一种基于神经网络的汽车内饰件表面发声调校系统的制作方法

1.本发明涉及车载扬声器技术领域，具体的，涉及一种基于神经网络的汽车内饰件表面发声调校系统。


背景技术：

2.汽车内饰件表面发声扬声器是一种基于表面发声技术的新型扬声器，通过安装在汽车内饰件表面的致动器产生振动，从而带动内饰件一起振动而发出声音。由于声音实际是由内饰件产生，因此声音的频响特性与内饰件的形态以及材料特性密切相关。当车辆长期使用时，内饰件可能会发生老化或者轻微形变的情况，或者当环境温度发生较大变化时，内饰件的材料特性也可能发生明显改变，这些情况下，内饰件表面发声扬声器的频响特性也会发生改变，从而偏离出厂时的预设调音状态。


技术实现要素：

3.本发明提出一种基于神经网络的汽车内饰件表面发声调校系统，解决了汽车内饰件表面发声扬声器因内饰件老化或者温度变化而导致的声学特性改变的情况的问题。
4.本发明的技术方案如下：
5.一种基于神经网络的汽车内饰件表面发声调校系统，包括依次连接的麦克风、频响特性提取模块、基于神经网络的频响分析模块、dsp模块、功放模块和扬声器单元，包括，
6.步骤1：开始校正；
7.步骤2：判断所有的扬声器单元是否都已经完成校正，若是，则停止校正，若否，则进入步骤3；
8.步骤3：选择一个未完成校正的扬声器单元；
9.步骤4：播放白噪声，通过麦克风收集播放的声音并输出；
10.步骤5：频响特性提取模块接收麦克风输出的声音信息，计算输出当前扬声器单元的实测频响特性；
11.步骤6：基于神经网络的频响分析模块接收频响特性，计算当前扬声器单元的实测频响曲线与原厂预设频响曲线之间的差值，如果差值小于预定阈值，则进入步骤2，否则进入步骤7；
12.步骤7：计算当前扬声器单元的实测频响曲线与上次的实测频响曲线之间的差值，如果差值小于预定阈值，则进入步骤2，否则进入步骤8；
13.步骤8：频响分析模块通过计算当前扬声器单元的实测频响曲线，得出多组eq调节参数；
14.步骤9：选择置信度λ大于设定值的eq调节参数，输入至dsp模块，用于dsp模块中eq调节参数，再重复步骤4。
15.进一步，所述步骤8中还包括，
16.步骤8
‑
1：训练eq参数选择模型；
17.步骤8
‑
2：在实测频响曲线的横坐标上频率范围为20hz
‑
20khz内，取m个的频率点，并使所有频率点在频率范围内均匀分布，其中m为大于1的整数；
18.步骤8
‑
3：在实测频响曲线纵坐标上电平范围为20db
‑
100db内，均匀划分为m个区间；
19.步骤8
‑
4：形成一个m*m网格，在对实测频响曲线进行电平校正之后，对于所述m*m网格，如果原厂预设频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到一个m*m的矩阵，称为通道0；如果实测频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到另外一个m*m的矩阵，称为通道1，将通道0与通道1组成一个维度为m*m*2的张量；
20.步骤8
‑
5：将维度是m*m*2的张量输入eq参数选择模型，输出维度是n*4的张量，即得到n组eq调节参数，其中，n为大于1的整数，每组eq调节参数包括置信度λ、中心频率f、带宽b、增益g四个参数。
21.进一步，所述步骤8
‑
1具体包括，
22.步骤a：采用反相传播算法构建eq参数选择模型；
23.步骤b：获取原始训练数据，所述原始训练数据包括目标频响曲线、原始频响曲线和n个目标eq组，所述目标eq组用于将原始频响曲线调节至目标频响曲线，每个所述目标eq组包括中心频率，带宽，增益三个参数；
24.步骤c：原始训练数据处理，在原始频响曲线的横坐标上频率范围为20hz
‑
20khz内，取m个的频率点，并使所有频率点在频率范围内均匀分布，其中m为大于1的整数；在原始频响曲线纵坐标上电平范围为20db
‑
100db内，均匀划分为m个区间，形成一个m*m网格；在对原始频响曲线进行电平校正之后，对于所述m*m网格，如果目标频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到一个m*m的矩阵，称为通道0；如果原始频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到另外一个m*m的矩阵，称为通道1，将通道0与通道1组成一个维度为m*m*2的张量；
25.步骤d:将维度是m*m*2的张量输入eq参数选择模型，输出维度是n*4的张量，即得到n个4维输出的实际值；
26.步骤e：根据目标eq组的数据分别确定n个4维输出的目标值，具体包括，
27.将20～20khz的范围取对数后平均划分为n份，取i＝1,2,...n，假设第i个频率段对应的中心频率范围的左右边界为fi
‑
1与fi，
28.如果某个目标eq组的中心频率feq满足fi
‑
1≤feq＜fi，则将第i个4维输出设置为：1、该目标eq组的中心频率、该目标eq组的带宽、该目标eq组的增益；
29.如果第i个频率段对应的中心频率范围内不包含任何目标eq组的中心频率，则将第i个4维输出设置为：0、sqrt(fi
‑
1fi)、(fi
‑
1+fi)/2、0；
30.如果第i个频率段对应的中心频率内包含了多个目标eq组的中心频率，则将第i个4维输出设置为：0.5、sqrt(fi
‑
1fi)、这几个目标eq组中的最小带宽、这几个目标eq组的增益值之和；
31.步骤f：训练eq参数选择模型，直到损失函数的值达到设定范围，eq参数选择模型训练完成；所述损失函数的计算公式为，
[0032][0033]
其中，n表示4维输出的目标值的数量，λ
i
和λ
i
`分别是目标值的置信度与实际值的置信度，f和f`分别是目标值的中心频率与实际值的中心频率，b和b`分别是目标值的带宽与实际值的带宽，g和g`分别是目标值的增益与实际值的增益，f
i
‑1和f
i
分别是第i个目标eq组中心频率的下限频率与上限频率。
[0034]
进一步，所述步骤9包括，
[0035]
步骤9
‑
1：选择置信度λ＞m的eq调节参数，其中0＜m＜1，m的取值根据实际需要给定，或者将多组eq调节参数按照置信度λ的值从大到小排列，根据实际可调数量选择前n个eq调节参数，其中1＜n＜n；
[0036]
步骤9
‑
2：将eq调节参数输入至dsp模块，用于dsp模块中eq调节参数。
[0037]
进一步，所述麦克风设置在汽车主驾座椅靠枕位置，高度与人耳相近。
[0038]
进一步，所述频响特性提取模块和频响分析模块均运行在arm架构的主控上。
[0039]
本发明的工作原理及有益效果为：
[0040]
本发明通过麦克风收集扬声器单元发出的测试声音，由频响特性提取模块计算得到扬声器单元的频响特性，在经过频响分析模块计算，基于神经网络的算法下，得出多组eq调节参数，再根据eq调节参数的置信度选取合适的eq调节参数输入到dsp模块，改写存储于dsp中的eq调节参数，参照eq调节参数自动对扬声器单元进行均衡调校，使得扬声器单元的频响特性尽可能维持在出厂时预设状态。解决了汽车内饰件表面发声扬声器因内饰件老化或者温度变化而导致的声学特性改变的情况的问题。
[0041]
下面结合附图和具体实施方式对本发明作进一步详细的说明。
附图说明
[0042]
图1为本发明调校过程的流程图；
[0043]
图2为本发明调校系统的结构框图。
具体实施方式
[0044]
下面将结合本发明实施例，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都涉及本发明保护的范围。
[0045]
实施例1
[0046]
如图1～图2所示，本实施例提出了一种基于神经网络的汽车内饰件表面发声调校系统，包括依次连接的麦克风、频响特性提取模块、基于神经网络的频响分析模块、dsp模块、功放模块和扬声器单元，其中，基于调校系统的调校步骤为：
[0047]
步骤1：开始校正；
[0048]
步骤2：判断所有的扬声器单元是否都已经完成校正，若是，则停止校正，若否，则进入步骤3；
[0049]
步骤3：选择一个未完成校正的扬声器单元；
[0050]
步骤4：播放白噪声，通过麦克风收集播放的声音并输出；
[0051]
步骤5：频响特性提取模块接收麦克风输出的声音信息，计算输出当前扬声器单元的频响特性；
[0052]
步骤6：基于神经网络的频响分析模块接收频响特性，计算当前扬声器单元的实测频响曲线与原厂预设频响曲线之间的差值，如果差值小于预定阈值，则进入步骤2，否则进入步骤7；
[0053]
步骤7：计算当前扬声器单元的实测频响曲线与上次的实测频响曲线之间的差值，如果差值小于预定阈值，则进入步骤2，否则进入步骤8；
[0054]
步骤8：频响分析模块通过计算当前扬声器单元的实测频响曲线，得出多组eq调节参数；
[0055]
步骤9：选择置信度λ大于设定值的eq调节参数，输入至dsp模块，用于dsp模块中eq调节参数，再重复步骤4。
[0056]
在本实施例中，通过麦克风收集扬声器单元发出的测试声音，由频响特性提取模块计算得到扬声器单元的频响特性，再经过频响分析模块计算，基于神经网络的算法下，得出多组eq调节参数，再根据eq调节参数的置信度选取合适的eq调节参数输入到dsp模块，改写存储于dsp中的eq调节参数，参照eq调节参数自动对扬声器单元进行调整，使得扬声器单元的频响特性尽可能维持在出厂时预设状态。解决了汽车内饰件表面发声扬声器因内饰件老化或者温度变化而导致的声学特性改变的情况的问题。
[0057]
其中，通过将实测频响曲线先后与原厂预设频响曲线和上次实测频响曲线进行比较，再判断是否对该扬声器单元计算eq调节参数进行校正处理。先于原厂预设频响曲线进行比较，是为了判断该扬声器单元的频响曲线是否达标，在不达标的情况下再与上次实测频响曲线进行比较，在每个校正单元内，第一次的实测频响曲线的上次频响曲线都是没有的，因此当第一次的实测频响曲线不达标时，与上次实测频响曲线进行比较也肯定超出阈值，则计算eq调节参数进行校正处理；当校正完成后，再通过麦克风收集该扬声器单元校正后的声音，通过频响特性提取模块计算输出当前扬声器单元的频响特性，一般情况下，校正后的实测频响曲线与原厂预设频响曲线比较后判定为达标，则校正完成且效果良好；若是仍不达标，则跟上次实测频响曲线比较，符合预定阈值时，则说明该扬声器单元校正不到刚出厂的状态，需要更换该扬声器单元，此时也结束校正，不符合预定阈值时，则再次进行校正，直到校正后的实测频响曲线近似原厂预设频响曲线，或者校正后的实测频响曲线达到稳定，停止校正。
[0058]
实施例2
[0059]
基于与上述实施例1相同的构思，本实施例还提出了基于神经网络的频响分析模块计算过程，
[0060]
(1)频响曲线的横坐标取对数坐标，从20hz开始，到20khz结束，在这个频率范围内，取m数量的频率点，其中m的典型值为384，并使得这些点在对数坐标上尽可能均匀分布
[0061]
(2)频响曲线纵坐标单位为db，在频响曲线可能位于的最大最小电平之间，典型的如20db～100db，均匀划分为m个区间，m的典型值为384。
[0062]
(3)按照(1)与(2)所述划分横纵轴坐标之后，形成一个m*m的网格。在对实测频响曲线进行电平校正之后，对于上述m*m网格，如果出厂预设频响曲线经过某个网格单元，则
该单元的值设置为1，否则设置为0，得到一个m*m的矩阵，称为通道0；同样如果实测频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，可得到另外一个m*m的矩阵，称为通道1。将通道0与通道1组成一个维度是m*m*2的张量。
[0063]
(4)将得到的张量输入一个输入维度为m*m*2，输出维度为n*4的神经网络，即eq参数选择模型，其中n的典型值为50，表示把20～20khz的范围取对数后平均划分为50份，输出的n组结果中每一组都由置信度λ(取值范围为0～1)、中心频率f、带宽b、增益g组成，每一组eq调节参数的中心频率唯一位于平均划分的某个频率区间之内，最后得到n组eq调节参数。神经网络内部结构不限，只需要保证输入维度为m*m*2，输出维度为n*4。
[0064]
(5)将得到的n组eq调节参数中λ>0.5的参数组取出来(λ也是一个可调参数，大于该值的eq调节参数认为是可靠的，典型值为0.5，或者也可以根据实际可调的eq数量，按照λ值从大到小截取前k个eq组)，dsp根据这些参数分别设置每个eq的参数。通过置信度值来控制需要调节的eq组的数量，可以在精度与灵活度之间取得一个较好平衡
[0065]
实施例3
[0066]
基于与上述实施例1相同的构思，本实施例还提出了eq参数选择模型的训练方法，
[0067]
(1)原始训练数据，
[0068]
包括，
[0069]
a)目标频响曲线，
[0070]
b)原始频响曲线，
[0071]
c)能够使得原始频响曲线调节至目标频响曲线的eq组，每个eq组包含中心频率，带宽，增益三个参数。这些eq组可以是手工调节得到，也可以是某些自动方法结合人工微调得到。
[0072]
(2)对原始训练数据进行处理
[0073]
a)与原始训练数据处理，在原始频响曲线的横坐标上频率范围为20hz
‑
20khz内，取m个的频率点，并使所有频率点在频率范围内均匀分布，其中m为大于1的整数；在原始频响曲线纵坐标上电平范围为20db
‑
100db内，均匀划分为m个区间，形成一个m*m网格；在对原始频响曲线进行电平校正之后，对于所述m*m网格，如果目标频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到一个m*m的矩阵，称为通道0；如果原始频响曲线经过某个网格单元，则该单元的值设置为1，否则设置为0，得到另外一个m*m的矩阵，称为通道1，将通道0与通道1组成一个维度为m*m*2的张量；
[0074]
b)eq参数选择模型输出为n*4维，其中n表示将20～20khz的范围取对数后平均划分为n份，即根据目标eq组的数据分别确定n个4维输出的目标值，
[0075]
将20～20khz的范围取对数后平均划分为n份，取i＝1,2,...n，假设第i个频率段对应的中心频率范围的左右边界为fi
‑
1与fi，
[0076]
如果某个目标eq组的中心频率feq满足fi
‑
1≤feq＜fi，则将第i个4维输出设置为：1、该目标eq组的中心频率、该目标eq组的带宽、该目标eq组的增益；
[0077]
如果第i个频率段对应的中心频率范围内不包含任何目标eq组的中心频率，则将第i个4维输出设置为：0、sqrt(fi
‑
1fi)、(fi
‑
1+fi)/2、0；
[0078]
如果第i个频率段对应的中心频率内包含了多个目标eq组的中心频率，则将第i个4维输出设置为：0.5、sqrt(fi
‑
1fi)、这几个目标eq组中的最小带宽、这几个目标eq组的增
益值之和；
[0079]
(3)训练eq参数选择模型
[0080]
使用标准的反向传播算法进行训练，直到损失函数的值达到设定范围，eq参数选择模型训练完成。
[0081]
(4)神经网络损失函数
[0082][0083]
其中，n表示4维输出的目标值的数量，λ
i
和λ
i
`分别是目标值的置信度与实际值的置信度，f和f`分别是目标值的中心频率与实际值的中心频率，b和b`分别是目标值的带宽与实际值的带宽，g和g`分别是目标值的增益与实际值的增益，f
i
‑1和f
i
分别是第i个目标eq组中心频率的下限频率与上限频率。
[0084]
由于现有的自动调校算法大多数是比较确定的一套计算流程，对于一些形状比较复杂的频响曲线则难以适用。本实施例的eq参数选择模型是在神经网络的基础上，实现了基于数据驱动，可以学习到各种不同调校方法的模式，特别是能够学习到手工调校这种精度高，但是却又难以用标准自动化流程来归纳总结的模式，因此能够取得比传统方法更好的调校精度。
[0085]
通过神经网络来直接预测出需要调节的eq调节参数，可以通过数据驱动的方式学习到不同的调节方式，避免单一算法产生的系统误差，具有更高的精度。
[0086]
在本发明中，系统架构有以下要点：
[0087]
1)麦克风部署于主驾座椅靠枕附近，高度与人耳相近，这样能够保证扬声器单元调校后的声音更贴合人体听到的声音，
[0088]
2)频响特性提取模块与频响差分分析模块均运行在arm架构的主控上
[0089]
3)频响特性提取模块接收从麦克风收集到的信号并进行频响分析，得到频响特性数据，即0～20khz频率范围内特征频率上对应的声压幅度，特征频率数量以及选取方式不限。
[0090]
4)基于神经网络的频响分析模块是本发明的核心，其输入为预设频响曲线以及实测频响曲线，经过神经网络计算后，输出为n组eq调节的参数，每组参数包括置信度、中心频率、带宽、增益四个参数，n典型值为20。
[0091]
5)dsp模块包含eq调节功能，可以随时改写存储于其中的eq调节参数
[0092]
以上仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。