CN114509162A - 一种声环境数据监测方法及系统 - Google Patents
一种声环境数据监测方法及系统 Download PDFInfo
- Publication number
- CN114509162A CN114509162A CN202210400977.7A CN202210400977A CN114509162A CN 114509162 A CN114509162 A CN 114509162A CN 202210400977 A CN202210400977 A CN 202210400977A CN 114509162 A CN114509162 A CN 114509162A
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- influence
- training
- environmental
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 claims abstract description 19
- 238000007619 statistical method Methods 0.000 claims abstract description 10
- 230000007613 environmental effect Effects 0.000 claims description 229
- 238000012549 training Methods 0.000 claims description 127
- 238000012360 testing method Methods 0.000 claims description 123
- 238000004088 simulation Methods 0.000 claims description 65
- 238000005457 optimization Methods 0.000 claims description 42
- 238000013507 mapping Methods 0.000 claims description 22
- 238000005065 mining Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 18
- 238000010586 diagram Methods 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 5
- 230000004931 aggregating effect Effects 0.000 claims description 4
- 238000012937 correction Methods 0.000 description 17
- 230000002688 persistence Effects 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 7
- 238000009863 impact test Methods 0.000 description 7
- 238000004891 communication Methods 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000005855 radiation Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002085 persistent effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- 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
Abstract
本发明实施例公开了一种声环境数据监测方法及系统，获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对环境噪声数据集合进行统计分析，确定环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据，依据确定的每个噪声类型下的各个噪声源的噪声数据，确定监测区域对应的噪声分布地图，根据监测区域对应的噪声分布地图，针对监测区域生成对应的监测状态数据并展示到对应的状态界面中。如此，通过对噪声源和噪声类型进行统计分析并确定监测区域对应的噪声分布地图，由此生成对应的监测状态数据展示到对应的状态界面，可以实现针对噪声源的状态实时自动化监测。
Description
技术领域
本发明涉及噪声环境监测技术领域，具体而言，涉及一种声环境数据监测方法及系统。
背景技术
近年来，环境污染问题越来越严重，尤其是噪声污染持续加重，对人们的工作、生活和学习造成了巨大困扰，极大损害了人们的身心健康，因而受到了社会各界的广泛关注。因此为转变这些现状，应加强噪声检测工作，为噪声污染治理提供可靠、有效的参考依据。这样才能最大限度减少噪声污染，改善人们的生活环境。然而在当前公开方案中，缺乏针对噪声源的状态实时自动化监测方案。
发明内容
有鉴于此，本发明实施例提供一种声环境数据监测方法及系统。
第一方面，本发明实施例提供一种声环境数据监测方法，应用于声环境数据监测系统，包括：
获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对所述环境噪声数据集合进行统计分析，确定所述环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据；
依据确定的每个噪声类型下的各个噪声源的噪声数据，确定所述监测区域对应的噪声分布地图；
根据所述监测区域对应的噪声分布地图，针对所述监测区域生成对应的监测状态数据并展示到对应的状态界面中。
其中，一些实施例中，所述获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合的步骤之后，所述方法还包括：
获取各个噪声检测子站所对应的历史噪声影响知识图谱，并基于所述历史噪声影响知识图谱对对应的环境噪声数据进行校正处理。
其中，一些实施例中，所述获取各个噪声检测子站所对应的历史噪声影响知识图谱，并基于所述历史噪声影响知识图谱对对应的环境噪声数据进行校正处理的步骤，包括：
获取所述各个噪声检测子站所对应的历史噪声影响知识图谱中的每个噪声影响实例数据以及与所述噪声影响实例数据进行协同影响的衍生影响实例数据，将所述噪声影响实例数据和所述衍生影响实例数据聚合输出为目标影响实例数据；
获取所述目标影响实例数据在第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集，所述第一模拟影响测试空间被配置了两个以上噪声影响模型，各个所述噪声影响模型对应的选举影响实例数据集包含所述目标影响实例数据中的外部场景实例在对应的噪声影响模型中影响测试到的目标噪声影响对象的可信影响实例数据；
确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格；
基于所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏参数；
基于所述影响测试纠偏参数确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，并基于各个目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，对对对应的环境噪声数据进行校正处理；
譬如，一些实施例中，所述获取所述目标影响实例数据在第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集的步骤，包括：
获取所述目标影响实例数据中的外部场景实例在第一噪声影响模型激活后目标模拟条件下测试到的目标噪声影响对象的可信影响实例数据，并基于所述目标影响实例数据中的外部场景实例在第一噪声影响模型激活后目标模拟条件下测试到的目标噪声影响对象的可信影响实例数据，确定所述第一噪声影响模型对应的选举影响实例数据集，所述第一噪声影响模型为所述第一模拟影响测试空间内的任一噪声影响模型；
在所述目标影响实例数据中的外部场景实例在第二噪声影响模型激活后目标模拟条件下未测试获得目标噪声影响对象时，基于所述目标影响实例数据中的外部场景实例被触发的目标噪声影响对象的可信影响实例数据，确定针对所述第二噪声影响模型对应的选举影响实例数据集，所述第二噪声影响模型为所述第一模拟影响测试空间内所述第一噪声影响模型以外的任一噪声影响模型。
譬如，一些实施例中，所述确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格的步骤，包括：
从第一模拟影响测试空间内的各个噪声影响模型对应的选举影响实例数据集中，确定一个显著性特征的可信影响实例数据集，其中，所述显著性特征用于表示所述可信影响实例数据具有与满足预设的显著性评估指标的特征数据；
分别确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集中所述显著性特征的可信影响实例数据集以外的各个选举影响实例数据集，与所述显著性特征的可信影响实例数据集之间的影响连通网格；
或分别确定所述第一模拟影响测试空间内每相关联两个噪声影响模型对应的选举影响实例数据集之间的影响连通网格；
譬如，一些实施例中，所述影响连通网格包括多个影响实例成员和影响实例成员之间的连通关联关系信息，所述连通关联关系信息包括影响实例成员之间的影响连通关系。
其中，所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集包含可变化选举影响实例数据集和非变化选举影响实例数据集，所述影响测试纠偏参数包含基于所述第一模拟影响测试空间内指定的各个噪声影响模型的可变化选举影响实例数据集对应的影响连通网格确定的第一影响测试纠偏参数，以及基于所述第一模拟影响测试空间内指定的各个噪声影响模型的非变化选举影响实例数据集对应的影响连通网格确定的第二影响测试纠偏参数；
所述基于所述影响测试纠偏参数确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型的步骤，包括：
基于所述第一影响测试纠偏参数和所述第二影响测试纠偏参数，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型。
譬如，一些实施例中，所述基于所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏参数的步骤，包括：
从所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集中，确定目标噪声影响对象的扩展噪声影响特征的影响测试纠偏模型对应的影响持续度不小于第一目标持续度的至少一个目标可变化选举影响实例数据集，以及目标噪声影响对象的扩展噪声影响特征的影响测试纠偏模型对应的影响持续度不小于第二目标持续度的至少一个目标非变化选举影响实例数据集；
基于所述至少一个目标可变化选举影响实例数据集对应的影响连通网格中每个成员的连通成员数量与对应于所述连通成员数量的连通影响参数值确定所述第一影响测试纠偏参数，并基于所述至少一个目标非变化选举影响实例数据集对应的影响连通网格确定所述第二影响测试纠偏参数；
譬如，一些实施例中，所述基于所述第一影响测试纠偏参数和所述第二影响测试纠偏参数，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型的步骤，包括：
在所述第一影响测试纠偏参数的纠偏跨度不小于第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度不小于第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第一影响测试纠偏模型；
在所述第一影响测试纠偏参数的纠偏跨度不小于所述第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度小于所述第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第二影响测试纠偏模型；
在所述第一影响测试纠偏参数的纠偏跨度小于所述第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度小于所述第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第三影响测试纠偏模型。
第二方面，本发明实施例提供一种声环境数据监测系统，包括：
处理器；
存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现第一方面所述的声环境数据监测方法。
如上，本发明实施例获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对环境噪声数据集合进行统计分析，确定环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据，依据确定的每个噪声类型下的各个噪声源的噪声数据，确定监测区域对应的噪声分布地图，根据监测区域对应的噪声分布地图，针对监测区域生成对应的监测状态数据并展示到对应的状态界面中。如此，通过对噪声源和噪声类型进行统计分析并确定监测区域对应的噪声分布地图，由此生成对应的监测状态数据展示到对应的状态界面，可以实现针对噪声源的状态实时自动化监测。
附图说明
图1为本发明实施例提供的一种声环境数据监测方法步骤流程示意图；
图2为本发明的实施例提供的用于执行图1中的声环境数据监测方法的声环境数据监测系统的结构示意框图。
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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通过本发明中的实施例，本领域普通技术人员在没有做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。
如图1所示，本发明实施例提供的一种声环境数据监测方法步骤流程如下：
STEP100，获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对所述环境噪声数据集合进行统计分析，确定所述环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据。
本实施例中，各个噪声检测子站每秒都会向声环境数据监测系统上传环境噪声数据，其中，声环境数据监测系统可以选择任意时间段内的环境噪声数据做统计，其中包括全时段平均值计算、昼间平均值计算、夜间平均值计算、天平均值计算、月平均值计算、年平均值计算；在时间段内，出现次数在N%以上的声级，常用的有L5、L10、L50、L90、L95。通常，L10相应于峰值平均A声级，L50相应于平均A声级，L90相应于背景噪声的A声级。
STEP200，依据确定的每个噪声类型下的各个噪声源的噪声数据，确定所述监测区域对应的噪声分布地图。
例如，可以依据每个噪声源所对应的噪声源数据，在所述监测区域对应的初始化噪声分布地图中配置每个噪声源单元，依据每个噪声源所对应的噪声类型和噪声参数数据，在每个噪声源单元中进行对应地图状态标注，以确定所述监测区域对应的噪声分布地图。
如，在所述监测区域内，可以依据确定的每个噪声类型下的各个噪声源的噪声数据，确定重要交通路线、公共场合、厂界等位置的噪声数据。同时，对该监测区域的建筑、交通干线、屏障、绿化林、地形地势建立真实噪声模型。如根据不同的噪声源类型，主要分为工业噪声模块、公路噪声模块、铁路噪声模块，或者多个模块的综合计算分析。如工业噪声主要计算噪声传播中的衰减量，障碍物透射和反射量。公路噪声主要计算公路声源声功率级对周围环境的辐射情况，另外增添源强、城市交叉路口噪声的修正。铁路噪声计算单个列车噪声源强的辐射情况，多个列车噪声源强的叠加、相互干扰并辐射到周围环境的情况，由此生成所述监测区域对应的噪声分布地图。
STEP300，根据所述监测区域对应的噪声分布地图，针对所述监测区域生成对应的监测状态数据并展示到对应的状态界面中。
例如，可以将噪声分布地图中每个噪声源的数据进行展示，对于监测状态数据，可以存在以下的展示方式：企业展示平台、各级环保部门展示平台、终端APP或小程序、鸣笛抓拍取证系统等。
基于以上步骤，本实施例获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对环境噪声数据集合进行统计分析，确定环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据，依据确定的每个噪声类型下的各个噪声源的噪声数据，确定监测区域对应的噪声分布地图，根据监测区域对应的噪声分布地图，针对监测区域生成对应的监测状态数据并展示到对应的状态界面中。如此，通过对噪声源和噪声类型进行统计分析并确定监测区域对应的噪声分布地图，由此生成对应的监测状态数据展示到对应的状态界面，可以实现针对噪声源的状态实时自动化监测。
例如，在一些可能的示例中，STEP100中，可以通过以下示例性的步骤实现。
STEP110，依据预先训练的噪声类型分析模型对所述环境噪声数据集合进行噪声类型分析，确定所述环境噪声数据集合对应的各个噪声类型以及每个噪声类型下的噪声类型数据。
STEP120，获取所述噪声类型数据所携带的传声器声源定位数据和视频流采集数据，其中，所述传声器声源定位数据为当每个噪声源产生时通过传声器阵列的噪声位置数据。
STEP130，依据所述传声器声源定位数据从所述视频流采集数据查找每个噪声源触发时刻的声学定位图像数据。
STEP140，将每个噪声源的所述噪声位置数据和所述声学定位图像数据作为该噪声源的噪声源数据，以获得每个噪声类型下的各个噪声源的噪声数据。
例如，STEP110可以通过以下示例性的子步骤实现。
STEP111，将所述环境噪声数据集合的每个环境噪声数据加载到符合噪声分析应用部署要求的噪声类型分析模型中的噪声规律训练分支，确定所述环境噪声数据对应环境噪声特征场景对应的目标噪声规律变量图。
STEP112，将所述目标噪声规律变量图加载到所述基础噪声类型分析模型的噪声类型映射分支，确定所述环境噪声数据的噪声类型信息。
所述噪声类型映射分支和所述噪声规律训练分支之中的其中一个或者两个组合AI训练分支，是依据基础噪声类型分析模型对模板环境噪声数据的决策环境噪声特征场景和模板环境噪声特征场景之间的训练偏差度量值、以及依据所述基础噪声类型分析模型对所述模板环境噪声数据的决策噪声类型信息和模板噪声类型信息之间的训练偏差度量值进行权重参数层优化生成的。
例如，针对以上训练流程，一些可能的实施方式中，参见下述实施例实现。
STEP101，将模板环境噪声数据加载到噪声规律训练分支得到模板环境噪声数据的噪声规律变量图，并将噪声规律变量图加载到噪声类型映射分支生成模板环境噪声数据的决策噪声类型信息。
其中，模板环境噪声数据可为环境噪声趋势数据和环境噪声稳态数据之一的任意组合，因此，针对不同的模板环境噪声数据其提取方式也会有所不同。
(1)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声趋势数据，噪声规律训练分支包括第一规律训练分支和第二规律训练分支。
首先，依据第一规律训练分支对环境噪声趋势数据进行环境噪声趋势变量挖掘，确定对应的环境噪声趋势变量序列，并对环境噪声趋势变量序列进行噪声趋势频繁成员变量挖掘，确定各个环境噪声趋势变量对应的噪声趋势频繁成员变量信息，确定噪声趋势频繁成员特征。
例如，可对环境噪声趋势变量进行去噪，对环境噪声趋势数据进行环境噪声趋势变量挖掘，然后加载到噪声趋势频繁成员变量挖掘模型等以得到最终噪声趋势频繁成员特征。
其次，依据第二规律训练分支对噪声趋势频繁成员特征进行噪声规律变量图生成，确定环境噪声趋势变量序列。
其中，作为一些可能的示例，以上噪声类型映射分支可以是由全连接层和Softmax分类层连接组成。
(2)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声稳态数据，噪声规律训练分支包括稳态变量挖掘分支和第三规律训练分支。
首先，依据稳态变量挖掘分支对环境噪声稳态数据中的各个环境噪声稳态数据段进行稳态变量挖掘，确定各个环境噪声稳态数据段对应的环境噪声稳态变量，确定环境噪声稳态变量序列。
其次，依据第三规律训练分支对环境噪声稳态变量序列进行噪声规律变量挖掘，确定噪声规律变量图。
(3)当模板环境噪声数据既包括信任认证的环境噪声基础数据的环境噪声趋势数据，又包括信任认证的环境噪声基础数据的环境噪声稳态数据时，将环境噪声趋势数据加载到第一规律训练分支中，转换得到对应的噪声趋势频繁成员变量阵列，并将噪声趋势频繁成员特征加载到第二规律训练分支中进行噪声规律变量图生成，确定噪声规律变量图；同时将环境噪声稳态数据加载到稳态变量挖掘分支中，确定对应的环境噪声稳态变量序列，并将环境噪声稳态变量序列加载到第三规律训练分支中进行噪声规律变量挖掘，确定噪声规律变量图；将环境噪声趋势数据的噪声规律变量图和环境噪声稳态数据的噪声规律变量图进行聚合，生成新的噪声规律变量图。
STEP102，将噪声规律变量图加载到基础噪声类型分析模型，输出模板环境噪声数据的决策环境噪声特征场景。
在前述实施例中提及了模板环境噪声数据可为环境噪声趋势数据和环境噪声稳态数据之一的任意组合，因此，针对不同的模板环境噪声数据会使用不同的基础噪声类型分析模型进行分析。
(1)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声趋势数据时，以上的基础噪声类型分析模型包括对应于不同噪声类型分析方案的第一基础噪声类型分析模型和第二基础噪声类型分析模型。将噪声趋势频繁成员特征加载到第一基础噪声类型分析模型获得第一决策环境噪声特征场景，并将噪声规律变量图加载到第二基础噪声类型分析模型获得第二决策环境噪声特征场景。
第一基础噪声类型分析模型是用来识别环境噪声趋势数据中可能影响偏好协同主题的静态环境噪声特征场景，第二基础噪声类型分析模型是用来识别环境噪声趋势数据中可能影响偏好协同主题的动态环境噪声特征场景第一基础噪声类型分析模型和第二基础噪声类型分析模型的网络架构是一样的。
(2)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声稳态数据时，以上的基础噪声类型分析模型包括对应于不同噪声类型分析方案的第三基础噪声类型分析模型和第四基础噪声类型分析模型。将环境噪声稳态变量序列加载到第一基础噪声类型分析模型获得第三决策环境噪声特征场景，并将噪声规律变量图加载到第四基础噪声类型分析模型获得第四决策环境噪声特征场景。
同样地，第一基础噪声类型分析模型是用来识别环境噪声趋势数据中可能影响偏好协同主题的静态环境噪声稳态数据，第二基础噪声类型分析模型是用来识别环境噪声趋势数据中可能影响偏好协同主题的至少一组动态环境噪声稳态数据。第三基础噪声类型分析模型和第四基础噪声类型分析模型的网络架构也是由全连接层和Softmax分类层连接组成。
(3)当模板环境噪声数据既包括信任认证的环境噪声基础数据的环境噪声趋势数据，又包括信任认证的环境噪声基础数据的环境噪声稳态数据时，使用对应于不同噪声类型分析方案的第一基础噪声类型分析模型和第二基础噪声类型分析模型对环境噪声趋势数据进行决策，以及使用第三基础噪声类型分析模型和第四基础噪声类型分析模型对环境噪声稳态数据进行决策。
STEP103，依据决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值，以及决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值，解析获得参考训练偏差度量值。
(1)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声趋势数据时。
使用基础噪声类型分析模型的偏差度量单元，确定决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值。使用第一基础噪声类型分析模型的偏差度量单元确定第一决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，以及，使用第二基础噪声类型分析模型的偏差度量单元确定决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，将上述两个基础噪声类型分析模型的训练偏差度量值之和确定为决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值。
(2)当模板环境噪声数据为信任认证的环境噪声基础数据的环境噪声稳态数据时。
使用基础噪声类型分析模型的偏差度量单元，确定决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值。使用第三基础噪声类型分析模型的偏差度量单元确定第三决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，以及使用第四基础噪声类型分析模型的偏差度量单元确定第四决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，将上述两个基础噪声类型分析模型的训练偏差度量值之和确定为决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值。
(3)当模板环境噪声数据既包括信任认证的环境噪声基础数据的环境噪声趋势数据，又包括信任认证的环境噪声基础数据的环境噪声稳态数据时，将两个基础噪声类型分析模型的训练偏差度量值之和确定为决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值，将上述四个基础噪声类型分析模型的训练偏差度量值之和确定为决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值。
STEP104，依据参考训练偏差度量值对噪声规律训练分支和噪声类型映射分支中其中一个或者两个组合AI训练分支的分支功能函数层信息进行参数层迭代优化，直至参考训练偏差度量值不再继续下降，确定符合噪声分析应用部署要求的噪声类型分析模型，并依据符合噪声分析应用部署要求的噪声类型分析模型对信任认证的环境噪声基础数据的环境噪声数据进行噪声分析。
例如，依据参考训练偏差度量值，解析获得噪声规律训练分支中分支函数层信息的第一训练优化标签，并依据第一训练优化标签的优化路径方向对噪声规律训练分支的分支函数层信息进行参数层迭代优化。或者，依据参考训练偏差度量值，解析获得噪声类型映射分支的第二训练优化标签，并依据第二训练优化标签的优化路径方向对噪声类型映射分支的分支函数层信息进行参数层迭代优化。或者，依据参考训练偏差度量值，解析获得噪声规律训练分支中分支函数层信息的第一训练优化标签和基础噪声类型分析模型的第二训练优化标签，依据第一训练优化标签的优化路径方向对噪声规律训练分支的分支函数层信息进行参数层迭代优化，并依据第二训练优化标签的优化路径方向噪声类型映射分支的分支函数层信息进行参数层迭代优化，直至参考训练偏差度量值不再继续下降时，可以确定基础噪声类型分析模型完成模型开发工作，可以进行模型部署。
其中，噪声规律训练分支中只需要对采用门控循环单元网络GRU网络架构的第二稳态变量挖掘网络和第四规律训练分支的权重信息进行参数层迭代优化，而噪声类型映射分支是需要对全连接层和Softmax分类层的分支函数层信息都进行参数层迭代优化的。
为了便于理解，还提供了两个示例描述训练基础噪声类型分析模型的方法。
示例一，以环境噪声趋势数据的趋势起伏特征、环境噪声趋势数据类别为模板环境噪声学习数据，对基础噪声类型分析模型进行训练，下面介绍一种声环境数据监测方法，包括以下步骤。
STEP201，从模板环境噪声学习数据库中获取环境噪声趋势数据的模板环境噪声学习数据，该模板环境噪声学习数据包括环境噪声趋势数据的趋势起伏特征、环境噪声趋势数据的模板噪声类型信息和环境噪声趋势数据的模板环境噪声特征场景。
STEP202，对环境噪声趋势数据的趋势起伏特征进行环境噪声趋势变量挖掘，确定对应的环境噪声趋势变量序列，并对环境噪声趋势变量序列进行噪声趋势频繁成员变量挖掘，确定各个环境噪声趋势变量对应的噪声趋势频繁成员变量信息，确定噪声趋势频繁成员特征。
STEP203，将噪声趋势频繁成员特征加载到门控循环单元网络GRU获得环境噪声趋势数据的趋势起伏特征的噪声规律变量图。
STEP204，将噪声规律变量图加载到噪声类型映射分支生成环境噪声趋势数据的决策噪声类型信息。
STEP205，将噪声趋势频繁成员特征加载到第一基础噪声类型分析模型获得第一决策环境噪声特征场景，将噪声规律变量图加载到第二基础噪声类型分析模型获得第二决策环境噪声特征场景。
STEP206，依据决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值，以及决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值，解析获得参考训练偏差度量值，其中第二训练偏差度量值包括第一决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，和第二决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值。
STEP207，依据参考训练偏差度量值对门控循环单元网络GRU和噪声类型映射分支中其中一个或者两个组合AI训练分支的分支功能函数层信息进行参数层迭代优化，直至参考训练偏差度量值不再继续下降，确定符合噪声分析应用部署要求的噪声类型分析模型，依据符合噪声分析应用部署要求的噪声类型分析模型对信任认证的环境噪声基础数据的环境噪声数据进行噪声分析。
示例二，以环境噪声趋势数据的环境噪声稳态数据、环境噪声趋势数据类别为模板环境噪声学习数据，对基础噪声类型分析模型进行训练，下面介绍一种声环境数据监测方法，包括以下步骤。
STEP301，从模板环境噪声学习数据库中获取环境噪声趋势数据的模板环境噪声学习数据，该模板环境噪声学习数据包括环境噪声趋势数据的环境噪声稳态数据段序列、环境噪声趋势数据的模板噪声类型信息和环境噪声趋势数据的模板环境噪声特征场景。
STEP302，依据稳态变量挖掘分支对环境噪声稳态数据中的各个环境噪声稳态数据段进行稳态变量挖掘，确定各个环境噪声稳态数据段对应的环境噪声稳态变量，确定环境噪声稳态变量序列。
STEP303，将环境噪声稳态变量序列加载到门控循环单元网络GRU获得环境噪声稳态数据的噪声规律变量图。
STEP304，将噪声规律变量图加载到噪声类型映射分支生成环境噪声趋势数据的决策噪声类型信息。
STEP305，将环境噪声稳态变量序列加载到第三基础噪声类型分析模型获得第三决策环境噪声特征场景，将噪声规律变量图加载到第四基础噪声类型分析模型获得第四决策环境噪声特征场景。
STEP306，依据决策噪声类型信息与模板噪声类型信息之间的第一训练偏差度量值，以及决策环境噪声特征场景与模板环境噪声特征场景之间的第二训练偏差度量值，解析获得参考训练偏差度量值，其中第二训练偏差度量值包括第三决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值，和第四决策环境噪声特征场景与模板环境噪声特征场景之间的训练偏差度量值。
STEP307，依据参考训练偏差度量值对门控循环单元网络GRU和噪声类型映射分支中其中一个或者两个组合AI训练分支的分支功能函数层信息进行参数层迭代优化，直至参考训练偏差度量值不再继续下降，确定符合噪声分析应用部署要求的噪声类型分析模型，依据符合噪声分析应用部署要求的噪声类型分析模型对信任认证的环境噪声基础数据的环境噪声数据进行噪声分析。
例如，一些可能的示例中，所述获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合的步骤之后，所述方法还包括：
STEP500，获取各个噪声检测子站所对应的历史噪声影响知识图谱，并基于所述历史噪声影响知识图谱对对应的环境噪声数据进行校正处理；
例如，可以通过以下示例性的子步骤实现。
STEP501，获取所述各个噪声检测子站所对应的历史噪声影响知识图谱中的每个噪声影响实例数据以及与所述噪声影响实例数据进行协同影响的衍生影响实例数据，将所述噪声影响实例数据和所述衍生影响实例数据聚合输出为目标影响实例数据；
STEP502，获取所述目标影响实例数据在第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集，所述第一模拟影响测试空间被配置了两个以上噪声影响模型，各个所述噪声影响模型对应的选举影响实例数据集包含所述目标影响实例数据中的外部场景实例在对应的噪声影响模型中影响测试到的目标噪声影响对象的可信影响实例数据；
STEP503，确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格；
STEP504，基于所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏参数；
STEP505，基于所述影响测试纠偏参数确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，并基于各个目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，对对对应的环境噪声数据进行校正处理。
其中，获取所述目标影响实例数据在第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集的步骤，包括：获取所述目标影响实例数据中的外部场景实例在第一噪声影响模型激活后目标模拟条件下测试到的目标噪声影响对象的可信影响实例数据，并基于所述目标影响实例数据中的外部场景实例在第一噪声影响模型激活后目标模拟条件下测试到的目标噪声影响对象的可信影响实例数据，确定所述第一噪声影响模型对应的选举影响实例数据集，所述第一噪声影响模型为所述第一模拟影响测试空间内的任一噪声影响模型；在所述目标影响实例数据中的外部场景实例在第二噪声影响模型激活后目标模拟条件下未测试获得目标噪声影响对象时，基于所述目标影响实例数据中的外部场景实例被触发的目标噪声影响对象的可信影响实例数据，确定针对所述第二噪声影响模型对应的选举影响实例数据集，所述第二噪声影响模型为所述第一模拟影响测试空间内所述第一噪声影响模型以外的任一噪声影响模型。
其中，确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格的步骤，包括：从第一模拟影响测试空间内的各个噪声影响模型对应的选举影响实例数据集中，确定一个显著性特征的可信影响实例数据集，其中，所述显著性特征用于表示所述可信影响实例数据具有与满足预设的显著性评估指标的特征数据；分别确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集中所述显著性特征的可信影响实例数据集以外的各个选举影响实例数据集，与所述显著性特征的可信影响实例数据集之间的影响连通网格；或分别确定所述第一模拟影响测试空间内每相关联两个噪声影响模型对应的选举影响实例数据集之间的影响连通网格；
其中，所述影响连通网格包括多个影响实例成员和影响实例成员之间的连通关联关系信息，所述连通关联关系信息包括影响实例成员之间的影响连通关系。
其中，所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集包含可变化选举影响实例数据集和非变化选举影响实例数据集，所述影响测试纠偏参数包含基于所述第一模拟影响测试空间内指定的各个噪声影响模型的可变化选举影响实例数据集对应的影响连通网格确定的第一影响测试纠偏参数，以及基于所述第一模拟影响测试空间内指定的各个噪声影响模型的非变化选举影响实例数据集对应的影响连通网格确定的第二影响测试纠偏参数；
所述基于所述影响测试纠偏参数确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型的步骤，包括：基于所述第一影响测试纠偏参数和所述第二影响测试纠偏参数，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型。
其中，所述基于所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏参数的步骤，包括：从所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集中，确定目标噪声影响对象的扩展噪声影响特征的影响测试纠偏模型对应的影响持续度不小于第一目标持续度的至少一个目标可变化选举影响实例数据集，以及目标噪声影响对象的扩展噪声影响特征的影响测试纠偏模型对应的影响持续度不小于第二目标持续度的至少一个目标非变化选举影响实例数据集；基于所述至少一个目标可变化选举影响实例数据集对应的影响连通网格中每个成员的连通成员数量与对应于所述连通成员数量的连通影响参数值确定所述第一影响测试纠偏参数，并基于所述至少一个目标非变化选举影响实例数据集对应的影响连通网格确定所述第二影响测试纠偏参数；
其中，所述基于所述第一影响测试纠偏参数和所述第二影响测试纠偏参数，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型的步骤，包括：在所述第一影响测试纠偏参数的纠偏跨度不小于第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度不小于第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第一影响测试纠偏模型；在所述第一影响测试纠偏参数的纠偏跨度不小于所述第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度小于所述第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第二影响测试纠偏模型；在所述第一影响测试纠偏参数的纠偏跨度小于所述第一设定纠偏跨度，且所述第二影响测试纠偏参数的纠偏跨度小于所述第二设定纠偏跨度时，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型为第三影响测试纠偏模型。
在以上描述的基础上，在另一种实施例中，本发明实施例还提供一种声环境数据监测系统，参阅图2，图2为本发明实施例提供的声环境数据监测系统100的结构图，声环境数据监测系统100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上中央处理器（Central Processing Units，CPU）112（例如，一个或一个以上处理器）和存储器111。其中，存储器111可以是短暂存储或持久存储。存储在存储器111的程序可以包括一个或一个以上模块，各个模块可以包括对声环境数据监测系统100中的一系列指令操作。更进一步地，中央处理器112可以设置为与存储器111通信，在声环境数据监测系统100上执行存储器111中的一系列指令操作。
声环境数据监测系统100还可以包括一个或一个以上电源，一个或一个以上通信单元113，一个或一个以上传递到输出接口，和/或，一个或一个以上操作系统，例如WindowsServerTM，Mac OS XTM，UnixTM, LinuxTM，FreeBSDTM等等。
上述实施例中由声环境数据监测系统所执行的步骤可以结合图2所示的声环境数据监测系统结构。
另外，本发明实施例还提供了一种存储介质，所述存储介质用于存储计算机程序，所述计算机程序用于执行上述实施例提供的方法。
本发明实施例还提供了一种包括指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例提供的方法。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质可以是下述介质中的至少一种：只读存储器（英文：Read-only Memory，缩写：ROM）、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
需要说明的是，本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，各个实施例重点说明的都是与其它实施例的不同之处。尤其，对于设备及系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的设备及系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动时，即可以理解并实施。
以上所述，仅为本发明的一种具体执行步骤，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (10)
1.一种声环境数据监测方法，应用于声环境数据监测系统，其特征在于，包括：
获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合，并对所述环境噪声数据集合进行统计分析，确定所述环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据；
依据确定的每个噪声类型下的各个噪声源的噪声数据，确定所述监测区域对应的噪声分布地图；
根据所述监测区域对应的噪声分布地图，针对所述监测区域生成对应的监测状态数据并展示到对应的状态界面中。
2.根据权利要求1所述的声环境数据监测方法，其特征在于，所述对所述环境噪声数据集合进行统计分析，确定所述环境噪声数据集合所对应的每个噪声类型下的各个噪声源的噪声数据，具体包括：
依据预先训练的噪声类型分析模型对所述环境噪声数据集合进行噪声类型分析，确定所述环境噪声数据集合对应的各个噪声类型以及每个噪声类型下的噪声类型数据；
获取所述噪声类型数据所携带的传声器声源定位数据和视频流采集数据，其中，所述传声器声源定位数据为当每个噪声源产生时通过传声器阵列的噪声位置数据；
依据所述传声器声源定位数据从所述视频流采集数据查找每个噪声源触发时刻的声学定位图像数据；
将每个噪声源的所述噪声位置数据和所述声学定位图像数据作为该噪声源的噪声源数据，以获得每个噪声类型下的各个噪声源的噪声数据。
3.根据权利要求2所述的声环境数据监测方法，其特征在于，所述依据预先训练的噪声类型分析模型对所述环境噪声数据集合进行噪声类型分析，确定所述环境噪声数据集合对应的各个噪声类型以及每个噪声类型下的噪声类型数据，具体包括：
将所述环境噪声数据集合的每个环境噪声数据加载到符合噪声分析应用部署要求的噪声类型分析模型中的噪声规律训练分支，确定所述环境噪声数据对应环境噪声特征场景对应的目标噪声规律变量图；
将所述目标噪声规律变量图加载到基础噪声类型分析模型的噪声类型映射分支，确定所述环境噪声数据的噪声类型信息；
所述噪声类型映射分支和所述噪声规律训练分支之中的其中一个或者两个组合AI训练分支，是依据基础噪声类型分析模型对模板环境噪声数据的决策环境噪声特征场景和模板环境噪声特征场景之间的训练偏差度量值、以及依据所述基础噪声类型分析模型对所述模板环境噪声数据的决策噪声类型信息和模板噪声类型信息之间的训练偏差度量值进行权重参数层优化生成的。
4.根据权利要求3所述的声环境数据监测方法，其特征在于，所述噪声类型映射分支和所述噪声规律训练分支之中的其中一个或者两个组合AI训练分支，是依据基础噪声类型分析模型对模板环境噪声数据的决策环境噪声特征场景和模板环境噪声特征场景之间的训练偏差度量值、以及依据所述基础噪声类型分析模型对所述模板环境噪声数据的决策噪声类型信息和模板噪声类型信息之间的训练偏差度量值进行权重参数层优化生成，具体包括：
从模板环境噪声学习数据库中获取信任认证的环境噪声基础数据的模板环境噪声学习数据，所述模板环境噪声学习数据包括模板环境噪声数据、模板环境噪声学习数据的模板噪声类型信息和模板环境噪声特征场景；
将所述模板环境噪声数据加载到所述噪声规律训练分支得到所述模板环境噪声数据的噪声规律变量图，并将所述噪声规律变量图加载到所述噪声类型映射分支生成所述模板环境噪声数据的决策噪声类型信息；
将所述噪声规律变量图加载到基础噪声类型分析模型，输出所述模板环境噪声数据的决策环境噪声特征场景；
依据所述决策噪声类型信息与所述模板噪声类型信息之间的第一训练偏差度量值，以及所述决策环境噪声特征场景与所述模板环境噪声特征场景之间的第二训练偏差度量值，解析获得参考训练偏差度量值；
依据所述参考训练偏差度量值对所述噪声规律训练分支和所述噪声类型映射分支中其中一个或者两个组合AI训练分支的分支功能函数层信息进行参数层迭代优化，直到所述参考训练偏差度量值不再继续下降，确定符合噪声分析应用部署要求的噪声类型分析模型。
5.根据权利要求4所述的声环境数据监测方法，其特征在于，所述模板环境噪声数据为所述信任认证的环境噪声基础数据的环境噪声趋势数据，所述噪声规律训练分支包括第一规律训练分支和第二规律训练分支，其中：
所述将所述模板环境噪声数据加载到所述噪声规律训练分支得到所述模板环境噪声数据的噪声规律变量图，具体包括：
依据所述第一规律训练分支对所述环境噪声趋势数据进行环境噪声趋势变量挖掘，确定对应的环境噪声趋势变量序列，并对所述环境噪声趋势变量序列进行噪声趋势频繁成员变量挖掘，确定各个环境噪声趋势变量对应的噪声趋势频繁成员变量信息，确定噪声趋势频繁成员特征；
依据所述第二规律训练分支对所述噪声趋势频繁成员特征进行噪声规律变量图生成，确定所述噪声规律变量图。
6.根据权利要求5所述的声环境数据监测方法，其特征在于，所述基础噪声类型分析模型包括对应于不同噪声类型分析方案的第一基础噪声类型分析模型和第二基础噪声类型分析模型，所述决策环境噪声特征场景具体确定方式包括：
将所述噪声趋势频繁成员特征加载到所述第一基础噪声类型分析模型获得第一决策环境噪声特征场景，并将所述噪声规律变量图加载到所述第二基础噪声类型分析模型获得第二决策环境噪声特征场景；
所述决策环境噪声特征场景与所述模板环境噪声特征场景之间的第二训练偏差度量值，具体包括：
所述第一决策环境噪声特征场景与所述模板环境噪声特征场景之间的训练偏差度量值，和所述第二决策环境噪声特征场景与所述模板环境噪声特征场景之间的训练偏差度量值。
7.根据权利要求4所述的声环境数据监测方法，其特征在于，所述模板环境噪声数据为所述信任认证的环境噪声基础数据的环境噪声稳态数据时，所述噪声规律训练分支包括稳态变量挖掘分支和第三规律训练分支，所述将所述模板环境噪声数据加载到所述噪声规律训练分支得到所述模板环境噪声数据的噪声规律变量图，具体包括：
依据稳态变量挖掘分支对所述环境噪声稳态数据中的各个环境噪声稳态数据段进行稳态变量挖掘，确定各个环境噪声稳态数据段对应的环境噪声稳态变量，确定环境噪声稳态变量序列；
依据所述第三规律训练分支对所述环境噪声稳态变量序列进行噪声规律变量挖掘，确定所述噪声规律变量图；
其中，所述基础噪声类型分析模型包括对应于不同噪声类型分析方案的第三基础噪声类型分析模型和第四基础噪声类型分析模型，所述决策环境噪声特征场景具体确定方式包括：
将所述环境噪声稳态变量序列加载到所述第三基础噪声类型分析模型获得第三决策环境噪声特征场景，并将所述噪声规律变量图加载到所述第四基础噪声类型分析模型获得第四决策环境噪声特征场景；
所述决策环境噪声特征场景与所述模板环境噪声特征场景之间的第二训练偏差度量值，具体包括：
所述第三决策环境噪声特征场景与所述模板环境噪声特征场景之间的训练偏差度量值，和所述第四决策环境噪声特征场景与所述模板环境噪声特征场景之间的训练偏差度量值。
8.根据权利要求4所述的声环境数据监测方法，其特征在于，依据所述参考训练偏差度量值对所述噪声规律训练分支和所述噪声类型映射分支中其中一个或者两个组合AI训练分支的分支功能函数层信息进行参数层迭代优化，包括：
依据所述参考训练偏差度量值，解析获得所述噪声规律训练分支中分支函数层信息的第一训练优化标签，并依据所述第一训练优化标签的优化路径方向对所述噪声规律训练分支的分支函数层信息进行参数层迭代优化；
或者依据所述参考训练偏差度量值，解析获得所述噪声类型映射分支的第二训练优化标签，并依据所述第二训练优化标签的优化路径方向对所述噪声类型映射分支的分支函数层信息进行参数层迭代优化；
或者依据所述参考训练偏差度量值，解析获得所述噪声规律训练分支中分支函数层信息的第一训练优化标签和所述基础噪声类型分析模型的第二训练优化标签，依据所述第一训练优化标签的优化路径方向对所述噪声规律训练分支的分支函数层信息进行参数层迭代优化，并依据所述第二训练优化标签的优化路径方向所述噪声类型映射分支的分支函数层信息进行参数层迭代优化。
9.根据权利要求1-8中任意一项所述的声环境数据监测方法，其特征在于，所述依据确定的每个噪声类型下的各个噪声源的噪声数据，确定所述监测区域对应的噪声分布地图的步骤，包括：
依据每个噪声源所对应的噪声源数据，在所述监测区域对应的初始化噪声分布地图中配置每个噪声源单元；
依据每个噪声源所对应的噪声类型和噪声参数数据，在每个噪声源单元中进行对应地图状态标注，以确定所述监测区域对应的噪声分布地图；
所述获取各个噪声检测子站上传的监测区域内的环境噪声数据构成的环境噪声数据集合的步骤之后，所述方法还包括：
获取各个噪声检测子站所对应的历史噪声影响知识图谱，并基于所述历史噪声影响知识图谱对对应的环境噪声数据进行校正处理；
其中，所述获取各个噪声检测子站所对应的历史噪声影响知识图谱，并基于所述历史噪声影响知识图谱对对应的环境噪声数据进行校正处理的步骤，包括：
获取所述各个噪声检测子站所对应的历史噪声影响知识图谱中的每个噪声影响实例数据以及与所述噪声影响实例数据进行协同影响的衍生影响实例数据，将所述噪声影响实例数据和所述衍生影响实例数据聚合输出为目标影响实例数据；
获取所述目标影响实例数据在第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集，所述第一模拟影响测试空间被配置了两个以上噪声影响模型，各个所述噪声影响模型对应的选举影响实例数据集包含所述目标影响实例数据中的外部场景实例在对应的噪声影响模型中影响测试到的目标噪声影响对象的可信影响实例数据；
确定所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格；
基于所述第一模拟影响测试空间内各个噪声影响模型对应的选举影响实例数据集之间的影响连通网格，确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏参数；
基于所述影响测试纠偏参数确定所述目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，并基于各个目标影响实例数据在所述第一模拟影响测试空间内的影响测试纠偏模型，对对对应的环境噪声数据进行校正处理。
10.一种声环境数据监测系统，其特征在于，包括：
处理器；
存储器，所述存储器中存储有计算机程序，所述计算机程序被执行时实现权利要求1-9中任意一项所述的声环境数据监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210400977.7A CN114509162B (zh) | 2022-04-18 | 2022-04-18 | 一种声环境数据监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210400977.7A CN114509162B (zh) | 2022-04-18 | 2022-04-18 | 一种声环境数据监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114509162A true CN114509162A (zh) | 2022-05-17 |
| CN114509162B CN114509162B (zh) | 2022-06-21 |
Family
ID=81554615
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210400977.7A Active CN114509162B (zh) | 2022-04-18 | 2022-04-18 | 一种声环境数据监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114509162B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863943A (zh) * | 2022-07-04 | 2022-08-05 | 杭州兆华电子股份有限公司 | 一种基于波束成形的环境噪声源自适应定位方法及装置 |
| CN116611620A (zh) * | 2023-07-18 | 2023-08-18 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息系统 |
| 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 (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015464A1 (en) * | 2002-03-25 | 2004-01-22 | Lockheed Martin Corporation | Method and computer program product for producing a pattern recognition training set |
| CA2499033A1 (en) * | 2004-03-02 | 2005-09-02 | Microsoft Corporation | A system and method for beamforming using a microphone array |
| CN102194027A (zh) * | 2011-04-29 | 2011-09-21 | 重庆电力科学试验研究院 | 变电站噪声控制优化分析方法及系统 |
| CN104598757A (zh) * | 2015-02-12 | 2015-05-06 | 西南交通大学 | 轨道区域交通噪声预测方法 |
| WO2016119107A1 (zh) * | 2015-01-26 | 2016-08-04 | 深圳市冠旭电子有限公司 | 一种噪音地图绘制方法及装置 |
| WO2016148825A1 (en) * | 2015-03-19 | 2016-09-22 | Intel Corporation | Acoustic camera based audio visual scene analysis |
| CN108871551A (zh) * | 2018-06-05 | 2018-11-23 | 哈尔滨工业大学深圳研究生院 | 一种应用于城市规划及建设项目环评的噪声地图绘制方法 |
| CN109840947A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 增强现实场景的实现方法、装置、设备及存储介质 |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
| CN110220592A (zh) * | 2019-07-01 | 2019-09-10 | 浙江索奥环境技术有限公司 | 一种构建噪声地图的远程监测系统 |
| US10430708B1 (en) * | 2018-08-17 | 2019-10-01 | Aivitae LLC | System and method for noise-based training of a prediction model |
| CN110516023A (zh) * | 2019-08-26 | 2019-11-29 | 广东石油化工学院 | 一种基于移动感知的噪声地图绘制方法 |
| CN110907895A (zh) * | 2019-12-05 | 2020-03-24 | 重庆商勤科技有限公司 | 噪声监测识别定位方法、系统及计算机可读存储介质 |
| CA3131277A1 (en) * | 2019-02-24 | 2020-08-27 | Promptlink Communications, Inc. | Noise detection and localization |
| US20200294230A1 (en) * | 2019-03-14 | 2020-09-17 | Canon Medical Systems Corporation | Medical image processing apparatus, training data producing apparatus, and ultrasound diagnosis apparatus |
| CN111968665A (zh) * | 2020-08-26 | 2020-11-20 | 四川三元环境治理股份有限公司 | 一种局部区域有源降噪控制系统及方法 |
| US20200380943A1 (en) * | 2019-05-30 | 2020-12-03 | Agency For Defense Development | Apparatuses and methods for creating noise environment noisy data and eliminating noise |
| CN212694270U (zh) * | 2020-09-02 | 2021-03-12 | 深圳衡伟环境技术有限公司 | 远程视频监控喊停噪声管控系统 |
| US20210150283A1 (en) * | 2019-11-15 | 2021-05-20 | Salesforce.Com, Inc. | Noise-Resistant Object Detection with Noisy Annotations |
| US20210158143A1 (en) * | 2019-11-25 | 2021-05-27 | International Business Machines Corporation | Modeling environment noise for training neural networks |
| CN113239913A (zh) * | 2021-07-13 | 2021-08-10 | 深圳市图元科技有限公司 | 基于声音和图像的噪声源定位方法、装置及系统 |
| JP2021165685A (ja) * | 2020-04-07 | 2021-10-14 | 株式会社Subaru | 車両内音源探査装置及び車両内音源探査方法 |
| CN114048609A (zh) * | 2021-11-15 | 2022-02-15 | 国网重庆市电力公司电力科学研究院 | 变电站噪声实时监控及多维分析系统 |
| WO2022073414A1 (zh) * | 2020-10-09 | 2022-04-14 | 腾讯科技（深圳）有限公司 | 图像识别的方法、装置、计算设备和计算机可读存储介质 |
-
2022
- 2022-04-18 CN CN202210400977.7A patent/CN114509162B/zh active Active
Patent Citations (24)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040015464A1 (en) * | 2002-03-25 | 2004-01-22 | Lockheed Martin Corporation | Method and computer program product for producing a pattern recognition training set |
| CA2499033A1 (en) * | 2004-03-02 | 2005-09-02 | Microsoft Corporation | A system and method for beamforming using a microphone array |
| CN102194027A (zh) * | 2011-04-29 | 2011-09-21 | 重庆电力科学试验研究院 | 变电站噪声控制优化分析方法及系统 |
| WO2016119107A1 (zh) * | 2015-01-26 | 2016-08-04 | 深圳市冠旭电子有限公司 | 一种噪音地图绘制方法及装置 |
| CN104598757A (zh) * | 2015-02-12 | 2015-05-06 | 西南交通大学 | 轨道区域交通噪声预测方法 |
| WO2016148825A1 (en) * | 2015-03-19 | 2016-09-22 | Intel Corporation | Acoustic camera based audio visual scene analysis |
| CN109840947A (zh) * | 2017-11-28 | 2019-06-04 | 广州腾讯科技有限公司 | 增强现实场景的实现方法、装置、设备及存储介质 |
| CN108871551A (zh) * | 2018-06-05 | 2018-11-23 | 哈尔滨工业大学深圳研究生院 | 一种应用于城市规划及建设项目环评的噪声地图绘制方法 |
| US10430708B1 (en) * | 2018-08-17 | 2019-10-01 | Aivitae LLC | System and method for noise-based training of a prediction model |
| CA3131277A1 (en) * | 2019-02-24 | 2020-08-27 | Promptlink Communications, Inc. | Noise detection and localization |
| US20200294230A1 (en) * | 2019-03-14 | 2020-09-17 | Canon Medical Systems Corporation | Medical image processing apparatus, training data producing apparatus, and ultrasound diagnosis apparatus |
| CN110163827A (zh) * | 2019-05-28 | 2019-08-23 | 腾讯科技（深圳）有限公司 | 图像去噪模型的训练方法、图像去噪方法、装置及介质 |
| US20200380943A1 (en) * | 2019-05-30 | 2020-12-03 | Agency For Defense Development | Apparatuses and methods for creating noise environment noisy data and eliminating noise |
| CN110220592A (zh) * | 2019-07-01 | 2019-09-10 | 浙江索奥环境技术有限公司 | 一种构建噪声地图的远程监测系统 |
| CN110516023A (zh) * | 2019-08-26 | 2019-11-29 | 广东石油化工学院 | 一种基于移动感知的噪声地图绘制方法 |
| US20210150283A1 (en) * | 2019-11-15 | 2021-05-20 | Salesforce.Com, Inc. | Noise-Resistant Object Detection with Noisy Annotations |
| US20210158143A1 (en) * | 2019-11-25 | 2021-05-27 | International Business Machines Corporation | Modeling environment noise for training neural networks |
| CN110907895A (zh) * | 2019-12-05 | 2020-03-24 | 重庆商勤科技有限公司 | 噪声监测识别定位方法、系统及计算机可读存储介质 |
| JP2021165685A (ja) * | 2020-04-07 | 2021-10-14 | 株式会社Subaru | 車両内音源探査装置及び車両内音源探査方法 |
| CN111968665A (zh) * | 2020-08-26 | 2020-11-20 | 四川三元环境治理股份有限公司 | 一种局部区域有源降噪控制系统及方法 |
| CN212694270U (zh) * | 2020-09-02 | 2021-03-12 | 深圳衡伟环境技术有限公司 | 远程视频监控喊停噪声管控系统 |
| WO2022073414A1 (zh) * | 2020-10-09 | 2022-04-14 | 腾讯科技（深圳）有限公司 | 图像识别的方法、装置、计算设备和计算机可读存储介质 |
| CN113239913A (zh) * | 2021-07-13 | 2021-08-10 | 深圳市图元科技有限公司 | 基于声音和图像的噪声源定位方法、装置及系统 |
| CN114048609A (zh) * | 2021-11-15 | 2022-02-15 | 国网重庆市电力公司电力科学研究院 | 变电站噪声实时监控及多维分析系统 |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114863943A (zh) * | 2022-07-04 | 2022-08-05 | 杭州兆华电子股份有限公司 | 一种基于波束成形的环境噪声源自适应定位方法及装置 |
| CN116611620A (zh) * | 2023-07-18 | 2023-08-18 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息系统 |
| CN116611620B (zh) * | 2023-07-18 | 2023-09-19 | 厚德智能技术(山东)有限公司 | 一种智慧城市安全协同管理信息系统 |
| 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 |
|---|---|
| CN114509162B (zh) | 2022-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114509162B (zh) | 一种声环境数据监测方法及系统 | |
| Verburg et al. | Modeling the spatial dynamics of regional land use: the CLUE-S model | |
| Pontius Jr et al. | GEOMOD modeling | |
| CN113642849B (zh) | 考虑空间分布特征的地质灾害危险性综合评价方法及装置 | |
| Eisenman et al. | Number and location of sensors for real-time network traffic estimation and prediction: Sensitivity analysis | |
| CN111487676B (zh) | 应用机器学习中支持向量机、主成分分析和粒子群算法合成地震动场的方法 | |
| CN110503267B (zh) | 基于时空尺度自适应模型的城市侵财案件预测系统及预测方法 | |
| Crowley | Earthquake risk assessment: present shortcomings and future directions | |
| CN105335379B (zh) | 突变测试中对突变、测试用例、随机种子的组合排序的方法和设备 | |
| CN110941933B (zh) | 基于相似理论的复杂电磁环境逼真度评估模型系统及方法 | |
| Lesieur et al. | Meta-modeling for urban noise mapping | |
| Clark | A formal approach to catastrophe risk assessment and management | |
| CN111783295A (zh) | 城市社区特定人行为链动态识别与预测评估方法及系统 | |
| Cencerrado et al. | Genetic algorithm characterization for the quality assessment of forest fire spread prediction | |
| CN115099328A (zh) | 基于对抗网络的交通流量预测方法、系统、设备及存储介质 | |
| CN110134754A (zh) | 区域兴趣点的作业时长预测方法、装置、服务器和介质 | |
| Stindl et al. | Spatiotemporal ETAS model with a renewal main-shock arrival process | |
| Rodríguez et al. | Injecting dynamic real-time data into a DDDAS for forest fire behavior prediction | |
| CN116881670A (zh) | 一种基于gis地图的通信光缆附挂核查方法 | |
| CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
| Jayaram | Probabilistic seismic lifeline risk assessment using efficient sampling and data reduction techniques | |
| CN112561171B (zh) | 一种滑坡的预测方法、装置、设备及存储介质 | |
| Dannana et al. | A novel system model for managing cyber threat intelligence | |
| Heyns | Reduced target-resolution strategy for rapid multi-observer site location optimisation | |
| Tundo et al. | An Energy-Aware Approach to Design Self-Adaptive AI-based Applications on the Edge |
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 | ||
| CB03 | Change of inventor or designer information |
Inventor after: Teng Dehai Inventor after: Chen Qian Inventor after: Yang Jiali Inventor after: Li Xiaorong Inventor before: Chen Qian Inventor before: Yang Jiali Inventor before: Li Xiaorong |
|
| CB03 | Change of inventor or designer information | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Monitoring Acoustic Environment Data Effective date of registration: 20221228 Granted publication date: 20220621 Pledgee: Chengdu Rural Commercial Bank Co.,Ltd. Guixi Sub branch Pledgor: SICHUAN SANYUAN ENVIRONMENTAL GOVERNANCE Co.,Ltd. Registration number: Y2022510000336 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220621 Pledgee: Chengdu Rural Commercial Bank Co.,Ltd. Guixi Sub branch Pledgor: SICHUAN SANYUAN ENVIRONMENTAL GOVERNANCE Co.,Ltd. Registration number: Y2022510000336 |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Method and System for Monitoring Acoustic Environment Data Granted publication date: 20220621 Pledgee: Chengdu Rural Commercial Bank Co.,Ltd. Commercial City Branch Pledgor: SICHUAN SANYUAN ENVIRONMENTAL GOVERNANCE Co.,Ltd. Registration number: Y2024980008189 |