CN102027338A - 信号判定方法、信号判定装置、程序、信号判定系统 - Google Patents
信号判定方法、信号判定装置、程序、信号判定系统 Download PDFInfo
- Publication number
- CN102027338A CN102027338A CN2008801291717A CN200880129171A CN102027338A CN 102027338 A CN102027338 A CN 102027338A CN 2008801291717 A CN2008801291717 A CN 2008801291717A CN 200880129171 A CN200880129171 A CN 200880129171A CN 102027338 A CN102027338 A CN 102027338A
- Authority
- CN
- China
- Prior art keywords
- data
- mentioned
- measurement
- noise
- analytic target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 109
- 238000007477 logistic regression Methods 0.000 claims abstract description 18
- 238000005259 measurement Methods 0.000 claims description 192
- 238000003860 storage Methods 0.000 claims description 33
- 238000004364 calculation method Methods 0.000 claims description 29
- 238000004458 analytical method Methods 0.000 claims description 18
- 230000010354 integration Effects 0.000 claims description 13
- 230000015572 biosynthetic process Effects 0.000 claims description 11
- 241001269238 Data Species 0.000 claims description 8
- 230000008676 import Effects 0.000 claims description 7
- 238000007619 statistical method Methods 0.000 claims description 7
- 238000011835 investigation Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 description 44
- 238000007621 cluster analysis Methods 0.000 description 18
- 230000000694 effects Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 12
- 238000005070 sampling Methods 0.000 description 12
- 238000006467 substitution reaction Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 10
- 239000000284 extract Substances 0.000 description 9
- 230000005684 electric field Effects 0.000 description 8
- 230000008569 process Effects 0.000 description 8
- 238000010276 construction Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 6
- 238000013480 data collection Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 3
- 230000004069 differentiation Effects 0.000 description 3
- 208000037805 labour Diseases 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000007639 printing Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000003556 assay Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000012467 final product Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005201 scrubbing Methods 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 230000005236 sound signal Effects 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000238631 Hexapoda Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000007598 dipping method Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035807 sensation Effects 0.000 description 1
- 230000005477 standard model Effects 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
提供一种与关系到生活环境的噪音或者振动相关的准确率高的信号判定方法。提供一种与关系到生活环境的噪音或者振动相关的信号判定方法。其特征在于,在这个信号判定中,在测量/分析对象的模型公式上输入未知数据,得到输出值作为未知数据是否为测量/分析对象的概率值。测量/分析对象的模型公式,利用实际测量的已知数据制作。此外,制作模型公式,是预测模型公式的演算单元。并且,作为预测模型公式,可利用逻辑斯蒂回归(Logistic regression)公式。
Description
技术领域
本发明涉及信号判定方法、信号判定装置、程序、信号判定系统,尤其涉及于根据信号的时间序列数据和最大信号强度来进行高精度判定信号的信号判定方法、信号判定装置、程序以及信号判定系统。
背景技术
噪音是嘈杂而感到不舒服的声音。特别是航空器和行驶于公路上的汽车的噪音,经常构成环境问题。
实际上,噪音在环境基本法里被定义为公害,也设定了环境基准(根据环境基本法(1993年法律第91号)第16条第1项规定的有关噪音的环境基准;例如,参照http://www.env.go.jp/kijun/oto1-1.html)。
为了制定噪音对策,需要精确的噪音的测量和分析,确保测量与分析值的精确度和可靠性是极为重要的。
然而,成为测量对象的噪音,因时间上和空间上的变动,要在短期内获得准确的噪音测定值是困难的。
因此,在噪音对策中,最好是测定长时间/长期的噪音,然后以测定的数据为基础进行噪音的分析。
在实际测量噪音中,载人测量是最佳的,即经验丰富且擅长测量技术的测量员常驻现场,在掌握情况的同时进行测定。然而,在测量长时间/长期持续的情况下,测量员的负担与成本方面将有问题。
所以,在长时间/长期的噪音的测量中,经常使用自动测量,即测量员不常驻现场而放置测量用设备自动测量。
作为这样的传统自动测量的系统,例如参照专利文件1,存在噪音判定管理系统,即在自动执行噪音级的测量和实际声音的录音的同时,能够容易地进行所获取的噪音数据的分析以及实际声音的播放(以下,为传统技术1。)。
该传统技术1的噪音测量管理系统具有,根据声频输入信号测量噪音级的功能、分析和保存噪音级数据的功能、显示和打印噪音级图表的功能、收录规定阈值以上的噪音级的声音的实际声音的功能。利用这样的功能,可进行自动测量。
在这里,在噪音测量中,关于被判定的声频输入信号是否为测量对象,识别(判定)是重要的。
在由有经验的测量员手工测量的载人测量的情况下是很容易识别的。
但是,在噪音的自动测量中则难以识别。因此,需要利用某种人为的识别条件,由测量员手动调整识别条件。
在传统技术1的噪音测量管理系统中,单纯地分为常规的背景噪音(background noise)和噪音,其构成为,以某一个特定的背景噪音级作为阈值,输入超过该阈值的声频信号时,将判断为噪音(噪音判断)而存储下来。
在传统技术1中,测量员把这个背景噪音级作为识别条件来设定。这样,识别条件只是背景噪音级的话,则会有测量值的可靠性变低的问题。
所以,作为较高的噪音识别条件,例如,参照非专利文件1,其记载了,将输入的声频信号的频带有特征的情况,或者同时判定噪音和航空器发出的电波的情况这些条件作为识别条件的噪音判定方法(以下,作为传统技术2)。
如利用传统技术2的噪音判定方法,与其单纯地得到阈值以上的所有数据,还不如尽可能地缩小获得数据的范围,这样能省下相应的整理数据的工夫。
【专利文件1】日本专利特开2001-165763号公告
【非专利文件1】山下、大桥,「在航空器噪音的自动测量现场的研究」,噪音控制,社团法人日本噪音控制工学会,2005年,Vol.29,No.5,p.363-367
发明内容
然而,传统技术1的噪音测量管理系统,由于单纯地把噪音级作为阈值,当存在多数和测量/分析对象的噪音不一样的噪音时,会产生得到所有那些噪音的问题。即,曾经有收进测量/分析对象以外的数据的情况。因此如提高阈值,则相反出现过丢失信息的情况。因此,数据清理的阶段不仅需要花额外的工夫,还可能会损害测量值本身的可靠性。
还有,传统技术2的噪音判定方法,因每个测量点的噪音环境不同,噪音判定的识别条件有必要由测量员设定。然而,这个识别条件的设定有两个问题,第一,需要长期的现场调整,第二,同时观测测量/分析对象和对象以外的噪音时,或者噪音和背景噪音的差别小的时候,常会产生错误的识别。
本发明是鉴于这样的状况提出的,以解决上述问题为课题。
本发明的信号判定方法,是用电脑判定噪音/分析对象的噪音判定方法,其特征在于,在噪音或振动所涉及的测量/分析对象的模型上,输入不知到其是否为测量/分析对象的未知数据,获得上述测量/分析对象的模型的输出值作为上述未知数据是否为测量/分析对象的概率值。
本发明的信号判定方法,其特征在于,上述测量/分析对象的模型,是利用实际测量的已知的数据所制作。
本发明的信号判定方法,其特征在于,是利用上述实际测量的已知的数据,通过预测模型公式演算单元制作上述测量/分析对象的模型,在被制作的噪音或振动的测量/分析对象所涉及的模型上输入未知数据,得到利用上述测量/分析对象的模型的输出值演算单元计算的输出值,作为上述未知数据是否为测量/分析对象的概率值。
本发明的信号判定方法,其特征在于,上述测量/分析对象,是利用关系到生活环境的有关噪音或振动数据的测量/分析对象的模型。
本发明的信号判定方法,其特征在于,在上述测量/分析对象的模型所涉及的预测模型公式上,利用逻辑斯蒂回归(Logistic regression)公式,上述逻辑斯蒂回归公式,将上述测量/分析对象的模型所涉及的预测因素作为说明变量来利用,将是否为上述测量/分析对象作为目标变量来利用,在上述逻辑斯蒂回归公式上,应用并输入上述未知数据,计算概率值。
本发明的信号判定方法,其特征在于,上述任一个说明变量,分类范畴并应用于上述预测模型公式。
本发明的信号判定方法,其特征在于,利用多个上述未知数据和成为测量/分析对象的信号的被试数据的相似性,应用于上述预测模型公式,计算概率值。
本发明的信号判定方法,其特征在于,利用多个上述未知数据和不是测量/分析对象的信号的被试数据的非相似性,应用于上述预测模型公式,计算概率值。
本发明的信号判定方法,其特征在于,上述不是测量/分析对象的信号的被试数据,利用对上述测量/分析对象的预测模型公式影响大的一类数据。
本发明的信号判定方法,其特征在于,上述被试数据,是根据被采样的规定期间的时间序列数据,使用统计方法制作的。
本发明的信号判定方法,其特征在于,使用实际测量的已知数据,通过求出上述逻辑斯蒂回归公式的说明变量的系数,制作测量/分析对象的模型公式。
本发明的信号判定方法,其特征在于,进一步进行上述预测模型的预测模型公式、说明变量的检验、合法性的研讨以及检验。
本发明的信号判定方法,其特征在于,存储上述已知数据,以存储的数据为基础重新制作上述预测模型公式。
本发明的信号判定方法,其特征在于,切换多个测量/分析对象,在该切换的供测量/分析对象使用的上述预测模型公式上应用上述未知数据,得到是否为该切换的测量/分析对象的概率值。
本发明的信号判定方法,其特征在于,配备多个上述模型,一部分的数据没有得到时,利用多个上述模型中的不适用该数据的模型。
执行本发明的信号判定方法的程序。
本发明的信号判定装置,其特征在于具备:
存储单元,其存储关系到噪音或者振动的测量/分析对象的模型的预测公式、已知数据、未知数据、成为判定对象的信号的被试数据以及不是判定对象的信号的被试数据;
预测模型公式演算单元,其利用上述已知数据与,成为测量/分析对象的信号的被试数据以及/或者不是测量/分析对象信号的被试数据的相似性或者非相似性,求出说明变量的系数,制作预测模型公式;
输入单元,其将输入到上述存储单元的值进行输入;
输出值演算单元,其在上述测量/分析对象的模型的上述预测模型公式上,应用上述未知数据的各值进行计算;
输出单元,其将上述输出值进行输出;
判定单元,其根据上述输出值,进行上述未知数据的种类的测量以及/或者分析。
本发明的信号判定装置的特征在于,上述存储单元,是追加上述说明变量时,存储多个上述预测模型公式的存储单元;进一步具备整合多个上述预测模型公式的输出值的数据整合单元;上述输出值演算单元,通过上述数据整合单元,应用于多个上述预测模型公式,计算上述说明变量相关的数据。
本发明的信号判定系统的特征为,具备上述信号判定装置和,向上述输入单元发送上述未知数据的传感器。
根据本发明,通过利用测量/分析对象的模型概率性地表达识别结果,可提供一种测量值可靠性高,且不需要测量员手动调整识别条件的信号判定方法。
附图说明
【图1】本发明第1实施形态所涉及的噪音判定系统X的系统构成图。
【图2】本发明第1实施形态所涉及的服务器100的控制块图。
【图3】显示本发明第1实施形态所涉及的噪音判定的概略的概念图。
【图4】本发明第1实施形态所涉及的预测模型制作的流程图。
【图5】本发明第1实施形态所涉及的被试数据集制作处理的流程图。
【图6】显示本发明第1实施形态所涉及的聚类分析处理的例子的图。
【图7】本发明第1实施形态所涉及的航空器噪音的被试数据集的时间序列数据的图表。
【图8】本发明第1实施形态所涉及的航空器噪音以外的被试数据集的时间序列数据的图表。
【图9】本发明第1实施形态所涉及的预测模型公式制作处理的流程图。
【图10】本发明第1实施形态所涉及的类分类虚拟变量化的概念图。
【图11】本发明第1实施形态所涉及的概率值演算处理的流程图。
【图12】显示本发明第1实施形态所涉及的测量分析结果例子的表。
【图13】本发明第2实施形态所涉及的服务器101的控制块图。
【图14】本发明第2实施形态所涉及的预测模型公式集制作的流程图。
【图15】本发明第2实施形态所涉及的概率值演算处理的流程图。
【图16】显示本发明第2实施形态所涉及的误识别率的图表。
【图17】显示本发明第2实施形态所涉及的WECPNL的预测值和实际测量值的差的图表。
【图18】显示本发明第2实施形态所涉及的测量分析结果例子的表。
【图19】本发明第3实施形态所涉及的服务器102的控制块图。
【图20A】显示利用于本发明第1~3实施形态所涉及的各测量/分析对象的模型的已知数据或者未知数据的种类的表(航空器噪音)。
【图20B】显示利用于本发明第1~3实施形态所涉及的各测量/分析对象的模型的已知数据或者未知数据的种类的表(道路交通噪音、道路交通振动)。
【图20C】显示利用于本发明第1~3实施形态所涉及的各测量/分析对象的模型的已知数据或者未知数据的种类的表(铁路噪音、铁路振动)。
【图20D】显示利用于本发明第1~3实施形态所涉及的各测量/分析对象的模型的已知数据或者未知数据的种类的表(工作场所·施工噪音、环境噪音、工作场所·施工振动)。
标号说明
5网络
11~15、21~26被试数据
100、101、102服务器
110输入部
120存储部
130预测模型公式计算部
140概率值计算部
150控制部
160输出部
170数据集成部
180多个测量/分析对象选择部
200-1~200-n 传感器
X噪音判定系统
具体实施方式
第1实施方式
系统结构
参照图1,说明本发明的实施形态所涉及的噪音判定系统X的构成。
本发明的实施形态所涉及的噪音判定系统X,供噪音使用的声响传感器的传感器200-1~200-n,通过因特网和内联网等网络5,被连接到实际执行噪音判定的服务器100(信号判定装置)上。
更具体地说,网络5可利用LAN、灯线LAN、cLink、无线LAN、手机或者PHS网络、有线电话线、专线等。还有,作为网络的形态,也可利用IP网络、其它星状、环状网络等。并且,通过软盘、各种闪存卡、HDD(硬盘驱动器)等存储介质也可进行数据交换。
服务器100,是利用供数据中心使用的PC/AT兼容机器的PC服务器、通用机等,分析来自传感器200-1~200-n的噪音声压数据,为了判定是哪种种类的噪音而执行程序。
传感器200-1~200-n,由装配有全气候防风银幕的全气候型麦克风、麦克风延长线、具有A/D转换器的噪音器主机、具有各种接口的数据通信部等构成。还有,数据通信部具有,连接LAN接口等网络5的连接单元。
传感器200-1~200-n,与传统技术1的噪音器不同,以毫秒为单位测量用麦克风测量的噪音声压等的信号,利用LAN接口等大体上可以实时发送该信号的经时变化(时间序列)的数据。还有,把实际的声音(实音)的波形,例如,用16位(采样频率44.1kHz)的CD程度的音质等收录数字样本实际声音,关于收录的实际声音听取数据,也同样(根据情况使用MP3及AAC等编解码器压缩)能发送。
并且,这个数据,和上述的网络5的形态相协调发送。
控制结构
下面,参照图2,详细说明本发明的实施形态所涉及的服务器100的控制构成。
服务器100主要具有:输入部110(输入单元),其为可分析和计算噪音数据的构成部位,输入来自各传感器200-1~200-n的数据;存储部120(存储单元),其存储所输入的数据、预测模型公式、预测结果等;预测模型公式计算部130(预测模型演算单元),其为用以算出预测模型公式(模型)的计算器等;概率值计算部140(输出值演算单元),其为用以计算概率值(输出值)的计算器;控制部150(判定单元),其为CPU(中央处理单元、中央处理装置)、MPU(微处理单元)等;输出部160(输出单元),其为LCD显示器、打印机、绘图仪、波形输出设备等。
更具体地说,输入部110,是L A N接口等,另外,也包括键盘、指向装置、光学·磁性扫描仪等的输入单元。因此,输入部110,可输入来自传感器200-1~200-n的数据、测量员事先测量的数据等。并且,关于所输入的传感器200-1~200-n的数据,也具备用以让测量员输入噪音种类等的用户接口。
存储部120,是RAM、ROM、闪存、HDD等。存储部120,具有数据记录仪的功能,可存储从传感器200-1~200-n输入的噪音信号数据、测量员事先测量的噪音信号数据、预测模型公式(的系数)、噪音判定的判定结果、噪音判定的程序、必要的数据等。
此外,预测模型公式计算部130和概率值计算部140,最好利用专门供计算使用的DSP(数字信号处理器)、物理计算专用运算器、GPU(Graphics Processing Unit)等可实时计算的计算器。并且,也可以利用控制部150的计算功能,实现予预测模型公式计算部130和概率值计算部140的功能。
控制部150,是实际进行以下噪音判定处理时进行控制和计算的构成部位。因此,根据存储到存储部120的ROM或者HDD等的程序,执行各种控制和计算的处理。
噪音判定处理流程
下面,参照图3的概念图,说明本发明的实施形态所涉及的用来判定噪音的预测模型制作和概率计算。
如上所述,在传统技术1的噪音自动测量中,设定背景噪音级的阈值,将背景噪音级的阈值以上的声音数据全部判断为噪音而采用。因此,测量员需要听全部的被存储的噪音,并识别测量/分析对象的噪音和,不是测量/分析对象的噪音。所以,尤其在生活环境中噪音多的地方,例如,测量/分析对象为航空器时,在干线道路旁等,花费了大量的时间和劳力。
此外,在传统技术2的噪音判定方法中有两个问题,第一,为了识别,测量员不得不长期在测量现场调整并进行设定;第二,根据测量场所的环境,结果还是需要测量员确认是否有错误的识别,花费了大量时间。
本发明的发明者,关于利用计算机的硬件资源分析噪音声压信号方法,经过深入试验研讨,研究出了通过利用被A/D转换的噪音的大小(声压、强度)的经时变化的数据(未知数据、已知数据或者被试数据)进行计算,用概率表达噪音的识别结果(被识别为测量/分析对象,或者被识别为不是测量/分析对象),来准确识别噪音的种类,使花费于其识别结果的验证上的工夫大幅减少的信号判定方法、信号判定装置及信号判定系统。
使用这个信号判定方法,信号判定装置及信号判定系统,测量员不用长期在测量现场调整噪音的识别条件,可把噪音作为测量的对象信号进行存储。
并且,这个信号判定方法、信号判定装置及信号判定系统,对于关系到成为测量/分析对象的预测模型的噪音进行噪音判定。所以,容易区别测量/分析对象的噪音和除此以外的噪音,因此可提高自动判定的准确性。关于振动,也可以同样利用数据,用与判定噪音相同的方法进行信号判定。
在本发明的第1实施形态所涉及的噪音判定系统X,关于这个噪音种类的识别,利用根据统计分析的概率值(或者,根据人工智能的输出值等)进行噪音判定。
并且,本发明的实施形态所涉及的数据中的未知数据、已知数据、被试数据,都不是单纯的数值,而是被输入到计算机的硬件资源里,以电、磁以及光学性来保持的物理性数据。
在这里,说明根据噪音判定系统X的噪音判定的具体处理。
在本发明的实施形态所涉及的噪音判定系统X中,首先,将被多个传感器200-1~200-n判定的噪音信号数据,存储到服务器100的存储部120里。
并且,作为供制作后述被试数据使用的素材的信号数据,也可以在存储部120里存储测量员常驻现场测量的录音数据。
利用这些信号数据,首先制作时间序列数据。
使用于噪音判定的数据
本发明的实施形态所涉及的噪音判定所使用的时间序列数据,是在规定期间(某时间范围)的信号强度的经时变化的数据。
作为这个信号变化数据,注意信号(噪音)的强度的经时变化,可利用这个信号的强度的时间序列数据。即,用规定的音程,得到(抽样)信号的强度(被量子化的信号的物理量),利用这个得到的数据。
作为具体的信号,例如,可利用声压级波形(声压波形、噪音级波形)。作为这个声压级波形的例子:
(a)想作为测量和分析对象的规定期间的声压级波形
(b)超过规定的声压级的阈值的规定期间的声压级波形
(c)关于被观测的极大值的前后,可利用如同规定期间的大约一半期间的声压级波形的信号的时间序列数据。
此外,通过利用FFT等,把频带分类成几个等,也可利用几个规定频带的声压变化数据。在此情况下,在各噪音选择特殊的频带,可利用如上述(a)~(c)的数据。
此外,在(b)的情况下,噪音数据的情况,例如,在“航空器噪音所涉及的环境基准”中规定,来自背景噪音没超越(超过)10d B以上的噪音数据不包括在测量/分析对象里,关于这样的条件也可以在缩小范围以后再准备数据。
此外,作为上述(a)的规定时间,例如,定为约40秒,可利用隔1秒采样(根据A/D转换测量信号的强度)的数据。
即,在上述(a)的情况下,从在存储部120里连续被存储的信号强度数据中,例如可利用40秒之间的数据。
在(b)的情况下,例如,对于在信号强度数据中从超过规定的声压级的阈值地方开始的40秒,可同样利用隔1秒采样的数据等。
在(c)的情况下,例如,在极大值的前后20秒里,可同样利用隔1秒采样的数据等。
并且,例如,信号的抽样隔1秒时,如规定期间为40秒,第20秒是规定期间的中央,在中央之前的数据是20个(从第0秒到第19秒),在中央之后的数据是20个(从第21秒到第40秒),共41个の数据被使用。
而且,作为声压级波形的抽样的方法,除了单纯取得抽样时的声压级的方法外,还加上得到抽样间隔内的积分值、最大值、平均值的方法等,可利用各种方法。此外,关于抽样间隔,除1秒以外还可以使用几百毫秒,或者几秒以上的间隔。
此外,作为获取超过背景噪音级的阈值数据的方法,为了确保阈值成为之前一定期间的声压级的小时率噪音级90%(L90)而进行改变,通过利用获取其阈值以上的方法,可区别背景噪音(background noise)和噪音。
在本发明的实施形态所涉及的噪音判定系统X中,以上述时间序列数据为主,分成以下3种类使用。
“被试数据”:被试数据,是通过与其它时间序列数据作比较,以如同差分的形式求得其特征,就是说如同“范本”的数据。例如,对航空器噪音、航空器以外的噪音等每一项特定的现象由有特征的数据制作被试数据组,可使用于预测模型公式的制作。另外,用被试数据,可用如同差分的形式求得未知的时间序列数据的特征。
被试数据的数目,根据样本大小或者相似性计算法,可利用适当的值。在本发明的实施形态,例如,准备3~10左右。
“声源已知数据”(已知数据):其是为了制作预测模型公式,而被测量的、分析区间被分段的信号强度的时间序列数据(根据载人测量或者实际声音听取,声源的种类能特定的数据)。这个声源已知数据,为了制作预测模型公式,需要准备多数。
“声源未知数据”(未知数据):是为了特定噪音分类的未知的时间序列数据。即,想求出测量/分析对象的噪音的概率的时间序列数据。
并且,在本发明的实施形态所涉及的噪音判定系统X中,信号的最大值和极大值,即,在上述的(a)~(c)的情况下,关于最大噪音级本身,也可以作为在噪音判定要注意的数据利用。这个最大值和极大值,也能根据被试数据、声源已知数据、声源未知数据求出。
而且,对于其它数据,也可适当利用于模型。
预测模型公式的制作和概率值的计算
参照图3的概念图,其说明了在测量/分析对象的预测模型公式的制作上,利用了逻辑斯蒂回归(Logistic regression)分析这一种统计方法的例子。
在图3的例子中,首先,根据航空器噪音的时间序列数据,制作航空器噪音的预测模型公式。
在此之上,将未知的时间序列数据应用于这个航空器噪音的预测模型公式,进行噪音判定。
作为本发明的实施形态所涉及的测量/分析对象,例如,航空器噪音、道路交通噪音、铁路噪音、工作场所噪音、施工噪音、卡拉OK噪音、扬声器以及车声噪音、道路交通振动、铁路振动等,对关系到生活环境的所有的噪音或振动均可以实施。
在本发明的实施形态所涉及的噪音判定系统X中,利用被试数据和声源已知数据,服务器100的各部分共同制作(导出)预测模型公式。
下面,将噪音类别没被特定的声源未知数据(声源未知时间序列数据)应用于所制作的预测模型公式中,求出预测概率的概率值(P)。
通过研讨这种概率值的输出,能进行最终噪音判定。
例如,比较规定的概率值中供判定使用的阈值A、B和概率值,概率值为阈值A(如超过70%时)以上的时候的判断为航空器噪音。此外,概率值在阈值B以下(如30%以下)时,判断为不是航空器噪音。除此之外(概率值在A和B之间)的情况下,当做不能明确判断,可以发出警告以通过实音听取数据来确认。
逻辑斯蒂回归(Logistic regression)分析
在本发明的实施形态中,说明主要利用逻辑斯蒂回归分析的噪音判定。
逻辑斯蒂回归分析,是将特定现象“发生”“不发生”的二元响应数据(变量),利用该现象发生的主要原因的多个数据(变量)来进行模型化的一种统计方法。
通过利用逻辑斯蒂回归分析,可推测是否为测量/分析对象的预测概率、预测因素的影响大小、预测因素之间的互助关系等。
像测量/分析对象“发生”“不发生”,成为模型化的目的的变量,被叫作目标变量。还有,像预测因素,用于描述与目标变量的关联性的变量,被叫作说明变量。
假设“成功”的概率为p,各预测因素为Xi的话,逻辑斯蒂回归公式表示为下面的式(1)。
ai是常数。
噪音判定的模型化时,目标变量用于表示是否为测量/分析对象。即,当航空器噪音为模型时,使用“是航空器噪音”“不是航空器噪音”作为目标变量。
说明变量,当航空器噪音为模型时,使用如与噪音波形的被试数据的相似性(测量/分析对象和测量/分析对象以外)、最高噪音级、航空器的位置信息(噪音源的位置信息)等。也可适地当将其他信息加为说明变量,在确认预测模型的适宜性后加以利用。
这样制作预测模型之后,可以推断成为对象的噪音为航空器噪音的概率。
并且,以上述说明变量,仅仅是与测量/分析对象的噪音波形的被试数据的相似性,便能以足够准确度进行模型化,但是通过进一步添加其他信息来制作模型,能够使准确性提高。
预测模型制作处理流程
下面,参照图4,说明利用如逻辑斯蒂回归(Logistic regression)分析的预测模型制作处理。
该预测模型制作处理包括,主要利用被试数据制作处理、该被试数据和众多声源已知数据来求出预测模型公式的常数项的处理。
步骤S101
在步骤S101中,控制部150,进行被试数据集制作处理。
在被试数据集制作处理,根据测量员事先测量的噪音数据,由做了声源(噪音的种类)识别的时间序列数据制作被试数据集。
具体而言,例如,对航空器噪音和航空器以外噪音等特定的事物现象,求出有特征的噪音波形,将这些作为被试数据集。
下面,作为例子,说明航空器噪音的被试数据集的制作,如果是进行信号识别后能够作为特定的事物现象(测量/分析对象)来分类的信号数据的话,则利用任何时间序列数据都可以。
在这个被试数据的制作,例如,可利用如同聚类分析等聚类(Clustering)方法的统计性方法制作。
在这里,参照图5,关于步骤S101的被试数据集制作处理,更详细的处理,作为步骤S1011~S1016说明。
步骤S1011
在步骤S1011中,控制部150,进行测量/分析对象的时间序列数据获得处理。
具体而言,控制部150,从存储于存储部120的录音数据或者素材的数据,提取规定期间(例如40秒)的数据。
关于该提取的数据,利用测量员事先特定用于制作统计模型的测量/分析对象(例如,航空器噪音数据)的数据。即,根据测量员测量的噪音的经时变化的噪音级波形的数据,作为供被试数据集使用,对每个测量/分析对象提取并获得有特征的数据。
在这个数据提取中,在有特征的数据范围内,例如,可对齐波形相位来提取。作为相位对齐方法的一个例子,提取时可使信号的最大值来到规定期间的中央。
并且,例如,如同后述,使用将电场强度的信号数据作为时间序列数据利用的预测模型公式时,能够得到有2个高峰的波形。这种情况下,可使高峰中央对齐并提取。
步骤S1012
在步骤S1012中,控制部150进行对测量/分析对象的根据时间序列数据的最大信号强度的标准化处理。
具体而言,对每一个提取的信号强度的时间序列数据集(航空器噪音数据),进行标准化处理。
即,把在时间序列数据内采样的各个信号,除以其时间序列数据的信号的最大强度,确保值在0~1之间。在这个例子中,用各最大噪音级(LAsmaX,最大噪音值)进行除法。
对于各时间序列数据进行该标准化。
步骤S1013
在步骤S1013中,控制部150进行航空器噪音聚类分析处理。
参照图6,说明该聚类分析处理。
首先,上述的时间序列数据集,可看作为拥有每个噪音的时间序列数据(从0秒到40秒的)41的元素的向量(数据集)。即,可以把各秒的信号强度的大小作为向量的元素。
把这些向量从相似性的观点进行分类,在航空器噪音中找出有特征的向量,作为被试数据利用。
作为聚类分析处理的例子,对被试数据的制作进行聚类分析。
此时,在给与的噪音波形的时间序列数据之间的相似性的基础上,逐次合并相似性最高的数据,形成聚类。
基于聚类间的相似性,重复聚类间的合并,通过重复直到被合并到一个聚类为止,获取分层结构。据此,对于各时间序列数据,可集中到相似事物之间(聚类)并进行分类。
相似性基于向量间的平方欧几里得(Euclidean)距离,聚类方法则利用聚类容易聚合,分层结构难以成为链结构的沃德方法(Ward′smethod)。
据此,可分类为相似的噪音波形的组。
优选为,在被分类的聚类中,从极大的聚类中选择被试数据。
并且,在上述的聚类分析的例子中,利用了分层的聚类方法。然而,时间序列数据的分类根据情况,也可利用任何统计方法。
特别是,在聚类方法中,例如,也可利用k-means法等非分层的聚类方法。还有,其他的,也可利用各种分层聚类方法(最短距离法、最节约法、邻近耦合法等)。
此外,作为一个例子,表示了根据聚类分析的方法,但是也可以利用其他的统计性的方法,进行用来取得被试数据的数据分析。
并且,在上述向量中,如在航空器噪音方面是有特征的指数,则也可包括时间序列数据以外的数据。
这个聚类分析中,被分类为全体(时间序列数据的个数,例如5个)中的小数(例如,少于全体的10%)的聚类的时间序列数据,可作为“脱落”数据(统计性的脱落数据),从被试数据集删除(不计入输出值里的处理)。
还有,利用能计算聚类间的距离的聚类方法时,例如,大的聚类复数出现(例如,全体的30%以上),该大的聚类间的距离也比规定的值大时,可在输出部160显示或打印等手段发出以下警告,即进一步划分测量/分析对象对统计模型的制作更有效(例如,如果是航空器噪音,则为大型喷气式飞机噪音和直升机噪音等)。
并且,关于上述数据间的相似性,根据被使用的数据种类,可利用最合适的方法求出。例如,如果利用各信号的差的平方、平方平均等值,则因差明显突出而较理想。
参照图7,显示了航空器噪音的被试数据11~15的例子,该数据是以5个聚类为基础而算出的,其中该5个聚类是根据以航空器的噪音作为对象的测量,并利用素材的数据进行标准化处理后进行聚类分析而获得的。
该图表的纵轴是信号强度(最大值是1),横轴是(在规定期间的)时间。这样,将用规定时间提取的、有关航空器噪音的典型的时间序列数据集,作为被试数据利用。
并且,这个聚类分析是为了在被试数据集制作中,按声源区分已知数据后,将每个声源特征类似的部分进行分组而进行的。
即,聚类分析只不过是为了制作被试数据的、若干方法中的一个,也可利用其他的分组方法制作被试数据集。
步骤S1014
在步骤S1014中,控制部150进行测量/分析对象以外的时间序列数据获得处理。
具体而言,和步骤S1011一样,控制部150从存储于存储部120的录音数据或者素材的数据,提取测量/分析对象(例如,航空器噪音)以外的规定期间的数据。
这个“航空器噪音以外”的数据,事先被测量员特定为航空器以外的噪音(例如,汽车的噪音、电车的噪音、防灾无线电的声音、青蛙的声音等),并且,被错误判断为航空器噪音时,最好一个不漏地选出有关对评估量影响大的噪音。
并且,在预测模型公式利用这样的测量/分析对象以外的时间序列数据,是为了提高准确率,但并不是必需的。
步骤S1015
在步骤S1015中,控制部150根据测量/分析对象以外的时间序列数据的最大信号强度进行标准化处理。
此处理与步骤S1012同样进行。
参照图8,显示了6个选择的航空器噪音以外的被试数据21~26的例子,该数据是根据以航空器以外的噪音为对象的测量,并利用素材的数据进行标准化处理和聚类分析而得的。图8的图表,也是纵轴表示信号强度(最大值是1),横轴表示时间。
步骤S1016
在步骤S1016中,控制部150进行航空器噪音以外的聚类分析处理。
关于这个聚类分析处理,也与步骤S1013同样,用分层的或者非分层的聚类方法分析。
在此之上,在该步骤S1016中,大的聚类(例如,全体的30%以上的时间序列数据被分类)出现了的时候,可在输出部160通过显示、打印等发出警告。
以上,结束被试数据集处理制作。
步骤S102
在这里,回到图4说明,在步骤S102中,服务器100的预测模型公式计算部130,进行预测模型公式制作处理。
具体而言,在这个预测模型公式制作处理中,关于许多声源已知数据,分别将与在步骤S101制作的被试数据的相似性及最大噪音级作为说明变量(X1~Xn)的值求出,利用规定的预测模型,根据最大似然法等优化方法计算系数(a0~an)等。由此,可制作(导出,计算)预测模型公式。
并且,实际上在噪音判定的系统中,可以在这个预测模型公式被制作的状态,在存储部120存储这个预测模型公式,在概率值计算部140利用。
在这里,参照图9,关于步骤S102的预测模型公式制作处理,更详细的处理,作为步骤S1021~S1027说明。
步骤S1021
在步骤S1021中,预测模型公式计算部130进行声源已知数据获取处理。
对于这个声源已知数据获取处理,预测模型公式计算部130和步骤S1011的时间序列数据获取处理同样,从存储于存储部120的已知数据集,提取规定期间的信号强度的时间序列数据。
还有,此时,也可使信号强度的最大值来到规定期间的中央而进行提取。而且,最大值难以求出时,也可进行调整后提取。
步骤S1022
在步骤S1022中,预测模型公式计算部130对于声源已知数据,进行根据最大信号强度的标准化处理。
该标准化处理,预测模型公式计算部130,和步骤S1012同样,对于被提取的时间序列数据进行。
步骤S1023
在步骤S1023中,预测模型公式计算部130进行与测量/分析对象的被试数据的相似性(X1)的演算处理。
具体而言,在声源已知数据和航空器噪音的被试数据集之间,算出相似性(X1)的值。X1,是作为上述公式(1)的1个说明变量来使用的值,用来导出预测模型公式使用。此外,相似性(X1),与在上述聚类分析时的时间序列数据之间的相似性的计算同样,在声源已知数据和各被试数据之间,利用采样的各信号的差的平方的总和、者绝对值的总和、平方平均等方法,算出与各被试数据的相似性。
在此之上,可算出,综合了与各被试数据的相似性的,相似性(X1)。
如果更具体地说明,则相似性(X1),例如,航空器噪音被试数据是5数据时,与该各被试数据的相似性作为da1~da5,由此算出作为相似性(X1)的da。da,为da1~da5的最大值(最相似的数据的相似性),或者只要有1个相似性高的,则通过使da变大的变量变换来进行计算。
为了制作有可靠性的模型,需要准备多个声源已知数据。
通常,为求出合理的逻辑斯蒂回归(Logistic regression)式所必要的样本大小,如果包括在目标变量中的事物现象(航空器噪音或者除此以外)的发生频率是大约相同程度,可以认为只要有说明变量10倍左右就行。如发生频率有偏差,则需要更多。
但是,在说明变量的数目是10个,样本大小是200的程度的数目时,因为不能说能够确实把握成为模型化的对象的噪音状况,所以进一步准备声源已知数据较好。
即,为了制作可靠性更高的预测模型公式,需要准备更多的声源已知数据。
步骤S1024
在步骤S1024中,预测模型公式计算部130进行与测量/分析对象以外的被试数据集的相似性(X2)的演算处理。X2也是作为公式(1)的1个说明变量来使用的值,同样为了导出预测模型公式的系数而使用。
此处理在声源已知数据和测量/分析对象以外的被试数据集之间,进行与上述相似性(X1)同样的计算。
即,例如,航空器以外的噪音被试数据是4数据时,与这个各被试数据的信号相似性作为dn1~dn4,由此可算出作为相似性(X2)的dn。X2,也是作为上述说明变量的其中1个来使用的值。
步骤S1025
在步骤S1025中,预测模型公式计算部130进行规定期间的最大值分类处理。
具体而言,预测模型公式计算部130在声源已知数据的提取区间的各信号强度的数据中,把最大的信号电平的数据的值(一般为规定期间的最大值),根据最大噪音级(dB)的范畴(或者类,级别)分类。
这样按范畴把最大噪音级分类的原因是,在最大级的数据的值和该噪音是/不是航空器噪音的关系上,不适合进行单调递减、单调增加等假设。具体说明的话,在公式1输入最大级的值时,公式的性质上,最大级的值越大,或者越小,算出的预测概率是航空器噪音的概率变大或者变小。但是,这样的模型不符合实际情况。因此,需要对输入的最大噪音级提供适当的处理。所以,使用通过不需要关系性(分布)的假设而可利用的范畴化的分类方法是较合适。此外,虽然也可认为变量变换的利用也是有效的,但是因为难以找到理论上合理的函数,因此根据范畴化的分类比较合适。对于最大噪音级以外的变量也根据需要进行范畴化。
特别是,当预测因素是性质上的变量时,只是在顺序信息的情况下特别有效。
参照图10进行说明,作为这个范畴,例如关于规定期间的最大值,可分类4dB以上~少于58d B、58d B以上~少于62d B、62d B以上~少于66d B、66d B以上~少于70d B、70d B以上的6个范畴。
步骤S1026
在步骤S1026中,预测模型公式计算部130进行范畴分类虚拟变量化(X3~X7)处理。
在此处理中,参照10,把对应各范畴的代入值(0或者1),作为利用逻辑斯蒂回归模型时的“虚拟变量”处理。即,这个虚拟变量,将性质上的值的范畴分类用于数字化中(0或者1)。
在这里,如范畴的数为N,则必要的虚拟变量的数为N-1。
例如,当范畴数为6的时候,必要的虚拟变量的数是5。少于54db的范畴时,相当于X3=0、X4=0、X5=0、X6=0、X7=0的情况。
预测模型公式计算部130备有对应各范畴的存储部,在对应规定期间的最大值所属的范畴的存储部上代入1,在除此以外的存储部上代入0。
X3~X7也是以被数字化的值(0或者1)用来导出预测模型公式的系数的、公式(1)的说明变量的值。
在图10中,显示了规定期间的最大值的最大噪音级为65d B的情况。此时,在X5上代入1,在X3和X4和X6和X7上代入0。
并且,这个最大噪音级作为预测模型公式的说明变量并不是必需的,通过使用,可进一步提高准确率。
步骤S1027
在步骤S1027中,预测模型公式计算部130进行供系数(a0~an)计算使用的处理。
具体而言,在利用从实际声源已知数据求出的判定结果的以下公式(2)中,代入在上述步骤S1023~S1026求出的说明变量(X1~Xn)的值,求出最佳的系数(a0、a1、a2、a3、..、an)的值。
例如,说明变量是7个(X1~X7)时,如假设预测因素之间没有混杂,用于求出系数的值的公式如下:
测量员判断=fa0+a1X1+a2X2+a3X3+a4X4+a5X5+a6X6+a7X7)(测量员判断:0或者1)......公式(2)
在这个式(2)中,a0是常数。
此外,这个公式(2)的“测量员判断”,是测量员判断噪音的声源的种类的结果(目标变量的值),使用0或者1的值。
即,在声源已知数据中,(例如,听取其实际声音听取数据)当测量员判断为特定的事物现象(测量/分析对象。即,在这个例子是航空器噪音)时代入了1,判断为特定的事物现象以外(测量/分析对象以外。在这个例子是,航空器噪音以外)时代入0。
预测模型公式计算部130,在存储部120存储用于求出制作的系数的公式。
并且,关于上述的预测因素,作为噪音器的数据,当测量/分析对象是航空器噪音时,尤其使用未知数据和上述测量/分析对象的被试数据的相似性为较理想。除此之外,再进一步通过使用未知数据和测量/分析对象以外的被试数据的非相似性、未知数据的规定期间的最大噪音级,可以作为准确率高的航空器噪音的预测模型公式。
除了这些预测因素之外,进一步将噪音器以外的数据的电波识别信息、声源仰角、噪音频率等在航空器噪音判定特殊化的指数,用于说明变量上,可进一步提高准确率。
把这些噪音器以外的数据的指数,作为预测因素使用的情况,在第2实施形态中进行更详细的说明。
在这里,对于所有的声源已知数据,进行步骤S1021~S1026的步骤,在步骤S1027中,求出最佳系数(a0~an)的值。使用了这个系数的值的式(1)的公式,成为预测模型公式。
为了求出系数的值,可使用SPSS、R等供统计使用的程序来计算。作为方法,可使用最大似然法等优化方法。使用最大似然法时,为了求出使对数似然最大化的参数,使用非线性优化方法。例如,可使用Fisher的评分算法等。
还有,对于每个声源已知数据,使用如同最快速下降法的方法,也可逐次优化系数。也可使用其他的学习方法等。
并且,关于求出此系数的值的方法及其他的逻辑斯蒂回归(Logisticregression)的预测模型公式求出的方法,可以以记载于众所周知的文件《类别数据分析导引》(Alan Agrest著,渡边裕之他译,科学家社,2003年)的方法为基础进行。
以上,结束预测模型公式制作处理。
并且,关于预测模型公式,可适当进行检验及合理性的研讨等。
例如,关于预测模型公式,可以通过进行Hosmer-Lemeshow检验等精确概率检验,进行适当性的研讨。
还有,关于各说明变量,也可以以求得系数的置信区间的95百分位数值等置信区间为基础,进行适当性的评价。
控制部150是可从输出部160输出检验及适当性的检验结果。
而且,当得到各说明变量的适当性低的评价时,为了不使用其说明变量、或者为了增加用来制作预测模型公式的声源已知数据而可在输出部160输出警告。
并且,也可自动判断增加或者减少说明变量。
以上,结束预测模型制作处理。
利用通过此预测模型制作处理所制作的预测模型,通过后述的概率演算处理,进行最终的噪音判定。
概率值演算处理流程
在这里,参照图11,对概率值演算处理进行详细的说明。
服务器100的概率值计算部140进行概率值演算处理,即在输入部110输入在噪音的自动测量等测量的、采样的未识别的数据(声源未知数据),利用各测量数据或者为了使测量数据适用于预测模型公式而进行加工了的数据,作为说明变量,应用于预测模型公式中,计算概率值。
下面,说明具体的概率值演算处理流程。
步骤S201
在步骤S 201中,概率值计算部140进行声源未知数据获取处理。
如上所述,声源未知数据,是不知道其是否为航空器噪音的声音的时间序列数据。
对于此声源未知数据获取处理,概率值计算部140和步骤S1011的时间序列数据获取处理同样,从存储于存储部120的用传感器200-1~200-n测量的数据集,提取噪音判定规定期间的信号强度的时间序列数据。
还有,如上所述,也可以使信号最大值来到规定期间的中央而进行提取。
步骤S202~步骤S206
到步骤S202~S206为止,概率值计算部140对于声源未知数据,进行和步骤S1022~S1026同样的处理。
即,进行根据最大信号强度的标准化处理(步骤S202)、与航空器噪音的被试数据集的相似性(X1)演算处理(步骤S203)、与航空器以外的被试数据集的相似性(X2)演算处理(步骤S204)、规定期间的最大值分类处理(步骤S205)、范畴分类虚拟变量化(X3~X7)处理(步骤S 206)。
根据此概率值计算部140,关于声源未知数据,可求出用于代入预测模型公式的说明变量(X1~Xn)的值。
步骤S207
在步骤S207中,概率值计算部140进行说明变量(X1~Xn)代入处理。
具体而言,概率值计算部140在预测模型公式中代入在上述步骤中求出的有关声源未知数据X1~X7。
据此,算出是测量/分析对象的预测概率p的值(概率值)。
以上,结束概率值演算处理。
这个概率值是把观测的数据作为说明变量输入时被求出的、预测模型假设的事物现象(例如,航空器噪音)的预测概率。根据此概率值,可判断是否为测量/分析对象数据。
控制部150在输出部160输出概率值,进行这样的最终的噪音判定。
在航空器的噪音判定中,例如,假设判定为航空器噪音的阈值为70%,判定为航空器噪音以外的阈值为30%的话,关于得到70%以上的概率值的声源未知数据,自动判断为航空器噪音。同样,概率值是30%以下时,自动判断为不是航空器噪音。此外,概率值是30%~70%时,可以进行显示警告等以确保与实际声音数据比较。
即,测量员只在概率值为30%~70%时进行与实际声音数据的比较即可,所以得到不需要测量员每次都进行比较的效果。
进行这些处理以后,结束噪音判定处理。
实施例1
在这里,参照图12,说明实际的噪音判定的例子。
图12是利用逻辑斯蒂回归(Logistic regression)分析的噪音的测量分析结果例子的表。这个表显示了,实际地将航空器噪音作为测量/分析对象,利用关系到如同上述的预测因素的说明变量(X1~X7),在求出系数(a0~a7)而制作的预测模型公式上,输入未知声源数据所进行噪音判定的结果。
在这个表中,按发生时间的顺序排列并显示声源未知数据。表的各列分别显示了各声源未知数据的噪音的发生时间、噪音值(最大噪音级、最大噪音值)、噪音的连续时间(噪音与背景噪音相比为规定级以上的时刻至比与背景噪音相比为规定级以下的时刻之间的时间)、背景噪音(在规定时间的背景噪音的信号电平的平均值)、概率值(在预测模型公式上代入根据该声源未知数据求出的X1~X7的值所得到的值)、声源(实际上,关于每个声源未知数据,测量员以实际声音听取数据及其他的数据为基础,判断和判定噪音的种类的验证结果)。
根据该表可以得知,实际上求出的概率值是50%以上时,能像测量员判定一样正确地判断为航空器噪音。
相反在50%以下时,如果实际上测量员判定噪音的种类,会知道不是航空器噪音。例如,发生时间12:00:26的噪音的概率值少于0.1%。测量员听实际声音判定,发现实际上是防灾无线系统的噪音。
这样,即使是不能只靠最大噪音级及连续时间来进行与其他种类的噪音区别的噪音,也可以通过在预测模型公式中代入噪音的信号电平等数据,计算概率值来进行噪音判断。
如图12所示,只利用噪音的信号强度的时间序列数据和最大噪音级数据,也可制作与实际声音听取数据几乎没有差别的预测模型公式。实际上,如果比较测量员对实际声音听取数据的噪音判定结果和,本发明的实施形态所涉及的噪音判定结果,可以用W值(“吵闹指数”)制作1以内的预测模型公式。
W值是Weighted Equivalent Continuous Perceived Noise Level(WECPNL,加权等效平均感觉噪音级,加权等效连续感覚噪音基準)的略语,是尤其重视夜间的噪音,加上声响的强度、频度、连续时间相关要素来评价对人的生活的影响的航空器的噪音基准。W值,也利用于日本的环境基准相关的计算。
这样,由于本发明的第1实施形态所涉及的预测模型公式和概率值的计算方法的准确率高,所以有关利用这个方法的噪音判定,也能够提高准确率。
并且,即使是在预测因素中只利用了时间序列数据的情况下,只利用后述的电场强度和最大信号电平,也可判断为航空器噪音。这样,自由选择适合其测量/分析对象的预测因素,可利用更适合测量/分析状况的预测模型公式。
通过如上构成,能得到如下效果。
首先,在传统技术1的噪音的自动测量装置的情况下,如果不能很好地设定识别条件,获得混入的测量/分析对象以外的数据,或者相反地漏掉信息,则有可能在噪音判定的数据清理的阶段花费多余的工夫,并且测量值的可靠性本身受到损害。
因此,在传统技术1的噪音的自动测量装置的情况下,即使在运用开始以后,在确认识别结果的适当性时,也需要测量员直接听所有数据有关的收录的实际声音来确认,存在花费大量工夫这一问题。
此外,在传统技术2的噪音判定方法的情况下,测量/分析对象和除此之外的噪音同时被观测时,及噪音和背景噪音的差别小的时候,存在经常出现错误识别的问题。
所以,在传统技术1和2中,为了设定用于自动测量噪音的识别条件,存在需要测量员常驻以进行长期的现场调整的问题。
此外,根据测量场所的环境,结果还是需要测量员確認是否有错误的识别,存在花费大量时间的问题。
相对于此,如利用本发明的第1实施形态所涉及的噪音判定,则能从如同上述的数据中得到最适合统计的预测公式,因此测量员即使不调整识别条件,也能提供可靠性高的噪音判定方法。
并且,在本发明的实施形态所涉及的噪音判定中,进行测量/分析对象(特定的现象)相关的信号判定。因此,例如,当对关于不是测量/分析对象的时间序列数据进行噪音判定时,因输出值变低,能够以高准确率识别为其不是测量/分析对象。
据此,信号识别系统的运用开始之后,关于未知声源数据,通过应用预测模型公式计算概率值,测量员只对概率值在规定范围内的数据进行噪音的识别和确认即可。
因此,能够得到可以大幅削减花费于噪音判定的工夫(成本)的效果。
还有,在传统技术1或2的噪音判定中,因为季节性的主要原因等环境条件所引起的变动,测量员曾需要周期性地到现场测量噪音并重新设定识别条件。
相对于此,本发明的第1实施形态所涉及的噪音判定方法,运用后也积累声源已知数据,基于其积累的数据,可使其能够重新自动计算(制作)预测模型公式。
因此,通过积累声源已知数据,可进一步提高预测模型公式的准确率。就是说,运用后数据也被积累,所以能够得到可进一步提高噪音判定的预测准确率的效果。
当然,也能够得到过了规定期间后也不需要测量员到现场重新调整识别条件的效果。
此外,也可根据季节性主要原因设定预测模型公式,据此,通过利用符合季节的(例如,青蛙产卵季节,或者虫子鸣叫的季节)预测模型公式,可进一步提高准确率。
另外,在传统技术1中,曾必须就每个测量环境逐一地设定识别条件。
相对于此,在本发明的第1实施形态所涉及的噪音判定方法中,能够得到一旦制作了预测模型公式,则能处理一样的测量/分析对象的效果。
据此,在别的场所对于一样的测量/分析对象进行噪音判定时,能够将再一次收集已知声源数据、重新制作预测模型公式的必要性降至最低限度。
即,能够得到例如利用事先制作的航空器噪音的预测模型公式可以在任何地方进行噪音判定的效果。
并且,在事先制作的这种预测模型公式中,即使在测量/分析对象以外的噪音源不同或由于各种环境条件的不同准确率变低的情况下,如同上述,可以通过积累声源已知数据重新制作预测模型公式来提高准确率。
并且,在本发明所涉及的实施形态的噪音判定中,可以使用时间序列数据,客观地对噪音做出评价。
因此,根据时间序列数据,也可以得到能够构筑标准的噪音判定模型(标准模型)的效果。
即,对于以往通过经验求得的识别条件,可以作为通过预测模型而一般化的模型参数的增减,进行客观的评价。
第2实施方式
其次,参照图13,对本发明的第2实施形态所涉及的噪音判定系统的服务器101进行说明。
使用了服务器101的噪音判定系统的构成,与在图一所示的第1实施形态所涉及的噪音判定系统X相同,只有服务器101的控制构成不同。
此服务器101中,追加了数据集成部170(数据集成手段),在这一点上与服务器100不同。
数据集成170是用来进行在追加了预测因素时的计算及使用了多个预测模型公式时的计算的DSP、CPU等的演算器。并且,与上述的预测模型公式演算部130及概率值计算部140相同,也可以使用控制部150的演算功能来实现。
在本发明的第2实施形态所涉及的服务器101中,可以用数据集成部170,制作各自追加了预测因素的多个预测模型公式,评价将声源未知数据应用于多个预测模型公式时的数据。通过这些,可以进一步提高预测模型(概率模型)的可靠性。
作为追加的信号,除了噪音器的信号以外,例如如果预测模型是航空器噪音的话,可以认为是电波识别信息数据、声源勘探识别装置(SBM)等数据。其结果,可以减小将航空器以外的数据错误地识别为航空器的概率。
通过这些,可以使W值接近由载人测量结果或人听到实际声音时的结果得出的值。即,可以得到提高输出结果的可靠性这一效果。
况且,与这些追加的预测因素有关的信号数据,服务器101无论是通过传感器200-1~200-n取得检出的数据,还是从网络5直接取得其他传感器等及信息网站等信息,或者是通过存储媒体直接取得都可以。
追加了信号时的预测模型公式集的制作流程
在这里,参照图14,就本发明的第2的实施形态所涉及的、追加了成为测量·分析对象的信号时的预测模型公式集的制作处理流程进行说明。
步骤S301~S302
步骤S301和步骤S101进行同样的处理,步骤S302则和步骤S102进行同样的处理。
步骤S303
其次,在步骤303中,控制部150对与追加的数据Xi有关的预测模型公式的制作是否完成进行判断。
“是”时,控制部150终止预测模型公式的制作处理。
“否”时,控制部150将处理返回到步骤302继续与剩余的追加数据Xi有关的预测模型公式的制作。
在此,在本发明的第2的实施形态所涉及的服务器101中,将与追加的预测因素有关数据作为说明变量Xi加入,在每加入数据时制作预测模型公式。
首先,如同与上述第1之实施形态有关的服务器100,例如是航空器噪音的话,首先使用X1~X7的说明变量来制作仅使用噪音器的数据(波形+最大级)的预测模型公式(使用a0~a7的系数)。
对于该各预测模型公式,控制部150存储在存储部120里。
并且,为了使用有关定性指数的数据作为说明变量,如同上述的范畴分类的虚拟变量,可以使用虚拟变量。
例如,将电波识别信号的信息作为一个说明变量添加时,处理返回到步骤S302时,将i作为8,使用X1~X8的说明变量制作预测模型公式(使用a0~a8的系数)。
同样,下一次的处理返回到步骤S302时,将声源的频率i作为9制作X1~X9的预测模型公式(使用a0~a9的系数)。作为该频率,可以使用具有特征的频率的值。
同样,对于追加声源的仰角数据的情况,也制作包含其内容的预测模型公式。
况且,对于声源的角速度也同样制作预测模型公式。
即,对于声源的仰角数据及有关角速度的指数,可以分别准备说明变量。
对于仰角数据,可以用弧度等角度在1轴上作为1变量使用。
对于角速度可以使用水平转动角度和垂直转动角度中的任意一个来表示。
并且,在XYZ轴方向上,也可以在此加入向量的大小等来表示仰角数据。
还有对于垂直角速度和水平角速度,也可以各自使用说明变量。再者,也可以整合垂直速度和水平速度设置一个指数。
再者,关于频率,也可以使用多个频带的信号电平等。此时,在每个频带中当然也可以使用多个说明变量。
这样,为了提高对应于测量/分析对象的每一个特定事项的预测模型公式的准确率,也可以加入有关于任意预测因素的说明变量。
追加了信号时的概率值的演算处理
其次,参照图15,对于本发明的第2实施形态所涉及的追加了信号时的概率值演算处理流程进行说明。
在以下的处理中,将初始值设为i=1,使用各自的预测模型公式求得概率值p。
步骤S401
首先,在步骤S401中,在Xi,与步骤S201~S207
同样使用预测模型公式计算概率值。
此时,将算出的概率值p,每一个都存储于存储部120之中。
步骤S402
在此,在步骤S402中,控制部150判断与追加的数据Xi有关的预测模型公式的概率值的计算是否完成。
“是”时,控制部150将处理推进步骤S403中。
“否”时,控制部150将处理返回到步骤S401,继续与剩余的追加的数据Xi有关的概率值的计算的处理。
步骤S403
在步骤S403中,数据集成部170进行数据的集成处理。
具体而言,首先,数据集成部170对于上述的每一个说明变量的各个预测模型公式和各个概率值,可以利用确认对数似然或进行各种统计检验的方式,判断使用说明变量的预测模型公式是否正确,对预测模型公式的有效性进行评价。
通过该评价,数据集成部170,可以在说明变量的追加不适当时(例如说明变量的系数在95%的置信区间没有意义时),由输出部160进行警告。通过这些,测量员就预测因素的选择及与该预测因素有关的适当的说明变量的追加可以进行评价。
并且,数据集成部170在追加说明变量时,有可能会成为过拟和(Over-fitting),因此也可以适当地增加数据再次进行检验等,或者利用交叉验证等进行确认。
通过进行这些处理,综合最终的输出值。
由此,能够得到每一个测量/分析对象可以选择适当的预测因素的效果。
因此,由于可以制作更好的预测模型,可以使噪音判定概率值更加正确,提高其可靠性。
另外,在步骤S 403中,控制部150,加之该评价,对上述的每一个说明变量的各个预测模型公式和各个概率值进行汇总,由输出部160输出。
并且,除此之外,控制部150也可以输出概率值不在规定范围以内的(例如在30%~70%时)波形数据和声频数据。据此,测量员可以对“可疑”的数据进行检查。
并且,除此之外,也可以只把特定的噪音的数据存储于存储部120中。
据此,结束本发明的第2的实施形态所涉及的噪音判定。
实施例2
在这里,参照图16~图18,对本发明的第2的实施形态所涉及的噪音判定的实际例子进行说明。
图16和图17是测量分析结果例(预测例),实际上是,追加了有关于预测因素的说明变量而制作的预测模型公式时的,有关于可以得到的概率的所谓可靠性的图表。
图16的“结果(1)”是显示误识别率的图表。在该图表里,横轴表示说明变量Xi的数,纵轴表示误识别率(%)。
横轴是从左起分别对于仅使用了第1的实施形态所涉及的噪音器的数据的预测模型公式(i=8)时、在标准模型上添加了电波识别信号的信息时、进一步加入了声源的峰值频率时、进一步加入了声源仰角数据时、进一步加入了声源的角速度时的情况加以表示。
纵轴表示对声源未知数据集的误识别率(%)。
即,(a)在根据测量/分析对象为航空器的预测模型公式得到的概率值为50%以上的情况下,该声源未知数据不是航空器噪音时(假阳性)和(b)在得到的概率值为小于50%的情况下,该声源未知数据为航空器噪音时(假阴性)是,为错误识别。此出现错误识别的未知声源数据的比率作为误识别率。是否为错误识别的这种判断是,由测量员听取该声源未知数据的实际的声音数据后,判断是否为航空器噪音。
如该图表所示,可以得知每加入说明变量Xi时,误识别率逐渐变低。
图17的“结果(2)”的图表,显示了根据与上述的结果(1)同样的预测模型公式,对于在W值(WECPNL)基准下的预测和实际测量值的差进行检讨的结果。纵轴表示预测和实际测量值的位准之差(W值),横轴表示说明变量Xi的数。
在此,与上述(1)同样,表示的是将概率值为50%以上的声源未知数据判断为航空器噪音时的W值的预测和实际测量值之差。
使用了与第1的实施形态同样的标准模型时,如同上述内容预测和实际测量值之差在1以内,因此可以实际利用。
并且,可以得知通过加入说明变量Xi,能够进一步降低预测和实际测量值之差。
图18是将图16和图17的例子的分析数据的一部分按发生时间的顺序汇总在表里的图,各列表示与该声源未知数据有关的噪音的发生时刻、噪音值、标准模型中的概率值、标准模型中加入了电波识别信号信息时的概率值、测量员进行的噪音判定结果(○:航空器噪音、×:航空器噪音以外),以及测量员识别的噪音的种类。
分析数据中用粗的方形围上的部分是,本发明的实施形态所涉及的通过信号判定方法进行的噪音判定中有误的地方。
但是,可以得知由于在标准模型中将电波识别信号加入到预测模型公式中进行噪音判定,提高了预测准确率。
通过如上构成,能得到如下效果。
根据传统技术1,人们并不知道在噪音判定的识别条件中客观地加各式各样的数据的方法。
即,一直以来,测量员检查噪音的频率等,虽然经验性地将其利用于噪音判断,但是并不知道将其进行数字化后利用的方法。
相对于此,根据本发明的第2实施形态所涉及的噪音测量,通过在预测模型公式上,加上迄今为止经验性地使用的值(例如,电波识别信息数据、声源勘探识别装置的数据(声源的仰角数据)、上述噪音的频率数据等),可制作进一步提高预测准确率的预测模型公式。
并且,对于预测模型公式的有效性的评价,也能适当地进行,因此只加必要的数据,便可制作进一步提高准确率的预测模型公式。
据此,能够得到可进一步提高噪音判定的预测准确率的效果。
此外,也可以将距离相近的多个传感器的信号作为多个说明变量同时使用,以此来制作预测模型公式。
据此,对于乌鸦在1个传感器的附近鸣叫等突发性的噪音,可提高噪音判定的预测准确率。
另外,本发明的第2实施形态所涉及的噪音判定具有使用噪音器以外的预测因素的同时,还利用多个预测模型公式的特征。
因此,利用传感器200-1~200-n,即使是在特定的测量器中存在有故障的测量器的情况下,也可以进行用不将关系到该测量器的数据作为预测因素来使用的预测模型公式,得到预测概率的设定。
在此情况之下,与使用所有的预测因素时相比,可以想到预测概率的准确率下降,但是并不是完全得不到数据。例如,即使电场强度计以及其天线有故障,只用噪音器的数据,便可进行充分的噪音判定。
因此,传感器故障后,经修理、更换而恢复的这段时间内的数据不会失踪,可大幅减少在长期无人自动测量中经常发生的传感器的故障引起的欠缺测量期间。因此,可以削减花费劳力一个一个地修复数据,或者根据实际声音听取进行识别的时间和成本。
并且,在本发明的第1和2实施形态所涉及的噪音判定中,说明了有关将最大噪音级进行范畴分类并使用的例子。但是,也可只使用时间序列数据,可得到足够的准确率。此外,也可完全不使用测量/分析对象以外的时间序列数据进行判定。即,如上所述,“上述已知数据和上述测量/分析对象以外的被试数据的差异”和“上述已知数据的规定期间的最大信号强度”不是必须的,而是性质上,将那些差异及强度的指数作为说明变量放到预测模型公式里,可进一步提高准确率。
并且,为了制作被试数据而进行聚类分析处理也不是必须的。即,根据聚类分析,可选择更加准确的被试数据。此外,测量员也可从被试数据中选择准备典型的数据。
另外,关于上述多个预测模型公式,说明了在每个预测因素里增加说明变量X i的数,来制作预测模型公式,但是,当然也可以在每次组合各预测因素时,准备预测模型公式。根据这些,可以提高如同上述特定的测量器故障时的冗余性。
第3实施方式
在上述的第1和第2实施形态所涉及的噪音判定中,将测量/分析对象假设为航空器噪音的噪音判定,对主要对航空器噪音的信号的噪音判定进行了说明。
但是,关于汽车噪音、工厂的噪音等其它的噪音源,如果将其当作成为测量/分析对象的特定的事物现象、制作预测模型公式,对这些也可以应用得上。
此外,噪音以外,关于振动、关于铁路振动、工厂振动、施工振动等各种振动,也可制作测量/分析对象的预测模型公式并应用。
例如,关于施工振动,可以以关于环境部的通知《伴随特定建设工作发生的噪音的规定相关的基准》(参照[http://www.env.go.jp/hourei/syousai.php?id=7000008])等环境基准为基础制作模型,进行信号判定(此时为振动判定)。
此时,只要将测振仪的时间序列数据等已知数据和未知数据代入到预测模型公式中,便可与上述的第1和第2实施形态所涉及的噪音判定完全一样地进行振动判定。此时,毫无疑问需要利用对此测量/分析对象适合的说明变量及目标变量。
并且,在本发明所涉及的第3实施形态的信号判定系统,可切换多个测量/分析对象和,其测量/分析对象对应的预测模型公式并使用。
关于本发明的第3实施形态所涉及的信号判定系统,设备的构成和控制构成与在图1中显示的第1实施形态所涉及的噪音判定系统X同样。
然而,参照图19说明,本发明的第3实施形态所涉及的信号判定系统的服务器102具备多个测量/分析对象选择部180,其用于分别对各種振动及噪音相关的测量/分析对象,进行使用于预测模型公式及预测模型公式计算上的数据的取舍选择。
多个测量/分析对象选择部搭载www浏览器等,如接收从网络5未图示的供控制使用的PC(个人电脑)的指令,则可变更测量/分析对象。而且,内置计时器,也可以进行在规定的时间将航空器噪音作为测量/分析对象,在另外的时间将汽车噪音作为测量/分析对象的设定。并且,关于积累在存储部120的数据,也可以进行就另外的测量/分析对象的信号判定。
此外,服务器102,关于多个连接的传感器200-1~200-n的各传感器,就获取关系到哪个预测因素的信号,可进行设定。
据此,使用相同的系统,就相同地点的另外的测量/分析对象进行信号判定。
在这里,参照图20A~图20D,显示于将为了使用于各测量/分析对象噪音判定及振动判定(信号判定)的已知数据及未知数据的种类的一个例子,按各测量/分析对象进行总结。另外,还表示各数据的说明及例子。
并且,这些各数据当然也可以利用于第1实施形态及第2实施形态所涉及的预测模型公式中。但,在此情况下,按每个预测模型公式的测量/分析对象分别使用。
上述测量/分析对象为航空器噪音时,也可以利用上述测量/分析对象的模型,例如,时间序列噪音数据、最大噪音级、最大噪音级发生时间、转发器响应电波电场强级、电波高度表电波电场强级、航空器本身识别号码、飞行高度、起飞和降落的区分、背景噪音级、单噪音暴露位准、噪音连续时间、声源传来方向、移动声源标记、频率特性、声源强级的时间序列数据、声压波形的时间序列数据、风向、风速、温度、湿度以及气压中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为道路交通噪音时,上述测量/分析对象的模型也可以是利用,例如,时间序列噪音数据、最大噪音级、最大噪音级发生时间、通过速度、背景噪音级、单噪音暴露位准、噪音连续时间、声源传来方向、移动声源标记、频率特性、声源强级的时间序列数据、声压波形的时间序列数据、风向、风速、温度、湿度、气压、路况以及天气中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为道路交通振动时,也可以利用上述测量/分析对象的模型,例如,时间序列振动数据、最大振动级、最大振动级发生时间、通过速度、背景振动级、单振暴露位准、振动连续时间、振动源传来方向、移动振动源标记、频率特性、振动源强级的时间序列数据、振压波形的时间序列数据、风向、风速、温度、湿度、气压、路况以及天气中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为铁路噪音时,也可以利用上述测量/分析对象的模型,例如,时间序列噪音数据、最大噪音级、最大噪音级发生时间、电场强级、通过速度、上行和下行的区分、背景噪音级、单噪音暴露位准、噪音连续时间、声源传来方向、移动声源标记、频率特性、声源强级的时间序列数据、声压波形的时间序列数据、风向、风速、温度、湿度以及气压中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为铁路振动时,也可以利用上述测量/分析对象的模型,例如,时间序列振动数据、最大振动级、最大振动级发生时间、电场强级、通过速度、上行和下行之别、背景振动级、单振暴露位准、振动连续时间、振动源传来方向、移动振动源标记、频率特性、振动源强级的时间序列数据、振压波形的时间序列数据、风向、风速、温度、湿度以及气压中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为工作场所噪音、施工噪音,或者其他环境噪音,也可以利用上述测量/分析对象的模型,例如,时间序列噪音数据、最大噪音级、最大噪音级发生时间、背景噪音级、单噪音暴露位准、噪音连续时间、声源传来方向、移动声源标记、频率特性、声源强级的时间序列数据、声压波形的时间序列数据、风向、风速、温度、湿度、气压以及天气中任一个关于属性的数据的测量/分析对象的模型。
上述测量/分析对象为工作场所振动或者施工振动,也可以利用上述测量/分析对象的模型,例如,时间序列振动数据、最大振动级、最大振动级发生时间、背景振动级、单振暴露位准、振动连续时间、振动源传来方向、移动振动源标记、频率特性、振动源强级的时间序列数据、振压波形的时间序列数据、风向、风速、温度、湿度、气压以及天气中任一个关于属性的数据的测量/分析对象的模型。
当然,不限于这些,只要是关系到用于特定各测量/分析对象的数据,一切都可以利用。
根据如上构成,可以使用具有对于多个测量/分析对象被共同利用的噪音器等的传感器200-n发出的信号,进行关于多个测量/分析对象的信号的判定。
因此,如安装1个传感器,则可以对在相同地点的多个噪音源进行客观的评价。
据此,关于影响噪音源的特定、身体的噪音、振动的种类,可更加详细分析。
此外,通过利用相同的传感器,可降低成本。
并且,例如,即使测量/分析对象是航空器噪音时,也可使用来自供汽车噪音使用的传感器200-n的信号。
即,由于可以把原来安装的传感器直接使用在其他信号判定上,因此能够得到可降低成本的效果。
此外,航空器噪音为测量/分析对象而其预测概率为例如30~70%时,关于其噪音是否符合其他测量/分析对象(例如汽车噪音),可以与根据另外的预测模型公式算出的概率值进行比较等。
在这个例子的情况下,判定汽车噪音的传感器,由于不包括电场强度的传感器等,所以如上所述,也能够只利用信号强度的波形数据进行判定。
并且,为了利用其他种类的时间序列数据判别信号解决问题,可利用本发明的预测模型及输出值的计算方法。
例如,可以使用于从下水道水量变化得知多个坝的释放时机这一用途上。
并且,只要是关系到这个信号的强度的经时变化的数据、时间序列数据,则任何数据都可利用。例如,可以利用如同水量变化的环境数据、基因组碱基序列的AT/GC含有量变化及蛋白质的二级结构(A-螺旋度)等生物数据及如同库存出货量的变化及股票价格的变化等经济性数据等。
即使是那种情况,也可以利用“被试数据”和“已知数据”的时间序列数据,进行如主要特定“未知数据”的种类或者特征的信号判定。
此外,在本发明的第1或者第2实施形态中,说明了关于利用逻辑斯蒂回归(Logistic regression)分析的例子,但是并不限于此,可利用各种非参数方法及各种时间序列分析方法等统计方法。
并且,也可以利用感知器、神经网络、SVM(支持向量机)等人工智能方法进行噪音判定。
在此种情况下,可利用不同的预测模型和学习的方法。
例如,利用三层神经网络时,在第1层分别输入上述说明变量(X0~Xn)的值,准备几个第2层的隐藏层,确保从第3层的输出层输出。
在此之上,对于来自各层的输入,例如,用Sigmoid函数等可做到如同“起火”(信息传播到下一个神经元)的结构。
来自输出层的输出成为0~1的值。对于这个输出,根据反向传播(误差反向传播法)学习等的学习,可优化神经元的动作。
在结束了这个学习的三层神经网络上应用未知声源数据,可以利用从第3层的输出层输出的输出值进行噪音判定。
来自这个神经网络的输出值,为规定值(例如0.5)以上时是测量/分析对象,例如,可以判断为航空器的噪音等。
这样的输出值,不是在统计意义上的概率值。但是,在本发明中,“概率值”也包括取这些0~1的值的输出值。
并且,利用输出值不在0~1之间的方法时,把输入未识别数据时的输出值,用0.0~1.0进行标准化,根据此标准化的输出值的值,进行噪音判定。
并且,当然,上述实施形态的构成及动作只是个例子,在不越出本发明的主旨的范围内,可适当变更并实行。
Claims (19)
1.一种信号判定方法,是用电脑判定噪音/分析对象的噪音判定方法,其特征在于,
在噪音或振动所涉及的测量/分析对象的模型上,输入不知其是否为测量/分析对象的未知数据,
获得上述测量/分析对象的模型的输出值作为上述未知数据是否为测量/分析对象的概率值。
2.根据权利要求1所述的信号判定方法,其特征在于,上述测量/分析对象的模型是利用实际测量的已知的数据所制作的。
3.根据权利要求2所述的信号判定方法,其特征在于,
利用上述实际测量的已知的数据,通过预测模型公式演算单元制作上述测量/分析对象的模型,
在被制作的有关噪音或振动的测量/分析对象的模型上输入未知数据,
得到利用上述测量/分析对象的模型的输出值演算单元计算的输出值,作为上述未知数据是否为测量/分析对象的概率值。
4.根据权利要求2或3所述的信号判定方法,其特征在于,
上述测量/分析对象是利用关系到生活环境的有关噪音或振动数据的测量/分析对象的模型。
5.根据权利要求3或4所述的信号判定方法,其特征在于,
在上述测量/分析对象的模型所涉及的预测模型公式上,利用逻辑斯蒂回归公式,
上述逻辑斯蒂回归公式将上述测量/分析对象的模型所涉及的预测因素作为说明变量来利用,
将是否为上述测量/分析对象作为目标变量来利用,
在上述逻辑斯蒂回归公式上,应用并输入上述未知数据,计算概率值。
6.根据权利要求5所述的信号判定方法,其特征在于,
上述任一个说明变量,分类范畴并应用于上述预测模型公式。
7.根据权利要求5或6所述的信号判定方法,其特征在于,
利用多个上述未知数据和成为测量/分析对象的信号的被试数据的相似性,应用于上述预测模型公式,计算概率值。
8.根据权利要求5至7任一项所述的信号判定方法,其特征在于,
利用多个上述未知数据,和不是测量/分析对象的信号的被试数据的非相似性,应用于上述预测模型公式,计算概率值。
9.根据权利要求8所述的信号判定方法,其特征在于,
上述不是测量/分析对象的信号的被试数据,利用对上述测量/分析对象的预测模型公式影响大的一类数据。
10.根据权利要求7至9任一项所述的信号判定方法,其特征在于,
上述被试数据,是根据被采样的规定期间的时间序列数据,使用统计方法制作的。
11.根据权利要求5至10任一项所述的信号判定方法,其特征在于,
使用实际测量的已知数据,通过求出上述逻辑斯蒂回归公式的说明变量的系数,制作测量/分析对象的模型公式。
12.根据权利要求5至11任一项所述的信号判定方法,其特征在于,
进一步进行上述预测模型的预测模型公式、说明变量的检验、合法性的研讨以及检验。
13.根据权利要求5至12任一项所述的信号判定方法,其特征在于,
存储上述已知数据,以存储的数据为基础重新制作上述预测模型公式。
14.根据权利要求1至13任一项所述的信号判定方法,其特征在于,
切换多个测量/分析对象,在该切换的供测量/分析对象使用的上述预测模型公式上应用上述未知数据,得到是否为该切换的测量/分析对象的概率值。
15.根据权利要求1至14任二项所述的信号判定方法,其特征在于,
配备多个上述模型,一部分的数据没有得到时,利用多个上述模型中的不适用该数据的模型。
16.一种程序,其用来执行权利要求1至15的信号判定方法。
17.一种信号判定装置,其特征在于具备:
存储单元,其存储关系到噪音或者振动的测量/分析对象的模型的预测公式、已知数据、未知数据、成为判定对象的信号的被试数据以及不是判定对象的信号的被试数据;
预测模型公式演算单元,其利用上述已知数据与,成为测量/分析对象的信号的被试数据以及/或者不是测量/分析对象信号的被试数据的相似性或者非相似性,求出说明变量的系数,制作预测模型公式;
输入单元,其将输入到上述存储单元的值进行输入;
输出值演算单元,其在上述测量/分析对象的模型的上述预测模型公式上,应用上述未知数据的各值进行计算;
输出单元,其将上述输出值进行输出;
判定单元,其根据上述输出值,进行上述未知数据的种类的测量以及/或者分析。
18.根据权利要求17所述的信号判定装置,其特征在于,
上述存储单元,是追加上述说明变量时,存储多个上述预测模型公式的存储单元,
进一步具备整合多个上述预测模型公式的输出值的数据整合单元;
上述输出值演算单元,通过上述数据整合单元,应用于多个上述预测模型公式,计算上述说明变量相关的数据。
19.一种信号判定系统,其特征在于,
具备权利要求17或18所述的信号判定装置和,向上述输入单元发送上述未知数据的传感器。
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2008/058825 WO2009139052A1 (ja) | 2008-05-14 | 2008-05-14 | 信号判定方法、信号判定装置、プログラム、信号判定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102027338A true CN102027338A (zh) | 2011-04-20 |
CN102027338B CN102027338B (zh) | 2013-06-19 |
Family
ID=41318435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2008801291717A Expired - Fee Related CN102027338B (zh) | 2008-05-14 | 2008-05-14 | 信号判定方法、信号判定装置、信号判定系统 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8712740B2 (zh) |
JP (1) | JP5145417B2 (zh) |
KR (1) | KR101493552B1 (zh) |
CN (1) | CN102027338B (zh) |
WO (1) | WO2009139052A1 (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133706A (zh) * | 2017-12-21 | 2018-06-08 | 深圳市沃特沃德股份有限公司 | 语义识别方法及装置 |
CN109816173A (zh) * | 2019-01-30 | 2019-05-28 | 华强方特文化科技集团股份有限公司 | 一种基于区间用时的滑行类载人游乐设备数据预测方法 |
CN111461438A (zh) * | 2020-04-01 | 2020-07-28 | 中国人民解放军空军93114部队 | 一种信号检测方法、装置、电子设备和存储介质 |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5678620B2 (ja) * | 2010-12-03 | 2015-03-04 | 株式会社日立製作所 | データ処理方法、データ処理システム、及びデータ処理装置 |
US8990217B2 (en) * | 2011-07-13 | 2015-03-24 | International Business Machines Corporation | Lossless compression of high nominal-range data |
GB201204925D0 (en) * | 2012-01-24 | 2012-05-02 | Airbus Operations Ltd | System and method for providing an aircraft noise advisory during departure and arrival of an aircraft |
US9805143B2 (en) | 2013-01-25 | 2017-10-31 | International Business Machines Corporation | Composite simulation modeling and analysis |
US9607067B2 (en) | 2013-01-25 | 2017-03-28 | International Business Machines Corporation | Synchronization of time between different simulation models |
US9201989B2 (en) * | 2013-01-25 | 2015-12-01 | Globalfoundries Inc. | Interpolation techniques used for time alignment of multiple simulation models |
CN103337248B (zh) * | 2013-05-17 | 2015-07-29 | 南京航空航天大学 | 一种基于时间序列核聚类的机场噪声事件识别方法 |
GB201510032D0 (en) * | 2015-06-09 | 2015-07-22 | Kp Acoustics Ltd | Integrated sensor system |
JP6599727B2 (ja) * | 2015-10-26 | 2019-10-30 | 株式会社Screenホールディングス | 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置 |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
JP6740157B2 (ja) * | 2017-03-13 | 2020-08-12 | 株式会社東芝 | 解析装置、解析方法、及び、プログラム |
CN108021772B (zh) * | 2017-12-26 | 2020-04-24 | 南京航空航天大学 | 一种基于射流的降低旋翼噪声的方法及系统 |
JP2019191851A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立製作所 | 振動騒音対策プラン推奨システム |
US11120694B2 (en) * | 2018-12-19 | 2021-09-14 | Honeywell International Inc. | Systems and methods for providing thrust guidance related to flight path angle |
JP7502849B2 (ja) * | 2019-01-23 | 2024-06-19 | オムロン株式会社 | 動作分析装置、動作分析方法、動作分析プログラム及び動作分析システム |
JP2020160680A (ja) * | 2019-03-26 | 2020-10-01 | キヤノン株式会社 | 電子機器、電子機器を制御するための制御方法、コンピュータプログラム及び記憶媒体 |
CN112348270B (zh) * | 2020-11-12 | 2021-12-03 | 国网山东省电力公司聊城市茌平区供电公司 | 一种异常用电客户检测方法及装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3283024B2 (ja) | 1999-12-07 | 2002-05-20 | 京都府 | 騒音測定管理システム及び該システム用記録媒体 |
JP3987927B2 (ja) * | 2003-03-20 | 2007-10-10 | 独立行政法人産業技術総合研究所 | 波形認識方法及び装置、並びにプログラム |
CN1320372C (zh) * | 2004-11-25 | 2007-06-06 | 上海交通大学 | 基于小波域的水声噪声的检测与识别方法 |
JP4651496B2 (ja) * | 2005-09-19 | 2011-03-16 | 大学共同利用機関法人情報・システム研究機構 | 音声認識装置及び音声認識方法 |
CN101598809A (zh) * | 2008-06-04 | 2009-12-09 | 中国石油天然气集团公司 | 一种自适应消除线性规则噪声以及多次波干扰的方法 |
-
2008
- 2008-05-14 US US12/992,382 patent/US8712740B2/en not_active Expired - Fee Related
- 2008-05-14 CN CN2008801291717A patent/CN102027338B/zh not_active Expired - Fee Related
- 2008-05-14 JP JP2010511815A patent/JP5145417B2/ja active Active
- 2008-05-14 WO PCT/JP2008/058825 patent/WO2009139052A1/ja active Application Filing
- 2008-05-14 KR KR1020107025205A patent/KR101493552B1/ko active IP Right Grant
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108133706A (zh) * | 2017-12-21 | 2018-06-08 | 深圳市沃特沃德股份有限公司 | 语义识别方法及装置 |
CN108133706B (zh) * | 2017-12-21 | 2020-10-27 | 深圳市沃特沃德股份有限公司 | 语义识别方法及装置 |
CN109816173A (zh) * | 2019-01-30 | 2019-05-28 | 华强方特文化科技集团股份有限公司 | 一种基于区间用时的滑行类载人游乐设备数据预测方法 |
CN109816173B (zh) * | 2019-01-30 | 2023-06-02 | 华强方特文化科技集团股份有限公司 | 一种基于区间用时的滑行类载人游乐设备数据预测方法 |
CN111461438A (zh) * | 2020-04-01 | 2020-07-28 | 中国人民解放军空军93114部队 | 一种信号检测方法、装置、电子设备和存储介质 |
CN111461438B (zh) * | 2020-04-01 | 2024-01-05 | 中国人民解放军空军93114部队 | 一种信号检测方法、装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
US20110066411A1 (en) | 2011-03-17 |
JP5145417B2 (ja) | 2013-02-20 |
US8712740B2 (en) | 2014-04-29 |
JPWO2009139052A1 (ja) | 2011-09-15 |
WO2009139052A1 (ja) | 2009-11-19 |
KR20110013390A (ko) | 2011-02-09 |
CN102027338B (zh) | 2013-06-19 |
KR101493552B1 (ko) | 2015-02-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102027338B (zh) | 信号判定方法、信号判定装置、信号判定系统 | |
Maijala et al. | Environmental noise monitoring using source classification in sensors | |
Alías et al. | Review of wireless acoustic sensor networks for environmental noise monitoring in smart cities | |
US9510123B2 (en) | Method and system for source selective real-time monitoring and mapping of environmental noise | |
Sevillano et al. | DYNAMAP–Development of low cost sensors networks for real time noise mapping | |
CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN106707099A (zh) | 基于异常用电检测模型的监测定位方法 | |
CN105182450A (zh) | 一种强对流天气短时预警系统 | |
JP2013186899A (ja) | 構造物を監視するための方法及びシステム | |
KR101538306B1 (ko) | 유사태풍분석 예측 시스템 및 이를 이용한 유사태풍분석 예측 방법 | |
Alsina-Pagès et al. | Anomalous events removal for automated traffic noise maps generation | |
CN105654174A (zh) | 用于预测的系统和方法 | |
CN105118516A (zh) | 基于声音线性预测倒谱系数的工程机械的识别方法 | |
CN115391746B (zh) | 针对气象要素数据的插值方法、装置、电子设备及介质 | |
Zhang et al. | Acoustic traffic event detection in long tunnels using fast binary spectral features | |
CN113539298B (zh) | 一种基于云边端的声音大数据分析计算图像化系统 | |
KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 | |
Bellucci et al. | LIFE DYNAMAP: an overview of the project after two years working | |
Zhou et al. | Holiday travel pattern forecast based on machine learning algorithm | |
CN117671603B (zh) | 用于三维立体测距装置的输电线路多维环境监测方法 | |
CN116978408B (zh) | 基于语音预训练模型的抑郁症检测方法及系统 | |
CN117272840B (zh) | 一种高速公路恶劣天气预警方法及系统 | |
Dong et al. | Fault Detection of In‐Service Bridge Expansion Joint Based on Voiceprint Recognition | |
CN117273584B (zh) | 一种货物跟踪方法、装置及计算机可读存储介质 | |
CN112485325B (zh) | 一种基于pec/ut数据融合的亚表面缺陷深度检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C56 | Change in the name or address of the patentee | ||
CP01 | Change in the name or title of a patent holder |
Address after: Tokyo, Japan Patentee after: Japan sound engineering KK Address before: Tokyo, Japan Patentee before: Nittobo Acoustic Engineering Co., Ltd. |
|
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20130619 Termination date: 20210514 |
|
CF01 | Termination of patent right due to non-payment of annual fee |