冯天培，孙跃东，王岩松，张博强，刘宁宁，，郭 辉

（1.上海理工大学机械工程学院，上海 200093； 2.上海工程技术大学机械与汽车工程学院，上海 201620；3.河南工业大学机电工程学院，郑州 450007）

前言

深度学习网络模拟人类神经系统及其非线性层次化特性，逐层对信息进行非线性特征抽取并综合处理，适用于建立车辆声品质评价模型［1-2］。梁凯等［1］利用能够直接处理二维面板信号的卷积神经网络（convolution neural network，CNN），构建内燃机噪声的听觉时频谱声特征与烦躁度全局主观评价结果之间的映射关系，结果表明整体烦躁度CNN评价模型的预测性能高于前馈神经网络模型。

非平稳噪声声品质的瞬时主观评价研究发现，时变声品质主观评价时间序列是平滑的，而提取的A计权声压级与响度等声特征序列是波动的［3-4］。利用波动的声特征时间序列建立时变声品质评价模型，导致预测曲线呈现波动性，降低了对非平稳噪声平滑性时变声品质的评价效果。对于车辆噪声整体综合烦躁度CNN评价模型，时域波动听觉谱的直接使用会限制模型预测性能。对听觉谱进行时域平滑预处理，获取时序平滑听觉谱声特征，可改善模型预测性能。

本文中对采集的汽车匀速和加速车内噪声进行综合烦躁度全局主观评价试验，使用Savitzky-Golay滤波器时间序列平滑法（SG滤波器）对噪声样本激励级谱进行时域平滑预处理，分别以激励级谱与时序平滑谱为声特征，利用CNN构建噪声样本的声特征与整体综合烦躁度主观评价结果之间的映射关系，研究方法如图1所示，分析听觉时频谱的时域平滑预处理对车内噪声整体综合烦躁度CNN评价模型性能的改进效果。……