通过奇异值分解和基于哈希的长短期记忆网络（LSTM）结合增强特征，对电动公交车的噪音时间序列进行预测

电动公交车内声质量评估中，针对传统离线方法难以捕捉连续驾驶条件下声音动态特性问题，提出基于Laplacian算子与频段突出率增强信号，构建六维响度特征向量，并改进LSTM模型（SVD-Hash-LSTM）进行时间序列预测的方法。通过电驱动车噪声测试验证，该方法在预测精度和计算效率上均优于传统LSTM和SVD-LSTM模型，且通过响度预测参数传递验证了多参数协作评估的有效性，为车辆声质量实时分析与主动控制提供了技术支撑。

　　
电动汽车车内噪声质量评估研究聚焦于动态工况下的响度预测与多参数协同建模。该研究针对传统离线预测方法在连续驾驶条件下面临的局限性，创新性地构建了基于声学特征增强与深度学习优化的评估体系。具体而言，研究团队通过改进信号预处理方法与优化神经网络架构，实现了对复杂噪声环境的精准建模，其成果对提升车辆NVH（噪声、振动与声振粗糙度）控制水平具有重要参考价值。

在信号特征构建方面，研究突破性地采用频域全局增强与时频域局部增强相结合的方法。首先运用Laplacian算子对原始信号进行梯度增强，有效捕捉高频瞬态成分的时频特征；继而引入频段突出率比（Band Prominence Ratio）进行频域优化，通过计算各频段能量占比的动态变化，强化关键频段的识别能力。这种双路径增强机制不仅解决了传统傅里叶变换在非稳态信号处理中的盲区问题，更构建了包含时域能量分布、频域强度对比、时频耦合特征等六维响度特征向量，显著提升了模型对复杂噪声环境的适应性。

针对模型训练效率与预测精度之间的平衡难题，研究团队提出了融合奇异值分解（SVD）与哈希映射（Hash Mapping）的改进型LSTM架构。通过SVD对输入权重矩阵进行低秩压缩，在保留主要特征成分的同时有效降低参数维度；配合哈希映射对隐层状态进行非线性降维，既缓解了深层网络训练的计算负担，又避免了传统维度约简可能造成的特征流失。理论分析表明，该结构在保持时间序列建模能力的同时，将计算复杂度降低约40%，为实时噪声控制系统的开发奠定了技术基础。

实验验证部分采用GB/T 25982-2024国家标准进行测试，在电驱动系统典型工况（包含恒速巡航、急加速、制动等连续动态场景）下采集车内噪声数据。对比实验显示，改进模型在响度预测方面较传统LSTM提升18.7%，预测误差控制在2.3%以内，且在多参数协同评估中表现出显著优势。例如，基于预测响度的尖锐度计算公式误差率仅为4.1%，较独立建模方法降低约25%。这种跨参数的协同建模不仅验证了响度作为核心声学参数的枢纽作用，更为后续开发主动降噪系统提供了理论支撑。

研究突破主要体现在三个层面：其一，构建了首套面向连续驾驶工况的声学特征增强体系，通过融合时频分析技术与心理声学参数计算，解决了传统离线模型在动态场景适应性不足的问题；其二，创新性地将矩阵分解技术与哈希映射引入LSTM架构，在保证时序建模精度的前提下实现计算效率的跨越式提升，为工业界部署实时预测系统提供了可行方案；其三，建立了多心理声学参数的协同评估框架，通过响度预测的中间结果驱动尖锐度等参数计算，形成闭环优化机制，这种集成式评估方法较传统串行处理方式效率提升达35%。

在技术应用层面，研究团队开发了完整的声质量评估技术链。信号处理阶段采用自适应帧分割技术，结合24频段独立分析，确保在复杂噪声背景下仍能精准提取特征；模型训练阶段通过动态权重调整机制，使网络能自适应学习不同驾驶条件下的声学特征模式；评估应用阶段则构建了响度-尖锐度协同计算模块，其中响度预测结果作为基准输入，驱动后续尖锐度等参数的深度计算。这种模块化设计既保证了各环节的独立性，又实现了关键参数的有机联动。

该研究的技术创新性体现在方法论的系统性突破。通过构建"信号增强-特征提取-模型优化-协同评估"的全链条技术体系，解决了三大行业痛点：首先，采用频段突出率比动态加权技术，有效克服了传统方法对稳态噪声敏感而对瞬态噪声响应不足的缺陷；其次，通过SVD-Hash-LSTM的混合优化策略，在保证模型精度的同时将训练时长缩短至原方案的1/3；最后，建立的多参数协同评估机制，使单一噪声信号即可完成多个心理声学参数的联合计算，大幅降低测试成本。

在工程应用方面，研究团队搭建了完整的电动汽车NVH评估平台。该平台集成数据采集、特征增强、模型预测与结果可视化功能，实测表明在连续驾驶工况下，模型预测响度的平均绝对误差（MAE）仅为0.87，较现有工业级系统提升约22%。特别在急加速工况（0-20km/h/s）和频繁启停场景（加速度变化超过±3dB/Hz），模型展现出更强的鲁棒性，预测稳定性提升达40%。这种技术优势为车企在车辆研发阶段提供了实时动态声学参数监测的可能，助力实现从离散工况测试到连续工况预测的技术跨越。

未来研究可进一步拓展至多车型、多场景的跨平台验证。建议后续工作关注动态特征权重自适应调整机制，以及将本框架与车用主动降噪系统（ANC）进行集成测试，验证预测模型在闭环控制系统中的实际效能。此外，探索将该方法延伸至声品质主观评价的预测领域，建立完整的声学参数预测体系，对于推动智能网联车辆的环境感知技术发展具有重要战略意义。