CN111914679A - 一种场景化人工智能信号无线音频处理设备 - Google Patents
一种场景化人工智能信号无线音频处理设备 Download PDFInfo
- Publication number
- CN111914679A CN111914679A CN202010665798.7A CN202010665798A CN111914679A CN 111914679 A CN111914679 A CN 111914679A CN 202010665798 A CN202010665798 A CN 202010665798A CN 111914679 A CN111914679 A CN 111914679A
- Authority
- CN
- China
- Prior art keywords
- scene
- signal
- sensor
- calibration
- module
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Noise Elimination (AREA)
Abstract
本发明公开了一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,包括以下步骤:步骤一、提出了一整套完整的数据采集与现场检验处理流程;步骤二、提出频域数据处理的方案;步骤三、选择场景最优滤波模型;步骤四、给出了标定曲线;步骤五、进一步进行噪音滤除;专利主要的目的在于提出一种面向场景的人工智能信号处理设备,场景包括原野、演奏厅、大型会议场所、居家环境等;根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;针对场景信号非平稳非高斯特征,提出频域数据处理的方案。
Description
技术领域
本发明涉及人工智能技术领域,具体为一种场景化人工智能信号无线音频处理设备。
背景技术
在场景化环境下,人们希望获取噪声屏蔽后的有效信号(声音、电磁波)。对于实际采集信号而言,除了有效信号以外,主要包括外源场景和人文干扰等部分。其中外源场信号占据了信号的大部分,需要研究去除外源场部分的方法。利用外源场在窄频域内的均匀性特征可以尝试对其压制。同时,也需要考虑压制人文噪声等并进行数据处理,场景噪声影响是随着时间和地域随机变化的,场景化条件下形成脉冲型的非高斯分布特征。从频率域平均角度看,各频点的能量谱分布是有规律可循的,其频谱统计特征显示在不同频段能量分布具有规律性。对于叠加的人文干扰,利用各种类型的传感器,可以获得一些场景的信号谱统计数据,从一段时间测量中获得的平均结果,综合考虑地点和时间条件给出。传统研究都假设场景化信号服从高斯分布,但实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。需要结合频谱估计压制噪声,提高有效信号的响应。
已有频谱估计,比如傅里叶变换,从时域变换到频域失去了所有时域特征,不具有局部时频分析能力,对非平稳信号分析有局限性。现代谱估计计算模型参数进行谱估计。对于非高斯分布信号,则无法提取真实频谱分布。考虑到接收信号中包括了非高斯信号,特别是人文干扰,彼此可以视为独立信号,基于高阶统计量的信号分析方法,能够解决非高斯信号估计问题。但是目前缺少即时快速的智能化解决方案。
因此,在日常生活特定场景下,急需结合人工智能方法,研究人文干扰谱分布规律,方便噪音滤除。本发明提出一套智能化即时信号处理设备,通过内嵌信号采集、谱分析、谱估计模块,从而满足人们对声音、电磁等有效信息的获取,为此我们提供一种场景化人工智能信号无线音频处理设备,以解决上述背景技术中提出的问题。
发明内容
本发明的目的可以通过以下技术方案实现:一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,包括以下步骤:
步骤一、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;
步骤二、针对场景信号非平稳非高斯特征,提出频域数据处理的方案;
步骤三、结合仿真信号和实测数据分析,选择场景最优滤波模型;
步骤四、利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;
步骤五、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除。
所述采集模块包括传感器、主机和供电设备,其中所述传感器包括信号响应元件、接线、放大电路、程控陷波电路、接口高速采集电路等模块;所述主机包括数据采集、格式转化、存储和控制等单元,能够实现常见人文干扰的硬件陷波;所述供电设备与主机和传感器用电电性连接。
优选的,所述传感器的最小接收的感应电压值为0.1μV;可以灵敏获得变化振幅响应值。传感器噪声非常微小,前置放大器输出增益可以将微伏级弱信号放大,为弱信号有效识别提供了硬件支持。
优选的,所述标定模块测试步骤包括:
1)用亥姆霍兹线圈分别扫频产生频率1Hz-10KHz内均匀密集分布的磁场强度为1nT的测试信号;
2)利用信号分析仪测试并记录输出电压幅度。将电压或电流信号输入到标定线圈后,通过测量标定线圈两端电压值,计算线圈输入电流大小,计算出感应电压值,再估计磁场强度以及磁传感器的灵敏度;
3)每个频率重复步骤1)、2),对于磁分量法的传感器满足0.8V/nT的转换系数,误差小于5%内为合格,否则判为不合格。
本发明的有益效果:
1、专利主要的目的在于提出一种面向场景的人工智能信号处理设备,场景包括原野、演奏厅、大型会议场所、居家环境等;
2、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程。利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线。
3、针对场景信号非平稳非高斯特征,提出频域数据处理的方案。结合仿真信号和实测数据分析,选择场景最优滤波模型。
4、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除;
5、根据用户偏好,自动推荐场景模式,进而信号处理将可以完全自动化处理,节省了人力,同时结果的论证也并不需要人的辅助,其结果也更有说服力。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明信号处理智能设备模块示意图;
图2是本发明信号标定处理流程示意图;
图3是本发明信号谱估计模块工作流程示意图;
图4是本发明实施例一的谱估计模型工作流程示意图;
图5是本发明实施例二的谱估计模型工作流程示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
请参阅图1-5,本发明的第一种实施例:一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,包括以下步骤:
步骤一、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;
步骤二、针对场景信号非平稳非高斯特征,提出频域数据处理的方案;
步骤三、结合仿真信号和实测数据分析,选择场景最优滤波模型;
步骤四、利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;
步骤五、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除。
所述采集模块包括传感器、主机和供电设备,其中所述传感器包括信号响应元件、接线、放大电路、程控陷波电路、接口高速采集电路等模块;所述主机包括数据采集、格式转化、存储和控制等单元,能够实现常见人文干扰的硬件陷波;所述供电设备与主机和传感器用电电性连接。
所述传感器的最小接收的感应电压值为0.1μV;可以灵敏获得变化振幅响应值。传感器噪声非常微小,前置放大器输出增益可以将微伏级弱信号放大,为弱信号有效识别提供了硬件支持。
为了减少外界电磁干扰的影响,需要一个干扰较弱的磁屏蔽测试环境进行试验,如零磁空间等。方形亥姆霍兹线圈在线圈的中心产生均匀磁场信号。通过调节通入线圈的电流,就会改变轴线位置的磁场信号强度,从而产生标定信号,标定模块测试步骤包括:
1)用亥姆霍兹线圈分别扫频产生频率1Hz-10KHz内均匀密集分布的磁场强度为1nT的测试信号;
2)利用信号分析仪测试并记录输出电压幅度。将电压或电流信号输入到标定线圈后,通过测量标定线圈两端电压值,计算线圈输入电流大小,计算出感应电压值,再估计磁场强度以及磁传感器的灵敏度;
3)每个频率重复步骤1)、2),对于磁分量法的传感器满足0.8V/nT的转换系数,误差小于5%内为合格,否则判为不合格。
标定模块,标定的实质就是测量已知不同频率不同强度的信号与相应的输出电信号的电压值,确定信号与电压之间的定量关系,从而将电压值转换到具有量纲的绝对物理量上,进而对传感器灵敏度进行评价。考虑场景下设备使用高度、方位角,从而获得场景中不同使用条件下的传感器的幅频曲线,完成探测精度的分析。
采用上述标定方法和步骤完成了磁传感器的标定。与已有高精度磁传感器的标定曲线对比,如图所示。可以看出除了人文干扰陷波滤波和内部校正电路的差别以外,幅频曲线整体上仍然具有比较平坦的特征,可以用于后续信号定量分析。探测仪在频带范围内标定曲线可靠,满足信号采集精度要求。
所述谱分析模块是提取有效信息的前提,场景源信号整体上随着高度、角度、场景布局、时间而变化。由于实际采集的声音或电磁时间序列信号是有限的,为了尽可能精确地获得频率域磁振幅响应,需要对信号做频谱估计。
采集模块进行多次、多角度数据采集,通过采集模块直接获得频谱数据。自动判断每段数据质量,要求有高信噪比且频谱重复性好等。计算同一位置同一角度的所有重复探测曲线的均值、标准差和相关系数,检查滤波后曲线形态是否可以重复,相邻探测时刻数据相关性是否较高。剔除重复性差、受干扰严重的探测曲线。结合理论模型和标定数据,可以统计意义上滤除场景噪声。
人文噪声主要由大量窄脉冲组成,脉冲形状不同,且幅度和相位随机变化。这些脉冲叠加后的统计分布与高斯白噪声有较大区别,实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。探测结果应该进行多次测量,适当增加叠加的次数可以提高信噪比,平均归一化,进一步调用谱估计模块突出有效信息。
实施例一:独立成分分析&小波分析
广场场景下,处于周边树荫座位中,对一段声音信号进行谱估计分析。根据实际情况给出人文噪声与随机信号叠加后的信号。其中噪声干扰往往强度较大,几倍甚至数十倍于有效信号。随机信号可能存在不同的分布,信号采集模块获得四组信号,可以看出这些信号中应该包括了三个独立成分。对各时间序列求取各自的频谱,仿真频率域振幅响应曲线。在广场场景下,经过试验使用DB4小波去分解ICA滤波后的信号,对于高频分量系数阈值设为0,将其他低频分量信号进行重构,利用ICA和小波分析相结合,可以实现磁分量信号场景干扰有效压制,也可以突出有效信号特征。
请参阅图1-5,本发明的第二种实施例:一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,包括以下步骤:
步骤一、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;
步骤二、针对场景信号非平稳非高斯特征,提出频域数据处理的方案;
步骤三、结合仿真信号和实测数据分析,选择场景最优滤波模型;
步骤四、利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;
步骤五、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除。
所述采集模块包括传感器、主机和供电设备,其中所述传感器包括信号响应元件、接线、放大电路、程控陷波电路、接口高速采集电路等模块;所述主机包括数据采集、格式转化、存储和控制等单元,能够实现常见人文干扰的硬件陷波;所述供电设备与主机和传感器用电电性连接。
所述传感器的最小接收的感应电压值为0.1μV;可以灵敏获得变化振幅响应值。传感器噪声非常微小,前置放大器输出增益可以将微伏级弱信号放大,为弱信号有效识别提供了硬件支持。
为了减少外界电磁干扰的影响,需要一个干扰较弱的磁屏蔽测试环境进行试验,如零磁空间等。方形亥姆霍兹线圈在线圈的中心产生均匀磁场信号。通过调节通入线圈的电流,就会改变轴线位置的磁场信号强度,从而产生标定信号,标定模块测试步骤包括:
1)用亥姆霍兹线圈分别扫频产生频率1Hz-10KHz内均匀密集分布的磁场强度为1nT的测试信号;
2)利用信号分析仪测试并记录输出电压幅度。将电压或电流信号输入到标定线圈后,通过测量标定线圈两端电压值,计算线圈输入电流大小,计算出感应电压值,再估计磁场强度以及磁传感器的灵敏度;
3)每个频率重复步骤1)、2),对于磁分量法的传感器满足0.8V/nT的转换系数,误差小于5%内为合格,否则判为不合格。
标定模块,标定的实质就是测量已知不同频率不同强度的信号与相应的输出电信号的电压值,确定信号与电压之间的定量关系,从而将电压值转换到具有量纲的绝对物理量上,进而对传感器灵敏度进行评价。考虑场景下设备使用高度、方位角,从而获得场景中不同使用条件下的传感器的幅频曲线,完成探测精度的分析。
采用上述标定方法和步骤完成了磁传感器的标定。与已有高精度磁传感器的标定曲线对比,如图所示。可以看出除了人文干扰陷波滤波和内部校正电路的差别以外,幅频曲线整体上仍然具有比较平坦的特征,可以用于后续信号定量分析。探测仪在频带范围内标定曲线可靠,满足信号采集精度要求。
所述谱分析模块是提取有效信息的前提,场景源信号整体上随着高度、角度、场景布局、时间而变化。由于实际采集的声音或电磁时间序列信号是有限的,为了尽可能精确地获得频率域磁振幅响应,需要对信号做频谱估计。
采集模块进行多次、多角度数据采集,通过采集模块直接获得频谱数据。自动判断每段数据质量,要求有高信噪比且频谱重复性好等。计算同一位置同一角度的所有重复探测曲线的均值、标准差和相关系数,检查滤波后曲线形态是否可以重复,相邻探测时刻数据相关性是否较高。剔除重复性差、受干扰严重的探测曲线。结合理论模型和标定数据,可以统计意义上滤除场景噪声。
人文噪声主要由大量窄脉冲组成,脉冲形状不同,且幅度和相位随机变化。这些脉冲叠加后的统计分布与高斯白噪声有较大区别,实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。探测结果应该进行多次测量,适当增加叠加的次数可以提高信噪比,平均归一化,进一步调用谱估计模块突出有效信息。
采集模块进行多次、多角度数据采集,通过采集模块直接获得频谱数据。自动判断每段数据质量,要求有高信噪比且频谱重复性好等。计算同一位置同一角度的所有重复探测曲线的均值、标准差和相关系数,检查滤波后曲线形态是否可以重复,相邻探测时刻数据相关性是否较高。剔除重复性差、受干扰严重的探测曲线。结合理论模型和标定数据,可以统计意义上滤除场景噪声。
人文噪声主要由大量窄脉冲组成,脉冲形状不同,且幅度和相位随机变化。这些脉冲叠加后的统计分布与高斯白噪声有较大区别,实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。探测结果应该进行多次测量,适当增加叠加的次数可以提高信噪比,平均归一化,进一步调用谱估计模块突出有效信息。
请参阅图1-5,本发明的第三种实施例:一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,包括以下步骤:
步骤一、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;
步骤二、针对场景信号非平稳非高斯特征,提出频域数据处理的方案;
步骤三、结合仿真信号和实测数据分析,选择场景最优滤波模型;
步骤四、利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;
步骤五、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除。
所述采集模块包括传感器、主机和供电设备,其中所述传感器包括信号响应元件、接线、放大电路、程控陷波电路、接口高速采集电路等模块;所述主机包括数据采集、格式转化、存储和控制等单元,能够实现常见人文干扰的硬件陷波;所述供电设备与主机和传感器用电电性连接。
所述传感器的最小接收的感应电压值为0.1μV;可以灵敏获得变化振幅响应值。传感器噪声非常微小,前置放大器输出增益可以将微伏级弱信号放大,为弱信号有效识别提供了硬件支持。
为了减少外界电磁干扰的影响,需要一个干扰较弱的磁屏蔽测试环境进行试验,如零磁空间等。方形亥姆霍兹线圈在线圈的中心产生均匀磁场信号。通过调节通入线圈的电流,就会改变轴线位置的磁场信号强度,从而产生标定信号,标定模块测试步骤包括:
1)用亥姆霍兹线圈分别扫频产生频率1Hz-10KHz内均匀密集分布的磁场强度为1nT的测试信号;
2)利用信号分析仪测试并记录输出电压幅度。将电压或电流信号输入到标定线圈后,通过测量标定线圈两端电压值,计算线圈输入电流大小,计算出感应电压值,再估计磁场强度以及磁传感器的灵敏度;
3)每个频率重复步骤1)、2),对于磁分量法的传感器满足0.8V/nT的转换系数,误差小于5%内为合格,否则判为不合格。
标定模块,标定的实质就是测量已知不同频率不同强度的信号与相应的输出电信号的电压值,确定信号与电压之间的定量关系,从而将电压值转换到具有量纲的绝对物理量上,进而对传感器灵敏度进行评价。考虑场景下设备使用高度、方位角,从而获得场景中不同使用条件下的传感器的幅频曲线,完成探测精度的分析。
采用上述标定方法和步骤完成了磁传感器的标定。与已有高精度磁传感器的标定曲线对比,如图所示。可以看出除了人文干扰陷波滤波和内部校正电路的差别以外,幅频曲线整体上仍然具有比较平坦的特征,可以用于后续信号定量分析。探测仪在频带范围内标定曲线可靠,满足信号采集精度要求。
所述谱分析模块是提取有效信息的前提,场景源信号整体上随着高度、角度、场景布局、时间而变化。由于实际采集的声音或电磁时间序列信号是有限的,为了尽可能精确地获得频率域磁振幅响应,需要对信号做频谱估计。
采集模块进行多次、多角度数据采集,通过采集模块直接获得频谱数据。自动判断每段数据质量,要求有高信噪比且频谱重复性好等。计算同一位置同一角度的所有重复探测曲线的均值、标准差和相关系数,检查滤波后曲线形态是否可以重复,相邻探测时刻数据相关性是否较高。剔除重复性差、受干扰严重的探测曲线。结合理论模型和标定数据,可以统计意义上滤除场景噪声。
人文噪声主要由大量窄脉冲组成,脉冲形状不同,且幅度和相位随机变化。这些脉冲叠加后的统计分布与高斯白噪声有较大区别,实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。探测结果应该进行多次测量,适当增加叠加的次数可以提高信噪比,平均归一化,进一步调用谱估计模块突出有效信息。
采集模块进行多次、多角度数据采集,通过采集模块直接获得频谱数据。自动判断每段数据质量,要求有高信噪比且频谱重复性好等。计算同一位置同一角度的所有重复探测曲线的均值、标准差和相关系数,检查滤波后曲线形态是否可以重复,相邻探测时刻数据相关性是否较高。剔除重复性差、受干扰严重的探测曲线。结合理论模型和标定数据,可以统计意义上滤除场景噪声。
人文噪声主要由大量窄脉冲组成,脉冲形状不同,且幅度和相位随机变化。这些脉冲叠加后的统计分布与高斯白噪声有较大区别,实际信号幅度概率分布是严重非高斯的,存在重尾分布特征。探测结果应该进行多次测量,适当增加叠加的次数可以提高信噪比,平均归一化,进一步调用谱估计模块突出有效信息。
工地施工场景下,研究施工的电磁噪音问题。采集模块至于公路附近,两个箭头从上至下分别显示了两处50Hz工频谐波干扰的所在。首先利用EMD算法对该曲线进行经验模态分解,可以自适应地获得7个本征模态解(intrinsic mode functions,i.e.IMFs),IMF中黑色箭头代表了分解出来的50Hz谐频干扰分量,说明第3到第6个IMF是被工频噪声污染的分量。
借助小波分析手段,可以实现多尺度滤波去噪,对高频随机噪声进行滤除(Mallat,1989)。经过试验分析,采用三层“DB4”小波对重构曲线进行分解,对高频细节部分设置阈值进行去噪。
在本说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
Claims (3)
1.一种场景化人工智能信号无线音频处理设备,包括采集模块、谱分析模块、谱估计模块和标定模块,其特征在于,包括以下步骤:
步骤一、根据场景实践和理论模型试算研究,提出了一整套完整的数据采集与现场检验处理流程;
步骤二、针对场景信号非平稳非高斯特征,提出频域数据处理的方案;
步骤三、结合仿真信号和实测数据分析,选择场景最优滤波模型;
步骤四、利用设计好的模拟屏蔽室对仪器进行了绝对标定,给出了标定曲线;
步骤五、多种设备交叉验证,可以满足场景信号处理精度要求。进而提取人文干扰异常信号,进一步进行噪音滤除。
所述采集模块包括传感器、主机和供电设备,其中所述传感器包括信号响应元件、接线、放大电路、程控陷波电路、接口高速采集电路等模块;所述主机包括数据采集、格式转化、存储和控制等单元,能够实现常见人文干扰的硬件陷波;所述供电设备与主机和传感器用电电性连接。
2.根据权利要求1所述的一种场景化人工智能信号无线音频处理设备,其特征在于,所述传感器的最小接收的感应电压值为0.1μV。
3.根据权利要求1所述的一种场景化人工智能信号无线音频处理设备,其特征在于,所述标定模块测试步骤包括:
1)用亥姆霍兹线圈分别扫频产生频率1Hz-10KHz内均匀密集分布的磁场强度为1nT的测试信号;
2)利用信号分析仪测试并记录输出电压幅度。将电压或电流信号输入到标定线圈后,通过测量标定线圈两端电压值,计算线圈输入电流大小,计算出感应电压值,再估计磁场强度以及磁传感器的灵敏度;
3)每个频率重复步骤1)、2),对于磁分量法的传感器满足0.8V/nT的转换系数,误差小于5%内为合格,否则判为不合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665798.7A CN111914679A (zh) | 2020-07-11 | 2020-07-11 | 一种场景化人工智能信号无线音频处理设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010665798.7A CN111914679A (zh) | 2020-07-11 | 2020-07-11 | 一种场景化人工智能信号无线音频处理设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111914679A true CN111914679A (zh) | 2020-11-10 |
Family
ID=73227775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010665798.7A Pending CN111914679A (zh) | 2020-07-11 | 2020-07-11 | 一种场景化人工智能信号无线音频处理设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111914679A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906732A (zh) * | 2022-11-28 | 2023-04-04 | 摩尔线程智能科技(北京)有限责任公司 | 建立场景化cpm模型的方法、装置和机器可读存储介质 |
CN117233682A (zh) * | 2023-11-13 | 2023-12-15 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准系统 |
CN117537874A (zh) * | 2024-01-08 | 2024-02-09 | 深圳市宏大联合实业有限公司 | 一种生产车间的环境监测方法及系统 |
-
2020
- 2020-07-11 CN CN202010665798.7A patent/CN111914679A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906732A (zh) * | 2022-11-28 | 2023-04-04 | 摩尔线程智能科技(北京)有限责任公司 | 建立场景化cpm模型的方法、装置和机器可读存储介质 |
CN117233682A (zh) * | 2023-11-13 | 2023-12-15 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准系统 |
CN117233682B (zh) * | 2023-11-13 | 2024-03-19 | 广州思林杰科技股份有限公司 | 一种平衡电桥的快速校准系统 |
CN117537874A (zh) * | 2024-01-08 | 2024-02-09 | 深圳市宏大联合实业有限公司 | 一种生产车间的环境监测方法及系统 |
CN117537874B (zh) * | 2024-01-08 | 2024-03-29 | 深圳市宏大联合实业有限公司 | 一种生产车间的环境监测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914679A (zh) | 一种场景化人工智能信号无线音频处理设备 | |
Zhong et al. | Partial discharge signal denoising based on singular value decomposition and empirical wavelet transform | |
JP4875696B2 (ja) | 電磁気的な多チャネル測定において干渉を抑制するための方法及び装置 | |
CN105548832A (zh) | 高压电力电缆故障识别方法 | |
CN110503060B (zh) | 一种光谱信号去噪方法及其系统 | |
Boczar et al. | Indicator analysis of partial discharges measured using various methods in paper-oil insulation | |
Govindarajan et al. | Development of Hankel‐SVD hybrid technique for multiple noise removal from PD signature | |
CN102988041B (zh) | 心磁信号噪声抑制中的信号选择性平均方法 | |
CN104897605A (zh) | 一种基于改进支持向量机的太赫兹谱分类识别方法 | |
CN113188797B (zh) | 一种基于传声器阵列的轴承故障诊断方法 | |
CN111999607B (zh) | 一种单通道信号下局部放电窄带干扰盲源分离方法及装置 | |
Li et al. | Magnetotelluric signal-noise separation method based on SVM–CEEMDWT | |
Chaudhuri et al. | Denoising of partial discharge signal using a hybrid framework of total variation denoising-autoencoder | |
CN103149541B (zh) | 一种磁场测量中提取微弱信号的方法 | |
Dang et al. | Fault diagnosis of power transformer by acoustic signals with deep learning | |
Weng et al. | Neural network detection and identification of electronic devices based on their unintended emissions | |
CN116522080A (zh) | 局部放电信号降噪方法 | |
Lu et al. | A method combining fractal analysis and single channel ICA for vibration noise reduction | |
Sovilj et al. | Influence of Wilbraham-Gibbs Phenomenon on Digital Stochastic Measurement of EEG Signal over an Interval | |
Long et al. | A novel automatic pulse segmentation approach and its application in PD-induced electromagnetic wave detection | |
Bai et al. | Transient electromagnetic weak signal extraction method based on multi-scale combined difference product morphological filtering | |
CN101710186A (zh) | 基于昆虫电荷测量的昆虫探测系统 | |
Silva et al. | Evaluation of partial discharge sources location algorithms on signals with different signal to noise ratio | |
Liu et al. | A method for blind source separation of multichannel electromagnetic radiation in the field | |
Zhou et al. | Ambient interferences suppressing for in-situ radiated emissions measurement based on array signal processing and adaptive noise cancellation |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |