本發明涉及振動噪聲控制，尤其涉及一種基于rbf神經網絡的聲場預測方法、裝置、設備及介質。

背景技術：

1、聲場預測是振動噪聲控制研究中的一個重要領域，它涉及到對聲音傳播和分布特性的準確預測，然而，聲場的復雜性往往超出了傳統預測方法的范疇，特別是在處理近場聲場與遠場聲場的關聯性時，這些差異和動態變化使得構建準確的預測模型變得極具挑戰性。

2、近場聲場通常包含豐富的聲波細節，如干涉、衍射和反射等現象，這些現象使得聲波的分布變得極為復雜；而遠場聲場則相對較為簡單，聲波主要以球面波的形式傳播；然而，兩者之間的關聯性卻至關重要，因為近場聲場的微小變化都可能對遠場聲場產生顯著影響。

3、傳統的聲場預測方法，如物理模型和數值計算，雖然在一定程度上能夠模擬聲場的傳播特性，但這些方法不僅計算量大、耗時長，而且在處理復雜聲場環境時，預測精度會受到限制。

技術實現思路

1、有鑒于此，有必要提供一種基于rbf神經網絡的聲場預測方法、裝置、設備及介質，用以解決聲場預測精度不高以及效率低的技術問題。

2、為了解決上述問題，本發明提供一種基于rbf神經網絡的聲場預測方法，包括：

3、建立聲場結構模型，對所述聲場結構模型進行聲場振動模擬，獲得不同工況下的聲場振動數據；

4、基于所述聲場振動數據對構建的rbf神經網絡進行訓練，并對所述rbf神經網絡的參數進行調整，其中，所述rbf神經網絡包括輸入層、隱藏層、輸出層；

5、基于訓練完備的所述rbf神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值。

6、在一種可能的實現方式中，所述建立聲場結構模型，包括：

7、以鋁薄板為聲場結構物以及空氣域為聲場域建立聲場結構模型。

8、在一種可能的實現方式中，所述對所述聲場結構模型進行聲場振動模擬，獲得不同工況下的聲場振動數據，包括：

9、確定頻率范圍以及頻率步長，基于所述頻率范圍以及頻率步長對所述鋁薄板施加點載荷，以獲得不同工況下的聲場振動數據，其中，所述聲場振動數據包括振動數據以及噪聲數據。

10、在一種可能的實現方式中，所述頻率范圍為5hz~8000hz，所述頻率步長為5hz。

11、在一種可能的實現方式中，所述基于所述聲場振動數據對構建的rbf神經網絡進行訓練，并對所述rbf神經網絡的參數進行調整，包括：

12、構建rbf神經網絡，確定所述rbf神經網絡的參數；

13、對所述聲場振動數據進行劃分，獲得訓練集數據和測試集數據；

14、將所述訓練集數據輸入至所述輸入層中，通過所述輸入層對所述訓練集數據進行轉化，獲得數值化的向量；

15、將所述數值化的向量輸入至所述隱藏層中，通過所述隱藏層對所述數值化的向量進行非線性變換和特征提取，獲得特征向量，其中，以徑向基函數為所述隱藏層的激活函數的神經元；

16、將所述特征向量輸入至所述輸出層中，通過所述輸出層對所述特征向量進行線性組合，獲得預測結果；

17、對所述預測結果進行反歸一化處理，獲得預測數據，對所述預測數據進行誤差計算，獲得誤差，基于所述誤差對所述rbf神經網絡的參數進行調整，以獲得訓練完備的rbf神經網絡；

18、將所述測試集數據輸入至訓練完備的rbf神經網絡中，獲得測試集的預測數據，基于所述測試集的預測數據對訓練完備的所述rbf神經網絡進行評估。

19、在一種可能的實現方式中，所述rbf神經網絡的參數包括beta值、中心點以及輸出層的維度。

20、在一種可能的實現方式中，所述基于訓練完備的所述rbf神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值，包括：

21、將待預測的聲場振動數據中的振動數據輸入至訓練完備的所述rbf神經網絡中，基于訓練完備的所述rbf神經網絡對所述振動數據進行預測，獲得與所述振動數據相同頻點的噪聲數據；

22、基于所述噪聲數據獲得總聲壓級預測值。

23、另一方面，本發明還提供一種基于rbf神經網絡的聲場預測裝置，包括：

24、數據獲取模塊，用于建立聲場結構模型，對所述聲場結構模型進行聲場振動模擬，獲得不同工況下的聲場振動數據；

25、訓練模塊，用于基于所述聲場振動數據對構建的rbf神經網絡進行訓練，并對所述rbf神經網絡的參數進行調整，其中，所述rbf神經網絡包括輸入層、隱藏層、輸出層；

26、預測模塊，用于基于訓練完備的所述rbf神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值。

27、另一方面，本發明還提供一種電子設備，包括：處理器和存儲器；

28、所述存儲器上存儲有可被所述處理器執行的計算機可讀程序；

29、所述處理器執行所述計算機可讀程序時實現如上所述的基于rbf神經網絡的聲場預測方法中的步驟。

30、另一方面，本發明還提供一種計算機可讀存儲介質，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如上所述的基于rbf神經網絡的聲場預測方法中的步驟。

31、本發明的有益效果是：基于聲場振動數據對構建的rbf神經網絡進行訓練，并對rbf神經網絡的參數進行調整，基于訓練完備的rbf神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值，提高了聲場預測精度以及預測效率。

技術特征：

1.一種基于rbf神經網絡的聲場預測方法，其特征在于，包括：

2.根據權利要求1所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述建立聲場結構模型，包括：

3.根據權利要求2所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述對所述聲場結構模型進行聲場振動模擬，獲得不同工況下的聲場振動數據，包括：

4.根據權利要求3所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述頻率范圍為5hz~8000hz，所述頻率步長為5hz。

5.根據權利要求3所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述基于所述聲場振動數據對構建的rbf神經網絡進行訓練，并對所述rbf神經網絡的參數進行調整，包括：

6.根據權利要求5所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述rbf神經網絡的參數包括beta值、中心點以及輸出層的維度。

7.根據權利要求5所述的基于rbf神經網絡的聲場預測方法，其特征在于，所述基于訓練完備的所述rbf神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值，包括：

8.一種基于rbf神經網絡的聲場預測裝置，其特征在于，包括：

9.一種電子設備，其特征在于，包括存儲器和處理器；

10.一種計算機可讀存儲介質，其特征在于，所述計算機可讀存儲介質存儲有一個或者多個程序，所述一個或者多個程序可被一個或者多個處理器執行，以實現如權利要求1-7任意一項所述的基于rbf神經網絡的聲場預測方法中的步驟。

技術總結
本發明涉及一種基于RBF神經網絡的聲場預測方法、裝置、設備及介質，屬于振動噪聲控制技術領域，基于RBF神經網絡的聲場預測方法包括建立聲場結構模型，對聲場結構模型進行聲場振動模擬，獲得不同工況下的聲場振動數據；基于聲場振動數據對構建的RBF神經網絡進行訓練，并對RBF神經網絡的參數進行調整，其中，RBF神經網絡包括輸入層、隱藏層、輸出層；基于訓練完備的RBF神經網絡對待預測的聲場振動數據進行預測，獲得總聲壓級預測值，提高了聲場預測精度以及預測效率。

技術研發人員：王獻忠,魏佳杰,齊文超,姜權洲,邵岳川
受保護的技術使用者：武漢理工大學
技術研發日：
技術公布日：2025/4/24