的客觀評價計算上存在不足。智能客觀評價利用機器學(xué)習(xí)方法構(gòu)建噪聲特征與主觀評價結(jié)果之間的映射關(guān)系，建立車輛噪聲聲品質(zhì)客觀評價模型［11-13］，將對心理活動的模擬融入模型中，可對聲品質(zhì)進(jìn)行較為精確的量化估計，是常用的對綜合性聲品質(zhì)評價指標(biāo)的客觀評價方法。其中多元線性回歸［14］、人工神經(jīng)網(wǎng)絡(luò)［15］、支持向量機［16］與深度學(xué)習(xí)［1-2，17］是有效的建模機器學(xué)習(xí)方法，心理聲學(xué)客觀參量［11-12，14］與聽覺譜［1，15］是常用聲特征。主觀評價與智能客觀評價是研究車輛噪聲聲品質(zhì)評價的兩個遞進(jìn)的層次，主觀評價是客觀評價的基礎(chǔ)，客觀評價升華了主觀評價的研究。

全局主觀評價試驗常采用等級評分法、成對比較法和語義細(xì)分法等評價方法，獲取評價人員對評價對象的整體聲品質(zhì)評價單值，可對車輛噪聲聲品質(zhì)進(jìn)行全局整體性認(rèn)識。利用機器學(xué)習(xí)方法構(gòu)建噪聲樣本的全局主觀評價結(jié)果與提取聲特征之間的映射關(guān)系，建立整體聲品質(zhì)評價模型，評價速度快、一致性好，適合于工程應(yīng)用。與全局評價不同，瞬時評價主要針對非平穩(wěn)噪聲。在車輛噪聲聲品質(zhì)瞬時主觀評價中，評價人員根據(jù)回放的噪聲樣本實時給出相應(yīng)的瞬時聲品質(zhì)評價值，獲得并統(tǒng)計針對評價對象的時變聲品質(zhì)評價序列，在瞬時主觀感受變化方面對非平穩(wěn)車輛噪聲的聲品質(zhì)進(jìn)行微觀局部性認(rèn)識［3，9］。利用機器學(xué)習(xí)方法構(gòu)建時變聲品質(zhì)主觀評價序列與聲特征序列間的映射關(guān)系［11］，建立時變聲品質(zhì)評價模型，可測量與分析車輛時變聲品質(zhì)環(huán)境、監(jiān)控車內(nèi)實時聲品質(zhì)水平。全局評價與瞬時評價的研究成果可以相互借鑒。本文中研究汽車車內(nèi)噪聲整體綜合煩躁度的智能客觀評價。

2 汽車車內(nèi)噪聲的采集與聽音評價試驗

2.1 車內(nèi)噪聲樣本庫建立

依據(jù)國家標(biāo)準(zhǔn)GB／T 18697—2002《聲學(xué)— 汽車車內(nèi)噪聲測量方法》［18］，本文中采集汽車勻速和加速工況下車內(nèi)噪聲。試驗車輛選擇3輛不同品牌的國產(chǎn)轎車，分別標(biāo)記為A、B與C車。工況設(shè)為30、40、50、60、70、80、90、100 km／h勻速行駛15 s及50～120 km／h全油門加速行駛，整個過程不能換擋。采集設(shè)備為B＆K公司的PULSE聲音采集系統(tǒng)和兩只1／2英寸類型4189-A-21的傳聲器，采樣頻率為65 536 Hz，采集車輛前排司機位、副駕駛位與后排左乘客位（分別標(biāo)記為 I、II、III位置）雙耳處噪聲。

每種試驗條件下測量3次以上，使用B＆K公司的Sound Quality軟件對現(xiàn)場采集的車內(nèi)噪聲信號進(jìn)行采樣頻率為44 100 Hz的重采樣。通過聽音回放，并分析噪聲信號聲學(xué)參量如A計權(quán)聲壓級、響度等隨時間變化情況，選出每種條件下運行工況穩(wěn)定且受其他因素影響小的最佳噪聲信號。考慮到人類聽覺主觀感知的形成過程，從選出的噪聲信號中剪輯出時間長度為5 s［19］的音頻信號作為一個噪聲樣本，其中加速噪聲信號持續(xù)時長均在10 s以上，在加速噪聲信號的前半部分與后半部分各截取一段5 s的噪聲樣本。每輛車可獲取30個噪聲樣本。根據(jù)采集車輛、位置與工況對樣本進(jìn)行編號，如AI-70表示A車駕駛員位70 km／h勻速行駛車內(nèi)噪聲樣本，BII-a表示B車副駕駛位50～120 km／h加速行駛前半部分時長5 s的噪聲樣本，CIII-b表示C車后排左乘客位50～120 km／h加速行駛后半部分時長5 s的樣本，建立本文中汽車車內(nèi)噪聲樣本庫，共90個樣本，包括72個勻速噪聲樣本與18個加速噪聲樣本。其中AI-b、BII-70與C車后排左乘客位勻速噪聲樣本的聲學(xué)參量測量值如圖4所示。

圖4 噪聲樣本聲學(xué)參量時序圖與主觀評價結(jié)果分布圖

2.2 綜合煩躁度全局主觀評價試驗

本文中選擇綜合煩躁度作為評價指標(biāo)，參考語義細(xì)分法［20］為評價方法，設(shè)置描述噪聲綜合煩躁度主觀感受程度的等級評價詞，如表1所示。對比噪聲樣本的心理聲學(xué)參量值并組織一次語義細(xì)分法綜合煩躁度預(yù)評價，選定CI-60為參考樣本，其綜合煩躁度為“有些煩躁”。利用Adobe Audition軟件將參考樣本和各噪聲樣本分別組合，形成90個試驗評價樣本。組織由25位高校學(xué)生構(gòu)成的評審團進(jìn)行聽音評價試驗，評價人員先聽參考樣本，對噪聲樣本聽音完畢后，結(jié)合參考樣本的聲品質(zhì)水平對噪聲樣本進(jìn)行評價。將評價人員選擇的評價詞匯根據(jù)表1進(jìn)行量化，得到其對各樣本的整體綜合煩躁度評價值。對每個樣本的各評價人員評價值取均值，作為評審團對該樣本的整體綜合煩躁度評價結(jié)果。C車后排左乘客位各勻速噪聲樣本的整體綜合煩躁度主觀評價結(jié)果與A聲級對比見圖4（c）。

表1 參考語義細(xì)分法綜合煩躁度等級評價詞及分值

3 時序平滑激勵級譜聲特征提取

3.1 SG平滑濾波器

針對聲特征時間序列的波動性，可利用平滑法提取具有時序平滑特性的序列。平滑法是進(jìn)行時間序列趨勢性分析的一種常用方法，利用修勻技術(shù)削弱短期隨機波動對序列的影響，使序列平滑化。除了移動平均法與指數(shù)平滑法，SG濾波器［21］是常用的時間序列平滑技術(shù)。在SG濾波器的設(shè)計中，階數(shù)與采樣窗長是兩個重要參數(shù)。設(shè)p為階數(shù)，一般取 2、3或 4［22-23］，2M+1為窗長，可根據(jù)待平滑時間序列的長度進(jìn)行適當(dāng)設(shè)置，且p≤2M。SG濾波器通過構(gòu)造一個p階多項式fi，來擬合窗內(nèi)時序數(shù)組｛yi｜i＝-M，…，0，…，M｝，然后在時間序列上平移，完成對整個時間序列的平滑［24］。其中 fi為

解式（4）得最優(yōu)系數(shù)組合｛ar｜r＝0，1，…，p｝，可確定多項式fi，完成對數(shù)組的平滑擬合。

3.2 激勵級譜與時序平滑激勵級譜提取

由于CNN能直接識別二維面板特征，本文中提取噪聲樣本的激勵級時頻譜，作為建立整體綜合煩躁度CNN評價模型的聲特征。在Matlab中編制聲音信號的激勵級譜提取程序：在時域上運用Hanning窗（窗寬800 ms，窗移200 ms）對信號進(jìn)行分割，按照Zwicker響度模型［6-7］計算每一個子信號的聽覺特征頻帶激勵級；時域上取中間連續(xù)20個時間區(qū)塊，頻域上取前20個聽覺頻帶，獲得尺寸為20×20的噪聲樣本激勵級譜。

在Matlab中設(shè)計SG濾波器，階數(shù)設(shè)置為3，窗長為41個采樣點，對激勵級譜進(jìn)行時域平滑，提取噪聲樣本的時序平滑激勵級譜聲特征。AI-a的激勵級譜與時序平滑譜分別如圖5（a）與圖5（b）所示，第2與第4聽覺頻帶的激勵級時間序列及其平滑序列分別如圖5（c）與圖5（d）所示。

圖5 噪聲樣本AI-a的聲特征提取

4 車內(nèi)噪聲整體綜合煩躁度CNN評價模型

4.1 卷積神經(jīng)網(wǎng)絡(luò)

受啟發(fā)于Hubel-Wiesel生物視覺模型［22］，卷積神經(jīng)網(wǎng)絡(luò)（CNN）通過順序堆疊多個卷積— 池化層模擬視神經(jīng)系統(tǒng)的局部感受野與非線性層次化處理特性［23-25］。具有局部連接、權(quán)值共享與降采樣特點的CNN，其典型結(jié)構(gòu)見圖6，包含5種神經(jīng)網(wǎng)絡(luò)層。

圖6 CNN的結(jié)構(gòu)與特點

（1）輸入層：可接收單通道（如灰度圖像或單通道噪聲聽覺時頻譜）或多通道（雙耳語音信號、三通道彩色圖像）面板信號。圖6所示輸入層接收三通道信號，每通道輸入信號均是尺寸為17行17列的二維矩陣，則該輸入層的尺寸為3＠17×17。輸入層接收輸入信號并傳遞至卷積層。

（2）卷積層：具有局部感受野特性的卷積層神經(jīng)元對上一層輸出信號進(jìn)行局部連接加權(quán)運算，通過激活函數(shù)映射獲得該層神經(jīng)元輸出：

y＝f（x·w-θ） （5）式中：x為卷積層神經(jīng)元以局部連接方式接收的輸入?yún)^(qū)域信號；w為該神經(jīng)元權(quán)重矩陣；θ為閾值；f（·）為激活函數(shù)；y為神經(jīng)元輸出。

卷積層將層內(nèi)神經(jīng)元局部感受野統(tǒng)一為相同大小并排列在有限個相同尺寸的面板上，同一面板上的神經(jīng)元擁有相同的連接權(quán)重矩陣（即權(quán)值共享特性，該權(quán)重集被稱為卷積核），一個面板稱為一個特征圖。卷積層同一面板上相鄰神經(jīng)元在輸入信號上的局部感受野按其在面板上空間次序?qū)?yīng)排列，相鄰局部感受野在垂直與水平方向上的距離稱為步長。通過在輸入面板信號高度與寬度方向上的補零操作，卷積層同一面板神經(jīng)元局部感受野的并集覆蓋整個輸入信號。圖6中第一個卷積層的卷積核尺寸為6＠3×3（卷積核個數(shù)＠神經(jīng)元感受野尺寸），通過運用尺寸為2×2的步長與0×0補零操作，該卷積層可輸出6個尺寸為8×8的特征圖（6＠8×8）并傳遞至池化層。

（3）池化層：具有局部感受野特性的池化層神經(jīng)元對上一層輸出特征圖進(jìn)行局部連接加權(quán)運算（如最大值或平均值運算，即降采樣特性），獲得該層神經(jīng)元輸出。池化層將層內(nèi)神經(jīng)元局部感受野統(tǒng)一為相同大小并排列在有限個相同尺寸的面板上，面板數(shù)量與前一卷積層輸出特征圖個數(shù)相同，并以一一對應(yīng)的方式接收輸出特征圖，見圖6。常用的降采樣運算包括最大池化（max-pooling）和平均池化（average-pooling），池化層采用同一降采樣運算對輸入信號提取更高階的相對關(guān)系特征，降低特征維度與計算復(fù)雜度。圖6中第一個池化層包含6個通道，分別對應(yīng)前一卷積層輸出的6個特征圖，層內(nèi)神經(jīng)元感受野尺寸為2×2，則該池化層可表示為6＠2×2。通過運用尺寸為2×2的步長與0×0補零操作，該池化層輸出尺寸為6＠4×4的特征圖并傳遞至下一層卷積層或全連接層。

（4）全連接層：層內(nèi)神經(jīng)元線性排列，每個神經(jīng)元均連接至前一層所有神經(jīng)元，按式（5）對前一層輸出信號進(jìn)行接收、處理與計算。

（5）輸出層：層內(nèi)神經(jīng)元線性排列，每個神經(jīng)元均連接至最后一層全連接層的所有神經(jīng)元，并按式（5）對輸入信號進(jìn)行激活輸出。輸出層神經(jīng)元個數(shù)等于類別個數(shù)（分類問題）或響應(yīng)變量數(shù)（回歸問題）。

在CNN中，ReLU函數(shù)是常用激活函數(shù)：

基于小批量隨機梯度下降的誤差反向傳播算法是常用的訓(xùn)練算法，如圖7所示。迭代學(xué)習(xí)過程一直進(jìn)行，直到滿足終止條件（如達(dá)到最大訓(xùn)練輪數(shù)），輸出最優(yōu)網(wǎng)絡(luò)權(quán)值閾值，CNN訓(xùn)練完畢。在迭代訓(xùn)練中，慣量因子可提高收斂速度并幫助尋優(yōu)過程越過局部極小。

式中：η為學(xué)習(xí)率；W和ΔW分別為一次迭代過程中網(wǎng)絡(luò)前向計算使用權(quán)值閾值和獲得的權(quán)值閾值調(diào)整量；E為一次迭代中網(wǎng)絡(luò)前向計算誤差；ΔW*為前一次迭代訓(xùn)練中學(xué)習(xí)到的網(wǎng)絡(luò)權(quán)值閾值調(diào)整量；γ為慣量因子。

圖7 基于小批量隨機梯度下降的CNN誤差反向傳播學(xué)習(xí)過程

4.2 激勵級譜與時序平滑激勵級譜CNN評價模型建立

本文中在Matlab平臺上構(gòu)建CNN結(jié)構(gòu)并設(shè)置網(wǎng)絡(luò)學(xué)習(xí)參數(shù)對CNN進(jìn)行訓(xùn)練，分別建立車內(nèi)噪聲整體綜合煩躁度的激勵級譜與時序平滑激勵級譜CNN評價模型，其采用相同的CNN結(jié)構(gòu)參數(shù)，如圖8所示，包括一個輸入層、兩個卷積— 池化組合層（C1-P2與C3-P4）、一個全連接層（FC5）與一個回歸輸出層。

輸入層中輸入尺寸設(shè)置為1＠20×20，以接收尺寸為20×20的二維面板聲特征（激勵級譜或平滑激勵級譜）；C1層利用尺寸為6＠2×2的卷積核對輸入二維聲特征進(jìn)行局部平面域感知與濾波；P2層接收C1層輸出的尺寸為6＠19×19的特征圖，進(jìn)行核為6＠3×1的最大池化操作，并向 C3層輸出尺寸為6＠7×19的特征圖；C3-P4層的卷積核分別為10＠3×3與10＠2×1并采用最大池化；FC5層利用30個全連接神經(jīng)元對輸入信息進(jìn)行綜合處理，提取高階特征；包含一個全連接神經(jīng)元的輸出層輸出CNN前向計算的綜合煩躁度評價結(jié)果。卷積層、全連接層與輸出層中激活函數(shù)均設(shè)置為ReLU函數(shù)，各層步長、補零及輸出特征圖尺寸見圖8。

圖8 車內(nèi)噪聲整體綜合煩躁度客觀評價模型

設(shè)置相同的CNN訓(xùn)練參數(shù)：采用基于小批量隨機梯度下降的反向傳播學(xué)習(xí)算法來訓(xùn)練CNN，其中小批量訓(xùn)練樣本容量設(shè)置為12。學(xué)習(xí)率設(shè)置為0.000 7，慣量因子為0.9。在網(wǎng)絡(luò)可訓(xùn)練參數(shù)的初始化方面，初始權(quán)重服從均值為0、方差為0.01的高斯分布，初始閾值均設(shè)置為0。最大訓(xùn)練輪數(shù)終止條件設(shè)置為4 000輪。在Matlab中根據(jù)訓(xùn)練參數(shù)的設(shè)置對建立的激勵級譜與時序平滑激勵級譜CNN評價模型進(jìn)行訓(xùn)練。

4.3 交叉檢驗

利用留一法對本文中建立的汽車車內(nèi)噪聲整體綜合煩躁度CNN評價模型的性能進(jìn)行檢驗。首先，建立訓(xùn)練集與留一測試集，并歸一化處理；然后，利用訓(xùn)練集與訓(xùn)練參數(shù)對CNN網(wǎng)絡(luò)進(jìn)行訓(xùn)練，學(xué)習(xí)過程如圖7所示，分別輸出最優(yōu)化的激勵級譜與時序平滑激勵級譜CNN評價模型；最后，利用留一測試集檢驗?zāi)Ｐ托阅?，檢驗項目為整體綜合煩躁度主觀評價結(jié)果與預(yù)測結(jié)果之間的Pearson線性相關(guān)系數(shù)（度量預(yù)測一致性）、預(yù)測誤差均值（度量預(yù)測精度）與方差（度量預(yù)測穩(wěn)定性），其中相關(guān)系數(shù)的顯著性檢驗水平設(shè)置為0.05。留一法檢驗結(jié)果見表2與圖9。

表2中相關(guān)系數(shù)均高于0.85，p值均小于0.05，說明綜合煩躁度主觀評價結(jié)果與模型預(yù)測結(jié)果之間一致性較高。但是相比于激勵級譜CNN評價模型，基于時序平滑激勵級譜的CNN評價模型，其預(yù)測誤差均值降低10.43%、方差降低44.26%、Pearson相關(guān)系數(shù)升高4.13%，如圖9所示。說明時序平滑激勵級譜CNN評價模型的預(yù)測精度、穩(wěn)定性與一致性均有提高，性能高于基于激勵級譜的CNN評價模型。車輛噪聲聲品質(zhì)瞬時評價研究中的時變聲品質(zhì)主觀評價時間序列平滑特性，提高了聲品質(zhì)全局評價中的整體綜合煩躁度CNN評價模型的性能，提高了聲特征對車內(nèi)噪聲整體綜合煩躁度的表達(dá)能力，即時序平滑激勵級譜的表達(dá)能力高于聽覺激勵級譜。相比于傳統(tǒng)常用聽覺譜如激勵級譜，時序平滑激勵級譜是較為優(yōu)化的聲特征，更適于汽車車內(nèi)噪聲整體綜合煩躁度的CNN客觀評價。

表2 CNN評價模型的留一法檢驗結(jié)果

圖9 CNN評價模型的留一法檢驗結(jié)果對比

5 結(jié)論

考慮到車輛噪聲時變聲品質(zhì)主觀評價序列的時序平滑特性，時序波動激勵級譜聲特征的直接使用會制約汽車車內(nèi)噪聲整體綜合煩躁度CNN評價模型的性能。本文中利用SG濾波器提取汽車車內(nèi)勻速和加速噪聲樣本的時序平滑激勵級譜，利用CNN構(gòu)建二維面板聲特征與整體綜合煩躁度主觀評價結(jié)果之間的映射關(guān)系，建立基于時序平滑激勵級譜的車內(nèi)噪聲整體綜合煩躁度CNN評價模型。留一法交叉檢驗結(jié)果表明，相比于基于激勵級譜的CNN評價模型，時序平滑激勵級譜CNN評價模型的預(yù)測精度、穩(wěn)定性與一致性更高，性能更好。說明相比于激勵級譜等傳統(tǒng)常用聽覺時頻譜，時序平滑聽覺譜，如時序平滑激勵級譜，是較為優(yōu)化的聲特征，更適于汽車車內(nèi)噪聲整體綜合煩躁度的CNN客觀評價。