声音的特征分类在新能源汽车主动发声设计中的应用

发布时间：2021-10-30 21:37

　　包括电动车在内的新能源车日益普及,由于缺乏了传统发动机噪声的掩蔽效应,其他噪声在车内凸显,在安静的车内和车外增加车辆主动发声尤为必要。在设计主动发声音效的过程中,为了对大量的音效进行分类,以便有更加清晰的自定义选择音效过程,利用梅尔频率倒普系数（MFCC）作为特征值,以支持向量机（SVM）作为分类器,对大量音效进行分析并对其分类。研究表明,该方法对音效分类有较好的效果,对后续新能源汽车音效设计有非常好的借鉴意义。 

【文章来源】：上海汽车. 2020,(03)

【文章页数】：4 页

【部分图文】：

音效分类原理

梅尔倒普系数的提取过程可以分为5个步骤:(1)预处理;(2)快速傅里叶变换计算谱线能量;(3)计算通过Mel滤波器的能量;(4)计算DCT(离散余弦变换)倒谱得到MFCC系数。1.1 梅尔倒普系数的预处理

目前在对声音分类的分类器选择上，一般有隐马尔可夫模型(HMM)、高斯混合模型(GMM)、支持向量机(SVM)等。SVM是建立在统计学理论中的结构风险最小化原理的基础之上，为了解决分类和回归问题而提出的一种具有严密理论的机器学习算法。它具有较好的鲁棒性，已经广泛应用在机器学习、人工智能、模式识别和预测预报等领域。在本应用中对声效的分类识别也是由SVM支持向量机分类器来进行的。图4 6种音效信号的优化MFCC特征

【参考文献】：
期刊论文
[1]基于t-SNE声音情报识别的可视化系统在E-learning平台应用——以鸟类音频情报识别为例[J]. 刘丰,赵琉涛,廖晨宇,周斌,吴琼,李维思.  企业技术开发. 2017(04)
[2]基于MFCC和SVM的车窗电机异常噪声辨识方法研究[J]. 刘思思,谭建平,易子馗.  振动与冲击. 2017(05)
[3]MFCC与支持向量机在钱塘江涌潮检测中的应用[J]. 王培力,王瑞荣,高鹏,孙映宏.  传感技术学报. 2016(11)
[4]基于MFCC-SVM和交叉验证方法的环境音分类[J]. 李玲俐.  计算机与现代化. 2016(08)
[5]结合节拍语义和MFCC声学特征的音乐流派分类[J]. 庄严,于凤芹.  计算机工程与应用. 2015(03)



本文编号：3467472