CN113505524A - 轨道交通噪声贡献量确定方法、系统、装置及存储介质 - Google Patents
轨道交通噪声贡献量确定方法、系统、装置及存储介质 Download PDFInfo
- Publication number
- CN113505524A CN113505524A CN202110667321.7A CN202110667321A CN113505524A CN 113505524 A CN113505524 A CN 113505524A CN 202110667321 A CN202110667321 A CN 202110667321A CN 113505524 A CN113505524 A CN 113505524A
- Authority
- CN
- China
- Prior art keywords
- noise
- noise signal
- rail transit
- data set
- mixed
- 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 45
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 74
- 238000000926 separation method Methods 0.000 claims abstract description 68
- 238000013528 artificial neural network Methods 0.000 claims abstract description 21
- 230000007613 environmental effect Effects 0.000 claims description 44
- 238000012360 testing method Methods 0.000 claims description 25
- 238000013507 mapping Methods 0.000 claims description 21
- 238000012795 verification Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 13
- 230000005236 sound signal Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000004364 calculation method Methods 0.000 abstract description 5
- 230000006870 function Effects 0.000 description 28
- 230000003137 locomotive effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 4
- 238000010200 validation analysis Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000005284 excitation Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000000725 suspension Substances 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000007306 functionalization reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/10—Noise analysis or noise optimisation
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Abstract
本发明公开了一种轨道交通噪声贡献量确定方法、系统、装置及存储介质,方法包括:获取混合环境噪声信号;将混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定第一轨道交通噪声信号的第一振幅信息和第一相位信息;根据第一振幅信息、第一相位信息以及混合环境噪声信号确定第一轨道交通噪声信号的贡献量;其中,噪声分离模型通过深度神经网络训练得到。本发明可从声环境的混合环境噪声信号中分离出轨道交通噪声信号并确定其对声环境影响的贡献量,且提高了贡献量计算的准确度,为轨道交通噪声对声环境影响评价、以及轨道交通噪声的治理和控制提供了依据,可广泛应用于轨道交通技术领域。
Description
技术领域
本发明涉及轨道交通技术领域,尤其是一种轨道交通噪声贡献量确定方法、系统、装置及存储介质。
背景技术
轨道交通由于轮轨接触、车辆设备(受电弓、电机、空调等)等产生的振动和噪声对周围环境产生一定的影响。由于城市道路交通、建筑施工和社会生活等背景噪声较大,且轨道交通存在共用城市路线走廊带的现象,因此往往难以界定获取轨道交通噪声的贡献量,无法确定轨道交通噪声的治理和控制的目标。交通噪声的治理是一个系统工程,只有从整个交通体系入手才能实现噪声的有效控制。
现有的轨道交通噪声贡献量确定方法考虑的是仅有交通噪声存在或以交通噪声为主的情况,根据周围环境参数进行噪声等级评估,且依赖于建模的准确程度。首先,仅有交通噪声的情况是很难满足的,增加了实验难度;其次,以交通噪声为主的情况只是做一个大概的估计,有失准确性;此外,每个地区的噪声预测模型都需要重新调整,泛化能力比较差,工作量巨大。
由上可知,从声环境的监测信号中分离出轨道交通噪声并分析其对声环境影响的贡献量,从全方位的角度综合考虑交通噪声的治理需要,对轨道交通噪声控制方案进行针对性的选择,是十分必要的,也可以为在《环境影响评价技术导则——城市轨道交通》的规范下给出轨道交通噪声对声环境影响评价提供依据。
发明内容
本发明的目的在于至少一定程度上解决现有技术中存在的技术问题之一。
为此,本发明实施例的一个目的在于提供一种轨道交通噪声贡献量确定方法,该方法可从声环境的混合环境噪声信号中分离出轨道交通噪声信号并确定其对声环境影响的贡献量,为轨道交通噪声对声环境影响评价、以及轨道交通噪声的治理和控制提供了依据。
本发明实施例的另一个目的在于提供一种轨道交通噪声贡献量确定系统。
为了达到上述技术目的,本发明实施例所采取的技术方案包括:
第一方面,本发明实施例提供了一种轨道交通噪声贡献量确定方法,包括以下步骤:
获取混合环境噪声信号;
将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息;
根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量;
其中,所述噪声分离模型通过深度神经网络训练得到。
进一步地,在本发明的一个实施例中,所述获取混合环境噪声信号这一步骤,其具体为:
通过预先设置的传声器采集轨道沿线的混合环境噪声信号,所述混合环境噪声信号包括所述第一轨道交通噪声信号和所述第一环境背景噪声信号。
进一步地,在本发明的一个实施例中,所述轨道交通噪声贡献量确定方法还包括训练噪声分离模型的步骤,其具体包括:
获取轨道交通噪声数据集和环境背景噪声数据集;
根据所述轨道交通噪声数据集和所述环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集;
将所述训练数据集输入到深度神经网络进行训练,并通过所述验证数据集进行验证、通过所述测试数据集进行测试,得到训练好的噪声分离模型;
其中,所述轨道交通噪声数据集包括不同车速、不同发车密度下的轨道交通工具产生的第二轨道交通噪声信号,所述环境背景噪声数据集包括道路交通噪声信号、风声信号、雨声信号以及雷声信号。
进一步地,在本发明的一个实施例中,所述根据所述轨道交通噪声数据集和所述环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集这一步骤,其具体包括:
从所述轨道交通噪声数据集中随机抽取出第一噪声信号,并从所述环境背景噪声数据集中随机抽取出第二噪声信号;
将所述第一噪声信号和所述第二噪声信号以预设的能量比进行混合处理,得到用于训练的第一混合噪声信号、用于验证的第二混合噪声信号以及用于测试的第三混合噪声信号;
根据所述第一混合噪声信号构建训练数据集,根据所述第二混合噪声信号构建验证数据集,并根据所述第三混合噪声信号构建测试数据集。
进一步地,在本发明的一个实施例中,所述将所述训练数据集输入到深度神经网络进行训练这一步骤,其具体包括:
将所述训练数据集输入到深度神经网络,得到噪声分离预测结果;
根据所述噪声分离预测结果和所述第一混合噪声信号的标签确定训练的损失值;
根据所述损失值对深度神经网络的参数进行更新;
其中,所述标签包括所述第一混合噪声信号中第二轨道交通噪声信号的振幅信息和相位信息。
进一步地,在本发明的一个实施例中,所述噪声分离模型包括编码器、分离网络以及解码器,所述将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息这一步骤,其具体包括:
将所述混合环境噪声信号输入到所述噪声分离模型,通过编码器对所述混合环境噪声信号进行编码处理生成第一特征映射;
通过分离网络对所述混合环境噪声信号进行分离处理得到第一加权系数矩阵和第二加权系数矩阵,并根据所述第一加权系数矩阵、所述第二加权系数矩阵以及所述第一特征映射得到轨道交通噪声特征映射和环境背景噪声特征映射;
通过解码器对所述轨道交通噪声特征映射和环境背景噪声特征映射进行解码处理得到第一轨道交通噪声信号和第一环境背景噪声信号;
根据所述第一轨道交通噪声信号的时域波形图确定所述第一振幅信息和所述第一相位信息。
进一步地,在本发明的一个实施例中,所述根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量这一步骤,其具体包括:
根据所述第一振幅信息和所述第一相位信息确定所述第一轨道交通噪声信号的第一声功率;
确定所述混合环境噪声信号的第二声功率;
根据所述第一声功率和所述第二声功率确定所述第一轨道交通噪声信号对所述混合环境噪声信号的贡献量。
第二方面,本发明实施例提供了一种轨道交通噪声贡献量确定系统,包括:
混合环境噪声获取模块,用于获取混合环境噪声信号;
噪声分离模块,用于将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息;
贡献量确定模块,用于根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量;
其中,所述噪声分离模型通过深度神经网络训练得到。
第三方面,本发明实施例提供了一种轨道交通噪声贡献量确定装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行时,使得所述至少一个处理器实现上述的一种轨道交通噪声贡献量确定方法。
第四方面,本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,所述处理器可执行的程序在由处理器执行时用于执行上述的一种轨道交通噪声贡献量确定方法。
本发明的优点和有益效果将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到:
本发明实施例获取混合环境噪声信号,将混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定第一轨道交通噪声信号的第一振幅信息和第一相位信息,进而根据第一振幅信息、第一相位信息以及混合环境噪声信号确定第一轨道交通噪声信号的贡献量。本发明实施例可从声环境的混合环境噪声信号中分离出轨道交通噪声信号并确定其对声环境影响的贡献量,通过噪声分离模块对混合环境噪声信号的分离识别,提高了轨道交通噪声信号贡献量计算的准确度,为轨道交通噪声对声环境影响评价、以及轨道交通噪声的治理和控制提供了依据。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面对本发明实施例中所需要使用的附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员来说,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1为本发明实施例提供的一种轨道交通噪声贡献量确定方法的步骤流程图;
图2为本发明实施例提供的噪声分离模型的信号处理流程示意图;
图3为本发明实施例提供的一种轨道交通噪声贡献量确定系统的结构框图;
图4为本发明实施例提供的一种轨道交通噪声贡献量确定装置的结构框图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,多个的含义是两个或两个以上,如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。此外,除非另有定义,本文所使用的所有的技术和科学术语与本技术领域的技术人员通常理解的含义相同。
参照图1,本发明实施例提供了一种轨道交通噪声贡献量确定方法,具体包括以下步骤:
S101、获取混合环境噪声信号。
具体地,环境监测中采集到的混合环境噪声信号是轨道交通噪声和环境背景噪声的混合信号,在复杂场景下采用传统的信号处理方法很难直接分离。深度学习在许多复杂环境下的信号分离和增强应用中已展现了较好的性能和优势,本发明实施例采用深度学习的方法进行轨道交通噪声的分离增强,从而可以得出轨道交通噪声的贡献量,为交通噪声治理提供可靠依据。
进一步作为可选的实施方式,获取混合环境噪声信号这一步骤,其具体为:
通过预先设置的传声器采集轨道沿线的混合环境噪声信号,混合环境噪声信号包括第一轨道交通噪声信号和第一环境背景噪声信号。
具体地,可在待测试的轨道沿线预选设置好多个传声器,进行混合环境噪声信号的采集。本发明实施例在轨道交通噪声和道路交通噪声同时存在的路段进行信号采集,采用的是室外传声器,安装在三脚架上面,避免自身震动发声,高度为地面以上1.5±0.1米;传声器和周围障碍物之间保持有一段距离,避免这些障碍物(如建筑外墙)增强或降低接收到的噪音水平。
S102、将混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定第一轨道交通噪声信号的第一振幅信息和第一相位信息;
其中,噪声分离模型通过深度神经网络训练得到。
具体地,本发明实施例通过深度神经网络训练用于分离轨道交通噪声信号和环境背景噪声信号的噪声分离模型,不需要考虑周围环境因素、不需要过多计算,也不用针对不同地区重新建模,具有很好的泛化能力,提高了效率。本发明实施例直接通过训练好的噪声分离模型将轨道交通噪声和环境背景噪声分离,进行定量分析,计算轨道交通噪声的能量比以及贡献度。
进一步作为可选的实施方式,轨道交通噪声贡献量确定方法还包括训练噪声分离模型的步骤,其具体包括:
A1、获取轨道交通噪声数据集和环境背景噪声数据集;
A2、根据轨道交通噪声数据集和环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集;
A3、将训练数据集输入到深度神经网络进行训练,并通过验证数据集进行验证、通过测试数据集进行测试,得到训练好的噪声分离模型;
其中,轨道交通噪声数据集包括不同车速、不同发车密度下的轨道交通工具产生的第二轨道交通噪声信号,环境背景噪声数据集包括道路交通噪声信号、风声信号、雨声信号以及雷声信号。
具体地,分别收集不同轨道交通工具车速、发车密度和距离的轨道交通噪声信号集合,以及环境背景噪声信号集合(主要包括道路交通噪声,也可包括自然界的雨声雷声等),将二者按照一定的能量比进行混合,得到训练集A、验证集B以及测试集C,然后进行模型训练。
为了提高噪声分离模型的准确性,本发明实施例根据轨道交通的种类以及轨道交通噪声的类型,确定多个变量因素,并对相应场景下的轨道交通噪声进行采集。常见的轨道交通有传统铁路(国家铁路、城际铁路和市域铁路)、地铁、轻轨和有轨电车,新型轨道交通有磁悬浮轨道系统、单轨系统(跨座式轨道系统和悬挂式轨道系统)和旅客自动捷运系统等。轨道交通产生噪声可根据产生原理大致分为6类:轮轨滚动噪声、轮轨撞击噪声、轮轨曲线啸叫噪声、气动激励噪声、牵引系统噪声以及结构物激振噪声。
由于噪声分离模型的分离对象主要是轨道交通噪声和环境背景噪声,所以不需要将轨道交通噪声过于细致划分,本发明实施例将轨道交通噪声划分为两种,主要是机车噪声和车轮噪声,机车噪音包括排气噪声和发动机噪声,当车速较低时,机车噪音主要来源;轮轨噪音主要决定于车速,当火车高速行使时,轮轨噪音是主要噪音源。可见,机车速度对噪声影响很大,因此本发明实施例将速度作为重要的影响因素;火车鸣笛声在车头正前方30米的达到115分贝,而左右两侧则会降低5-10分贝,噪音影响的面积相对于道路交通噪音影响的面积要少,但噪音更为严重,所以鸣笛也是一个重要影响因素。本发明实施例采集的第二轨道交通噪声信号的具体场景如下表1所示。
表1
鸣笛噪声由于声级高,对噪声影响大,所以作为划分的一个重要因素;不同轨道交通工具行驶速度范围不一样,为了表述方便,故用慢、中、快来描述;发车比较频繁时,会出现会车和错车,3个及以上会车比较少见,故只考虑单车行驶(用0表示)、会车(用1表示)和错车(用2表示),需要注意的是,会车时都会鸣笛,不鸣笛情况下会车是不存在的,还有同方向行驶很难见到,所以不做考虑。
环境背景噪声数据集包括道路交通噪声信号、风声信号、雨声信号以及雷声信号。风声、雨声以及雷声可在大自然环境下直接采集获取,道路交通噪声的基本情况与轨道交通噪声类似,但是需要注意是,道路交通工具种类繁多,而且路况复杂,因此需要细化采集的场景。汽车的噪声有很多种,总体来看分为四个方面:发动机噪声、轮胎噪声、空气噪声、车身结构噪声。汽车发动机噪声与汽车类型相关,因此需要对汽车类型进行划分,比如:非发动机车和发动机车,汽车吨位等;汽车轮胎噪声与路面材质以及路面情况有关,轮胎材质影响忽略不计;空气噪声和车身结构噪声影响较小,所以不作为重要影响因数。本发明实施例采集的道路交通噪声信号的具体场景如下表2所示。
表2
汽车鸣笛以及行驶速度影响因数与轨道交通噪声类似,故不作重复说明。道路交通与轨道交通的区别在于,不需要在特定轨道行驶,所以汽车路况比较复杂,本发明实施例从地面材质以及地面情况进行场景划分,从而可以采集到多种复杂情况下的环境背景噪声。
进一步作为可选的实施方式,根据轨道交通噪声数据集和环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集这一步骤A2,其具体包括:
A21、从轨道交通噪声数据集中随机抽取出第一噪声信号,并从环境背景噪声数据集中随机抽取出第二噪声信号;
A22、将第一噪声信号和第二噪声信号以预设的能量比进行混合处理,得到用于训练的第一混合噪声信号、用于验证的第二混合噪声信号以及用于测试的第三混合噪声信号;
A23、根据第一混合噪声信号构建训练数据集,根据第二混合噪声信号构建验证数据集,并根据第三混合噪声信号构建测试数据集。
具体地,由于前期采集的轨道交通噪声和环境背景噪声能量差异比较大,因此可以在混合前进行归一化处理,使每种噪声的能量保持差不多的水平。然后对采集到的的噪声数据进行分配,本发明实施例中,60%作为训练数据集、20%作为验证数据集、20%作为测试数据集。训练数据集和验证数据集是从轨道交通噪声和环境背景噪声中分别随机选择噪声数据,并以-5dB和5dB之间的随机能量比混合生成。模型训练前期,测试数据集也是从轨道交通噪声和环境背景噪声中分别随机选择噪声数据,但是以不同于训练数据集和测试数据集中的能量比进行混合;模型训练后期,为了提高模型的泛化能力,本发明实施例使用训练数据集和验证数据集中没有出现过的轨道交通噪声和环境背景噪声,并以不同的能量比进行混合。
本发明实施例中,分别从80%的轨道交通噪声和80%的环境背景噪声中随机选择噪声数据,并以-5dB到5dB之间的随机能量比进行混合,把得到的混合数据75%作为训练数据集,25%作为验证数据集。然后,从剩下的20%轨道交通噪声和20%的环境背景噪声中随机选择噪声数据,并以不同于训练数据集和验证数据集中的能量比进行混合,将其作为测试数据集。模型训练前期,测试数据集中轨道交通噪声和环境背景噪声可以使用训练数据集和验证数据集中出现过的,模型训练后期,为了提高模型泛化能力,需要使用训练数据集和验证数据集中没有出现过的轨道交通噪声和环境背景噪声。混合数据时,如果两个噪声数据长度不一样,根据较短长度将另一个噪声数据多余部分截断。将得到的训练数据集输入到噪声分离模型前,以8000Hz的频率进行重采样。
进一步作为可选的实施方式,将训练数据集输入到深度神经网络进行训练这一步骤,其具体包括:
B1、将训练数据集输入到深度神经网络,得到噪声分离预测结果;
B2、根据噪声分离预测结果和第一混合噪声信号的标签确定训练的损失值;
B3、根据损失值对深度神经网络的参数进行更新;
其中,标签包括第一混合噪声信号中第二轨道交通噪声信号的振幅信息和相位信息。
具体地,由于第二轨道交通噪声信号是预先单独采集的,因此很容易根据其时域波形图确定相应的振幅信息和相位信息,并将该振幅信息和相位信息作为对应混合噪声信号的标签。
将训练数据集中的数据输入到预先构建的深度神经网络后,可以得到了网络输出的识别结果,即噪声分离预测结果,可以根据噪声分离预测结果和前述的标签来评估模型预测的准确性,从而对模型的参数进行更新。对于噪声分离模型来说,模型预测结果的准确性可以通过损失函数(Loss Function)来衡量,损失函数是定义在单个训练数据上的,用于衡量一个训练数据的预测误差,具体是通过单个训练数据的标签和模型对该训练数据的预测结果确定该训练数据的损失值。而实际训练时,一个训练数据集有很多训练数据,因此一般采用代价函数(Cost Function)来衡量训练数据集的整体误差,代价函数是定义在整个训练数据集上的,用于计算所有训练数据的预测误差的平均值,能够更好地衡量出模型的预测效果。对于一般的机器学习模型来说,基于前述的代价函数,再加上衡量模型复杂度的正则项即可作为训练的目标函数,基于该目标函数便能求出整个训练数据集的损失值。常用的损失函数种类有很多,例如0-1损失函数、平方损失函数、绝对损失函数、对数损失函数、交叉熵损失函数等均可以作为机器学习模型的损失函数,在此不再一一阐述。本放实施例中,可以从中任选一种损失函数来确定训练的损失值。基于训练的损失值,采用梯度下降算法对模型的参数进行更新,迭代几轮即可得到训练好的烦恼度识别模型。具体地迭代轮数可以预先设定,或者在测试集达到精度要求时认为训练完成。
本发明实施例中,所有噪声数据在训练前裁剪成4秒,然后将整个训练数据集和验证数据集训练100个批次。初始学习率设置为1e-3。如果连续3个批次,验证数据集的准确率没有得到改善,则将学习率减半。Adam用作优化器。卷积自动编码器使用50%的步长(即连续数据帧之间的50%重叠),在训练期间应用最大L2范数为5的梯度剪裁。
本发明实施例采用尺度不变信噪比改善(SI-SNRi)和信噪比改善(SDRi)作为分离精度的客观衡量指标。除了失真度指标外,还使用主观质量感知评价(PESQ)和平均意见评分(MOS)对分离混合物的质量进行了评估,并要求10名正常听力的受试者对分离后的单个噪声质量进行评价,以确保噪声分离模型的准确性。
进一步作为可选的实施方式,噪声分离模型包括编码器、分离网络以及解码器,将混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定第一轨道交通噪声信号的第一振幅信息和第一相位信息这一步骤S102,其具体包括:
S1021、将混合环境噪声信号输入到噪声分离模型,通过编码器对混合环境噪声信号进行编码处理生成第一特征映射;
S1022、通过分离网络对混合环境噪声信号进行分离处理得到第一加权系数矩阵和第二加权系数矩阵,并根据第一加权系数矩阵、第二加权系数矩阵以及第一特征映射得到轨道交通噪声特征映射和环境背景噪声特征映射;
S1023、通过解码器对轨道交通噪声特征映射和环境背景噪声特征映射进行解码处理得到第一轨道交通噪声信号和第一环境背景噪声信号;
S1024、根据第一轨道交通噪声信号的时域波形图确定第一振幅信息和第一相位信息。
具体地,本发明实施例的噪声分离模型为Conv-TasNet模型,如图2所示为本发明实施例提供的噪声分离模型的信号处理流程示意图。本发明实施例将混合环境噪声信号直接输入噪声分离模块模型,不需要进行短时傅里叶变换,通过编码器生成第一特征映射,经过分离网络分离得到k个加权系数矩阵(本发明实施例中为2个,分别对应轨道交通噪声和环境背景噪声),将加权系数矩阵与第一特征映射相乘,就可以得到轨道交通噪声特征映射和环境背景噪声特征映射,最后通过解码器即可恢复成相应噪声的时域波形图,从而确定第一振幅信息和第一相位信息。
本发明实施例的噪声分离模型主要由编码器、分离网络和解码器三部分组成。编码器采用一维卷积自动编码器,用于对波形进行建模;分离网络采用时域卷积网络,用于根据编码器的输出估计掩码(也即加权系数矩阵),并且将得到的掩码与编码器的输出相乘,得到每个噪声源的特征映射;解码器采用一维卷积解码器,用于将各个噪声源的特征映射恢复成时域波形图。采用的一维卷积都是深度可分离卷积,可以减少模型的参数量。每个一维卷积由1×1卷积和深度卷积组成,每个卷积操作之间添加非线性激活函数和归一化,两个线性1×1卷积块分别作为剩余路径和跳跃连接路径。本发明实施例的噪声分离模型的参数设定如下表3所示。
表3
S103、根据第一振幅信息、第一相位信息以及混合环境噪声信号确定第一轨道交通噪声信号的贡献量。
具体地,根据第一振幅信息、第一相位信息即可计算得到第一轨道交通噪声信号的第一声功率,根据混合环境噪声信号可以确定其第二声功率,两者比值即为第一轨道交通噪声信号的贡献量。步骤S103具体包括以下步骤:
S1031、根据第一振幅信息和第一相位信息确定第一轨道交通噪声信号的第一声功率;
S1032、确定混合环境噪声信号的第二声功率;
S1033、根据第一声功率和第二声功率确定第一轨道交通噪声信号对混合环境噪声信号的贡献量。
具体地,混合环境噪声信号用s[n]表示,分离得到的第一轨道交通噪声信号用x1[n]表示,分离得到的第一环境背景噪声信号用x2[n]表示,其中n为离散时间点。轨道交通噪声与环境背景噪声的能量比为K(dB),轨道交通噪声的贡献量为P。相关计算公式如下:
s[n]=x1[n]+x2[n]
K=10*log10(∑x1[n]2/∑x2[n]2)
P=∑|x1[n]|2/∑|s[n]|2
由于声功率与声信号的振幅信息的平方成正比,而且本发明实施例中第一轨道交通噪声信号和第一环境背景噪声信号所处的环境信息如气压、空气密度等均相同,因此第一轨道交通噪声信号对混合环境噪声信号的贡献量可以用两者的振幅信息的平方相除得到。
以上对本发明实施例的方法步骤进行了说明。本发明实施例可从声环境的混合环境噪声信号中分离出轨道交通噪声信号并确定其对声环境影响的贡献量,通过噪声分离模块对混合环境噪声信号的分离识别,提高了轨道交通噪声信号贡献量计算的准确度,为轨道交通噪声对声环境影响评价、以及轨道交通噪声的治理和控制提供了依据。
可以认识到,相较现有技术,本发明具有简单易行、准确、全面的优点,现有技术考虑的是仅有轨道交通噪声存在或以其为主的情况,且依赖于建模的准确程度,而本发明适用于存在不同大小的背景噪声的情况。本发明提出的方法完成离线训练后,可将轨道沿线监测系统中的传声器采集信号作为输入直接得到分离的轨道交通噪声信号,从而可实时监测轨道交通噪声的贡献度。
参照图3,本发明实施例提供了一种轨道交通噪声贡献量确定系统,包括:
混合环境噪声获取模块,用于获取混合环境噪声信号;
噪声分离模块,用于将混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定第一轨道交通噪声信号的第一振幅信息和第一相位信息;
贡献量确定模块,用于根据第一振幅信息、第一相位信息以及混合环境噪声信号确定第一轨道交通噪声信号的贡献量;
其中,噪声分离模型通过深度神经网络训练得到。
上述方法实施例中的内容均适用于本系统实施例中,本系统实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
参照图4,本发明实施例提供了一种轨道交通噪声贡献量确定装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当上述至少一个程序被上述至少一个处理器执行时,使得上述至少一个处理器实现上述的一种轨道交通噪声贡献量确定方法。
上述方法实施例中的内容均适用于本装置实施例中,本装置实施例所具体实现的功能与上述方法实施例相同,并且达到的有益效果与上述方法实施例所达到的有益效果也相同。
本发明实施例还提供了一种计算机可读存储介质,其中存储有处理器可执行的程序,该处理器可执行的程序在由处理器执行时用于执行上述一种轨道交通噪声贡献量确定方法。
本发明实施例的一种计算机可读存储介质,可执行本发明方法实施例所提供的一种轨道交通噪声贡献量确定方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本发明实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图1所示的方法。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或上述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,上述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
上述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例上述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印上述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得上述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式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方式或示例中。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方式或示例。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方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种轨道交通噪声贡献量确定方法,其特征在于,包括以下步骤:
获取混合环境噪声信号;
将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息;
根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量;
其中,所述噪声分离模型通过深度神经网络训练得到。
2.根据权利要求1所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述获取混合环境噪声信号这一步骤,其具体为:
通过预先设置的传声器采集轨道沿线的混合环境噪声信号,所述混合环境噪声信号包括所述第一轨道交通噪声信号和所述第一环境背景噪声信号。
3.根据权利要求1所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述轨道交通噪声贡献量确定方法还包括训练噪声分离模型的步骤,其具体包括:
获取轨道交通噪声数据集和环境背景噪声数据集;
根据所述轨道交通噪声数据集和所述环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集;
将所述训练数据集输入到深度神经网络进行训练,并通过所述验证数据集进行验证、通过所述测试数据集进行测试,得到训练好的噪声分离模型;
其中,所述轨道交通噪声数据集包括不同车速、不同发车密度下的轨道交通工具产生的第二轨道交通噪声信号,所述环境背景噪声数据集包括道路交通噪声信号、风声信号、雨声信号以及雷声信号。
4.根据权利要求3所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述根据所述轨道交通噪声数据集和所述环境背景噪声数据集确定训练数据集、验证数据集以及测试数据集这一步骤,其具体包括:
从所述轨道交通噪声数据集中随机抽取出第一噪声信号,并从所述环境背景噪声数据集中随机抽取出第二噪声信号;
将所述第一噪声信号和所述第二噪声信号以预设的能量比进行混合处理,得到用于训练的第一混合噪声信号、用于验证的第二混合噪声信号以及用于测试的第三混合噪声信号;
根据所述第一混合噪声信号构建训练数据集,根据所述第二混合噪声信号构建验证数据集,并根据所述第三混合噪声信号构建测试数据集。
5.根据权利要求4所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述将所述训练数据集输入到深度神经网络进行训练这一步骤,其具体包括:
将所述训练数据集输入到深度神经网络,得到噪声分离预测结果;
根据所述噪声分离预测结果和所述第一混合噪声信号的标签确定训练的损失值;
根据所述损失值对深度神经网络的参数进行更新;
其中,所述标签包括所述第一混合噪声信号中第二轨道交通噪声信号的振幅信息和相位信息。
6.根据权利要求3所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述噪声分离模型包括编码器、分离网络以及解码器,所述将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息这一步骤,其具体包括:
将所述混合环境噪声信号输入到所述噪声分离模型,通过编码器对所述混合环境噪声信号进行编码处理生成第一特征映射;
通过分离网络对所述混合环境噪声信号进行分离处理得到第一加权系数矩阵和第二加权系数矩阵,并根据所述第一加权系数矩阵、所述第二加权系数矩阵以及所述第一特征映射得到轨道交通噪声特征映射和环境背景噪声特征映射;
通过解码器对所述轨道交通噪声特征映射和环境背景噪声特征映射进行解码处理得到第一轨道交通噪声信号和第一环境背景噪声信号;
根据所述第一轨道交通噪声信号的时域波形图确定所述第一振幅信息和所述第一相位信息。
7.根据权利要求1至6中任一项所述的一种轨道交通噪声贡献量确定方法,其特征在于,所述根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量这一步骤,其具体包括:
根据所述第一振幅信息和所述第一相位信息确定所述第一轨道交通噪声信号的第一声功率;
确定所述混合环境噪声信号的第二声功率;
根据所述第一声功率和所述第二声功率确定所述第一轨道交通噪声信号对所述混合环境噪声信号的贡献量。
8.一种轨道交通噪声贡献量确定系统,其特征在于,包括:
混合环境噪声获取模块,用于获取混合环境噪声信号;
噪声分离模块,用于将所述混合环境噪声信号输入到预先训练好的噪声分离模型中,得到第一轨道交通噪声信号和第一环境背景噪声信号,并确定所述第一轨道交通噪声信号的第一振幅信息和第一相位信息;
贡献量确定模块,用于根据所述第一振幅信息、所述第一相位信息以及所述混合环境噪声信号确定所述第一轨道交通噪声信号的贡献量;
其中,所述噪声分离模型通过深度神经网络训练得到。
9.一种轨道交通噪声贡献量确定装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至7中任一项所述的一种轨道交通噪声贡献量确定方法。
10.一种计算机可读存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1至7中任一项所述的一种轨道交通噪声贡献量确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667321.7A CN113505524B (zh) | 2021-06-16 | 2021-06-16 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110667321.7A CN113505524B (zh) | 2021-06-16 | 2021-06-16 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113505524A true CN113505524A (zh) | 2021-10-15 |
CN113505524B CN113505524B (zh) | 2023-11-28 |
Family
ID=78009970
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110667321.7A Active CN113505524B (zh) | 2021-06-16 | 2021-06-16 | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113505524B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116895283A (zh) * | 2023-09-01 | 2023-10-17 | 青岛朗兹环保科技有限公司 | 基于人工智能的噪声预测方法 |
CN117690303A (zh) * | 2024-02-04 | 2024-03-12 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014202286A1 (en) * | 2013-06-21 | 2014-12-24 | Brüel & Kjær Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
CN109425473A (zh) * | 2017-08-31 | 2019-03-05 | 株洲中车时代电气股份有限公司 | 一种针对轨道交通噪声的分析方法 |
CN111982273A (zh) * | 2020-07-06 | 2020-11-24 | 北京交通大学 | 一种轨道交通车站站台的噪声监测方法 |
CN111982274A (zh) * | 2020-07-22 | 2020-11-24 | 江苏大学 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
-
2021
- 2021-06-16 CN CN202110667321.7A patent/CN113505524B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014202286A1 (en) * | 2013-06-21 | 2014-12-24 | Brüel & Kjær Sound & Vibration Measurement A/S | Method of determining noise sound contributions of noise sources of a motorized vehicle |
CN109425473A (zh) * | 2017-08-31 | 2019-03-05 | 株洲中车时代电气股份有限公司 | 一种针对轨道交通噪声的分析方法 |
CN111982273A (zh) * | 2020-07-06 | 2020-11-24 | 北京交通大学 | 一种轨道交通车站站台的噪声监测方法 |
CN111982274A (zh) * | 2020-07-22 | 2020-11-24 | 江苏大学 | 一种基于声品质贡献系数的电机噪声源识别方法及系统 |
Non-Patent Citations (1)
Title |
---|
王东镇;葛剑敏;: "高速列车不同转向架区噪声特性及主要噪声源分离", 同济大学学报(自然科学版), no. 06 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116895283A (zh) * | 2023-09-01 | 2023-10-17 | 青岛朗兹环保科技有限公司 | 基于人工智能的噪声预测方法 |
CN116895283B (zh) * | 2023-09-01 | 2023-12-01 | 青岛朗兹环保科技有限公司 | 基于人工智能的噪声预测方法 |
CN117690303A (zh) * | 2024-02-04 | 2024-03-12 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
CN117690303B (zh) * | 2024-02-04 | 2024-04-26 | 四川三元环境治理股份有限公司 | 一种基于交通数据采集的噪声预警系统、装置及预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113505524B (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Ma et al. | Sound quality evaluation of the interior noise of pure electric vehicle based on neural network model | |
CN113505524B (zh) | 轨道交通噪声贡献量确定方法、系统、装置及存储介质 | |
US8352274B2 (en) | Sound determination device, sound detection device, and sound determination method for determining frequency signals of a to-be-extracted sound included in a mixed sound | |
CN110197670A (zh) | 音频降噪方法、装置及电子设备 | |
CN106933146A (zh) | 电动轿车行人警示音设计方法、警示音控制系统及方法 | |
CN110197588A (zh) | 一种基于gps轨迹数据的大货车驾驶行为评估方法及装置 | |
Valero et al. | Hierarchical classification of environmental noise sources considering the acoustic signature of vehicle pass-bys | |
WO2023138581A1 (zh) | 一种轨道交通机车车辆轮对多边形故障检测方法及装置 | |
CN101640043A (zh) | 基于多坐标序列内核的说话人识别方法和系统 | |
CN113343928A (zh) | 变速路段高速铁路钢轨波磨检测方法及装置、计算机设备 | |
CN114900256B (zh) | 通信场景识别方法和装置 | |
US6514366B1 (en) | Method of developing tread pattern | |
DE102019205519A1 (de) | Verfahren zum Ermitteln von Fahrverläufen | |
CN115758289A (zh) | 一种基于多任务学习神经网络的钢轨波磨识别方法 | |
Socoró et al. | Analysis and automatic detection of anomalous noise events in real recordings of road traffic noise for the LIFE DYNAMAP project | |
CN112052712A (zh) | 一种电力设备状态监测与故障识别方法及系统 | |
CN206671813U (zh) | 纯电动或混合动力汽车行人警示音控制系统 | |
CN113657432A (zh) | 一种基于车联网数据的商用车驾驶行为风险等级辨识方法 | |
CN116956044A (zh) | 自动驾驶车辆及其性能评估方法、评估系统 | |
CN107782548A (zh) | 一种基于对轨道交通工具零部件检测系统 | |
Kim et al. | Statistical classification of vehicle interior sound through upsampling-based augmentation and correction using 1D CNN and LSTM | |
CN116092519A (zh) | 车辆故障检测方法及系统 | |
AU2022204079A1 (en) | A computer implemented method for determining railway vehicle movement profile type of a railway vehicle movement profile and controller of a track circuit system | |
CN114996116A (zh) | 一种针对自动驾驶系统的拟人性评价方法 | |
Akhtar et al. | Detection of helicopters using neural nets |
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 |