一种基于特征排序和最小化组间差异的车辆内部噪声主观音质评估方法

《Results in Engineering》：A Subjective Sound Quality Evaluation Method for Vehicle Interior Noise Based on Feature Ranking and Minimizing Inter-group Differences

创新主观音质评价方法通过因子分析提取综合声学特征，结合动态锚点选择与IGWO-SVR模型优化，有效降低评估工作量并提升一致性，验证了分组策略与模型的有效性。

　　在现代汽车工业快速发展的背景下，车内噪声的声品质（Sound Quality, SQ）已成为影响驾驶体验和消费者购买决策的重要因素。传统上，声品质评估主要依赖于主观方法，如配对比较（Paired Comparison, PC）和分组配对比较（Adaptive Grouped Paired Comparison Method, AGPCM）。然而，这些方法在面对大规模样本时存在显著局限性，例如评估过程繁琐、效率低下以及结果一致性难以保证。为了解决这些问题，本文提出了一种创新的主观声品质评估方法，该方法结合了基于声品质特征排序和最小化组间差异的分组策略，并引入了动态种子选择机制，以提升评估的准确性和可靠性。

### 主观与客观评估的挑战

主观评估方法通过评估者的感知判断，能够揭示人类对声音的丰富感知体验，但其在实际工程应用中存在局限性。例如，评估过程需要大量时间与人力，且评估结果容易受到评估者个人偏好和疲劳程度的影响。因此，主观评估虽然直观，但难以实现规模化应用。相比之下，客观评估方法通过可测量的声学参数（如A加权声压级、响度、尖锐度、粗糙度和言语可懂度指数）建立评估系统，具有高效、可重复和可自动化的优点。然而，这些参数往往无法全面反映人类的感知体验，尤其是在复杂噪声环境中，如车内噪声，其包含多种声音特征，涉及感知强度、音调结构、响度变化等多维信息。

### 改进的AGPCM方法

传统AGPCM方法通过分组和配对比较的结合，有效降低了评估负荷，同时保持了与完全连接PC方法相近的评估精度。然而，其分组策略仍然依赖于评估者的经验或样本条件，缺乏系统性。这种经验性方法存在多个问题，包括：分组标准高度依赖专家判断，引入了主观性并降低了结果的可重复性；难以充分覆盖感知结构中的极端或边界样本，削弱了评估系统的对比性和覆盖能力；组内样本的代表性不足，且种子点选择缺乏系统化，影响了主观评分映射的一致性和稳定性。

为解决上述问题，本文提出了一种改进的AGPCM方法，其核心在于引入了一种基于特征排序和最小化组间差异的创新分组策略。首先，通过KMeans聚类算法，从原始五维特征空间中获取每种条件下的客观特征分布。随后，基于综合声品质评分（标准化特征的加权和），对每组样本进行排序。最后，采用交错分配策略，将排序后的样本分配到三个实验组（A/B/C），以确保组内数据紧凑性，同时最小化组间主观感知差异。这一策略显著提升了分组的科学性和实验解释性。

### 动态种子选择机制

种子选择是AGPCM方法中的关键环节，直接影响后续组配对设计和感知结构建模的准确性。本文提出了一种基于双侧约束的种子选择策略，旨在提高种子的代表性与感知对比度。该策略引入了两个核心约束条件：一是感知代表性约束，即确保选定的种子能够反映整体样本的感知统计特征，从而减少评估组与专家组之间的评分偏差；二是结构覆盖约束，即保证种子之间的距离足够远，以增强评估者在进行配对判断时的区分能力。

具体而言，首先根据样本的平均评分μA，将专家组样本划分为上部和下部感知样本集。然后，从这两个样本集中各选择一个样本，形成所有可能的种子对。在此基础上，通过最小化组间评分差异的指标Lrep，选择最优的种子对。这一方法确保了种子组的平均评分与专家组的平均评分高度一致，从而提升了评估结果的一致性和稳定性。

### 主观评估实验

为了验证所提出方法的有效性，本文组织了一组由25名经验丰富的汽车工程师和技术人员组成的评估小组，对分组后的样本进行主观评估。所有评估者在安静、无干扰的环境中独立完成评估任务，以避免相互影响。在评估前，所有参与者接受了标准化的听力训练，明确了每个评估维度的物理含义和评分标准。使用Sennheiser HD560S专业耳机进行评估，同时对声音样本进行了响度标准化处理（参考A加权声压级调整为-20 LUFS），以确保播放时所有样本的响度一致。

评估过程中，每组样本的数量被控制在6-12个之间，以避免评估者疲劳。第一组包含10个样本，第二和第三组各包含9个样本。每组样本的播放时间控制在5秒以内，并设置1秒的缓冲时间以避免跨样本回声干扰。每组中随机选择两个样本进行配对比较，以确保评估的随机性和独立性。评估结果通过定制化软件进行记录，支持回放功能，但不允许跨样本比较，以确保评估的即时性和独立性。

### 声品质预测模型的构建

为了进一步提升声品质评估的效率和准确性，本文引入了基于改进型灰狼优化算法（Improved Grey Wolf Optimization, IGWO）的支撑向量回归（Support Vector Regression, SVR）模型。SVR作为一种有效的非线性回归方法，特别适用于小样本和复杂问题。通过将输入数据映射到高维特征空间，并在该空间中进行线性回归，SVR能够捕捉声音的复杂特征并建立准确的预测模型。

本文采用IGWO算法优化SVR模型的超参数，包括正则化参数C、误差容忍度ε和核函数参数γ。通过非线性控制策略，IGWO算法在早期阶段增强了全局搜索能力，而在后期阶段加速了局部收敛。优化后的SVR模型显著提升了预测性能，其均方误差（MSE）从10.38%降低至5.33%，R2值从0.922提升至0.960，远优于传统SVR模型。此外，通过删除不同特征（如响度或A加权声压级）进行消融研究，发现A加权声压级对模型预测能力的影响最大，其贡献率达到55.73%，表明其在反映主观感知方面具有关键作用。

### 评估结果分析

通过比较传统AGPCM方法与改进方法的预测结果，本文发现改进方法在R2值上显著优于传统方法（0.9690 vs. 0.9335），表明其能够更好地拟合主观评估数据，提升模型对声品质的解释能力。同时，模型的预测精度也得到了显著提高，特别是在处理高维特征和多重共线性问题方面表现出色。通过SHAP（SHapley Additive exPlanations）方法，进一步分析了各特征对模型预测结果的贡献，发现A加权声压级是预测主观感知的最重要参数，而响度次之。这一发现不仅验证了模型的有效性，还为未来声品质建模提供了理论依据。

### 模型的局限性与未来展望

尽管本文提出的方法在多个方面取得了显著进展，但仍存在一些局限性。首先，由于使用的是单耳录音，该模型可能无法充分反映声音的空间属性（如宽度和定位），这在某些情况下可能影响评估的全面性。其次，虽然专家评估保证了评分的一致性，但这种方法可能无法完全代表普通消费者的声音感知，从而影响模型的通用性。因此，未来的研究可以考虑引入双耳录音，以更全面地捕捉声音的空间特征，并招募非专家听众进行评估，以增强模型的适用性。此外，测试模型在更广泛的驾驶条件下的表现（如加速、道路噪声等）也是提升模型稳健性和实际应用价值的重要方向。

### 结论

本文提出了一种创新的主观声品质评估方法，结合了基于特征排序的分组策略和动态种子选择机制，以提升评估的科学性和实验解释性。该方法通过引入因子分析，有效提取了声品质的代表性特征，并结合优化的SVR模型，提升了预测性能。在实际应用中，该方法不仅能够显著降低评估负荷，还能在保持高一致性的同时，更准确地反映声音的主观感知。这一框架为汽车NVH工程和声品质建模提供了新的思路，并为未来的研究奠定了坚实的基础。