使用回归预测机器学习模型预测声音愉悦度的制作方法

本公开涉及使用机器学习来评估从对象(诸如电子设备和电器)发出的声音的愉悦度。

背景技术：

1、多个应用领域需要测量代表人类听众感知到什么的量。例如，声音质量评估研究用户如何感知工业对象(电子设备、汽车、电器等)的声音质量，并为这些声音的设计建立规范。声音质量评估可以指：为了改善人们与对象的交互，在烦恼或愉悦方面对对象产生的声音进行评估。鉴于现代电气化和日益增长的城市化，人类对对象声音的感知的重要性正在增加，特别是关于它们的愉悦度或它们被感知为干扰的可能性。

2、此外，机电系统的噪声、振动和粗糙度(nvh)分析是产品开发和制造质量控制的重要部分。差的nvh性能可能增加用户在使用产品时的疲劳，导致产品随着时间的推移进一步退化(磨损)，并负面地影响客户的购买决策。

3、许多电气设备的声音质量评估通常包括允许听众听审团听声音，并对声音的愉悦度进行评级。然而，这可能是耗时的，并且对于所开发的每个新产品都需要新的听众听审团。nvh分析通常在实验室环境下用传感器测量，并且通常不考虑声音的愉悦度。此外，在nvh分析期间测量的声音质量可能对一些人来说是不愉悦的，但对另一些人来说是愉悦的。

技术实现思路

1、根据一个实施例，一种利用机器学习来预测从设备发出的声音的愉悦度的方法，包括：从一个或多个人类听审员(humanjurors)接收多个愉悦度评级，每个愉悦度评级对应于由一个或多个设备发出的多个声音中的相应一个声音；经由麦克风系统检测多个可测量的声音质量，每个可测量的声音质量与多个声音中的相应一个声音相关联；对于每个相应的声音，基于其愉悦度评级及其对应的可测量的声音质量来训练回归预测模型，直到收敛产生经训练的回归预测模型；经由麦克风检测未评级声音的可测量的声音质量，其中，该未评级声音尚未被一个或多个人类听审员评级；以及对未评级声音的可测量的声音质量执行经训练的回归预测模型，以产生多个预测的愉悦度差异评级，每个预测的愉悦度差异评级对应于未评级声音和多个声音中的相应一个声音之间的相应成对比较。

2、根据另一实施例，一种用于利用机器学习来预测从设备发出的声音的愉悦度的系统，包括：麦克风，其被配置为检测由一个或多个设备发出的多个声音；处理器，其被编程为处理多个声音；以及存储指令的存储器，所述指令当由处理器执行时使处理器执行各种步骤。所述步骤包括：从一个或多个人类听审员接收多个愉悦度评级，每个愉悦度评级对应于多个声音中的相应一个声音；检测多个可测量的声音质量，每个可测量的声音质量与由麦克风检测到的多个声音中的相应一个声音相关联；针对每个相应的声音，基于其愉悦度评级及其对应的可测量的声音质量训练回归预测模型，直到收敛产生经训练的回归预测模型；检测未评级声音的可测量的声音质量，其中，该未评级声音尚未被一个或多个听审员评级；以及对未评级声音的可测量的声音质量执行经训练的回归预测模型，以产生多个预测的愉悦度差异评级，每个预测的愉悦度差异评级对应于未评级声音和多个声音中的相应一个声音之间的相应成对比较。

3、根据又一实施例，一种利用机器学习预测从设备发出的声音的愉悦度的方法，包括：从一个或多个人类听审员接收多个愉悦度评级，每个愉悦度评级对应于由一个或多个设备发出的多个声音中的相应一个声音；经由麦克风系统检测多个可测量的声音质量，每个可测量的声音质量与多个声音中的相应一个声音相关联；经由麦克风系统检测未评级声音的可测量的声音质量，其中，该未评级声音尚未被一个或多个人类听审员评级；对未评级声音的可测量的声音质量执行回归预测模型，以产生多个预测的愉悦度差异评级，每个预测的愉悦度差异评级对应于未评级声音和多个声音中的相应一个声音之间的相应成对比较；对于每个成对比较，将预测的愉悦度差异评级与这些愉悦度评级中的相应一个愉悦度评级相组合，以产生相应的合计评级；以及基于合计评级的平均值，输出未评级声音的总体预测愉悦度评级。

技术特征：

1.一种利用机器学习来预测从设备发出的声音的愉悦度的方法，所述方法包括：

2.根据权利要求1所述的方法，其中，所述多个可测量的声音质量包括响度、音调和锐度中的至少一个。

3.根据权利要求1所述的方法，进一步包括：

4.根据权利要求3所述的方法，进一步包括：

5.根据权利要求3所述的方法，进一步包括：

6.根据权利要求1所述的方法，进一步包括：

7.根据权利要求1所述的方法，其中，所述多个可测量的声音质量在时间频谱上。

8.根据权利要求1所述的方法，其中，所述多个可测量的声音质量以二维频谱被输入到所述回归预测模型中。

9.一种用于利用机器学习来预测从设备发出的声音的愉悦度的系统，所述系统包括：

10.根据权利要求9所述的系统，其中，所述多个可测量的声音质量包括响度、音调和锐度中的至少一个。

11.根据权利要求9所述的系统，其中，所述存储器包括另外的指令，所述另外的指令当由所述处理器执行时使所述处理器：

12.根据权利要求11所述的系统，其中，所述存储器包括另外的指令，所述另外的指令当由所述处理器执行时使所述处理器：

13.根据权利要求11所述的系统，其中，所述存储器包括另外的指令，所述另外的指令当由所述处理器执行时使所述处理器：

14.根据权利要求9所述的系统，其中，所述存储器包括另外的指令，所述另外的指令当由所述处理器执行时使所述处理器：

15.根据权利要求9所述的系统，其中，所述多个可测量的声音质量在时间频谱上。

16.根据权利要求9所述的系统，其中，所述多个可测量的声音质量以二维频谱被输入到所述回归预测模型中。

17.一种利用机器学习来预测从设备发出的声音的愉悦度的方法，所述方法包括：

18.根据权利要求17所述的方法，其中，所述多个可测量的声音质量包括响度、音调和锐度中的至少一个。

19.根据权利要求17所述的方法，其中，所述未评级声音的总体预测愉悦度评级基于所述合计评级的加权平均值。

20.根据权利要求17所述的方法，其中，所述多个可测量的声音质量在时间频谱上，或者以二维频谱被输入到所述回归预测模型中。

技术总结机器学习用于预测从设备发出的声音的愉悦度。接收来自人类听审员的多个愉悦度评级，每个愉悦度评级对应于由一个或多个设备发出的多个声音中的相应一个声音。麦克风系统检测这些已评级声音的多个可测量的声音质量(例如，响度、音调、锐度等)。基于听审团愉悦度评级和对应的可测量的声音质量来训练回归预测模型。然后，麦克风系统检测未经听审团评级的未评级声音的可测量的声音质量。对未评级声音的可测量的声音质量执行经训练的回归预测模型，以产生未评级声音的预测愉悦度。技术研发人员：F·舍恩,F·郎,T·阿尔贝尔,M·库卡,C·欧,F·J·C·孔德萨,R·Z·A·法托尼受保护的技术使用者：罗伯特·博世有限公司技术研发日：技术公布日：2024/5/6