Beitrag

Merkmalsselektion von psychoakustischen Größen bei der datenbasierten Modellierung der subjektiven Geräuschqualität

Tag / Zeit: 17.08.2021, 11:00-11:20
Raum: Stolz 1
Typ: Regulärer Vortrag
Online-Zugang: Bitte loggen Sie sich ein, damit weitere Inhalte sichtbar werden (bspw. der Zugang zur Onlinesitzung).
Zusammenfassung: Bei der Geräuschwahrnehmung von Fahrzeugen spielt der empfundene akustische Komfort eine bedeutende Rolle. Da die subjektiven Geräuschbewertungen jedoch nicht direkt messbar sind, werden sie in der Praxis durch aufwendige Probandentests erhoben. Als Alternative dazu wird in dieser Arbeit eine Methode vorgestellt, mit der die subjektiven Probandenurteile durch ein neuronales Netz objektiviert werden. Als Modelleingangsgrößen stehen dem maschinellen Lernalgorithmus neben akustischen Größen wie dem Schalldruckpegel und dem Terzspektrum diverse psychoakustische Parameter zur Verfügung. Während des Modelltrainings wird der Zusammenhang dieser messbaren Größen mit den subjektiven Geräuschbewertungen der Probanden hergestellt. Das trainierte Modell ist schließlich in der Lage, für unbekannte Geräusche eine entsprechende quasi-subjektive Bewertung zu ermitteln.Der Fokus dieses Beitrags liegt auf dem Prozess der Merkmalsselektion. Diese dient dazu, eine Kombination von Eingangsgrößen für den maschinellen Lernalgorithmus zu finden, die zu einer möglichst hohen Vorhersagegenauigkeit führt. Je nach Geräuschcharakter tragen jedoch nur bestimmte Parameter zur subjektiven Empfindung der Geräuschqualität bei. Da irrelevante Eingangsparameter die Güte des Modells verschlechtern, ist eine geeignete Merkmalsselektion essenziell für eine gute Annäherung der empfundenen Geräuschqualität. Deshalb werden in diesem Beitrag verschiedene Merkmalsselektionsstrategien verglichen und ihre Effektivität auf Basis der resultierenden Merkmalskombinationen interpretiert.