Tonal Metrics in the Presence of Masking Noise and Correlation to Subjective Assessment
Notice bibliographique
Résumé
<div class="section abstract"><div class="htmlview paragraph">As the demand for Sound Quality improvements in vehicles continues to grow, robust analysis methods must be established to clearly represent end-user perception. For vehicle sounds which are tonal by nature, such as transmission or axle whine, the common practice of many vehicle manufacturers and suppliers is to subjectively rate the performance of a given part for acceptance on a scale of one to ten. The polar opposite of this is to measure data and use the peak of the fundamental or harmonic orders as an objective assessment. Both of these quantifications are problematic in that the former is purely subjective and the latter does not account for the presence of masking noise which has a profound impact on a driver's assessment of such noises.</div><div class="htmlview paragraph">This paper presents the methodology and results of a study in which tonal noises in the presence of various level of masking noise were presented to a group of jurors in a controlled environment. Their subjective ratings were collected and correlated to noise and vibration metrics. These findings were incorporated within a custom software application which imports a test data file, determines the present masking level, and assigns a rating for the tonal noises above masking noise which is robustly correlated to the subjective impressions of a large test sample of end users. This data collection and analysis procedure has been adopted as a standard procedure within a major American vehicle manufacturer.</div></div>
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».