CN119446188B 智能音频测试系统频响分析方法、装置及设备 （深圳德威音响有限公司）

备通道采集和时频特征提取，得到时频特征数据据集输入深度神经网络进行特征识别和模式分高了智能音频测试系统的测试精度、抗干扰能2基于所述测试参数矩阵对所述激励信号和响应信号进行双通道采集和时频特征提取，对所述时频特征数据集执行时域降噪和频域增强的双分支处理，得到净化根据所述特征加权矩阵对所述净化特征数据集进行分段递归计算将所述频响特征向量按测试频段分解，并进行环境补偿和非线性校将所述标准频响数据集输入深度神经网络进行特征识别和模式分类对智能音频测试系统的处理器进行DSP算法配置，将全通滤波器和动态对所述通道参数集进行增益步进设置，得到增益控制矩阵，得到原始采样数据，并基于所述测试参数矩阵对所述原始采样数据进行14通道信号分配，3对所述时频特征数据集进行分支划分，将信号分为时域对所述双分支数据集中的时域分支执行4级小波分解运算，将阈值设置为噪声标准差对所述双分支数据集中的频域分支执行谱减法运算，将频率相关的抑制因子设置为根据所述时域降噪数据计算信噪比指标，将信噪比阈值设置为40dB，得对所述时域权重系数和所述频域权重系数进行加权组合，执行权重归一化运基于频响平坦度、相位线性度和群延时波动指标，对所述融合特征加权矩阵对所述净化特征数据集进行分段递归计算和特征聚合，得到频响特征向量，根据所述特征加权矩阵对所述频段划分数据进行编码转换，构建16维频率编码向量，对所述频率编码数据执行递归采样处理，将基本采样密度设置为4点将所述多密度采样数据输入三层级特征提取单元，第一层执行时对所述三维特征数据构建双层预测单元，第一层通过LSTM网络处理时基于所述预测特征数据构建三级残差网络，第一级计算幅度残差将所述残差特征数据输入特征融合网络，通过全连接层进行特征降对所述频响特征向量进行三段式频率划分，将20Hz_200Hz划分为低频段，20基于所述分段频响数据构建自适应区间模型，设置置信水平为95%，执行最大偏差计4将所述环境补偿数据与1kHz/_20dBFS基准信号进行比对运算，计到校准基准数据，并根据所述校准基准数据构建12阶FIR滤波器，执行非线性误差补偿运基于所述补偿校准数据对所述分段频响数据进行校准修正，分别将所述多层级特征数据输入双流注意力网络，所述双流注意力网络力模块和时序空间注意力模块，其中频率通道注意力模块采用1x1卷积层提取通道权重，对所述注意力特征数据进行特征聚合，通过跨层特征融合模块将不同将所述回归特征数据输入双头输出层，第一输出头通过两个全连接层预测频率响应通过样条插值算法对所述频率分类结果和所述响应预测数据进行预测点连续化处理，初始化模块，用于对智能音频测试系统进行音频参数初采集模块，用于基于所述测试参数矩阵对所述激励信号和响应信号进处理模块，用于对所述时频特征数据集执行时域降噪和频域增强的双分支处计算模块，用于根据所述特征加权矩阵对所述净化5分类模块，用于将所述标准频响数据集输入深度神经网络进行特征识别和模式分类，所述至少一个处理器调用所述存储器中的所述指令，以使得所述电子设备执所述指令被处理器执行时实现如权利要求1_7中任一项所述的智能音频测试系统频响分析6[0001]本申请涉及音频测试技术领域，尤其涉及一种智能音频测试系统频响分析方法、[0007]基于所述测试参数矩阵对所述激励信号和响应信号进行双通道采集和时频特征7[0015]处理模块，用于对所述时频特征数据集执行时域降噪和89[0034]步骤200、基于测试参数矩阵对激励信号和响应信号进行双通道采集和时频特征内设置基本采样密度为每倍频程4个采样点，以确保信号在整个频段的采样均匀性和覆盖同特征之间由于量纲不同而带来的影响。通过加权求和运算将三维特征压缩为一维向量，频响数据构建自适应区间模型，通过设置置信水平为95%，对频响数据执行最大偏差的计到温度和湿度是影响音频测试结果的重要因素，环境补偿矩阵是基于温度系数±0.01dB/相位特性。通过样条插值算法对频率分类结果和响应预测数据进行预测点的连续化处理，式表示通道信号范围：集进行增益步进设置以得到增益控制矩阵。对不同增益水平下的信号进行逐级调节和测示为：；表示第i个通道的输出信号，f,(·)为与通道相关的信号处理函数，[0088]对双分支数据集中的时域分支执行4级小波分解运算，将阈值设置为噪声标准差[0089]对双分支数据集中的频域分支执行谱减法运算，将频率相关的抑制因子设置为[0096]9=3·o,；i个带通滤波器的传递函数，f;为该频段的中心频率，B,为；Ri;为第i和第j个频段之间的相关系数，和分别为第i和第j个频段[0139]h,=o,·tanh(c)；[0141]y=f(wx+b)；f(,)Ir通过全连接层进行特征降维和优化处理。全连接层用于将高维的特征数据降至更低的维[0153]基于分段频响数据构建自适应区间模型，设置置信水平为95%，执行最大偏差计nr,(x;u,o)表示均值为u、标准差为σ的高斯分布，反映真实环境下的系统表现。将环境补偿数据与1kHz/_20dBFS的基准信号进行比对运算，[0177]将回归特征数据输入双头输出层，第一输出头通过两个全连接层预测频率响应的表示。每一层卷积层应用ReLU激活函数，以引入非线性并使网络能够处理复杂的模式。；；差块包含两个3x3的卷积层和一个短路连接。残差块的引入有助于解决深层网络训练[0192]y=f(x)+x；预测数据。通过样条插值算法对频率分类结果和响应预测数据进行预测点的连续化处理，接成连续的曲线。设离散点为(x;,y)，则样条插值的目标是构建一个平滑函数s(x)，满；[0205]分类模块16，用于将标准频响数据集输入深度神经网络进行特征识别和模式分[0212]应当理解的是，处理器301可以是中央处理单元(CentralProcessingUnit，CPU)，该处理器301还可以是其他通用处理器、数字信号处理器(DigitalSignal上述描述的电子设备300的具体工作过程，可以参考前述智能音频测试系统频响分析方法