共查询到17条相似文献,搜索用时 140 毫秒
1.
以23辆乘用车的3挡全油门加速工况的车内噪声为研究对象,对车内声品质采用等级评分法进行主观评价试验,分析计算各噪声样本的心理声学参数和非心理声学的客观参数,并应用多元线性回归理论建立声品质预测模型。研究表明,响度、线性度和粗糙度是影响听众对全油门加速噪声主观感受的最重要的因素,模型预测结果与主观评价试验结果相关系数R~2为0.853,预测值与主观评价实测值吻合度较高,所建立的声品质评价模型在统计学上是有意义的。 相似文献
2.
为提高汽车声品质主观评价试验的可靠性和实用性,并对纯电动汽车在匀速及加速工况下的车内噪声品质特性进行分析,在参考语义细分法(ASDM)的基础上结合区间灰数理论,提出一种改进的声品质主观评价方法。评审员以某一基准样本作为参考,采用模糊打分方式对车内噪声样本进行主观评价,以灰色关联度作为评分者信度来筛除无效评分,提出了一种区间灰数的确信度参数,作为计算分数权值的重要指标,以求得各个样本的综合评分结果。通过与传统语义细分法(SDM)以及ASDM的评分结果进行对比分析,验证了改进的方法能在保持相同工作量的前提下,更准确地反映人对汽车车内噪声的主观感受。并采用该方法对3款不同定位的纯电动汽车在不同工况下的车内噪声品质进行了主观评价试验,对比分析了3辆车的声品质特性。 相似文献
3.
针对传统充电站负荷预测方法只能实现对单一站点预测的问题,提出一种基于图时空神经网络 (Graph Spatiotemporal Neural Network, GSTNN) 模型的多充电站负荷协同预测方法。定义时空信息图,描述充电站负荷之间的时空关系;构建时空特征提取网络,分别利用图卷积神经网络和门控序列卷积网络提取信息图的空间和时间维度信息,并使用长短期记忆网络 (Long Short Term Memory Networks,LSTM) 挖掘影响负荷预测的外部特征信息;融合提取的所有特征,进行负荷预测。算例结果表明,基于 GSTNN模型的方法能充分考虑时空特征和外部特征的影响,协同多个充电站的负荷数据进行预测,并同时输出各充电站的预测结果,有效提高预测准确度,有助于电网稳定运行。 相似文献
4.
5.
支持向量机在汽车加速车内声品质预测中的应用 总被引:1,自引:0,他引:1
《汽车工程》2015,(11)
应用支持向量机方法对汽车加速时车内声品质进行预测。以噪声样本的响度、尖锐度、粗糙度、AI指数等客观评价参量作为输入因子,主观烦躁度评价结果作为输出因子,利用支持向量机回归方法建立了汽车加速车内声品质的预测模型。对比结果表明,与多元线性回归模型相比,基于支持向量机的汽车加速车内声品质预测模型能够更准确地反映客观评价参量与主观烦躁度之间的非线性映射关系,预测精度更高。 相似文献
6.
7.
针对声品质主观评价试验成本高的问题,提出一种基于车窗上升过程稳态噪声和瞬态噪声的声品质预测模型。采集24款轿车左前门车窗上升过程的噪声信号,在时域上划分为具有瞬态噪声特征的启动阶段、停止阶段和具有稳态噪声特征的平稳运行阶段,分别计算出3个阶段的客观评价参数。通过主观评价试验得到每款样本车的主观评价结果。运用BP神经网络建立了车窗上升过程的声品质预测模型,预测结果表明,此方法提取的客观评价参数能反映左前门车窗上升过程的声品质特征,BP神经网络建立的声品质预测模型具有较高准确度和泛化能力,能在一定程度上代替评测员对车窗上升过程声品质进行评价。 相似文献
8.
9.
电动汽车车内噪声对乘客的驾乘舒适性感受具有较大影响,在追求高性能与长续航的基础上匹配最优的车内NVH性能,将大大提高电动汽车的竞争力。本文以电动汽车车内噪声为研究对象,以多维度声品质优化为研究目标,使用声学材料对车内关键部位进行包装,降低车内高频噪声,利用噪声主动均衡系统,对车内噪声的各临界频带进行抵消或者放大,通过软件仿真确定各临界频带的最佳增益系数,并将最佳控制的仿真结果进行基于心理声学声品质客观评价,搭建主客观评价的关系模型,获得影响车内驾乘人员听觉主观感受的客观参量,通过噪声控制技术有针对性地加以控制和改善,为后续的研究提供理论依据和参考。 相似文献
10.
激励级时频谱可用于建立车辆声品质卷积神经网络(CNN)评价模型。但是相对于时变声特征的波动性,车内声品质的瞬时主观评价曲线具有平滑特性,利用波动的声特征序列建立时变声品质评价模型,导致预测曲线呈现波动性,所以时序波动激励级谱的直接使用也会制约车内噪声整体综合烦躁度CNN评价模型的性能。本文中,首先利用Savitzky-Golay滤波器对激励级谱进行时域平滑处理;然后使用CNN构建车内噪声的综合烦躁度全局主观评价结果与时序平滑激励级谱之间的映射关系,建立基于时序平滑激励级谱的整体综合烦躁度CNN评价模型;最后采用留一法进行交叉检验,结果表明相比于激励级谱CNN模型,时序平滑激励级谱CNN模型对车内噪声整体综合烦躁度的评价性能更好,提高了预测精度(误差均值降低10.43%)、稳定性(误差方差降低44.26%)与一致性(Pearson相关系数提高4.13%),说明相比于激励级谱,时序平滑谱对车内综合烦躁度的解析能力更强。 相似文献
11.
12.
13.
为了将有效地识别车辆类型用于智慧交通系统,本文在分析Inception V3模型的基础上,提出了一种基于迁移学习理论的车型分类深度学习模型。该模型首先在Inception V3模型的基础上去除最后的全连接层,并加入参数优化层,然后采用Dropout和全局平均池化层。理论分析和试验结果表明,该模型的性能优于基于VGG-16的车型分类模型、基于Xception的车型分类模型和基于Resnet50的车型分类模型,其训练精度优于96.48%、测试精度优于83.86%。 相似文献
14.
15.
16.
针对某车车内噪声偏大的问题,对整车声学包进行了材料与声学性能方面的优化,并对优化后的零部件声学性能进行了对比测试,同时通过对整车车内声压级和语言清晰度进行了对比测试,测试结果表明,声压级降低了2dB(A)左右,语言清晰度提升了大约10%,达到了车内降噪的目的,提升了客户满意度。 相似文献