一种模拟人耳实现噪声分类的方法

振

第２９卷第１１期　

动与冲击　

ＪＯＵＲＮＡＬ　ＯＦ　ＶＩＢＲＡＴＩＯＮ　ＡＮＤ　ＳＨＯＣＫ　

一

种模拟人耳实现噪声分类的方法　

郭伟，左曙光，李徐钢　

（同济大学，上海２０１８０４）　

摘　要：声品质主观评价方法中有基于成对比较的参考评分法，该方法在等级评分之前需要首先利用成对比较法　

对声音样本进行排序，设立参考噪声。该过程比较繁琐，劳动强度较大。提出通过建立人耳模型，对噪声样本按照声品质　

的不同属性实现粗略的分类排序，省去原方法中排序这一步骤，直接在每一类中设立参考噪声进行等级评分。选取燃料　

电池汽车８种行驶工况，２４个噪声样本为例，介绍说明该方法的原理及有效性。　

关键词：声品质；主观评价；等级评分法；响度；ＳＯＭ概率神经网络　

中图分类号：ＴＨ２１２；ＴＨ２１３．３　文献标识码：Ａ　

随着石油资源的日益匮乏和环境污染程度的加　

剧，迫使世界各国都着力于研发新能源清洁汽车，其中　

燃料电池汽车（ｆｕｅｌ　ｃｅｌｌ　ｖｅｈｉｃｌｅ，ＦＣＶ）倍受瞩目，　

ＦＣＶ是零排放的新型环保车辆。由于省去了内燃机这　

品质等级。这种方法简单快捷，所得结果为等级评　

分数值，便于进行后续的分析处理。它的主要缺点　

是人们对于数字没有概念，不能给出适宜的评分等　

级刻度。所以主要采用成对比较法首先对噪声样本　

个噪声源，人们期待它更安静和舒适，也能提供噪声环　

保¨Ｊ。但ＦＣＶ总布置和噪声源有别于传统汽车，燃料　

进行简单排序，设立参考噪声样本，再进行等级评分，　

以提高评分精确度。该过程比较繁琐，劳动强度较　

电池系统、冷却系统等成为新的噪声源，其噪声的线性　大，本文提出通过建立人耳模型，对噪声样本按照声　

品质的不同属性实现粗略的分类排序，省去原方法中　

度没有传统内燃机汽车好，声品质较差。因此亟需改　

善其车内声音品质，使人们在享受能源环保的同时也　

能有舒适的乘坐环境¨　。　

对ＦＣＶ声品质的评价中，主要采用等级评分法，　

根据声品质的不同属性进行１—１０打分，试验中评价　

者根据各自的主观感知程度给出对应的评价分值，再　

对声音样本的全部评分取算术均值，作为该噪声的声　

人耳模型　

ｒ’—————————。’。１　

排序这一步骤，直接在每一类中设立参考噪声进行等　

级评分如图１所示。主要分析过程如下：采集噪声样　

本一进人人耳模型（特征参数提取一分类系统）一实　

现分类。本文选取了燃料电池汽车８种行驶工况，２４　

个噪声样本来介绍该方法的原理并验证该方法的正　

确性　。　

Ａ类：不烦躁区（打分区问９＿】０分）　

Ｂ类：有点烦躁（打分区间６—８分）　

．．－

个噪声样本　

车８种行驶工况２４Ｉ

４　

噪声样本信号＞　

信　

Ｉ　

Ｉ＝２４个特征响度参　ＳＯＭ概率神经网络模型　

ｌ　卜＼　分类系统　——７　

●Ｌ　ｃ类：比较烦躁（打分区间３—５分）　

Ｄ类：非常烦躁（打分区间ｌ一２分）　

扭云打『搴植刑ｌ

：　：二：：：二Ｉ　

Ｌ，参数、／　＞　

图１分析流程　

Ｆｉｇ．１　Ａｎａｌｙｓｉｓ　Ｐｒｏｃｅｓｓ　

１噪声样本的采集　

１．１采集仪器　

集与回放系统，试验在同济大学新能源汽车工程中心　

半消声室进行，如图２所示。样本采集试验选取Ｐａｓｓａｔ　

领驭燃料电池轿车；信号采集点分别有车内前排（驾驶　

员位置），车外前方和左侧三个位置；试验工况为ＦＣＶ　

怠速状态下，主要噪声源风机转速分别在１　０００　

ｒ／ｍｉｎ，１　４００　ｒ／ｍｉｎ，１　８００　ｒ／ｍｉｎ……．３　８００　ｒ／ｍｉｎ８种　

为了获取准确的车内噪声样本，本文采用了德国　

Ｈｅａｄ　Ａｃｏｕｓｔｉｃｓ公司生产的ＨＥＡＤ　ＨＭＳＩＩＩ噪声信号采　

基金项目：国家８６３计划电动汽车重大专项（２００８ＡＡ５０１０００）；上海市曙　

稳态工况；每种工况的记录时间为３０　ｓ，共２４个噪声　

样本，采用两种格式保存；分别为ｍｐ３格式：用于后续　

主观评价试验时播放；ｍａｔ格式：用于人耳模型的数据　

输入格式。　

光计划项目（０８ＳＧ２２）及汉高公司资助　

收稿日期：２００９—０７—１３修改稿收到日期：２００９—０９—１５　

第一作者郭

通讯作者郭

伟男，硕士生，１９８５年生　

伟　

第１１期　郭伟等：一种模拟人耳实现噪声分类的方法　１５３　

特性和声音的持续时间　ｊ。　

本文选用Ｚｗｉｃｋｅｒ响度模型，它是一种基于激励模　

式（Ｅｘｃｉｔａｔｉｏｎ　Ｐａｔｔｅｒｎ）的多频带响度计算模型，能够模　

拟人耳的听觉产生机理。一般来说，人耳产生听觉的　

机理如下：声音传至外耳，经过耳廓及外耳道滤波传至　

图２主观评价试验的仪器设备　

Ｆｉｇ．２　Ｔｈｅ　ｉｎｓｔｒｕｍｅｎｔ　ａｎｄ　ｅｑｕｉｐｍｅｎｔ　ｏｆ　

鼓膜，声压的波动转化为鼓膜的振动，并通过中耳传至　

耳蜗，由此在耳蜗基底膜处产生激励。根据基底膜的　

生理结构可以将其类比为一组带宽重叠的带通滤波　

器，这些“带宽”称为特征频带（Ｃｒｉｔｉｃａｌ　Ｂａｎｄ）。在外部　

激励的作用下，每个特征频带上会产生对应的激励强　

度，这种对应关系被称为“激励模式”　。根据Ｓｔｅｖｅｎｓ　

ｓｕｂｊｅｃｔｉｖｅ　ｅｖａｌｕａｔｉｏｎ　ｅｘｐｅｒｉｍｅｎｔ　

１．２样本的截取　

完好的样本并不能确保主观评价试验的成功，但　

是不够完善的样本毫无疑问会影响到评价的准确性。　

定律，特征响度（Ｓｐｅｃｉｆｉｃ　Ｌｏｕｄｎｅｓｓ）与耳蜗基底膜激励　

强度成比例关系，由特征响度进一步积分可以得到　

Ｚｗｉｃｋｅｒ响度。　

由于实验记录的车内噪声信号是在实际运行工况下记　

录的，虽然对样本已进行了初步的筛选，排除了受到干　

扰较大的样本，但在３０　Ｓ的记录时段内车辆运行工况　

很难严格控制，因此样本中还是可能出现运行不稳定　

以及有外界干扰的出现。在评价前通过审听和客观参　

量随时间变化情况的分析，对记录的噪声信号进行了　

截取，用于主观评价的样本信号截取为５ｓ。　

Ｚｗｉｃｋｅｒ响度的计算过程可概括为：（１）声样本预　

处理；（２）外耳与中耳的滤波特性模型化；（３）考虑频　

域掩蔽效应的激励模式计算；（４）根据激励模式计算　

特征响度；（５）对特征响度频域积分得到响度。　

２．２纯音对Ｚｗｉｃｋｅｒ晌度模型的验证　

２特征参数提取　

２．１　Ｚｗｉｃｋｅｒ响度模型　

响度模型的计算结果与标准ＡＮＳＩ　３．４计算结果的　

对比如表１所示。由表１说明：“除低频段（１００　Ｈｚ以　

下），模型均较准确”　’。’　。　

Ｚｗｉｃｋｅｒ响度模型利用特征频带模拟基底膜的滤　

波特性，采用Ｂａｒｋ尺度，反映了人耳的听觉特性，考虑　

响度是反映人耳对声音强弱主观感受程度的心理　

声学参数，它考虑人耳对声音频谱的掩蔽特性，能比Ａ　

声级更准确的反映声音信号的响亮程度。在客观度量　

中，声音的强弱是由声波的振幅决定的。但是作为主　

了人耳的频域掩蔽效应，实现了由激励模式到特征响　

度的准确数学模型，可应用于各种形式的稳态噪声。　

所以本文选取Ｚｗｉｃｋｅｒ响度模型计算出的２４个Ｂａｒｋ特　

征响度作为２４个特征参数。　

观评价量的响度与振幅并不完全一致，它不仅决定于　

振幅的大小，还决定于频率的高低、频带的宽度、频谱　

表１　纯音响度计算结果与标准ＡＮＳＩ　３．４计算结果比较　

Ｔａｂ．１　Ｃｏｍｐａｒｉｓｉｏｎ　ｂｅｔｗｅｅｎ　ｌｏｕｄｎｅｓｓ　ｃａｃｕｌａｔｉｎｇ　ｒｅｓｕｌｔ　ａｎｄ　ｓｔａｎｄａｒｄ　ｏｆ　ＡＮＳＩ３．４　

２．３抖动度和粗糙度模型　】　

抖动度描述人耳对缓慢移动调制声音的感受程度，适　

应于评价２０　Ｈｚ以下低频调制的声音信号，它反映了　

人耳主观感受到的声音响亮起伏程度。车内噪声通常　

会引起抖动性听觉感受，因此抖动度是一个较为灵敏　

粗糙度是描述声音信号调制程度的心理声学参　

数，它反映着信号的调制幅度的大小、调制频率的分布　

情况等特征，适用于评价２０　Ｈｚ～２００　Ｈｚ调制频率的声　

音，特别对７０　Ｈｚ附近的声音有很突出的评价效果。　

糙度的计算常采用Ｚｗｉｃｋｅｒ和Ｆａｓｔｌ对Ａｕｒｅ粗糙　

度模型改进后的计算公式：　

的辨识参数。　

抖动度的计算常采用Ｚｗｉｃｋｅｒ计算公式：　

ｆ　

。‘３６　

ｄ

ＡＬ　（　）ｄｚ　

Ｒ＝０．　。ｄ　Ｊ　ＡＬＥ（ｚ）ｄｚ　

式中：　

式中：　

／Ｊｏ）＋Ｕｏ／ｊｍｍ）　

㈤　ｌｏｇｔ　］　（１）　

㈦＿２０ｌｏｇ　。［　】　（２）　

１５４　振动与冲击　２０１０年第２９卷　

本文分别选用了３种参数提取方式：　

图３中，网络上层为输出结点（ｍ个），按二维形式　

①采用粗糙度模型提取２４个Ｂａｒｋ频带对应的特　

征粗糙度作为参数。　

排成一个结点矩阵；输人结点处于下方，若输入向量有　

ｎ个元素，则输入端共有ｎ个结点；所有的输入结点到　

所有的输出结点都有权值连接。ＳＯＭ网络中，某个输出　

②采用抖动度模型提取２４个Ｂａｒｋ频带对应的特　

征抖动度作为参数。　

⑨采用每个Ｂａｒｋ频带对应的ＡＬ　（　）作为特征　

参数。　

结点能对某一类模式做出特别的反应以代表该模式类，　

当某类数据模式输入时，对某一输出结点产生最大刺激　

（获胜结点），在训练的过程中，不断对它的连接权值作　

调整，同时有也对获胜结点的邻域结点的连接权值作调　

整；随着训练的进行，这个邻域范围不断缩小，直到最　

最终分类结果显示第３种参数提取方式效果比较　

好，故采用２４个Ｂａｒｋ特征响度和相对应的２４个　

△　（ｚ）作为输入参数。　

后，只对获胜结点进行细微的连接权值调整。　

３建立分类系统　

具体实现步骤如下　：　

①连接权值初始化：给从输入结点到输出结点的　

３．１分类基本知识　

所有权值赋予较小的随机数。时间计数ｔ＝０；　

模式识别的分类是根据识别对象特征的观察值将　

②对网络输入模式：　＝［　，　，…，　ｒ　

其分到某个类别中。假设识别的对象有ｄ个特征观察　

③计算输入　与全部输出结点所连的权向量的　

量　。，　，…，　，这些特征的所有可能取值的范围构成　

欧氏距离；　

了ｄ维特征空间，称Ｘ＝［　，　：，…，　ｒ为ｄ维特征向　

④具有最小欧氏距离的输出结点获胜；　

量。如果在特征空间已观察到某一向量　，　＝［　，　

⑤调整输出结点所连接的权值以及其邻域内的　

：，…，　

ｒ就是ｄ维特征空间的某一个点，分类就是　

输出结点所连权值：△　＝＇７（ｔ）（　一　）　

把　合理地归属到某个类别中。利用特定的规则对观　

⑥若还有输入样本数据，则ｔ＝ｔ＋１，转第②步。　

察向量进行分类是分类器设计的主要问题，常用的决　本文建立的模型就是把通过响度模型提取的２４　

策规则如：基于最小错误率的贝叶斯决策，基于最小风　

个特征响度和对应的２４个ＡＬ　（ｚ）特征参数构建成　

险的贝叶斯决策等。文中通过响度模型提取了２４个　

＝

［　，　，…，　。］　４８维特征向量输入到ＳＯＭ模型中，　

特征响度和对应的２４个ＡＬ　（ｚ）特征参数就是作为４８　然后按照上述步骤运行２００次（２４个噪声样本），然后　

个观察量，建立４８维特征空问，每一个样本由　＝［　，　获取噪声样本分类。　

：，…，　

ｒ来代替输入ＳＯＭ概率神经网络模型进行分　

４主观评价实验验证　

类　。　

３．２　ＳＯＭ概率神经网络介绍　

４．１评价主体选择　

本文选择利用ＳＯＭ（Ｓｅｌｆ－Ｏｒｇａｎｉｚｉｎｇ　Ｍａｐｐｉｎｇ）概率　

主观评价实验也称为听音评价实验。评价主体的　

神经网络模型进行分类，它是一种无指导训练的神经　

数量、年龄、性别、文化背景等方面的差异都会影响，特　

网络，自组织的过程实际上就是一种无指导的学习。　

别是他们对汽车声学环境熟悉程度的不同更需重视。　

它通过自身训练，自动对输入模式进行聚类。它的拓　

为此，国外往往培训出具有丰富声学评价经验的评判　

扑结构图如图３所示。　

团来进行测试，但普通乘客的评价依然不容忽视。结　

合国外经验和我国现状，本试验共选取了２０名评价　

人，其中男女分别为１５人和５人，年龄在２２岁一２８岁　

争层　

之间的高校学生占９０％以上。这些人里有１０人经常　

出层）　

驾车或者乘坐公交及出租车辆，可视之为熟悉车辆声　

学环境的经验组；其余１０人则构成普通组。　

４．２主观评价验证　

本文中用到的ＳＯＭ概率神经网络模型采用３　２　

一

图３　自组织特征映射网络结构　

网络层数，把２４个噪声样本分成六类，分类结果如　

Ｆｉｇ．３　Ｓｅｌｆ－ｏｒｇａｎｉｚｉｎｇ　ｆｅａｔｕｒｅ　ｍａｐ　ａｎｄ　ｎｅｔｗｏｒｋ　ｓｔｒｕｃｔｕｒｅ　

表３所示。　

表２噪声样本编号　

Ｔａｂ．２　Ｓｅｒｉａｌ　Ｎｕｍｂｅｒ　ｏｆ　ｎｏｉｓｅ　ｓａｍｐｌｅ　

第１１期　郭伟等：一种模拟人耳实现噪声分类的方法　１５５　

本文采用如上所述评价主体对分类结果进行评　

主体的劳动强度加倍。　

价，一致认同第一，二，三，四类分类结果完全符合人耳　

的听觉系统，第五类中２０，２１与２３，２４噪声样本相对　

本文提出了建立人耳识别模型，实现对噪声样本　

的粗略分类，来取代繁杂的预排序过程。文中通过实　

比，可以发觉在高频部分比较相似，但由于２０，２ｌ掺杂　

了太多的低频成分，人耳感觉两种噪声差距很大，评价　

主体一致认为应该归属于第六类。接着对不同类噪声　

样本，进行粗略打分，发觉第三和第四类虽然可以分成　

２类，但引起的心理烦躁程度比较相似，故决定合并成　

一

类，得到结果如表４所示。结果表明该种方法的分　

类结果相对符合要求，结合主观人的判断基本上可以　

取代采用成组对比法进行排序的过程，达到设计　

目标。　

表４噪声样本分类主观评价结果　

Ｔａｂ．４　Ｓｕｂｊｅｃｆｉｖｅ　ｃｌａｓｓｉｉｆｃａｔｉｏｎ　ｒｅｓｕｌｔ　ｏｆ　ｎｏｉｓｅ　ｓａｍｐｌｅ　

第一类　１，４．７，１６，１９，２２　３—５　ｊ　

第二类　１０，１３　１—２　

第三类＋第四类　１１，１２，１４，１５，２，３，５，８，９。　５—８　

第五类　２３，２４　４—６　

第六类　６，１７，１８，２０，２１　７—９　ｊ　

５　结论　

在主观评价方法中为了提高等级评分法的精确　

性，一般都使用基于成对比较的参考评分法，首先采用　

成对比较法对采集的声音样本进行排序，选定参考噪　

声，设立标准分，然后才对各个噪声样本进行等级评　

分。这种方法虽然提高了评分的精确性，但是使评价　

验论证，基本上可以达到粗略分类的目标。从而认证　

了可以取代上述的排序过程，达到减轻劳动强度，提高　

工作效率的目的。　

参考文献　

［１］郭荣，万钢，左曙光，王宏雁．燃料电池轿车主要噪声　

源识别的试验研究［Ｊ］．汽车工程，２００７，２９（５）：３７７　

—

３８０．　

［２］申秀敏，左曙光，蔡建江，等．燃料电池车声振测试及噪声　

源识别［Ｊ］．声学技术，２００８，２７（４）：５７０—５７６．　

［３］Ｚｗｉｃｋｅｒ　Ｅ，Ｆａｓｔｌ　Ｈ．Ｐｓｙｃｈｏａｃｏｕｓｆｉｃｓ：Ｆａｃｔｓ　ａｎｄ　Ｍｏｄｅｌｓ［Ｍ］．　

Ｓｐｒｉｎｇｅｒ，Ｂｅｒｌｉｎ，Ｈｅｉｄｅｌｂｅｒｇ，Ｎｅｗ　Ｙｏｒｋ，２００７．　

［４］Ｚｗｉｃｋｅｒ　Ｅ．Ｐｒｏｃｅｄｕｒｅ　ｆｏｒ　Ｃａｌｃｕｌａｔｉｎｇ　Ｌｏｕｄｎｅｓｓ　ｏｆ　ＴｅｍｐｏｒＭｌｙ　

Ｖ耐ａｂｌｅ　Ｓｏｕｎｄｓ［Ｊ］．Ｊｏｕｒｎａｌ　ｏｆ　Ａｃｏｕｓｔｉｃ　Ｓｏｃｉｅｔｙ　ｏｆ　Ａｍｅｒｉｃａ，　

１９７７，６２（３）：６７５—６８２．　

［５］ＩＳＯ　５３２，Ａｃｏｕｓｔｉｃｓ—Ｍｅｔｈｏｄ　ｆｏｒ　Ｃａｌｃｕｌａｔｉｎｇ　Ｌｏｕｄｎｅｓｓ　Ｌｅｖｅｌ　

［Ｓ］，１９７５．　

［６］［ＤＩＮ　４５６３　１，Ｐｒｏｃｅｄｕｒｅ　ｆｏｒ　Ｃａｌｃｕｌａｔｉｎｇ　Ｌｏｕｄｎｅｓｓ　Ｌｅｖｅｌ　ａｎｄ　

Ｌｏｕｄｎｅｓｓ［Ｓ］，１９９１．　

［７］ＡＮＳＩ　Ｓ３．４，Ｐｒｏｃｅｄｕｒｅ　ｆｏｒ　ｔｈｅ　Ｃｏｍｐｕｔａｔｉｏｎ　ｏｆ　Ｌｏｕｄｎｅｓｓ　ｏｆ　

Ｓｔｅａｄｙ　Ｓｏｕｎｄｓ［Ｓ］，２００５．　

［８］梁杰．基于双耳听觉模型的车内声品质分析与评价方　

法研究［Ｄ］．吉林：吉林大学，２００７．　

［９］杨帮华．自发脑电脑机接口技术及脑电信号识别方法研　

究［Ｄ］．上海：上海交通大学电子信息与电气工程学院，　

２００６，９，２１—４１．　

［１０］韩军利，张焕昭，邹文军，等．ＳＯＭ网络在土壤分类中的应　

用［Ｊ］．水利科技与经济，２００３，９（２）：８４—８６．