CN113129876B - 网络搜索方法、装置、电子设备及存储介质 - Google Patents
网络搜索方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN113129876B CN113129876B CN201911395764.4A CN201911395764A CN113129876B CN 113129876 B CN113129876 B CN 113129876B CN 201911395764 A CN201911395764 A CN 201911395764A CN 113129876 B CN113129876 B CN 113129876B
- Authority
- CN
- China
- Prior art keywords
- scene
- audio data
- environment
- network
- preset
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000007613 environmental effect Effects 0.000 claims abstract description 52
- 238000012549 training Methods 0.000 claims abstract description 52
- 239000013598 vector Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 3
- 230000001133 acceleration Effects 0.000 description 18
- 238000012545 processing Methods 0.000 description 7
- 230000003595 spectral effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000003062 neural network model Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G10L15/083—Recognition networks
-
- 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
- G10L15/06—Creation of reference templates; Training of speech recognition systems, e.g. adaptation to the characteristics of the speaker's voice
- G10L15/063—Training
-
- 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
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/27—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique
- G10L25/30—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 characterised by the analysis technique using neural networks
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Telephone Function (AREA)
Abstract
本申请公开了一种网络搜索方法、装置、电子设备及存储介质,涉及电子设备技术领域。其中,该方法包括:获取当前环境中的音频数据;通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景;若识别到的环境场景为预设场景,提高电子设备对移动数据网络的搜索频率,以获得较为稳定的数据网络信号,优化上网体验。
Description
技术领域
本申请涉及电子设备技术领域,更具体地,涉及一种网络搜索方法、装置、电子设备及存储介质。
背景技术
电子设备在某些情况下使用时,信号较差,不稳定。为了连接到网络,常常需要手动打开和关闭数据网络来进行手机搜网,影响手机用户上网体验。
发明内容
鉴于上述问题,本申请提出了一种网络搜索方法、装置、电子设备及存储介质,以改善上述问题。
第一方面,本申请实施例提供了一种网络搜索方法,应用于电子设备,所述方法包括:获取当前环境中的音频数据;通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景;若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
第二方面,本申请实施例提供了一种网络搜索装置,应用于电子设备,所述装置包括:音频获取模块,用于获取当前环境中的音频数据;识别模块,用于通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景;控制模块,用于若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
第三方面,本申请实施例提供了一种电子设备,包括:一个或多个处理器;存储器;一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序被所述处理器执行用于执行上述的方法。
第四方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行上述的方法。
本申请实施例提供的网络搜索方法、装置、电子设备及存储介质,通过环境中音频数据对电子设备所处的环境进行识别。在识别到电子设备处于预设场景的环境时,提高电子设备的网络搜索频率,以获得较为稳定的数据网络信号,优化上网体验。
附图说明
为了更清楚地说明本申请实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本申请的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1示出了本申请一实施例提供的网络搜索方法的流程图。
图2示出了本申请另一实施例提供的网络搜索方法的流程图。
图3示出了本申请又一实施例提供的网络搜索方法的流程图。
图4示出了本申请实施例提供的网络搜索装置的功能模块图。
图5示出了本申请实施例提供的电子设备的结构框图。
图6是本申请实施例的用于保存或者携带实现根据本申请实施例的网络搜索方法的程序代码的存储单元。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述。
电子设备可连接移动数据网络。但是,电子设备在某些情况下使用时,移动数据网络的信号较差,不稳定,易于断开。以电子设备使用时所处的环境为环境场景,发明人通过研究发现,在有些环境场景中,电子设备连接的数据网络信号差且不稳定的概率较高。鉴于不同环境场景中,都有其特殊的声音环境,例如,在地铁环境中,可能有嘈杂的人声、地铁运行的声音、地铁广播的声音等等多种声音的混合,形成地铁的声音环境;在公交环境中,可能有比地铁更为嘈杂的人声、公交运行的声音、公交车周围的车辆店铺等的声音混合,形成公交的声音环境。因此,发明人提出了本申请实施例提供的网络搜索方法,通过对采集的音频数据进行识别,以识别到电子设备所处的环境场景是否为网络信号差的场景。如果是,则可以提高网络搜索频率,以尽可能保持电子设备连接到的网络的稳定性。下面将通过具体实施例对本申请实施例提供的网络搜索方法、装置、电子设备及存储介质进行详细说明。
请参阅图1,示出了本申请实施例提供的网络搜索方法。具体的,该方法包括:
步骤S110:获取当前环境中的音频数据。
步骤S120:通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景。
电子设备可以获取当前环境中的音频数据,该音频数据表示了电子设备当前所处环境中的声音。
不同环境场景有其特殊的声音环境,即不同环境场景中的声音有各自的特性。预先可以训练有场景识别模型,用于识别音频数据所属的环境场景。获取到当前环境中的音频数据,可以通过训练后的场景识别模型对该音频数据进行识别,确定该音频数据所属的环境场景。
步骤S130:若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
可以设置有预设场景,该预设场景为移动数据网络信号较差,信号不稳定的环境场景。
若识别到音频数据所属的环境场景为预设场景,则可以提高电子设备对移动数据网络的搜索频率,以尽可能保持电子设备获得稳定的移动数据网络信号。
在本申请实施例中,可以获取电子设备当前所处环境中的音频数据,并通过可以识别音频数据所属环境场景的场景识别模型对获取到的音频数据进行识别。当识别到音频数据所属的环境场景为预设场景,则提高电子设备对移动数据网络的搜索频率,获得较为稳定的移动数据网络,提高用户的上网体验。
本申请还提供了一实施例,在该实施例提供的网络搜索方法中,当前环境中的音频数据可以由相应的录音设备录制。请参见图2,该实施例提供的网络搜索方法包括:
步骤S210:获取录制的当前环境中时长为预设时长的音频数据,所述预设时长等于所述训练样本的时长。
电子设备获取当前环境中的音频数据,即获取录制的当前环境中时长为预设时长的音频数据。该当前环境表示获取该音频数据时电子设备所处的环境场景。
其中,可以是,电子设备集成有录音设备,如麦克风,可以通过该录音设备录制电子设备当前环境中的音频数据,如在需要获取音频数据时,处理器向录音设备发送声音录制的控制指令,录音设备接收到该控制指令,开启进行声音录音,从而获取到录音时的环境场景中的音频数据。
该音频数据为当前环境中的声音转换为电子信号后的数据,如音频数据为当前环境中的声音转换为的数据信号数据,从而该音频数据可以表示当前环境场景的声音环境,体现了当前环境场景中的声音特性。
当然,在本申请实施例中,并不限定为电子设备自身集成的录音设备进行录音,也可以是外接的录音设备进行录音,如通过外接的耳机进行录音。
可选的,在电子设备开启移动数据开关的情况下,才有可能使用移动数据网络,因此,在获取当前环境中的音频数据之前,可以先检测是否开启移动数据开关,若开启,可以获取当前环境中的音频数据用于场景识别;若未开启,可以不获取音频数据用于场景识别。
步骤S220:通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景。
录制得到音频数据,可以对该音频数据进行环境场景的识别,以确定该音频数据是否为预设场景。可选的,在本申请实施例中,可以尽可能缩短获取到音频数据以及对音频数据进行识别之间的时间差,提高识别的准确性。例如,在获取到当前环境中的音频数据,则对该音频数据所属环境场景进行识别。
在本申请实施例中,电子设备中可以集成有训练后的场景识别模型,可以通过场景识别模型对音频数据所属的场景进行识别。该场景识别模型可以为神经网络模型,如全连接神经网络模型。在通过场景识别模型对电子设备所处环境的音频数据进行识别之前,可以对场景识别模型进行训练,使训练后的场景识别具有识别音频数据所属环境场景的能力。
在本申请实施例中,对场景识别模型进行训练的方式可以是,获取多个环境场景下的音频数据,作为训练样本;通过所述训练样本对所述场景识别模型进行训练。
即可以在环境场景中采集音频数据,如采集地铁、公交、小汽车、大巴车、高铁等一种或多种环境场景下的音频数据,每个环境场景下可以采集一个或多个音频数据。进行场景识别模型训练的设备可以获取到采集的音频数据,作为训练样本。可选的,在本申请实施例中,获取到的音频数据还可以包括虚拟环境场景中的音频数据,即该音频数据可以不是任何实际环境场景的音频数据,而是通过软件生成或者故意制造的声音的音频数据,用以提高场景识别模型的识别能力。
可选的,在本申请实施例中,为了提高识别的准确率,可以是,每个训练样本为预设时长的音频数据,即每个训练样本的时长与步骤S210中音频数据的时长相同。音频数据的具体时长在本申请实施例中并不限定,可选的,考虑到识别速度以及结合实际的实验效果,该预设时长可以是3秒。
将获得的训练样本输入场景识别模型,进行训练,使训练后的场景识别模型可以通过音频数据识别环境场景。例如,获得的每个训练样本对应打上有所属环境场景的标签,根据训练样本的标签与场景识别模型的输出标签对场景识别模型的参数进行优化,使在使用场景识别模型进行识别时,将音频数据输入训练后的场景识别模型,场景识别模型输出表示该音频数据所属环境场景的标签。
可选的,在本申请实施例中,可以将训练样本转换为特征向量,用于对场景识别模型进行训练。例如,可以提取所述训练样本中的梅尔倒谱系数(MFCC,mel-frequencycepstral coefficients)以及信号波特征形成特征向量;以该特征向量作为训练时场景识别模型的输入,通过所述特征向量对所述场景识别模型进行训练,使该场景识别模型具有模型小、功耗小、融合频域特征和时域特征进行模型训练和判断的优势。可选的,信号波特征可以包括色度频率、光谱质心、光谱带宽、光谱衰减以及过零率中的一个或多个。在一种具体的实施方式中,MFCC特征可以是40维,信号特征可以选取色度频率、光谱质心、光谱带宽、光谱衰减以及过零率5维,形成45维的特征向量,用于对场景识别模型进行训练。
在本申请实施例中,若训练样本提取梅尔倒谱系数以及信号波特征形成特征向量用于训练,在在获取到音频数据用于场景识别时,可以对该音频数据进行同样的特征提取形成特征向量,将该特征向量输入训练后的场景识别模型进行场景识别。
可选的,在本申请实施例中,场景识别模型可以具有是2层Dense层的全连接神经网络模型,2层的Dense层可以使场景识别模型较小,功耗也比较小,比较易于嵌入电子设备,如手机,进行实际应用,并且经过实验能达到比较好的识别效果。
可选的,在本申请实施例中,场景识别模型可以是多分类的识别模型,可以识别多个类别的环境场景,即通过多个类别对场景识别模型进行训练,场景识别模型可以对多个环境场景的音频数据分别识别,确定音频数据属于哪一个环境场景。该多个大于两个。
可选的,在本申请实施例中,场景识别模型可以是二分类的识别模型,可以识别两个环境场景的音频数据,或者是,可以识别出一个指定环境场景的音频数据以及一个其他环境场景的音频数据。也就是说,将一个指定的环境场景作为一类,将其他环境场景作为一类,场景识别类型对音频数据进行二分类,确定音频数据是属于指定的环境场景的一类还是其他环境场景的一类。
可选的,在本申请实施例中,识别结果可以通过概率值表示,即识别出音频数据属于某个环境场景的概率值。当该概率值大于一个预设的概率阈值,如百分之九十五,则确定该音频数据属于该环境场景。
在本申请实施例中,进行场景识别模型训练的设备可以是执行该网络搜索的电子设备,也可以是其他设备,如服务器。若进行场景识别模型训练的设备为该电子设备,电子设备可以从服务器获取多个环境场景下的音频数据,作为训练样本用于训练。若进行场景识别模型训练的设备为其他设备,在训练获得该场景识别模型后,可以发送到电子设备,或者由电子设备主动获取。
可选的,为了提高识别的准确率,生成场景识别模型的电子设备可以对场景识别模型按照一定的周期进行更新,该电子设备可以获取到更新后的场景识别模型。
步骤S230:若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
在本申请实施例中,哪些环境场景作为预设场景并不限定,可以根据设置标准进行设置。
其中,预设场景的设置标准并不限定,可以是移动数据网络的信号低于预设的信号标准的环境场景设置为预设场景,该预设的信号标准表示移动数据网络的信号较差、不稳定。例如,预设的信号标准可以是信号的强度阈值,如在某环境场景中,若多次检测移动数据网络的信号强度,获得的信号强度的平均值低于该强度阈值,则可以确定该环境场景为预设场景。又如,预设的信号标准可以是在预设时间长度内的断网次数,如,在某环境中,若检测得到在预设时间长度内,用于测试的电子设备与连接到的移动数据网络断开的次数达到预设的次数,则可以确定该环境场景为预设场景。
可选的,在本申请实施例中,在确定是否将一个环境场景设置为预设场景时,可以多次判断移动数据网络的信号是否低于预设的信号标准,若多次判断结果都为是,或者多次判断结果中,大于预设比例的次数都为是,则将该环境场景设置为预设场景。
在通过场景识别模型识别到音频数据所属的环境场景,可以判断该环境场景是否为预设场景。如果是,表示电子设备所处的环境信号较差,不稳定,可能出现容易断开网络连接的情况,可以提高对移动数据网络的搜索频率,以尽快搜索到易于连接以及强度较高的移动数据网络,进行连接。
可选的,在本申请实施例中,为了提高识别的准确性,可以在连续多次获取当前环境中的音频数据,并通过场景识别模型识别该音频数据所属的环境场景。若连续多次识别到的结果都为同一环境场景,且该环境场景为预设场景,则可以提高电子设备对移动数据网络的搜索频率。若连续多次识别到的结果不同,则可以对各个识别结果增加判断条件,确定当前所处环境场景,增加的判断条件根据各个环境场景的特征设置。例如,若连续多次识别到的结果包括环境场景A和环境场景B,环境场景A为处于快速前进的场景,则可以判断当前场景下加速度是否大于加速度阈值,或者速度是否大于速度阈值等,若是,则确定为环境场景A;环境场景B为有某些特殊提示音的场景,可以检测当前环境中是否有该特殊提示音,如乘坐地铁的环境场景中地铁到站提示音、公交场景中文明礼让提示音等,若是,则确定为环境场景B。
可选的,在本申请实施例中,当确定当前环境场景为预设场景,还可以按照一定周期继续获取当前环境中的音频数据进行环境场景的识别。当识别到当前环境场景不是预设场景,表示电子设备已经处于移动数据网络较为良好的环境中,可以将电子设备对移动数据网络的搜索频率恢复到正常频率,该正常频率可以为设置的默认搜索频率。
另外,可选的,在本申请实施例中,在预设场景中,移动终端也可能不一定处于网络较差,易于断开连接的状态,因此,在提高所述电子设备对移动数据网络的搜索频率之前,还可以包括对电子设备当前网络连接状态的检测,若网络连接状态较差,可以提高搜索频率。
在一种实施方式中,在确定电子设备处于预设场景下,可以获取电子设备当前连接的数据网络的信号强度。若获取到的信号强度小于预设的强度阈值,则可以认为电子设备处于网络状态较差的情况,易于断开网络连接,可以提高电子设备对移动数据网络的搜索频率。该预设的强度阈值在本申请实施例中并不限定,可以是根据电子设备连接较为稳定时的强度阈值设置。
在另一种实施方式中,在确定电子设备处于预设场景下,可以检测电子设备是否在指定时间长度内,连续指定次数因网络信号较差,无法连接到基站而导致网络连接断开。如果是,则提高电子设备对移动数据网络的搜索频率。
可选的,在本申请实施例中,若网络连接状态较差,可以提高移动数据网络的搜索频率,则可以检测到网络连接状态不是较差时,可以将电子设备对移动数据网络的搜索频率恢复到正常频率。
在本申请实施例中,可以获取录制的当前环境中的音频数据,若通过音频数据识别到当前的环境场景为预设场景,表示当前环境的移动数据网络信号较差,易于断开连接,可以提高网络的搜索频率,以获得稳定的移动数据网络信号,且该过程是离线且自动完成,不需要用户手动操作,对用户而言无感知,优化了用户上网体验。
在一些运动速度较快的环境场景下,如乘坐地铁、高铁、火车、小汽车、大巴等环境中,容易因快速移动等原因导致网络连接不稳定。本申请还提供一实施例,用于基于对电子设备移动情况的检测确定是否进行场景识别。请参见图3,该方法包括:
步骤S310:监测所述电子设备运动速度。
可以通过可以检测电子设备运动情况的传感器监测电子设备的运动速度。例如,通过加速度计以及陀螺仪等,获取电子设备的加速度,根据加速度计算电子设备的运动速度。
将监测到的电子设备的运动速度与预设速度阈值进行比较,判断电子设备的运动速度是否大于预设速度阈值。其中,该预设速度阈值的具体值并不限定,可以是根据大数据统计的正常成年人的不行速度,或者可以是因快速移动而导致网络连接较为不稳定的环境场景中,会影响网络连接导致网络连不稳定的最慢的移动速度。
步骤S320:当所述电子设备的运动速度大于预设速度阈值,获取当前环境中的音频数据。
若判定电子设备的运动速度大于预设速度阈值,则电子设备可能处于预设场景中,可以获取当前环境中的音频数据用于进行环境场景的识别。
另外,可选的,在本申请实施例中,由于加速度也可以反应运动情况,也可以检测电子设备的加速度值。若电子设备的加速度值持续大于预设加速度,或者电子设备的加速度的绝对值持续大于预设的加速度绝对值,则获取当前环境中的音频数据用于环境场景的识别。该持续的持续时长在本申请实施例中并不限定,可以根据需要设置。
步骤S330:通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景。
步骤S340:若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
步骤S330和步骤S340的具体描述可以参见前述实施例,在此不再赘述。
另外,可选的,在本申请实施例中,不同的预设场景,搜索频率的提高程度可以设置为不同,以契合当前环境场景的需求。
其中,可以是,网络环境状态越差的预设场景,提高频率可以越高。或者是,平均速度越高的预设长,提高频率越高。
可选的,在本申请实施例中,若当电子设备的运动速度大于预设速度阈值,根据音频数据确定当前环境为预设场景并提高电子设备对移动数据网络的搜索频率,则可以在电子设备的运动速度小于或等于预设速度阈值时,退出该提高网络搜索频率的状态,将电子设备的网络搜索频率调整为默认的搜索频率。
可选的,在本申请实施例中,若当电子设备的加速度值持续大于预设加速度,根据音频数据确定当前环境为预设场景并提高电子设备对移动数据网络的搜索频率,则可以在持续监测到电子设备的加速度持续小于或等于预设加速度,退出该提高网络搜索频率的状态。
可选的,若当电子设备的加速度值的绝对值大于预设的加速度绝对值,根据音频数据确定当前环境为预设场景并提高电子设备对移动数据网络的搜索频率,则可以在持续监测到电子设备的加速度的绝对值小于或等于预设的加速度绝对值,退出该提高网络搜索频率的状态。
在本申请实施例中,还可以包括,当识别到识别数据所述的环境场景为飞行场景,还可以将所述电子设备调整为飞行模式。
在本申请实施例中,可以基于传感器以及场景识别模型进行电子设备所属场景的确定,可以在离线状态下确定电子设备是否处于预设场景,可以不依赖于GPS定位和数据网络识别,即使电子设备所处网络环境较差,电子设备也可以识别到预设场景,并提高对移动数据网络的搜索频率,从而在网络断开时可以及时搜索到网络信号并自动连接,获得较为稳定的数据网络信号,提高用户体验。
其中,该提高网络搜索频率,为基于电子设备默认的网络搜索频率进行提高。
本申请实施例还提供了一种网络搜索装置400。该装置400可以应用于电子设备。请参见图4,该装置400可以包括:音频获取模块410,用于获取当前环境中的音频数据;识别模块420,用于通过场景识别模型,识别所述音频数据所属的环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景;控制模块430,用于若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
可选的,在本申请实施例中,还可以包括训练模块,包括音频获取单元,用于获取多个环境场景下的音频数据,作为训练样本;训练单元,用于通过所述训练样本对所述场景识别模型进行训练。
可选的,训练单元可以用于提取所述训练样本中的梅尔倒谱系数以及信号波特征形成特征向量;通过所述特征向量对所述场景识别模型进行训练。
可选的,音频获取模块410可以用于获取录制的当前环境中时长为预设时长的音频数据,所述预设时长等于所述训练样本的时长。
可选的,该装置400还可以包括速度监测模块,用于监测所述电子设备运动速度;当所述电子设备的运动速度大于预设速度阈值,音频获取模块410用于获取当前环境中的音频数据。
可选的,该装置还可以包括,信号强度获取模块,用于获取所述电子设备当前连接的数据网络的信号强度;若获取到的信号强度小于预设的强度阈值,控制模块430可以用于提高所述电子设备对移动数据网络的搜索频率。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述的各个方法实施例之间可以相互参照;上述描述装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,模块相互之间的耦合可以是电性,机械或其它形式的耦合。
另外,在本申请各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。各个模块可以配置在不同的电子设备中,也可以配置在相同的电子设备中,本申请实施例并不限定。
请参考图5,其示出了本申请实施例提供的一种电子设备500的结构框图。该电子设备500可以是智能手机、平板电脑、穿戴式设备、电子阅读器、计算机等智能设备。该电子设备可以包括一个或多个处理器510(图中仅示出一个),存储器520以及一个或多个程序。其中,所述一个或多个程序被存储在所述存储器520中,并被配置为由所述一个或多个处理器510执行。所述一个或多个程序被处理器执行用于执行前述实施例所描述的方法。若
处理器510可以包括一个或者多个处理核。处理器510利用各种接口和线路连接整个电子设备500内的各个部分,通过运行或执行存储在存储器520内的指令、程序、代码集或指令集,以及调用存储在存储器520内的数据,执行电子设备500的各种功能和处理数据。可选地,处理器510可以采用数字信号处理(Digital Signal Processing,DSP)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)、可编程逻辑阵列(Programmable LogicArray,PLA)中的至少一种硬件形式来实现。处理器510可集成中央处理器(CentralProcessing Unit,CPU)、图像处理器(Graphics Processing Unit,GPU)和调制解调器等中的一种或几种的组合。其中,CPU主要处理操作系统、用户界面和应用程序等;GPU用于负责显示内容的渲染和绘制;调制解调器用于处理无线通信。可以理解的是,上述调制解调器也可以不集成到处理器510中,单独通过一块通信芯片进行实现。
存储器520可以包括随机存储器(Random Access Memory,RAM),也可以包括只读存储器(Read-Only Memory)。存储器520可用于存储指令、程序、代码、代码集或指令集。存储器520可包括存储程序区和存储数据区,其中,存储程序区可存储用于实现操作系统的指令、用于实现至少一个功能的指令、用于实现上述各个方法实施例的指令等。存储数据区还可以电子设备在使用中所创建的数据等。
请参考图6,其示出了本申请实施例提供的一种计算机可读存储介质的结构框图。该计算机可读存储介质600中存储有程序代码,所述程序代码可被处理器调用执行上述方法实施例中所描述的方法。
计算机可读存储介质600可以是诸如闪存、EEPROM(电可擦除可编程只读存储器)、EPROM、硬盘或者ROM之类的电子存储器。可选地,计算机可读存储介质600包括非易失性计算机可读介质(non-transitory computer-readable storage medium)。计算机可读存储介质600具有执行上述方法中的任何方法步骤的程序代码610的存储空间。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。程序代码610可以例如以适当形式进行压缩。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不驱使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种网络搜索方法,其特征在于,应用于电子设备,所述方法包括:
获取当前环境中的多个音频数据;
通过场景识别模型,识别所述多个音频数据各自所属的参考环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景;
若所述多个音频数据各自所属的参考环境场景不相同,基于各个参考环境场景对应的判断条件,确定所述多个音频数据对应的环境场景,所述判断条件基于各个参考环境场景的特征设置;
若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
2.根据权利要求1所述的方法,其特征在于,所述通过场景识别模型,识别所述多个音频数据各自所属的参考环境场景之前,还包括:
获取多个环境场景下的音频数据,作为训练样本;
通过所述训练样本对所述场景识别模型进行训练。
3.根据权利要求2所述的方法,其特征在于,所述通过所述训练样本对所述场景识别模型进行训练,包括:
提取所述训练样本中的梅尔倒谱系数以及信号波特征形成特征向量;
通过所述特征向量对所述场景识别模型进行训练。
4.根据权利要求1至3任一项所述的方法,其特征在于,获取当前环境中的音频数据包括:
获取录制的当前环境中时长为预设时长的音频数据,所述预设时长等于所述训练样本的时长。
5.根据权利要求1所述的方法,其特征在于,所述获取当前环境中的音频数据之前,还包括:
监测所述电子设备运动速度;
当所述电子设备的运动速度大于预设速度阈值,执行所述获取当前环境中的音频数据的步骤。
6.根据权利要求1或5所述的方法,其特征在于,所述提高所述电子设备对移动数据网络的搜索频率之前,还包括:
获取所述电子设备当前连接的数据网络的信号强度;
若获取到的信号强度小于预设的强度阈值,执行所述提高所述电子设备对移动数据网络的搜索频率。
7.根据权利要求1所述的方法,其特征在于,所述预设场景为乘坐地铁的场景。
8.一种网络搜索装置,其特征在于,应用于电子设备,所述装置包括:
音频获取模块,用于获取当前环境中的多个音频数据;
识别模块,用于通过场景识别模型,识别所述多个音频数据各自所属的参考环境场景,所述场景识别模型通过不同环境场景的音频数据作为训练样本进行训练,用于识别音频数据所属的环境场景,若所述多个音频数据各自所属的参考环境场景不相同,基于各个参考环境场景对应的判断条件,确定所述多个音频数据对应的环境场景,所述判断条件基于各个参考环境场景的特征设置;
控制模块,用于若识别到的环境场景为预设场景,提高所述电子设备对移动数据网络的搜索频率。
9.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器;
一个或多个程序,其中所述一个或多个程序被存储在所述存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序被所述处理器执行用于执行如权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中存储有程序代码,所述程序代码可被处理器调用执行如权利要求1-7任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395764.4A CN113129876B (zh) | 2019-12-30 | 2019-12-30 | 网络搜索方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911395764.4A CN113129876B (zh) | 2019-12-30 | 2019-12-30 | 网络搜索方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113129876A CN113129876A (zh) | 2021-07-16 |
CN113129876B true CN113129876B (zh) | 2024-05-14 |
Family
ID=76767773
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911395764.4A Active CN113129876B (zh) | 2019-12-30 | 2019-12-30 | 网络搜索方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113129876B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115733918A (zh) * | 2021-09-01 | 2023-03-03 | 北京小米移动软件有限公司 | 飞行模式的切换方法、装置、电子设备及存储介质 |
CN116595235B (zh) * | 2023-05-15 | 2024-01-30 | 重庆市敏城电子有限公司 | 网络滤波器的通讯控制方法、装置及电子设备 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101779498A (zh) * | 2007-08-09 | 2010-07-14 | 诺基亚公司 | 用于定位无线电的连接点触发式扫描 |
CN105307240A (zh) * | 2015-09-29 | 2016-02-03 | 北京元心科技有限公司 | 基于位置搜索移动通信网络的方法及装置 |
CN107517445A (zh) * | 2017-08-30 | 2017-12-26 | 努比亚技术有限公司 | Wlan热点搜索方法及移动终端 |
CN108764304A (zh) * | 2018-05-11 | 2018-11-06 | Oppo广东移动通信有限公司 | 场景识别方法、装置、存储介质及电子设备 |
CN109817236A (zh) * | 2019-02-01 | 2019-05-28 | 安克创新科技股份有限公司 | 基于场景的音频降噪方法、装置、电子设备和存储介质 |
CN109859767A (zh) * | 2019-03-06 | 2019-06-07 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质 |
CN109923901A (zh) * | 2016-11-30 | 2019-06-21 | 华为技术有限公司 | 搜索网络的方法和终端设备 |
CN110248401A (zh) * | 2019-06-18 | 2019-09-17 | Oppo广东移动通信有限公司 | WiFi的扫描控制方法、装置、存储介质及移动终端 |
CN110300420A (zh) * | 2019-05-23 | 2019-10-01 | 努比亚技术有限公司 | 一种快速搜网方法、移动终端和存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB0718498D0 (en) * | 2007-09-21 | 2007-10-31 | Ubinetics Vpt Ltd | Power saving |
-
2019
- 2019-12-30 CN CN201911395764.4A patent/CN113129876B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101779498A (zh) * | 2007-08-09 | 2010-07-14 | 诺基亚公司 | 用于定位无线电的连接点触发式扫描 |
CN105307240A (zh) * | 2015-09-29 | 2016-02-03 | 北京元心科技有限公司 | 基于位置搜索移动通信网络的方法及装置 |
CN109923901A (zh) * | 2016-11-30 | 2019-06-21 | 华为技术有限公司 | 搜索网络的方法和终端设备 |
CN107517445A (zh) * | 2017-08-30 | 2017-12-26 | 努比亚技术有限公司 | Wlan热点搜索方法及移动终端 |
CN108764304A (zh) * | 2018-05-11 | 2018-11-06 | Oppo广东移动通信有限公司 | 场景识别方法、装置、存储介质及电子设备 |
CN109817236A (zh) * | 2019-02-01 | 2019-05-28 | 安克创新科技股份有限公司 | 基于场景的音频降噪方法、装置、电子设备和存储介质 |
CN109859767A (zh) * | 2019-03-06 | 2019-06-07 | 哈尔滨工业大学(深圳) | 一种用于数字助听器的环境自适应神经网络降噪方法、系统及存储介质 |
CN110300420A (zh) * | 2019-05-23 | 2019-10-01 | 努比亚技术有限公司 | 一种快速搜网方法、移动终端和存储介质 |
CN110248401A (zh) * | 2019-06-18 | 2019-09-17 | Oppo广东移动通信有限公司 | WiFi的扫描控制方法、装置、存储介质及移动终端 |
Also Published As
Publication number | Publication date |
---|---|
CN113129876A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109346061B (zh) | 音频检测方法、装置及存储介质 | |
CN110136749B (zh) | 说话人相关的端到端语音端点检测方法和装置 | |
KR101759859B1 (ko) | 전자 디바이스들 사이의 접속을 확립하기 위한 방법 및 장치 | |
CN110176226A (zh) | 一种语音识别、及语音识别模型训练方法及装置 | |
CN110570840B (zh) | 一种基于人工智能的智能设备唤醒方法和装置 | |
CN106294774A (zh) | 基于对话服务的用户个性化数据处理方法及装置 | |
KR20160007527A (ko) | 타깃 키워드를 검출하기 위한 방법 및 장치 | |
CN110972112B (zh) | 地铁运行方向的确定方法、装置、终端及存储介质 | |
CN113129876B (zh) | 网络搜索方法、装置、电子设备及存储介质 | |
CN110503944B (zh) | 语音唤醒模型的训练和使用方法及装置 | |
CN110858479B (zh) | 语音识别模型更新方法、装置、存储介质及电子设备 | |
CN115798459B (zh) | 音频处理方法、装置、存储介质及电子设备 | |
CN111816216A (zh) | 语音活性检测方法和装置 | |
CN113225624B (zh) | 一种语音识别耗时确定方法和装置 | |
US10878814B2 (en) | Information processing apparatus, information processing method, and program | |
CN110248401B (zh) | WiFi的扫描控制方法、装置、存储介质及移动终端 | |
CN115171692A (zh) | 一种语音交互方法和装置 | |
CN110992953A (zh) | 一种语音数据处理方法、装置、系统及存储介质 | |
CN110516760A (zh) | 情境识别方法、装置、终端及计算机可读存储介质 | |
CN112951219A (zh) | 噪声拒识方法和装置 | |
EP4231267B1 (en) | Transportation vehicle type identification method and apparatus | |
CN111582382A (zh) | 状态识别方法、装置以及电子设备 | |
CN115831109A (zh) | 语音唤醒方法、装置、存储介质及电子设备 | |
CN110598762A (zh) | 基于音频的出行方式检测方法、装置以及移动终端 | |
CN113707154B (zh) | 模型训练方法、装置、电子设备和可读存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |