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)
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。
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。
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]。
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。
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
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
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。
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
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
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。
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
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。