通过人工神经网络预测无人机心理声学烦恼的声学分析

此前，已有诸多研究致力于测量和理解无人机噪声，包括测量声压和分析噪声排放模式，同时人工智能，尤其是深度神经网络（Deep Neural Networks，DNN），也被用于预测和分析无人机声音特征。

在此基础上，来自苏黎世应用科技大学工程学院的Andrea Vaiuso等人开展了一项研究，旨在通过探索不同无人机规格、飞行数据和操作之间的相关性，利用多种深度学习模型，基于无人机的多种特性来预测其心理声学烦恼（Psychoacoustic Annoyance），从而加深对无人机噪声的理解，辅助降噪技术发展并提升公众对无人机使用的接受度。

研究过程

1.数据收集方法

测量环境与设备

研究人员在瑞士温特图尔的 Riedbachweg 飞行区开展测量工作，此地相对安静，有助于记录无人机声音且背景噪声较小。选择在此开放空间而非消声室进行记录，是为了在类似真实环境中研究噪声传播及人类感知，充分考虑了大气条件（如风、热逆温和湍流）对噪声的影响。在无人机选择上，依据 ISO 5305 标准，综合可用性和多样性，选用了 DJI Matrice、DJI Mavic、Holybro S500 和 Tarot X6 四架无人机。麦克风采用 Behringer ECM - 8000，校准后通过 MOTU 8 Pre USB 音频接口采集数据，使用 Performer Lite 程序获取声学测量值。

无人机操作与麦克风设置

定义了七种标准化参考操作，操作速度设定为 3m/s。麦克风设置根据每架无人机尺寸调整，确保处于声学远场，其结构和布局有特定设计，包含七个麦克风，部分符合 ISO 5305 标准并有所改进，可精确调整位置和方向，以保证测量结果的一致性和有效性。

2.数据分析过程

数据预处理与同步

研究人员将数据以 22050Hz 采样率标准化，随后通过同步过程将收集的数据与飞行日志对齐，借助视频记录分割各操作的测量数据，并对无人机位置数据进行滤波分析，应用线性校正以确保数据准确性。

声学特征分析

频谱和频谱图：利用 Librosa 库计算傅里叶变换和频谱图，发现无人机具有独特的低频峰值，该特征不受观测位置和操作影响，源于其结构和机械属性；高频部分则受无人机与观测者相对位置影响，地面麦克风记录的高频更尖锐，顶部麦克风记录的高频较弱且嘈杂。

声音质量指标（SQM）：计算了响度、粗糙度、尖锐度和波动强度等指标，各指标依据特定公式计算，这些公式基于声音物理属性与人类主观听觉感知的关系，在 Matlab 中使用 Audio Toolbox 包完成计算。

心理声学烦恼（PA）：依据 Zwicker 和 Fastl 的模型计算 PA，该模型基于响度、尖锐度、波动强度和粗糙度等听觉感受，通过特定公式量化 PA，以反映声音对人的烦恼程度。

结果分析

计算各无人机、操作和麦克风的 SQM 和 PA，结果显示不同无人机在响度、尖锐度、粗糙度、波动值和烦恼程度等方面存在差异，如 Mavic 比 Matrice 响度低、尖锐度高、粗糙度低且更不令人烦恼。根据 PA 平均值对无人机分类，Tarot X6 最令人烦恼，DJI Mavic 2 最不令人烦恼。同时计算圆盘载荷（Disc Loading）以分析无人机升力表面效率和负载分布，生成热图确定变量相关性，发现响度、臂长、转子半径和粗糙度对 PA 影响显著，尖锐度与多个指标呈负相关，波动强度相关性不显著，转子数量因数据局限性未体现明显相关性。

3.数据预测方法

特征选择

从数据集中选取相关特征构建 Pandas DataFrame，包括纵横比、转子数量、重量、麦克风距离、操作类型和 PA，对部分特征进行归一化处理，去除冗余或不相关属性，以提高模型准确性。

模型架构与测试

模型选择与验证：开发并测试了线性回归、支持向量机（SVM）、深度神经网络（DNN）和卷积神经网络（CNN）四种模型，运用 Nested Cross Validation（NCV）进行超参数调整，通过 RMSE（Full）和 RMSE（Validation）评估模型。结果表明，线性回归虽 RMSE（Full）低但泛化能力弱，DNN 在 RMSE 验证测试中误差较低，最终确定使用 DNN 模型。

预测模型架构：DNN 模型架构包含输入层（5 个神经元对应所选特征）、三个隐藏层（使用 ReLU 激活函数，分别有 256、16 个单元）和输出层（1 个单元预测 PA），使用 Adam 优化器和均方误差（MSE）损失函数，并基于 NCV 优化。

模型测试结果：监测模型训练过程中的验证损失，发现模型能有效捕捉输入特征与 PA 的关系，预测结果显示无人机重量和纵横比增加会导致感知烦恼增加，这可为无人机形状优化提供依据。

研究结论

通过此项研究，Andrea Vaiuso 等人在真实飞行条件下对多架无人机和多个麦克风进行分析，有助于深入理解无人机设计对噪声的影响，通过严谨的数据收集、分析和模型预测，为无人机优化策略提供了有价值的参考。他们指出未来可通过纳入更多无人机数据和新形状特征进一步改进预测模型，从而降低无人机噪声对环境和公众接受度的影响，推动无人机技术朝着更环保、更易被公众接受的方向发展。