[发明专利]一种基于机器学习的扬声器自动分类方法

说明书

本发明提出了一种基于机器学习的扬声器自动分类方法，包括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。该分类方法能够准确客观反映扬声器的异常音，自动完成进行异常音检测的自动分类，替代人工听音及分类。

【技术领域】

本发明涉及扬声器测试的技术领域，特别是一种基于机器学习的扬声器自动分类方法。

【背景技术】

频率响应(Frequency Response)是表征扬声器性能一个重要指标，同时也比较容易测量。频率响应反映扬声器相同激励电压各个频率的灵敏度。扬声器作为典型的非线性系统，生产工艺流程的细微差别导致频率响应曲线的差异。耳机等产品至少需要一对扬声器，所以扬声器生产企业需要将频率相近的扬声器分为相同的一组。目前主流的方案是根据频率响应进行分类。

在生产线上的质检过程中，有必要测试所有导致单体不良的原因。扬声器单体或者音箱有可能通过频率响应和阻抗曲线的质检，但依然听上去不良。比如，音圈摩擦或打底，或者从箱体传出的咔嗒声。目前技术缺陷分类条件单一(频率响应)，无法满足需求。特别是异常音的分类尤为重要，异常音指标直接影响听感，也是扬声器生产企业面临难题。企业需要培养“金耳朵”进行人工听音，人工听音存在主观性即依赖人的直接反馈，同时“金耳朵”培养周期长，容易疲劳。

【发明内容】

本发明的目的就是解决现有技术中的问题，提出一种基于机器学习的扬声器自动分类方法，能够准确客观反映扬声器的异常音，替代人工听音及分类。

为实现上述目的，本发明提出了一种基于机器学习的扬声器自动分类方法，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。

作为优选，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、综合便可以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中计算出来的参数个数，J代表神经网络的层级，PEAQ中选择是3层神经网。

作为优选，所述电声测试系统为CRY615B电声分析系统。

作为优选，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。

作为优选，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。