胡秦，徐涆文，陈鹏，黄佳程，肖新标

基于心理声学客观参量的高速列车车内声品质分析

胡秦，徐涆文，陈鹏，黄佳程，肖新标*

（西南交通大学 牵引动力国家重点实验室，四川 成都 610031）

对高速列车车内噪声进行了现场测试，使用等级评分法组织被试者开展主观评价试验，并计算心理声学客观参量。以客观参量为特征、主观烦恼度为标签，建立基于支持向量回归机的声品质预测模型，通过相关性分析确定影响烦恼度的主要因素。研究结果表明：支持向量回归机在测试集的预测精度为0.92，可以有效实现由心理声学客观参量到主观烦恼度的映射。响度是影响高速列车车内声学舒适性的主要因素，随着列车运行速度增大，低频噪声成分的特性响度迅速增大。当速度达到300 km/h时，特性响度曲线的最大值出现在低频段且非常显著，对人体的声学舒适性产生巨大影响。相关研究结果可为高速列车车内噪声控制和设计提供科学依据和参考。

高速列车；声品质；预测模型；支持向量回归机；响度

近年来，我国高速列车取得重大发展，随之而来的是车内噪声问题越发严重，噪声污染超标限制了高速列车运行速度的提高[1]。噪声测量中常用A声级评估噪声大小，但A声级会对低频噪声做较大的计权衰减，从而低估高速列车车内噪声的低频范围，其结果就是对人体舒适性的评价不准确。

有研究指出，评价噪声时必须考虑乘客的主观感受以及心理变化[2]。声品质作为反映人体主观感受的噪声评价指标逐渐被国内外学者应用于各类交通工具乘坐舒适性的评价中。Yoon等[3]将响度等声品质客观参量和人的主观评价进行相关性分析，对汽车的空调噪声开展了研究。Kim等[4]提出新的针对高级轿车声品质的主观评价指标。Huang等[5]研究了汽车车内声品质，并使用深度信念网络建立预测模型。毛东兴等[6]深入研究了分组成对比较法，提高了主观评价的效率。陈卉等[7]基于BP神经网络建立了非平稳工况下的车内噪声评价模型。申秀敏[8-9]使用支持向量机和神经网络对汽车声品质进行建模分析。张伟等[10]基于现场测试，分析了高速列车车内噪声的心理声学特性。杨易等[11]运用大涡模拟对汽车风振噪声进行仿真，并对仿真结果开展了声品质主客观评价。姜顺明等[12]基于音乐理论进行汽车车内声品质的主动声学设计。

基于声品质对汽车噪声的研究已有一定的发展，提出了更符合人体舒适性的噪声控制理念。而把声品质用于铁路噪声的评价仍处于探索阶段，将机器学习智能算法应用到高速列车声学舒适性中的研究还较为匮乏，建立的声品质预测模型更为有限。本文对高速列车车内噪声开展现场测试，利用心理声学参量分析车内声环境，通过支持向量机建立主观烦恼度的预测模型，寻找影响高速列车车内声学舒适性的主要因素，为高速列车的高声品质声学设计提供方向。

1 心理声学客观参量

1.1 响度

响度属于强度感知类，包含多种计算模型。响度越大，人耳的感知越吵。本文采用ISO 532-1[13]中规定的Zwicker模型响度计算方法：

式（2）中，临界带率是考虑了掩蔽效应后形成的新的频率尺度。临界带率和内耳中基底膜的长度呈线性关系，与传统的Hz频率存在以下换算关系：

式中：为Hz频率。

响度是心理声学中研究较多的客观参量，也是目前理论最完善的声品质客观参量。其他客观参量模型的计算以响度为基础。

1.2 尖锐度

尖锐度被用来描述声音的音色感知，感知为刺耳、高频成分占比高的声音，尖锐度大。本文采用Zwicker[14]提出的尖锐度计算方法：

1.3 粗糙度

粗糙度感知是由调制频率产生的相对快的变化引起的，用于对调制频率大于20 Hz的声音进行评价。本文采用Zwicker[14]提出的粗糙度计算方法：

1.4 波动强度

波动强度反映调制频率很低时人对声音的感受，用于对调制频率低于20 Hz的声音进行评价。本文采用Zwicker[14]提出的波动强度计算方法，为：

式中：为波动强度，vacil。

2 噪声采集及主观评价试验

2.1 车内噪声测试

对高速列车车内噪声开展现场测试。试验在我国某高速铁路上进行。试验列车为8编组。试验区段包含明线、隧道以及桥梁，均为无砟轨道。车内噪声测点布置如图1所示，分别在司机室、客室中央、风挡位置距地板面1.2 m高处布置一个声学传感器。

图1 车内噪声测点布置示意图

使用B&K PULSE振动噪声测试系统平台采集列车以不同的速度（160 km/h、190 km/h、220 km/h、250 km/h、270 km/h、300 km/h）运行时的噪声数据，每个噪声数据的有效长度在20 s以上。

2.2 主观评价实验

主观评价试验的时间不宜过长，因此将测得的噪声数据剪切至4～6 s，得到共114个稳定、无干扰的声音样本。由于本研究使用的声音样本较多（114个），且高速列车作为公共交通工具无法兼具个人对声音属性的偏好，因此使用等级评分法[15]并以声音的“烦恼度”为乘客的主要感受进行打分，详细的等级划分如表1所示。

主观评价试验的环境要求尽可能安静，因此选择半消声室作为试验地点，使用森海塞尔HD650高保真耳机对声音样本进行高保真回放，如图2所示。

表1 烦恼度等级与对应语义表

图2 主观评价实验

本次试验选取20名在校研究生作为受试者，男女比例为3:1，均身体健康，无听力障碍，有丰富的乘坐高速列车的经验，试验前心理状态良好。正式试验前，还对被试者进行了听音训练，以保证没有经验的被试者可以对声音样本作出准确的评价。

以20个被试者打分的算术平均值作为声音样本的主观评价值，即烦恼度。烦恼度和心理声学客观参量计算结果如表2所示。

表2 烦恼度和客观参量表

3 声品质预测模型

如前文所述，声环境最终以乘客的主观烦恼度为评价标准，而主观评价耗时耗力且重复性差，利用客观参量对主观评价进行预测具有重要的现实意义。

3.1 支持向量回归机

支持向量机（Support Vector Machine，SVM）是一种用于对样本数据作二元分类的机器学习方法，其基本原理来自统计学习理论中的VC（Vapnik-Chervonenkis）维理论以及结构风险最小原理[16]。SVM对样本数量较少而样本特征较多的非线性问题有较好的分类效果。对于回归问题，SVM可以转换为支持向量回归机（Support Vector Regression，SVR）。

SVR的基本思想如下。

首先给定样本：

然后通过训练求得一个超平面：

图3 支持向量回归示意图

SVR最优化问题的数学形式可写为：

利用拉格朗日乘子法进行求解，得到SVR的决策函数为：

对于非线性问题，引入核函数，将其转化成线性问题，表示为：

3.2 预测模型

将表2中的心理声学客观参量作为输入，主观烦恼度作为输出，建立基于支持向量回归机的预测模型。以70%的声音样本（数量80）作为训练集，30%的声音样本（数量34）作为测试样本。由于各客观参量的单位各不相同，数值大小相差很大，因此需要对样本数据做归一化，将数据处理为[0,1]内的无量纲形式，以增强数据间的相关性，提高预测模型准确程度。

构建支持向量机模型时，需要考虑一个核心方法，即核函数的引入。核函数的作用是把样本从原始特征空间映射到一个更高维的特征空间，使得原本可能不存在的能正确划分样本空间的超平面一定存在，即将非线性问题线性化，使得问题可以求解。本研究选用RBF核函数[16]，其数学形式可写为：

图4 支持向量回归机预测效果

最终SVR在训练集上的预测精度为0.95，测试集上的预测精度为0.92，没有出现过拟合，预测效果较好，且收敛速度很快。

3.3 心理声学参量相关性

SVR可以实现由心理声学客观参量到主观烦恼度的预测，然而模型本身相当于黑箱，无法直接看出各客观参量对烦恼度的影响大小。为寻找影响高速列车车内声学舒适性的主要因素，给出了烦恼度和心理声学客观参量的散点图，如图5所示。可以看出，烦恼度和响度存在较强的线性相关性，烦恼度随着响度的增大而增大，烦恼度与其他心理声学客观参量的相关性则较为一般。

4 特性响度分析

对响度做进一步分析。

列车以不同速度在隧道区间运行时客室中央测点的特性响度如图6所示。可以看出，随着速度的增长，特性响度明显增长，低频噪声成分的特性响度所占比例也明显增长。列车以160 km/h运行时，特性响度的最大值出现在4～5 Bark；以220 km/h运行时，特性响度最大值出现在0～1 Bark，但在5～7 Bark也存在明显较大的特性响度；以300 km/h运行时，特性响度最大值出现在0～1 Bark，并且远远大于其他临界带率内的特性响度。这说明随着速度提高，低频噪声成分的特性响度迅速增大，并且低频噪声成分的特性响度所占比例也明显增大，进一步恶化高速列车车内声环境。

列车以300 km/h在不同线路区间运行时客室中央测点的特性响度对比如图7所示。可以看出，明线和桥梁区间的特性响度曲线非常接近，隧道区间的特性响度在所有临界带率范围内都显著大于明线和桥梁区间，三条特性响度曲线的最大值均出现在0～1 Bark，分别达到4.6 sone/Bark、3.2 sone/Bark和2.9 sone/Bark。

列车以300 km/h在隧道区间运行时车内不同位置处的特性响度对比如图8所示。可以看出，各测点特性响度最大值均出现在0～3 Bark的中低频范围内，由于各测点位置噪声的激励不同，相应临界带率的特性响度也存在差异，司机室和客室中央的特性响度在0～1 Bark比较突出，并且司机室在0～11 Bark小于客室中央，但在12～20 Bark大于客室中央，风挡的特性响度在1～2 Bark最为明显。

图5 烦恼度与心理声学客观参量

图6 列车速度对特性响度的影响

图7 运行区间对特性响度的影响

图8 车内位置对特性响度的影响

由以上分析可知，高速列车达到一定速度后，低频噪声成分的特性响度都会非常显著，列车在隧道区间运行时的特性响度远大于其他运行区间，风挡位置的低频噪声尤为突出，对乘客的声学舒适性产生巨大影响。

5 结论

本文对高速列车车内噪声进行了现场测试，并组织被试者开展主观评价试验，基于心理声学客观参量对高速列车车内声品质进行分析，得到如下结论：

（1）通过支持向量回归机，建立了主观烦恼度预测模型，测试集的预测精度达到0.92，可以有效实现由心理声学客观参量到主观烦恼度的映射。

（2）分析了响度、尖锐度、粗糙度、波动强度与主观烦恼度的相关性，其中响度与主观烦恼度存在较强的线性相关性。

（3）分析了列车速度、运行区间、车内位置对特性响度的影响，随着列车运行速度增大，低频噪声成分的特性响度迅速增大，当速度达到300 km/h时，特性响度的最大值出现在低频段，且非常显著，对乘客的声学舒适性产生巨大影响。

[1]沈志云. 高速列车的动态环境及其技术的根本特点[J]. 铁道学报，2006，28（4）：1-5.

[2]张捷，肖新标，王谛，等. 350km/h以上高速列车观光区噪声特性及其评价研究[J]. 铁道学报，2012，34（10）：23-29.

[3]YOON J，YANG I H，JEONG J E，et al. Reliability improvement of a sound quality index for a vehicle HVAC system using a regression and neural network mode[J]. Applied Acoustic，2012（73）：1099-1103.

[4]KIM T G，LEE S K，LEE H H. Characterization and quantification of luxury sound quality in premium-class passenger cars[J]. Proceedings of the Institution of Mechanical Engineers, Part D: Journal of Automobile Engineering，2009，223（D3）：343-353.

[5]HUANG H B，HUANG X R，LI R X，et al. Sound quality prediction of vehicle interior noise using deep belief networks[J]. Applied Acoustics，2016（116）：149-161.

[6]毛东兴，高亚丽，俞悟周，等. 声品质主观评价的分组成对比较法研究[J]. 声学学报，2005（6）：37-42.

[7]陈卉，孙悦东，王岩松. 基于BP神经网络的车内噪声时变综合烦恼度评价模型[J]. 噪声与振动控制，2018，38（3）：55-59.

[8]申秀敏，左曙光，韩乐，等. 基于支持向量机的车内噪声声品质预测[J]. 振动. 测试与诊断，2011，31（1）：55-58，128.

[9]申秀敏，左曙光，何吕昌，等. 车内噪声声品质的神经网络预测[J]. 声学技术，2009，28（3）：264-268.

[10]张伟，陈光雄，肖新标，等. 高速列车车内噪声声品质客观评价分析[J]. 铁道学报，2011，33（2）：13-19.

[11]杨易，高骏，谷正气，等. 基于GA-BP的汽车风振噪声声品质预测模型[J]. 机械工程学报，2021，57（24）：241-249.

[12]姜顺明，周涛，王奕轩，等. 车内声品质多维度主动声学设计[J]. 振动与冲击，2022，41（9）：107-112.

[13]The international organization for standardization. Acoustics- Methods for calculating loudness：ISO 532-1[S]. British：Standards Policy and Strategy Committee，2017.

[14]ZWICKER E，FASTL H. Psychoacoustics: Facts and Models, Second Edited[M]. Berlin：Springer-verlag，1999.

[15]刘宁宁，李文静，王岩松，等. 声品质主观评价方法对比分析[J]. 现代制造工程，2016（10）：6-11.

[16]邓乃扬，田英杰. 支持向量机：理论、算法与拓展[M]. 北京：科学出版社，2009.

Analysis of Sound Quality in High-speed Train Based on Objective Parameters of Psychoacoustics

HU Qin，XU Hanwen，CHEN Peng，HUANG Jiacheng，XIAO Xinbiao

( State Key Laboratory of Traction Power, Southwest Jiaotong University, Chengdu 610031, China )

The interior noise of a high-speed train is tested on the spot. The grading method is adopted to conduct the subjective evaluation test on the participants, and the objective parameters of psychoacoustics is calculated. With objective parameters as characteristics and subjective annoyance as labels, a sound quality prediction model based on support vector regression machine is established, and the main factors affecting the degree of annoyance are determined through the correlation analysis. The research results show that the prediction accuracy of support vector regression machine in the test set is 0.92, which can effectively realize the mapping from objective parameters of psychoacoustics to subjective annoyance. Loudness is the main factor affecting the interior acoustic comfort of high-speed trains. With the increase of the train speed, the characteristic loudness of low-frequency noise components increases rapidly. When the speed reaches 300 km/h, the maximum value of the characteristic loudness curve appears in the low frequency band and is very significant, which has a great impact on the acoustic comfort of the human body. The relevant research results can provide scientific basis and reference for the control and design of interior noise of high-speed trains.

high-speed train；sound quality；prediction model；support vector regression machine；loudness

U270.16

A

10.3969/j.issn.1006-0316.2023.12.007

1006-0316 (2023) 12-0041-07

2023-03-07

国家自然科学基金（U1934203）

胡秦（1997－），男，四川德阳人，硕士研究生，主要研究方向为铁路噪声与振动，E-mail：247717546@qq.com。

通讯作者：肖新标（1978－），男，广东阳春人，博士，副研究员、博士生导师，主要研究方向为铁路噪声与振动，E-mail：xinbiaoxiao@163.com。