基于心里声学客观参量的GA-BP声品质预测模型能够准确的预测稳态排气噪声声品质。对于非稳态噪声研究,引入正则化非稳态回归技术(RNR)优化计算维格纳-威尔分布(WVD)的时频方法,建立新的声品质参量SQP-RW(Sound Quality Parameter Base o...基于心里声学客观参量的GA-BP声品质预测模型能够准确的预测稳态排气噪声声品质。对于非稳态噪声研究,引入正则化非稳态回归技术(RNR)优化计算维格纳-威尔分布(WVD)的时频方法,建立新的声品质参量SQP-RW(Sound Quality Parameter Base on RNR-WVD),用此参量替换掉与满意度相关性较小的客观参量。同时,以Morlet小波基函数作为隐含层结点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),并用GA优化小波神经网络层间的权值和阈值,构造出GA-WNN并用于非稳态排气噪声声品质预测。结果表明:GA-WNN在非稳态排气噪声声品质预测上比GA-BP神经网络更加准确;引入SQP-RW参量,模型具有更高的精度,更能体现出非稳态信号特征及声品质特点。展开更多
文摘基于心里声学客观参量的GA-BP声品质预测模型能够准确的预测稳态排气噪声声品质。对于非稳态噪声研究,引入正则化非稳态回归技术(RNR)优化计算维格纳-威尔分布(WVD)的时频方法,建立新的声品质参量SQP-RW(Sound Quality Parameter Base on RNR-WVD),用此参量替换掉与满意度相关性较小的客观参量。同时,以Morlet小波基函数作为隐含层结点的传递函数构建小波神经网络(Wavelet Neural Network,WNN),并用GA优化小波神经网络层间的权值和阈值,构造出GA-WNN并用于非稳态排气噪声声品质预测。结果表明:GA-WNN在非稳态排气噪声声品质预测上比GA-BP神经网络更加准确;引入SQP-RW参量,模型具有更高的精度,更能体现出非稳态信号特征及声品质特点。
