车辆工程
朱峰, 唐昭, 邓云云, 张晴宇, 张学泽, 李双
为了进一步提高声品质评价模型的稳定性和评价准确率,提出一种基于长短期记忆(long short-term memory,LSTM)网络和注意力机制的汽车车内声品质评价模型(ALSTM).首先采集了不同品牌汽车在不同工况下驾驶员右耳处的稳态噪声样本,并以烦恼度为评价指标开展噪声样本的主观评价试验,建立了车内声品质评价数据集.在此数据集的基础上,将噪声样本的梅尔倒谱系数(Mel-scale frequency cepstral coefficient,MFCC)作为特征输入,构建了基于LSTM网络的声品质评价模型,同时引入注意力机制对模型进行优化.结果表明:提出的声品质评价模型能够有效地对车内噪声进行评价,在测试集上的准确率高达97.07%;与其他方法相比,ALSTM模型的稳定性、收敛速度和分类准确率均有所提高.