CN115359497B - 一种呼叫中心监控报警方法及系统 - Google Patents

一种呼叫中心监控报警方法及系统 Download PDF

Info

Publication number
CN115359497B
CN115359497B CN202211260604.0A CN202211260604A CN115359497B CN 115359497 B CN115359497 B CN 115359497B CN 202211260604 A CN202211260604 A CN 202211260604A CN 115359497 B CN115359497 B CN 115359497B
Authority
CN
China
Prior art keywords
data
image
data segment
telephone signal
frequency band
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
Application number
CN202211260604.0A
Other languages
English (en)
Other versions
CN115359497A (zh
Inventor
赵瑞婷
王宝凤
黄雪琪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong Kunpeng Technology Co ltd
Original Assignee
Jingchen Technology Nantong Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Jingchen Technology Nantong Co ltd filed Critical Jingchen Technology Nantong Co ltd
Priority to CN202211260604.0A priority Critical patent/CN115359497B/zh
Publication of CN115359497A publication Critical patent/CN115359497A/zh
Application granted granted Critical
Publication of CN115359497B publication Critical patent/CN115359497B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/24—Character recognition characterised by the processing or recognition method
    • G06V30/242—Division of the character sequences into groups prior to recognition; Selection of dictionaries
    • G06V30/244—Division of the character sequences into groups prior to recognition; Selection of dictionaries using graphical properties, e.g. alphabet type or font
    • G06V30/245—Font recognition
    • 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
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/19007—Matching; Proximity measures
    • G06V30/19093—Proximity measures, i.e. similarity or distance measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/19—Recognition using electronic means
    • G06V30/191—Design or setup of recognition systems or techniques; Extraction of features in feature space; Clustering techniques; Blind source separation
    • G06V30/19147—Obtaining sets of training patterns; Bootstrap methods, e.g. bagging or boosting
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04M—TELEPHONIC COMMUNICATION
    • H04M3/00—Automatic or semi-automatic exchanges
    • H04M3/22—Arrangements for supervision, monitoring or testing
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D30/00—Reducing energy consumption in communication networks
    • Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及数据压缩领域，具体涉及一种呼叫中心监控报警方法及系统。该方法包括：获取电话信号序列，将电话信号序列分割成多个数据段，得到数据段集合，根据数据段集合得到每个频段信息的重要性；根据电话信号序列得到数据集，构建自编码网络，利用数据段对自编码网络进行训练得到初训练网络，获取初训练网络的神经元参数，根据初训练网络和神经元参数得到各神经元参数对各频段信息的响应度，进而得到各神经元参数的重要度，根据各神经元参数的重要度调整各神经元参数的学习率，从而保障重要度高的神经元参数的学习效果，降低对重要信息的压缩损失，进而为呼叫中心监控报警系统提供准确的基础数据，提高报警的准确率。

Description

一种呼叫中心监控报警方法及系统
技术领域
本发明涉及数据压缩领域，具体涉及一种呼叫中心监控报警方法及系统。
背景技术
随着社会的发展，各行各业为了快速响应客户的需求，均安装呼叫中心平台便于和客户交流，为了保障对客户的服务质量,通过对呼叫中心数据进行分析来实现对呼叫中心数据的异常检测，当出现异常时及时预警。进行异常检测需将各呼叫线上的数据传输至异常检测平台上，而由于呼叫中心的数据量较大，呼叫中心数据传输的效率较低，为了提高传输效率需对呼叫中心的数据压缩处理。
数据压缩必然会存在信息损失，呼叫中心一般为接收到的声音信号较多，声音信号丢失不同的信息对所述声音信息辨识影响不同，声音信号丢失的有些信息对声音信息辨识影响较大，声音信号丢失的有些信息对声音信息辨识影响较小。声音信号是由一系列不同频段的信号组合而成，每个频段的信息对于声音信息辨识的重要性不同，因而可以分析不同频段信息对于声音辨识重要性情况。自编码网络每个神经元参数对于不同频段的描述不同，因而有些神经元参数对于声音信息辨识重要信息的描述较好，有些神经元参数对于声音信息辨识信息的描述较差，因而需保障对于声音信息辨识重要信息的神经元参数的学习效果，从而通过对自编码训练控制来降低网络对重要信息的损失量。
发明内容
为了解决上述技术问题，本发明的目的在于提供一种呼叫中心监控报警方法及系统，所采用的技术方案具体如下：
一种呼叫中心监控报警方法及系统，所述方法包括：
获取电话信号序列数据；
将电话信号序列数据分割成多个数据段得到数据段集合；根据数据段集合得到每个频段数据的重要性；
将电话信号序列转化为电话信号图像，进而得到数据集；构建自编码网络，利用数据集中的每个电话信号图像对自编码网络进行训练得到初训练网络；
根据数据集和初训练网络得到每个神经元参数对每个频段数据的响应度，将每个频段数据的重要性与每个神经元参数对每个频段数据的响应度相乘得到每个频段的乘积值，将所有频段的乘积值累加得到每个神经元参数的重要性；
获取每个神经元参数的第一学习率，根据每个神经元参数的重要性和每个神经元参数的第一学习率得到每个神经元参数的第二学习率；
将每个神经元参数的第二学习率替代第一学习率，利用数据集中每个电话信号图像对初训练网络进行训练得到训练完成的网络；
重新获取电话信号图像，将电话信号图像输入到训练完成的网络中得到压缩图像，将压缩图像传输至呼叫中心报警系统中的预设报警网络进行处理得到报警指令，根据报警指令进行报警控制。
优选的，所述将电话信号序列数据分割成多个数据段得到数据段集合的方法，包括：
获取每个字的标准信号序列，利用多个预设滑窗分别遍历每个电话信号序列的每个数据，获取每个电话序列的每个数据为中心的每个预设滑窗内的数据串，以每个数据为中心的多个预设滑窗得到每个数据的多个数据串，将每个数据的每个数据串与每个字的标准信号序列计算相似度值，在每个数据的多个数据串分别与每个字的标准信号序列得到相似度值中选取最大相似度值记为第一相似度值，在所有字的标准信号序列分别与每个数据得到第一相似度值中选取最大第一相似度值记为第二相似度值，获取每个数据第二相似度值对应的字记为每个数据的第一字，获取与每个数据的第一字得到第一相似度值对应窗口记为第一窗口，获取覆盖每个数据的第一窗口集合，将每个数据的第一窗口集合中对应同一字的所有第一窗口的第二相似度值累加得到每个数据的每个字的相似度累加值，将每个数据的每个字的相似度累加值最大值对应的字作为每个数据的第二字，每个电话信号序列的所有数据的第二字构成第二字序列，对第二字序列进行连通分析得到多个字连通域，将同一字连通域对应的电话信号序列数据划分为一个数据段，进而将每个数电话信号序列分割成多个数据段得到数据段集合。
优选的，所述根据数据段集合得到每个频段数据的重要性的方法，包括：
获取每个数据段的第二字，获取每个数据段的第二字的标准信号序列，根据每个数据段和所有字的标准信号序列集合得到每个数据段的描述值，所述每个数据段的描述值实现方法如下：计算每个数据段与第二字的标准信号序列的相似度值记为第一基准相似度值，计算每个数据段与其他字的标准信号序列的相似度值，将每个数据段与其他字的标准信号序列的相似度求均值记为第二基准相似度值，将第一基准相似度值除以第二基准相似度值得到每个数据段的描述值；
获取每个数据段的第一频谱序列集合，将频谱序列集合中每个频谱序列称为频段数据，在每个数据段的频谱序列集合中其中一个频段数据去除得到每个数据段的第二频谱序列集合，将每个数据段的第二频谱集合进行傅里叶变换得到为每个数据段的第二数据段，根据每个数据段的第二数据段和所有字的标准信号序列集合得到每个数据段的第二数据段的描述值；
将每个数据段的描述值减去每个数据段的第二数据段的描述值得到每个数据段的描述值差值，将每个电话信号序列的所有数据段得到的描述值差值求均值得到每个频段数据的重要性。
优选的，所述将电话信号序列转化为电话信号图像的方法，包括：
以时间为横轴，以数据值为纵轴建立笛卡尔坐标系，绘制电话信号序列图像，将所述图像称为电话信号图像。
优选的，所述根据数据集和初训练网络得到每个神经元参数对每个频段数据的响应度的方法，包括：
将电话信号图像输入到初训练网络中得到各卷积层的特征图像和第一重构图像；
将电话信号图像再次输入到初训练网络中得到各卷积层的特征图像，在各卷积层的特征图像中任选一个通道图像与第一预设遮罩图相乘得到遮罩通道图像，将遮罩通道图像替换原有的通道图像进行网络运算得到网络的第二重构图像；
获取第一重构图像的第一频谱图，获取第二重构图像的第二频谱图，将第一频谱图与第二频谱图相减得到频谱差异图，对频谱差异图进行统计得到每个通道图像的频率次数序列；
同理，将所有电话信号图像依次输入到网络中得到每个通道图像的多个频率次数序列，将每个通道图像的多个频率次数序列累加得到每个通道图像的频率累加次数序列；
计算每个通道图像的频率累加次数序列的模长，将频率累加次数序列中每个频率维度的值除以模长得到每个通道图像信息对每个频段的响应度；
获取得到每个通道图像的所有神经元参数，每个通道图像信息对每个频段的响应度即为每个通道图像对应神经元参数对每个频段的响应度。
优选的，所述根据每个神经元参数的重要性和每个神经元参数的第一学习率得到每个神经元参数的第二学习率的公式，包括：
Figure 100002_DEST_PATH_IMAGE001
其中
Figure 595895DEST_PATH_IMAGE002
表示第n个神经元参数的重要性，/>
Figure 50231DEST_PATH_IMAGE003
表示自编码网络中神经元参数的数量，
Figure 21773DEST_PATH_IMAGE004
表示第n个神经元参数的第一学习率，/>
Figure 389039DEST_PATH_IMAGE005
表示第n个神经元参数的第二学习率。
一种呼叫中心监控报警系统，所述系统包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现一种呼叫中心监控报警方法。
本发明具有如下有益效果：本发明实时例通过分析电话信号中每个频段信息对电话信息准确识别的影响情况来确定每个频段信息的重要度，然后再分析用于电话信号压缩的自编码网络每个神经元参数与每个频段信息的关系得到每个神经元参数与每个频段信息的响应度，结合每个神经元参数与每个频段信息的响应度以及每个频段信息的重要度得到每个神经元参数的重要性，根据每个神经元参数的重要性对每个神经元参数的学习率进行调整，使重要性高的神经元学习效果更好，提高自编码网络对电话信号重要信息的学习，从而为呼叫中心监控系统提供更准确的基础数据，提高报警系统的报警准确率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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它附图。
图1为本发明一个实施例所提供的一种呼叫中心监控报警方法及系统流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种呼叫中心监控报警方法及系统，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种呼叫中心监控报警方法及系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种呼叫中心监控报警方法及系统流程图，该方法包括：
步骤S001: 获取呼叫中心接入的电话信号序列。
获取每个接线员接入的每个电话信号序列，该电话信号序列为接线员与客户之间交流的通话声音信号序列。
将每个通话声音序列称为一个样本数据，所有样本构成数据集。
步骤S002：计算每个频段的重要性。
1、进行声音信息分段：
为了便于后续分析，需将声音信号分割成单字信号段，即每个单字信号段对应一个字的声音信息。
在声音库里获取每个字的标准信号序列，获取每个字的标准发音的长度，将第
Figure 22453DEST_PATH_IMAGE006
个字的标准信号序列长度记为/>
Figure DEST_PATH_IMAGE007
，利用/>
Figure 459218DEST_PATH_IMAGE008
不同尺度的滑窗分别遍历每个样本的每个数据，获取每个数据处窗口内的数据段，利用DTW算法计算每个数据处窗口内数据段与第/>
Figure 608351DEST_PATH_IMAGE006
个字的标准信号序列的相似度，获取每数据的所有尺度滑窗对应数据段计算的相似度值中相似度最大值记为第一相似度值，同理计算得到每个字在每个数据处第一相似度值。获取每个数据处所有字中第一相似度值最大值记为第二相似度，每个数据处第二相似度对应的字体，将对应字体在所述数据处的第一相似度值对应的窗口记为第一窗口，同理得到每个数据处的第一窗口。第一窗口会在存在交叠，导致每个数据处会被多个第一窗口覆盖，获取每个数据处覆盖所述数据的所有第一窗口记为第一窗口集合，将第一窗口集合中对应同一字体的所有第一窗口的第二相似度值累加得到相似度累加值，将每个数据处相似度累加值最大值对应的字体作为该数据处的字体，因而每个样本的所有数据对应一个字体序列，对字体序列进行连通分析得到多个字体连通域，获取与每个字体连通域同纬度的样本中数据段，每个样本就会分割成多个数据段。 通过该方式可以将电话信号序列中描述同一字体意思的信号分割成独立的数据段，为后续分析提供基础。
2、分析每个频段的重要度：
要分析每个频段的重要性，通过分析每个频段数据缺失前后对字体准确性识别影响情况，当一个频段缺失前后对字体准确性识别影响较大，说明所述频段的信息较为重要，当一个频段缺失前后对字体准确性识别影响较小，说明所述频段的信息相对不重要。
基于每个数据段进行研究，利用DTW算法计算每个数据段与对应字体的标准信号序列的相似度值记为第一基准相似度值，利用DTW算法计算每个数据段与其他字体的标准信号序列的相似度值，将每个数据段与其他字体的标准信号序列的相似度值求均值得到第二基准相似度值，将第一基准相似度值除以第二基准相似度值得到每个数据段的字体描述值。通过每个数据段的字体描述值反应该数据段本来字体的描述情况，描述情况越准确该数据段与对应字体标准信号序列的相似度越大，与其他字体标准信息序列的相似度越小。
将每个数据段进行傅里叶变换得到多条频谱数据序列构成的频谱数据序列集合，将频谱数据序列集合中任意一条频谱数据序列去除，将剩余频谱数据序列构成的集合进行傅里叶变换得到第一数据段，利用DTW算法计算第一数据段与对应字体的标准信息的相似度值记为第一频段损失相似度值，利用DTW算法计算第一数据段与其他字体的标注信息序列的相似度值，将第一数据段与其他字体的标准信息序列的相似度值求均值得到第二频段损失相似度值。将第一频段损失相似度值除以第二损失相似度值得到每个数据段的频段损失字体描述值。
将每个数据段的字体描述值减去对应数据段的频段损失字体描述值得到频段损失字体描述值变化量。获取数据集中所有样本分割得到的所有数据段集合。将所有数据段的每个频段的频谱数据去除前后的频段损失字体描述值变化量求均值得到每个频段的重要度，该值越大说明该频段对应的数据对于字体识别越重要。
步骤S003：确定各神经元参数对每个频段信息的响应度。
1、数据转图像：
将每个样本数据以时间为横轴，以数据值为纵轴绘制每个样本数据的图像，称为样本图像，所有样本图像构成第一数据集。
2、网络介绍：
本方案使用的网络为卷积自编码网络，自编码网络为自监督网络，网络结构Encoder-Decoder模型，网络的数据为第一数据集中的各样本图像，网络的输出为重构图像，输入的各样本数据通过编码处理得到低维的编码图像，低维的编码图像通过解码处理得到重构图像。重构图像与原样本图像构建出交叉熵损失函数。需要说明的是选取奇数卷积层采用分组卷积的方式进行卷积处理，通过分组卷积可以实现特征隔离，便于后续分析各神经元参数对每个频段信息的响应度。
3、进行网络初训练
使损失函数尽可能小，将数据集中的各样本图像依次输入到自编码网络中进行网络训练，训练20000次得到初训练网络。
由于奇数卷积层是通过分组卷积得到，每个通道图像是有固定的卷积核参数得到，偶数卷积层与卷积核的对应关系很难获取，因而主要分析奇数层的卷积核参数与各频段数据的响应关系。为了便于后续描述，将卷积核参数称为神经元参数。
4、计算各神经元参数与各频段信息的响应度
将样本图像
Figure 450364DEST_PATH_IMAGE009
输入到初训练网络中，通过各卷积层进行卷积处理各卷积层会得到特征图像，将第i个卷积层得到特征图像记为/>
Figure 20060DEST_PATH_IMAGE010
,每个特征图由多通道特征图像构成，最后通过输出层输出第一重构图像/>
Figure 343595DEST_PATH_IMAGE011
。
将样本图像
Figure 548617DEST_PATH_IMAGE009
再次输入到初训练网络中，通过各卷积层进行卷积处理各卷积层会得到特征图像，在奇数卷积层中任选一个卷积层的其中一个通道图像，假设选取了第/>
Figure 733219DEST_PATH_IMAGE006
个卷积层的第/>
Figure 67765DEST_PATH_IMAGE012
个通道图像/>
Figure 246242DEST_PATH_IMAGE013
，利用遮罩图/>
Figure 730052DEST_PATH_IMAGE014
与所述通道图像相乘，所述遮罩图是与所述通道图像同大小的图像，遮罩图的每个像素值均为0，通过与遮罩图像相乘可以将所述通道图像的信息去除，将相乘后得到遮罩特征图替换原通道图像进行网络运算，获取此时网络的第二重构图像/>
Figure 930614DEST_PATH_IMAGE015
。/>
将第一重构图像
Figure 208888DEST_PATH_IMAGE016
进行傅里叶变换得到重构图像的第一频谱图像/>
Figure 763409DEST_PATH_IMAGE017
，将第二重构图像/>
Figure 785331DEST_PATH_IMAGE015
进行傅里叶变换得到第二频谱图像/>
Figure 220160DEST_PATH_IMAGE018
。将第一频谱图像/>
Figure 342629DEST_PATH_IMAGE017
与第二频谱图像/>
Figure 384447DEST_PATH_IMAGE018
对应像素值相减得到频谱差异图像。对频谱差异图像进行统计获取每个频率出现的次数，所有频率得到频率次数序列。
按照上述步骤，将每个样本依次输入到初训练网络中，每个样本输入两次，每个样本得到的第一重构图像和第二重构图像，进而利用重构图像得到每个样本的频率次数序列。
获取奇数层的每个通道图像遮罩时得到的频率次数序列，将奇数层的每个通道图像对应的频率次数序列累加得到频率累加次数序列。
计算奇数层的每个通道图像对应的频率累加次数序列的模长，将所述频率累加次数序列的各维度值除以模长得到该维度对应的频段对该通道图像信息的响应度，所述每个维度对应的频段是指每个维度对应的频率，由于每个通道图像信息是由相应的分组卷积核得到，获取得到该通道图像的神经元参数（卷积核值），因而所述神经元参数与频段的响应度。将奇数卷积层得到的第
Figure 819847DEST_PATH_IMAGE019
个频段与第/>
Figure 122564DEST_PATH_IMAGE020
个神经元参数的响应度记为/>
Figure 876063DEST_PATH_IMAGE021
。需要说明的是此时无需进行网络更新。
步骤S004：计算每个神经元的重要性，结合每个神经元参数的重要性调整各神经元参数的学习率。
1、计算每个神经元的重要性
当与神经元参数高响应的频段为重要性低的频段信息，说明该神经元参数的重要性较低，当与神经元参数高响应的频段为重要性高的频段信息，说明该神经元参数的重要性较高，因而基于此来计算每个神经元参数的重要性。
将每个神经元与各频段的响应度值与每个频段的重要度相乘得到乘积值，将所有频段计算得到的乘积值加和得到每个神经元的重要性，将第
Figure 7838DEST_PATH_IMAGE020
个神经元的重要性记为/>
Figure 519634DEST_PATH_IMAGE002
。
2、根据每个神经元参数的重要性确定每个神经元参数的学习率
由于本方案需要让重要性高的神经元学习效果更好，重要性低的神经元学习效果相对差，因而需对重要性高的神经元进行学习激励，重要性低的神经元进行学习抑制，因而基于此根据每个神经元的重要性来调整神经元的学习率。
获取每个神经元参数的原有第一学习率,将第n个神经元的第一学习率记为
Figure 497903DEST_PATH_IMAGE004
，根据神经元参数的重要性调整第一学习率得到调整后的第二学习率，具体如下：
Figure 312318DEST_PATH_IMAGE022
其中
Figure 416542DEST_PATH_IMAGE005
表示第n个神经元参数的第二学习率。/>
Figure 482761DEST_PATH_IMAGE003
表示神经网络中奇数层中神经元参数的个数。
3、进行网络训练：
利用交叉熵损失函数尽可能小，将数据集中的各样本图像依次输入初始网络中对初始网络继续训练，进行网络更新时将每个神经元参数的原有的第一学习率调整成第二学习率进行网络学习更新，随着训练网络损失值逐渐降低，直至收敛，完成网络训练。
步骤S005：将压缩后信息并传输至报警系统处理，实现报警控制。
将新采集的电话信号序列转化为电话信号图像，将电话信号图像输入至训练完成的自编码网络中，在自编码网络中间层获取压缩后的图像，将压缩后图像传输至报警系统，报警系统调用内部存储的解压网络对压缩后的图像进行解压处理得到解压后的信号图像，报警系统调用内部存储的报警网络对解压后的信号图像进行处理得到报警指令，根据报警指令进行报警控制。
综上所述，本发明实施例通过分析电话信号的每个频段信息对电话信息识别的影响情况来确定每个频段信息的重要度，然后分析用于电话信号压缩的自编码网络各神经元参数与每个频段信息的关系得到每个神经元参数与每个频段信息的响应度，结合每个神经元参数与每个频段信息的响应度以及每个频段的重要度得到每个神经元参数的重要性，根据每个神经元参数的重要性值调整每个神经元参数的学习率，进而实现让重要的神经元参数学习效果更好，降低自编码网络对电话信号重要信息的压缩损失，为后续准确报警提供更为准确的信息。
需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
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，每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种呼叫中心监控报警方法，其特征在于，所述方法包括：
获取电话信号序列数据；
将电话信号序列数据分割成多个数据段得到数据段集合；获取每个数据段的所有第一频谱序列得到每个数据段的第一频谱序列集合，将第一频谱序列集合中每个第一频谱序列称为频段数据；根据数据段集合得到每个频段数据的重要性；
将电话信号序列数据转化为电话信号图像，所有电话信号图像构成数据集；构建自编码网络，基于每个神经元参数的预设学习率利用数据集中的每个电话信号图像对自编码网络进行训练得到初训练网络；
根据数据集和初训练网络得到每个神经元参数对每个频段数据的响应度，将每个频段数据的重要性与响应度相乘得到每个频段数据的乘积值，将所有频段数据的乘积值累加得到每个神经元参数的重要性；
根据每个神经元参数的重要性和每个神经元参数的预设学习率得到每个神经元参数的第一学习率；
基于每个神经元参数的第一学习率利用数据集中每个电话信号图像对初训练网络进行训练得到训练完成的网络；
获取待处理的电话信号图像，将电话信号图像输入到训练完成的网络中得到压缩图像，将压缩图像传输至呼叫中心报警系统，通过呼叫中心报警系统中的预设报警网络进行处理得到报警指令，根据报警指令进行报警控制；
其中，所述根据数据段集合得到每个频段数据的重要性的方法，包括：
获取每个数据段的第二字，获取每个数据段的第二字的标准信号序列；
对每个数据段进行描述值获取操作，得到每个数据段的描述值，包括：计算每个数据段与第二字的标准信号序列的相似度值记为第一基准相似度值，计算每个数据段与其他字的标准信号序列的相似度值，将每个数据段与其他字的标准信号序列的相似度求均值记为第二基准相似度值，将第一基准相似度值除以第二基准相似度值得到每个数据段的描述值；
将每个数据段的频谱序列集合中任意一个频段数据去除得到每个数据段的第二频谱序列集合，将每个数据段的第二频谱集合进行傅里叶变换得到为每个数据段的第二数据段；对每个数据段的第二数据段进行描述值获取操作，得到每个数据段的第二数据段的描述值；
将每个数据段的描述值减去每个数据段的第二数据段的描述值得到每个数据段的描述值差值，获取每个频段数据对应的多个数据段，将所述多个数据段的描述值差值求均值作为所述频段数据的重要性；
所述根据数据集和初训练网络得到每个神经元参数对每个频段数据的响应度的方法，包括：
将电话信号图像输入到初训练网络，将初训练网络的输出图像记为电话信号图像的第一重构图像；将电话信号图像再次输入到初训练网络，将各卷积层的输出图像记为各卷积层的特征图像，在各卷积层的特征图像中任选一个通道图像与第一预设遮罩图相乘得到遮罩通道图像，将遮罩通道图像替换原有的通道图像进行网络运算得到电话信号图像的第二重构图像；获取第一重构图像的频谱图作为第一频谱图，获取第二重构图像的频谱图作为第二频谱图，将第一频谱图与第二频谱图相减得到频谱差异图，对频谱差异图进行统计得到所述通道图像的频率次数序列；
同理，将每个通道图像的多个频率次数序列累加得到每个通道图像的频率累加次数序列；
计算每个通道图像的频率累加次数序列的模长，将频率累加次数序列中每个维度的值除以模长得到每个通道图像信息对每个频段的响应度；
获取得到每个通道图像的所有神经元参数，每个通道图像信息对每个频段的响应度即为每个通道图像的每个神经元参数对每个频段的响应度。
2.根据权利要求1所述的一种呼叫中心监控报警方法，其特征在于，所述将电话信号序列数据分割成多个数据段得到数据段集合的方法，包括：
获取电话信号序列中的每个数据在不同预设窗口内的所有数据串，获取与所述所有数据串最相似的标准序列，将所述标准序列对应的字记为每个数据的第一字；根据每个数据的第一字以及每个数据邻域内其他数据的第一字获得电话信号序列中的每个数据的第二字，将电话信号序列中连续且具有相同的第二字的所有数据划分成一个数据段，电话信号序列划分得到的所有数据段构成数据段集合。
3.根据权利要求1所述的一种呼叫中心监控报警方法，其特征在于，所述将电话信号序列转化为电话信号图像的方法，包括：
以时间为横轴，以电话信号数据为纵轴建立笛卡尔坐标系，绘制电话信号序列图像，将所述图像称为电话信号图像。
4.根据权利要求1所述的一种呼叫中心监控报警方法，其特征在于，所述根据每个神经元参数的重要性和每个神经元参数的第一学习率得到每个神经元参数的第二学习率的公式，包括：
Figure DEST_PATH_IMAGE001
其中
Figure 598934DEST_PATH_IMAGE002
表示第n个神经元参数的重要性，
Figure 188179DEST_PATH_IMAGE003
表示自编码网络中神经元参数的数量，
Figure 905599DEST_PATH_IMAGE004
表示第n个神经元参数的第一学习率，
Figure 737026DEST_PATH_IMAGE005
表示第n个神经元参数的第二学习率。
5.一种呼叫中心监控报警系统，其特征在于，所述一种呼叫中心监控报警系统包括处理器和存储器，所述处理器用于处理存储在所述存储器中的指令以实现如权利要求1-4任意一项所述的一种呼叫中心监控报警方法的步骤。
CN202211260604.0A 2022-10-14 2022-10-14 一种呼叫中心监控报警方法及系统 Active CN115359497B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211260604.0A CN115359497B (zh) 2022-10-14 2022-10-14 一种呼叫中心监控报警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211260604.0A CN115359497B (zh) 2022-10-14 2022-10-14 一种呼叫中心监控报警方法及系统

Publications (2)

Publication Number Publication Date
CN115359497A CN115359497A (zh) 2022-11-18
CN115359497B true CN115359497B (zh) 2023-03-24

Family

ID=84008493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211260604.0A Active CN115359497B (zh) 2022-10-14 2022-10-14 一种呼叫中心监控报警方法及系统

Country Status (1)

Country Link
CN (1) CN115359497B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640356A (zh) * 2022-04-02 2022-06-17 河南伴龙电子科技有限公司 基于神经网络的大数据压缩方法、系统及存储介质
CN115115284A (zh) * 2022-08-29 2022-09-27 同方德诚(山东)科技股份公司 一种基于神经网络的能耗分析方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150170027A1 (en) * 2013-12-13 2015-06-18 Qualcomm Incorporated Neuronal diversity in spiking neural networks and pattern classification
CN106952649A (zh) * 2017-05-14 2017-07-14 北京工业大学 基于卷积神经网络和频谱图的说话人识别方法
CN109726751B (zh) * 2018-12-21 2020-11-27 北京工业大学 基于深度卷积神经网络识别脑电成像图的方法
CN114898220B (zh) * 2022-07-13 2022-09-09 金成技术股份有限公司 一种高空作业车结构件的智能生产控制方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114640356A (zh) * 2022-04-02 2022-06-17 河南伴龙电子科技有限公司 基于神经网络的大数据压缩方法、系统及存储介质
CN115115284A (zh) * 2022-08-29 2022-09-27 同方德诚(山东)科技股份公司 一种基于神经网络的能耗分析方法

Also Published As

Publication number Publication date
CN115359497A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
KR101143724B1 (ko) 부호화 장치 및 부호화 방법, 및 부호화 장치를 구비한 통신 단말 장치 및 기지국 장치
KR101946513B1 (ko) 오디오 신호 분류 방법 및 장치
KR100361883B1 (ko) 오디오신호압축방법,오디오신호압축장치,음성신호압축방법,음성신호압축장치,음성인식방법및음성인식장치
JP3810608B2 (ja) 音声レコグナイザーのためのトレーニング方法
US4720863A (en) Method and apparatus for text-independent speaker recognition
DE69214969T2 (de) Verfahren und Vorrichtung zur Erzeugung von Hilfsinformationen zur Ausführung einer Suche in einem Kodebuch mit geringer Dichte
CN105321525A (zh) 一种降低voip通信资源开销的系统和方法
CN111785285A (zh) 面向家居多特征参数融合的声纹识别方法
CA2596411A1 (en) Method and system for providing an acoustic signal with extended bandwidth
US5664053A (en) Predictive split-matrix quantization of spectral parameters for efficient coding of speech
CN112466297A (zh) 一种基于时域卷积编解码网络的语音识别方法
CN113053400B (zh) 音频信号降噪模型的训练方法、音频信号降噪方法及设备
CN116994564A (zh) 一种语音数据的处理方法及处理装置
CN115359497B (zh) 一种呼叫中心监控报警方法及系统
US5233659A (en) Method of quantizing line spectral frequencies when calculating filter parameters in a speech coder
CN114694674A (zh) 基于人工智能的语音降噪方法、装置、设备及存储介质
KR20170088165A (ko) 심층 신경망 기반 음성인식 방법 및 그 장치
CN117037847B (zh) 一种端到端社区噪音监测方法、装置及相关组件
CN109741733B (zh) 基于一致性路由网络的语音音素识别方法
CN110958417A (zh) 一种基于语音线索的视频通话类视频去除压缩噪声的方法
US6792405B2 (en) Bitstream-based feature extraction method for a front-end speech recognizer
CN115171878A (zh) 基于BiGRU和BiLSTM的抑郁症检测方法
CN114898766A (zh) 基于gan网络的分布式光纤语音增强方法及隧道救援系统
CN112885367A (zh) 基频获取方法、装置、计算机设备和存储介质
CN117690421B (zh) 降噪识别联合网络的语音识别方法、装置、设备及介质

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
TR01 Transfer of patent right
TR01 Transfer of patent right

Effective date of registration: 20240407

Address after: Room 513, Block C, No. 188, Tongsheng Avenue, Xinkai Street, Nantong Development Zone, Jiangsu Province, 226000

Patentee after: Nantong Kunpeng Technology Co.,Ltd.

Country or region after: China

Address before: Room 513, Building C, No. 188, Tongsheng Avenue, Nantong Development Zone, Jiangsu Province, 226000

Patentee before: Jingchen Technology (Nantong) Co.,Ltd.

Country or region before: China