基于人工神经网络预测反射声能序列的方法研究

《基于人工神经网络预测反射声能序列的方法研究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、摘要厅堂中声脉冲响应的测量是音质研究的基本手段和方法，通过对反射声的时间、空间、能量分布的分析可得到大部分厅堂音质客观参量。然而，在脉冲响应的实际测量中不可避免地受到噪声的干扰，尤其对于信噪比较低的后期反射声，这给音质参量的计算带来误差和不确定性。目前消除噪声影响方法有非线性拟合法、截断法等，但是非线性拟合法适用于完全扩散场，而截断法往往受到人为因素的影响(如：截断点的选取)，所以在不同声场条件下使用具有较大的局限性。本论文基于人工神经网络技术，时间序列分析等手段，提出了运用人工神经网络预测房间中后期反射声能序列的方法，应用于厅堂音质参量的测试中。对于确定的厅堂、声源和接收点位置可看成一个

2、线性时不变系统，该接收点上反射声的时间分布反映了这个系统的特性，因而是确定而且唯一的。脉冲响应序列值之间存在着相互依赖关系属于时间序列的范畴，因此可以对已知的序列值进行建模来预测未知数据，人工神经网络技术发展提供新的建模工具。通过使用神经网络对脉冲响应序列中信噪比较高的早期反射声部分建模，预测被噪声掩盖的后期反射声能量，对音质参量计算中后期能量进行补偿提高测量精度。论文对不同人工神经网络模型的预测效果进行了比较发现混合网络模型具有较高的预测精度，而FIR网络具有最简单的结构。通过处理一组含噪声的实测脉冲响应，结果说明采用人工神经网络预测后期反射声能序列的方法较截断法对音质参量有更好的修正效

3、果。论文还将人工神经网络预测方法在声场计算机模拟中的应用进行了探讨，通过模拟得到的早期反射声序列预测后期反射声能量，对音质计算中高阶反射声能进行补偿，结果表明可提高音质参量的预测精度，并减少了计算机模拟中的反射次数从而缩短计算时间，与传统能量补偿法相比不受补偿起始点选取的影响因而具有较好的稳定性。厅堂中反射声序列的时间分布是一个复杂的多参量问题，它受到具体厅堂条件的影响，无法用确定的数学关系来描述。本论文目的是运用人工神经网络技术对此进行初步的探讨，得到一些初步的结论为深入研究积累基础。ABSTRACTMeasurementofroomimpulseresponse(RIR)isanimp

4、ortantapproachforacousticalresearchofahall．Mostofacousticalparameterscanbederivedbyanalyzingarrivetime，directionandenergyofeachreflectioninRIR．HoweveraRIRobtainedfromarealmeasurementisinevitablymixedwithbackgroundnoise(BN)，especiallyitslaterreflectionsbeingusuallymasked，whichmakestheresultlessaccu

5、rateandcertainduringthecourseofcalculatingacousticalparameters．Soseveralmethods，suchastruncation，nonlinearregressionandSOon，havebeenproposedtOreduceBNeffect．Butnonlinearregressionisvalidonlyinfullydiffusedsoundfield．Meanwhileintermoftruncationmethod，resultsareeasilyaffectedbychoosingdifferenttrunc

6、atepoints．Sothesemethodscannotworkwellunderallcircumstances．Basedonartificialneuralnetwork(ANN)techniqueandtimeseriesanalysis，anewmethodusingANNtopredictlaterreflectionenergyinauditoriumispresentedinthispaper,anditisappliedtoacousticalmeasurement．ItiSknownthatroom，soundsourceandreceivercanbeconsid

7、eredasaIineartimeinvariantsystem，andsoundreflectionsinreceivercontaincharacteristicsofthesystem，thereforenleyareinvariant．BecausetherearecloserelationsamongdifferentreflectionsofRI＆somedatainatimeseries(e．g．1ater