[发明专利]一种基于机器学习的扬声器自动分类方法

权利要求书

1.一种基于机器学习的扬声器自动分类方法，其特征在于：包括基于机器学习神经网络模型的训练方法和测试分类的方法；

神经网络模型的训练方法：通过电声测试系统测试多个不良和良品的扬声器，将获取的激励信号和响应信号作为训练样本输入神经网络进行训练，获得各个分类的判断规格，根据该分类原则，对生产的扬声器进行分类；

测试分类的方法：通过电声测试系统测试扬声器，将获取的激励信号和响应信号作为特征样本输入神经网络模型，特征样本与神经网络模型训练中得到的分类面进行比较，得到分类的结果。

2.如权利要求1所述的一种基于机器学习的扬声器自动分类方法，其特征在于：所述神经网络模型的训练方法具体包括以下步骤：

S1.采用电声测试系统对多个扬声器进行测试，获取激励信号和响应信号，根据采集的激励信号、响应信号，计算扬声器的指标，根据以上指标，进行良品和不良品的分类；

S2.将步骤S1判断为良品的扬声器的激励信号和响应信号导入PEAQ音频质量评价模型，该模式分别经过心理声学模型处理后，各自的输出经由感知模型特征提取、综合，计算出一系列模式输出参数；

S3.将步骤S2中的输出参数导入BP神经网络，

,

该神经网络可以计算出扬声器异常音的多个等级，其中，式中

I代表步骤S2中计算出来的多个参数个数，J代表神经网络的层级，PEAQ中选择是3层神经网。

3.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：所述电声测试系统为CRY615B电声分析系统。

4.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤S1中所获取的激励信号和响应信号包括：频率响应信号、总波失真信号、相位信号、信噪比信号、极性信号、异常音信号。

5.如权利要求4所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤S1中所述激励信号和响应信号的信号形态为连续对数扫频信号。

6.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤S1中所计算的扬声器的指标包括：频率响应，谐波失真，相位，极性和异常音。

7.如权利要求2所述的一种基于机器学习的扬声器自动分类方法，其特征在于：步骤S2中的输出参数，导入BP神经网络，最后，由神经网络模型把这些参数映射为一个客观差异等级输出。