CN113823317B - 基于频谱结构化识别的变电站噪声分离方法、设备及介质 - Google Patents
基于频谱结构化识别的变电站噪声分离方法、设备及介质 Download PDFInfo
- Publication number
- CN113823317B CN113823317B CN202111208974.5A CN202111208974A CN113823317B CN 113823317 B CN113823317 B CN 113823317B CN 202111208974 A CN202111208974 A CN 202111208974A CN 113823317 B CN113823317 B CN 113823317B
- Authority
- CN
- China
- Prior art keywords
- noise
- transformer
- signal
- spectrum
- transformer substation
- 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
- 238000000926 separation method Methods 0.000 title claims abstract description 46
- 238000001228 spectrum Methods 0.000 title claims abstract description 33
- 230000007613 environmental effect Effects 0.000 claims abstract description 15
- 238000012545 processing Methods 0.000 claims abstract description 9
- 238000004458 analytical method Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 13
- 230000003595 spectral effect Effects 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 230000002301 combined effect Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 8
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000009826 distribution Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000004613 tight binding model Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 241000136406 Comones Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0272—Voice signal separating
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
-
- 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
- G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
- G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
- G10L21/0208—Noise filtering
- G10L2021/02087—Noise filtering the noise being separate speech, e.g. cocktail party
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Quality & Reliability (AREA)
- Signal Processing (AREA)
- Health & Medical Sciences (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于频谱结构化识别的变电站噪声分离方法、设备及介质,针对变电站排放噪声与环境噪声形成的混叠信号,先对变电站排放噪声进行采集及频谱结构化处理分析与建模,将频谱的特定结构作为排放噪声的结构化频谱特征;然后在目标点进行混合噪声即混叠信号的测量,并利用所述结构化频谱特征对混叠信号中的排放噪声进行提取。本发明可将变电站的排放噪声与周围环境的背景噪声在混合条件下进行有效分离,从而实现对变电站环境排放噪声的准确检测。
Description
技术领域
本发明涉及噪声控制技术领域,尤其涉及一种基于频谱结构化识别的变电站噪声分离方法、设备及介质。
背景技术
随着电力需求量逐渐增大,供电负荷越来越高,需要建设更多的变电站来缓解电力供应的压力。但是变电站的建设常常又会因噪声排放等环境问题而遭到周边居民的反对,近年来出现了较多是投诉、纠纷甚至阻工等事件,因此,开展变电站环境噪声检测,尤其是排放噪声的检测,成为了当前变电站噪声控制、环境影响评价、环保纠纷应对中的一项重要工作内容。然而,在变电站环境噪声检测中常常会遇到虫鸣、鸟叫、交通噪声以及生活噪声等诸多背景噪声的影响,所以多年来变电站环境噪声检测结果的准确性一直较低,严重影响到变电站噪声的控制、环境影响评价水平,影响到环保纠纷中的公正评判。因此,在噪声测量过程之中一旦能够将变压器噪声与背景噪声进行分离,将从根本上解决变电站环境噪声所存在的问题,具有非常重要的现实意义。
对噪声进行分离,就是将某一个或者某几个声源从多个声源的混合信号中提取出来,用于对单个声源信号进行处理和分析。信号分离的研究始于上世纪的80年代中期,Jetten等人在进行生物医学研究工作时发现了这个问题。到90年代中期,Jutten和Herault提出了最初的信号分离技术,即利用递归神经网络模型和Hedd学习规则的H-J算法,实现两个独立信号的分离。在随后的十几年中,由于对不同类别信号的处理需求,以及对算法效率,分离效果的要求越来越高,各种各样的声源分离算法也不断涌现。
而在变电站噪声分离领域,多采用盲源分离的方式进行混叠噪声的分离。盲源分离是指从信号的统计特性角度出发,通过观测信号分离或恢复出未知源信号的方法。1985年前后,法国学者Jutten和Herault首次提出盲源分离算法,并以两个独立信号源为例,从混合信号中成功分离了源信号,为处理混合信号提供了新途径。Comon提出了独立分量分析的概念,并对盲源分离算法中的主要问题进行了探讨,如盲信号可分性条件的问题,对比函数的适用性问题以及恢复信号的不确定性问题等。
盲源分离的主要过程如图1所示,每一个源产生的独立信号记为一个向量,不同源信号以未知形式进行混合。在信号传输过程中,由于其他未知因素的影响,以及传感器的测量误差,不可避免的会混入噪声信号,那么源信号和噪声信号就构成混叠信号x(t)=As(t)+n(t),其中x(t)为传感器采集的n个通道信号,A为未知混合矩阵,代表了不同声源的强度信息,s(t)为m个独立源信号,n(t)为噪声信号。在此条件下,信号的盲源分离表示为:
y(t)=Wx(t)=W[As(t)+n(t)]
即从观测信号中恢复原信号,即找到分离矩阵W,使y(t)为x(t)的最优估计。
中心极限定理表明,在一定条件下,独立的随机变量之和的分布趋近与高斯分布。即若干个独立随机变量的和形成的分布比其中任意一个原始分布更接近于高斯分布。因此,令分离的信号非高斯性最大化,即可认为将分量独立开来。这是盲源分离的理论基础。
虽然盲源分离技术已获得大量应用,但是在变电站噪声分离的场景下还存在技术方面的缺陷及限制,主要问题包括以下三点。
(1)声源形式及个数估计问题
盲源分离通常要求预先知道声源的个数作为先验信息,并且声源为点声源的形式。但是在变电站环境中,混叠噪声为变电站排放噪声与周围环境噪声的混合形式,环境噪声源例如交通噪声等不存在明确的源头,因此声源的个数是无法预先给出准确估计的,而且也无法视为点声源的形式,因此会造成盲源分离效果较差。
(2)欠定盲源分离问题
在变电站的噪声分析中,由于涉及的变电站范围较大,通常只能采用单个声级去定点采集混合噪声,但是在传统的盲源分离算法处理中,要求测点数要至少与声源个数相同,这就造成观测信号数小于源信号个数,从而在数学求逆的过程中形成欠定问题,致使分离效果较差。
发明内容
为了解决上述问题,本发明提出一种基于频谱结构化识别的变电站噪声分离方法、设备及介质,可将变电站的排放噪声与周围环境的背景噪声在混合条件下进行有效分离,从而实现对变电站环境排放噪声的准确检测。
本发明采用的技术方案如下:
一种基于频谱结构化识别的变电站噪声分离方法,针对变电站排放噪声与环境噪声形成的混叠信号,先对变电站排放噪声进行采集及频谱结构化处理分析与建模,将频谱的特定结构作为排放噪声的结构化频谱特征;然后在目标点进行混合噪声即混叠信号的测量,并利用所述结构化频谱特征对混叠信号中的排放噪声进行提取。
进一步地,假设一个变电站环境内有一台变压器,是变电站的主要噪声源,在远离变压器的一个位置sr处,其声信号为pr;此声信号pr由两部分的信号构成,一部分为变压器噪声经过一定距离的传播后到达sr处的声信号,另一部分为外界的背景噪声在sr处的声场,则综合作用表示为:
pr=pt+pb (1)
式中pt表示变压器在sr处所形成的声信号,pb表示背景噪声即环境噪声。
进一步地,在变压器周围一个较近位置s0处,采集变压器声信号p0作为源信号,根据声波传播理论,将变压器在位置sr处的声信号pt表示为源信号p0与传播路径的卷积,即:
pt=p0*h(s0,sr) (2)
其中h(s0,sr)为声波由s0到sr处的传播路径,即由s0到sr的声学脉冲响应。
进一步地,采用格林函数作为描述声波由s0到sr的传播模型:
式中H(s0,sr)为由s0到sr处的传递函数,是h(s0,sr)在频域的表示,r为s0到sr处的距离。
进一步地,在频域条件下,将式(2)表示为:
Ptω=P0ω·H(s0,sr) (4)
并将式(1)表示为:
Prω=Ptω+Pbω (5)
其中Prω、Ptω、Pbω分别为信号pr、pt、pb在频域的表示形式;
将式(4)代入式(5),以实现对背景噪声的分离,即
进一步地,将变压器周围处的倍频程或1/3倍频程作为结构化频谱特征。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述基于频谱结构化识别的变电站噪声分离方法的步骤。
一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时实现上述基于频谱结构化识别的变电站噪声分离方法的步骤。
本发明的有益效果在于:本发明可将变电站的排放噪声与周围环境的背景噪声在混合条件下进行有效分离,从而实现对变电站环境排放噪声的准确检测。相较于传统方法,本发明具有以下优点:
(1)对于变电站环境背景噪声无限制要求,本发明以变电站排放噪声为主要分析对象,通过频谱结构化的识别,使噪声得到分离,因而无论背景噪声多么复杂,都可利用本发明实现噪声分离;
(2)本发明仅需一个麦克风就可实现对噪声的分离,避免了传统方法需要传声器阵列的问题,大大降低了对硬件设备的要求;而且由于处理数据规模较小,具有非常高的计算效率,适合于现场的实时测量与检测。
附图说明
图1传统盲源分离方法原理图。
图2变压器噪声传播及混叠示意图。
图3变压器排放噪声与背景噪声叠加形成的混合信号。
图4 1/3倍频程原始背景噪声信号。
图5 1/3倍频程分理出的背景噪声信号。
图6分离背景噪声与原始背景噪声误差。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现说明本发明的具体实施方式。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明,即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。基于本发明的实施例,本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
本实施例提供了一种基于频谱结构化识别的变电站噪声分离方法,针对变电站排放噪声与环境噪声形成的混叠信号,先对变电站排放噪声进行采集及频谱结构化处理分析与建模,将频谱的特定结构作为排放噪声的结构化频谱特征;然后在目标点进行混合噪声即混叠信号的测量,并利用所述结构化频谱特征对混叠信号中的排放噪声进行提取。具体地,该方法包括以下步骤:
步骤1:问题假设
假设一个变电站环境内有一台变压器,是变电站的主要噪声源,如图2所示,在远离变压器的一个位置sr处,其声信号为pr。声信号pr由两部分的信号构成,一部分为变压器噪声经过一定距离的传播后到达sr处的声信号,另一部分为外界的背景噪声在sr处的声场,则综合作用表示为:
pr=pt+pb (1)
式中pt表示变压器在sr处所形成的声信号,pb表示背景噪声即环境噪声。
假设位置sr为噪声敏感位置,需要准确判断出变电站噪声对此处噪声的贡献,即需要将pt与pb做分离处理。传统方法是采用较为复杂的各类去噪算法,常会需要较多的传声器构成阵列,来实现协同算法降噪,精度和实时性都受环境因素影响较大。本实施例根据声波传播中的频谱成分具有结构化且不变的特性原理,提出一种基于频谱结构化识别的变电站噪声分离方法。
步骤2:声场建模
在变压器周围一个较近位置s0处,采集变压器声信号p0。此时,由于s0距离变压器非常近,可认为此时采集得到的声信号p0为变压器产生的源信号。根据声波传播理论,将变压器在位置sr处的声信号pt表示为源信号p0与传播路径的卷积,即:
pt=p0*h(s0,sr) (2)
其中h(s0,sr)为声波由s0到sr处的传播路径,即由s0到sr的声学脉冲响应。
在图2所示的自由场环境中,声信号的变化主要与距离因素相关,声波的传播符合自由场定律,因此,可以采用格林函数作为描述声波由源点到场点的传播模型。不失一般性,当处于户内型变电站环境中时,变压器的传播受房间的影响,其由源点到外部场点的传播规律不再是简单的直线传播规律。但是,由于变压器对外界所产生的噪声污染通常以低频噪声为主,而低频噪声在传播中障碍物对其影响非常有限,因此,在此种情况下仍旧将格林函数作为描述声波传播的模型。
步骤3:结构化频谱特征
根据上述假设,可认为在sr处的叠加声场中,变压器所起到的作用可通过变压器源信号推算得到。因此,在叠加信号中减去变压器相关信号后,就可以得到背景噪声信号。但是,在时域范围内,由于信号的时间序列不一致,无法将pr与pt直接相减。而在频域范围内,不论信号如何传播,其频谱成分不会发生改变,即会保持一定的结构形态,这种频谱结构形态可以作为变压器噪声的有效识别判据。
对于不同的变电站场景,变压器的频谱结构不同,优选地,可将变压器周围处的倍频程或1/3倍频程作为频谱结构化特征。因此,依据这种频谱成分不变原理,在频域可以进行信号的相减处理,从而实现对信号的分离。
在频域,格林函数为:
式中H(s0,sr)为由s0到sr处的传递函数,是h(s0,sr)在频域的表示,r为s0到sr处的距离。此时将式(2)可表示为:
Ptω=P0ω·H(s0,sr) (4)
在频域条件下,式(1)可表示为:
Prω=Ptω+Pbω (5)
其中Prω、Ptω、Pbω分别为信号pr、pt、pb在频域的表示形式;
将式(4)代入式(5),以实现对背景噪声的分离,即
实验验证
为了验证本实施例的变电站噪声分离方法在实际使用中的适用性,在实际的户内变电站进行了验证实验。首先在主变室内变压器处测得一原始信号,作为参考信号,然后在主变室外测得场点信号。此处,为了能够验证噪声分离效果,需要一个已知的背景噪声信号作为先验信息,因此,实验中在场点处同时播放一段任意的声信号,这样可采集得到变压器排放噪声与背景噪声叠加的信号,混合信号如图3所示。
利用本实施例的变电站噪声分离方法,对背景噪声信号进行了分离,真实的背景噪声信号如图4所示,利用本实施例方法所分离出的背景噪声信号如图5所示,图6给出了两者之间的误差。
图4、5、6的数据表明,本实施例所提出的变电站噪声分离方法在实际条件下具有良好的正确性,在5000Hz范围以内,几乎可以精准地对背景噪声进行分离,虽然在5000Hz以上,分离出的背景噪声与原始背景噪声信号有一定误差,但是此误差在1dB以内,仍然处于非常高的精度水水平。在实际应用中,变电站对周围环境的噪声影响主要集中于低频段,更加适用于本实施例方法的应用,而且此方法仅需一个传声器就可实现较为准确的噪声分离,因此具有良好的实际应用潜力。
实施例2
本实施例在实施例1的基础上:
本实施例提供了一种计算机设备,包括存储器和处理器,该存储器存储有计算机程序,该处理器执行该计算机程序时实现实施例1的基于频谱结构化识别的变电站噪声分离方法的步骤。其中,计算机程序可以为源代码形式、对象代码形式、可执行文件或者某些中间形式等。
实施例3
本实施例在实施例1的基础上:
本实施例提供了一种计算机可读存储介质,存储有计算机程序,该计算机程序被处理器执行时实现实施例1的基于频谱结构化识别的变电站噪声分离方法的步骤。其中,计算机程序可以为源代码形式、对象代码形式、可执行文件或者某些中间形式等。存储介质包括:能够携带计算机程序代码的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等。需要说明的是,存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,存储介质不包括电载波信号和电信信号。
以上所述仅是本发明的优选实施方式,应当理解本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (4)
1.一种基于频谱结构化识别的变电站噪声分离方法,其特征在于,针对变电站排放噪声与环境噪声形成的混叠信号,先对变电站排放噪声进行采集及频谱结构化处理分析与建模,将频谱的特定结构作为排放噪声的结构化频谱特征;然后在目标点进行混合噪声即混叠信号的测量,并利用所述结构化频谱特征对混叠信号中的排放噪声进行提取;
变电站环境内有一台变压器,是变电站的主要噪声源,在远离变压器的一个位置处,其声信号为/>;此声信号/>由两部分的信号构成,一部分为变压器噪声经过一定距离的传播后到达/>处的声信号,另一部分为外界的背景噪声在/>处的声场,则综合作用表示为:
在频域条件下,将式(2)表示为:
并将式(1)表示为:
将式(4)代入式(5),以实现对背景噪声的分离,即
2.根据权利要求1所述的基于频谱结构化识别的变电站噪声分离方法,其特征在于,将变压器周围处的倍频程或1/3倍频程作为结构化频谱特征。
3.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1或2所述的基于频谱结构化识别的变电站噪声分离方法。
4.一种计算机可读存储介质,存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1或2所述的基于频谱结构化识别的变电站噪声分离方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208974.5A CN113823317B (zh) | 2021-10-18 | 2021-10-18 | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111208974.5A CN113823317B (zh) | 2021-10-18 | 2021-10-18 | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113823317A CN113823317A (zh) | 2021-12-21 |
CN113823317B true CN113823317B (zh) | 2023-06-30 |
Family
ID=78920482
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111208974.5A Active CN113823317B (zh) | 2021-10-18 | 2021-10-18 | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113823317B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013097176A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 音源分離装置、音源分離方法及びプログラム |
CN105895114A (zh) * | 2016-03-22 | 2016-08-24 | 南京大学 | 一种基于脉冲响应的房间声传播路径分离方法 |
CN108828525A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位系统 |
CN111261188A (zh) * | 2020-01-20 | 2020-06-09 | 中国电力科学研究院有限公司 | 高压变压器噪声频谱确定方法及装置 |
US10735887B1 (en) * | 2019-09-19 | 2020-08-04 | Wave Sciences, LLC | Spatial audio array processing system and method |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101166017B (zh) * | 2006-10-20 | 2011-12-07 | 松下电器产业株式会社 | 用于声音产生设备的自动杂音补偿方法及装置 |
US20080267423A1 (en) * | 2007-04-26 | 2008-10-30 | Kabushiki Kaisha Kobe Seiko Sho | Object sound extraction apparatus and object sound extraction method |
GB2533373B (en) * | 2014-12-18 | 2018-07-04 | Canon Kk | Video-based sound source separation |
-
2021
- 2021-10-18 CN CN202111208974.5A patent/CN113823317B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2013097176A (ja) * | 2011-11-01 | 2013-05-20 | Nippon Telegr & Teleph Corp <Ntt> | 音源分離装置、音源分離方法及びプログラム |
CN105895114A (zh) * | 2016-03-22 | 2016-08-24 | 南京大学 | 一种基于脉冲响应的房间声传播路径分离方法 |
CN108828525A (zh) * | 2018-06-25 | 2018-11-16 | 大连大学 | 混响房间内分布式麦克风阵列多声源定位系统 |
US10735887B1 (en) * | 2019-09-19 | 2020-08-04 | Wave Sciences, LLC | Spatial audio array processing system and method |
CN111261188A (zh) * | 2020-01-20 | 2020-06-09 | 中国电力科学研究院有限公司 | 高压变压器噪声频谱确定方法及装置 |
Non-Patent Citations (2)
Title |
---|
Luca Remaggi ; .Modeling the Comb Filter Effect and Interaural Coherence for Binaural Source Separation.《IEEE/ACM Transactions on Audio, Speech, and Language Processing》.2019,全文. * |
航空发动机风扇噪声分离方法研究;李旭;《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113823317A (zh) | 2021-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103439688B (zh) | 一种用于分布式麦克风阵列的声源定位系统及定位方法 | |
CN110210644A (zh) | 基于深度神经网络集成的交通流量预测方法 | |
CN111312273A (zh) | 混响消除方法、装置、计算机设备和存储介质 | |
CN106875938A (zh) | 一种改进的非线性自适应语音端点检测方法 | |
CN102662132A (zh) | 一种电气设备局部放电定位方法及系统 | |
CN101901209B (zh) | 基于改进emd和arma模型的结构响应分析方法 | |
CN112362756A (zh) | 一种基于深度学习的混凝土结构损伤监测方法及系统 | |
CN112086100B (zh) | 基于量化误差熵的多层随机神经网络的城市噪音识别方法 | |
CN111310109B (zh) | 一种基于vmd-arma-garch模型的非良态风速建模方法 | |
CN113901379A (zh) | 一种边缘端的实时数据动态在线快速处理方法 | |
CN117009814A (zh) | 一种基于多源信息融合的发动机故障诊断方法及系统 | |
CN116631438A (zh) | 一种基于最小p范数的宽度学习及二次相关的声源定位方法 | |
CN113782044B (zh) | 一种语音增强方法及装置 | |
CN117688422B (zh) | 基于改进稀疏分量分析的欠定模态参数识别方法、计算机设备及存储介质 | |
CN113920255A (zh) | 基于点云数据的高效测绘系统 | |
CN113823317B (zh) | 基于频谱结构化识别的变电站噪声分离方法、设备及介质 | |
CN114813129B (zh) | 基于wpe与emd的滚动轴承声信号故障诊断方法 | |
CN112652321B (zh) | 一种基于深度学习相位更加友好的语音降噪系统及方法 | |
Xianmin | A new method with high confidence for validation of computer simulation models of flight systems | |
CN113362853B (zh) | 一种基于lstm网络emd端点效应抑制方法 | |
CN110146276B (zh) | 一种基于无线传感器的索力与抗弯刚度监测方法及系统 | |
Wang et al. | An underdetermined environmental sound source separation algorithm based on improved complete ensemble EMD with adaptive noise and ICA | |
CN110275157A (zh) | 基于遗传算法自适应随机共振的矢量声定向方法 | |
CN117409799B (zh) | 音频信号处理系统及方法 | |
CN118193950B (zh) | 基于一维卷积神经网络的地震计自噪声计算方法 |
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 |