CN115359807B - 一种用于城市噪声污染的噪声在线监测系统 - Google Patents

一种用于城市噪声污染的噪声在线监测系统 Download PDF

Info

Publication number
CN115359807B
CN115359807B CN202211289956.9A CN202211289956A CN115359807B CN 115359807 B CN115359807 B CN 115359807B CN 202211289956 A CN202211289956 A CN 202211289956A CN 115359807 B CN115359807 B CN 115359807B
Authority
CN
China
Prior art keywords
data
segment
value
initial
segmentation
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
CN202211289956.9A
Other languages
English (en)
Other versions
CN115359807A (zh
Inventor
张小坤
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.)
Jinye Instrument Shandong Co ltd
Original Assignee
Jinye Instrument Shandong 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 Jinye Instrument Shandong Co ltd filed Critical Jinye Instrument Shandong Co ltd
Priority to CN202211289956.9A priority Critical patent/CN115359807B/zh
Publication of CN115359807A publication Critical patent/CN115359807A/zh
Application granted granted Critical
Publication of CN115359807B publication Critical patent/CN115359807B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
    • G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
    • G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/04—Segmentation; Word boundary detection
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L69/00—Network arrangements, protocols or services independent of the application payload and not provided for in the other groups of this subclass
    • H04L69/04—Protocols for data compression, e.g. ROHC

Abstract

本发明涉及数据识别处理技术领域，具体涉及一种用于城市噪声污染的噪声在线监测系统；该系统包括数据采集及分段模块、数据分类模块、数据压缩模块和噪声监测模块；数据采集及分段模块用于将音频的原始数据划分为至少一个初始分段数据，数据分类模块用于计算每个数据的重要度并根据数据的重要度将每个初始分段数据划分为至少一个线段，利用每个线段的斜率将线段对应的原始数据划分为近似相等数据和趋势变化数据，数据压缩模块用于对近似相等数据和趋势变化数据分别压缩处理得到压缩数据，通过噪声监测模块对压缩数据传输分析，确定噪声污染程度；在保留了数据信息的完整性的同时提高了数据压缩的效率。

Description

一种用于城市噪声污染的噪声在线监测系统
技术领域
本发明涉及数据识别处理技术领域，具体涉及一种用于城市噪声污染的噪声在线监测系统。
背景技术
噪声是一种声音，从生理学观点来看，凡是干扰人们休息、学习和工作以及对人们所要听的声音产生干扰的声音，即不需要的声音，统称为噪声。一般城市中的噪声主要来源于交通噪声、工业噪声、建筑施工噪声以及社会生活噪声，将影响人们正常生活和工作的噪声称为噪声污染；目前的城市中往往会规定噪声污染的限制，在城市中设置噪声污染的监测装置，将监测装置获取的数据实时进行传输到城市噪声监测系统中，进行噪声的监测。
而对噪声数据进行传输的过程中，为了提高传输过程中的效率，一般需要对原始数据进行压缩处理；对于数据的压缩，主要是依靠减少数据中的冗余和数据本身结构的冗余来达到压缩的目的，但现有对数据编码压缩的方法，例如游程编码压缩，其压缩效率依赖于数据本身特征，而噪声污染主要依据于大数值数据以及变化数据得到，因此利用游程编码对噪声数据等存在数据差异性的数据压缩时，编码压缩的压缩效率较低。
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用于城市噪声污染的噪声在线监测系统，所采用的技术方案具体如下：
本发明一个实施例提供了一种用于城市噪声污染的噪声在线监测系统，该系统包括以下模块：
数据采集及分段模块，用于获取城市中每个区域的音频的原始数据，对所述原始数据进行分段得到至少一个初始分段数据；
数据分类模块，用于以预设相邻范围获取所述初始分段数据中每个数据的邻近区域，根据所述邻近区域计算每个数据的重要度，基于每个数据的重要度得到对应数据的权重；基于每个初始分段数据中所有数据的权重的均值设定阈值，根据所述阈值将对应初始分段数据划分为近似相等数据和趋势变化数据；
数据压缩模块，用于计算每个近似相等数据中所有数据的均值，对所述均值四舍五入得到第一压缩值，将近似相等数据中每个数据更新为所述第一压缩值，以得到压缩后的近似相等数据记为第一压缩数据；计算趋势变化数据中每个数据与对应线段上每个数据的差值，以所述差值作为趋势变化数据中对应数据的第二压缩值，将趋势变化数据中所有数据更新为对应的第二压缩值，以得到压缩后的趋势变化数据记为第二压缩数据；
噪声监测模块，用于将第一压缩数据和第二压缩数据传输至噪声监测系统中，以确定噪声污染程度。
优选的，所述数据采集及分段模块中对所述原始数据进行分段得到至少一个初始分段数据的方法，包括：
设置预设起始长度，根据所述预设起始长度对所述原始数据进行分段得到第一数据段，计算所述第一数据段的分段效果；
不断增加所述预设起始长度的长度得到不同的分段长度，利用不同的分段长度对所述原始数据进行分段得到不同长度的第一数据段，获取每个分段长度的第一数据段对应的分段效果，所述分段效果最大时对应的分段长度为最佳长度，所述最佳长度对应的第一数据段为第一个初始分段数据；
若所述原始数据中除第一个初始分段数据外还存在剩余数据，以所述预设起始长度为起始，不断增加所述预设起始长度的长度对剩余数据进行分段得到不同长度的第二数据段，选取分段效果最大的第二数据段为第二个初始分段数据，以此类推，直至将所述原始数据全部分段完成得到对应的初始分段数据。
优选的，所述数据采集及分段模块中计算所述第一数据段的分段效果的方法，包括：
获取所述第一数据段中的数据的最大值与最小值的差值，以及所述第一数据段中所有数据的均值，根据所述均值得到所述第一数据段中所有数据的标准差；
获取所述差值、所述均值以及所述标准差的乘积结果，将所述乘积结果的倒数与所述第一数据段对应的分段长度相乘得到所述分段效果。
优选的，所述数据分类模块中根据所述邻近区域计算每个数据的重要度的方法，包括：
以任意数据为目标数据，获取所述目标数据与其对应的邻近区域中每个数据的差值绝对值，计算所述目标数据与其对应的邻近区域中所有数据的差值绝对值的均值，均值与目标数据的乘积结果为所述目标数据的重要度。
优选的，所述数据分类模块中基于每个数据的重要度得到对应数据的权重的方法，包括：
对当前初始分段数据中所有数据的重要度进行归一化，每个数据对应的归一化后的重要度为对应数据的权重。
优选的，所述数据分类模块中基于每个初始分段数据中所有数据的权重的均值设定阈值的方法，包括：
获取当前初始分段数据中所有数据的权重的平均值，以权重的平均值的倒数与预设基准值的乘积结果作为当前初始分段数据的阈值。
优选的，所述数据分类模块中根据所述阈值将对应初始分段数据划分为近似相等数据和趋势变化数据的方法，包括：
根据所述阈值将对应初始分段数据划分为至少一个近似数据，每个所述近似数据对应一个线段；
获取每个线段对应的斜率，根据所述斜率将每个线段对应的初始分段数据中的数据划分为近似相等数据和趋势变化数据。
优选的，所述数据分类模块中根据所述阈值将对应初始分段数据划分为至少一个近似数据的方法，包括：
以当前初始分段数据中第一个数据与最后一个数据之间的连线得到线段；计算当前初始分段数据中每个数据到所述线段的垂直距离，当所有数据对应的垂直距离中的最大值大于所述阈值时，以垂直距离中的最大值所对应的数据的位置作为目标位置；
以当前初始分段数据中第一个数据与所述目标位置的数据之间的连线得到第一条线段，以所述目标位置的数据与当前初始分段数据中最后一个数据之间的连线得到第二条线段；计算第一条线段对应数据到第一条线段的垂直距离的最大值，判断最大值是否大于所述阈值，若是，则对第一条线段继续分割；计算第二条线段对应数据到第二条线段的垂直距离的最大值，判断最大值是否大于所述阈值，若是，则对第二条线段继续分割；以此类推，直至所有线段对应数据到线段的垂直距离的最大值不大于所述阈值时，得到当前初始分段数据的至少一个线段；
每条线段上的所有数据构成所述近似数据。
优选的，所述数据分类模块中根据所述斜率将每个线段对应的初始分段数据中的数据划分为近似相等数据和趋势变化数据的方法，包括：
获取当前线段对应的初始分段数据中所有数据的权重的均值，计算所述均值与稳定常数的求和结果作为分母，以设定常数和所述分母的比值作为区分阈值；
当前线段的斜率小于所述区分阈值时，当前线段对应的初始分段数据中的数据为近似相等数据；当前线段的斜率不小于所述区分阈值时，当前线段对应的初始分段数据中的数据为趋势变化数据。
本发明具有如下有益效果：本发明实施例将采集到的音频的原始数据划分为至少一个初始分段数据，对每个初始分段数据分别进行分析，获取每个初始分段数据中每个数据的重要度，且重要度的获取是基于数据的邻近区域的数据得到，使得数据之间的联系更加紧密，得到的数据的重要度更具有参考性；以每个数据的重要度获取每个数据对应的权重，并结合所有数据对应的权重自适应设置阈值，以根据合适的阈值将初始分段数据划分为近似相等数据和趋势变化数据，以便于对不同类型的数据进行不同损失程度的压缩，对近似相等数据用同一压缩值进行处理，而对于趋势变化数据则利用差值进行处理，尽可能的避免了数据的损失保留了原始信息的完整性，并且降低了压缩的数据量，使得编码压缩的效率更高；将当前压缩完成的数据进行传输监测，数据信息更完整，监测结果更可靠。
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用于城市噪声污染的噪声在线监测系统框图。
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用于城市噪声污染的噪声在线监测系统，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用于城市噪声污染的噪声在线监测系统的具体方案。
请参阅图1，其示出了本发明一个实施例提供的一种用于城市噪声污染的噪声在线监测系统框图，该系统包括以下模块：
数据采集及分段模块10，用于获取城市中每个区域的音频的原始数据，对原始数据进行分段得到至少一个初始分段数据。
对于城市噪声污染监测中，首先需要在城市的各处采集数据传输到统一的噪声污染系统中，由噪声污染系统对此处的噪声情况进行监测，而在数据传输的过程中，为了减少待传输的数据量，加快数据传输的效率，需要在数据进行传输之前进行数据压缩。
具体的，在城市中固定地点安装声音采集装置，声音采集装置用于获取城市中各处的声音数据，此时采集得到的声音数据为城市中噪声污染监测的原始数据；对于数据的压缩，主要是考虑到数据的压缩效率以及原始信息的损失，而对于噪声污染监测的原始数据，数据对噪声污染分析越重要，其对应的数据的允许损失越小，因此需要对原始数据中数据的不同的重要度进行分类并分别进行压缩。在噪声污染的分析中，原始数据中相等数据的连续出现会造成原始数据的冗余，而相等数据的连续出现的表现形式为数据的相似性高，但在不同的数据段中数据的相似性的体现程度存在差异，因此首先对原始数据进行分段处理。
本发明实施例中以预设起始长度
Figure DEST_PATH_IMAGE001
对原始数据进行分段，即按照原始数据中数据的顺序，以原始数据的前10个数据作为第一数据段，计算此时得到的第一数据段的分段效果，分段效果的计算为：
Figure DEST_PATH_IMAGE002
其中，
Figure DEST_PATH_IMAGE003
表示以预设起始长度
Figure 299252DEST_PATH_IMAGE001
得到的第一数据段的分段效果；
Figure DEST_PATH_IMAGE004
表示预设起始长度；
Figure DEST_PATH_IMAGE005
表示第一数据段中所有数据的均值，即声音的分贝均值；
Figure DEST_PATH_IMAGE006
表示第一数据段中所有数据的最大值；
Figure DEST_PATH_IMAGE007
表示第一数据段中所有数据的最小值；
Figure DEST_PATH_IMAGE008
表示第一数据段中所有数据的标准差。
当第一数据段中所有数据的均值
Figure 403343DEST_PATH_IMAGE005
越大，表明该数据越可能为噪声数据，即该第一数据段中的数据对于噪声分析而言越重要，对于此类数据的分段应该越精确越好，因此当均值
Figure 183080DEST_PATH_IMAGE005
越大时，表明此时的分段效果不佳；第一数据段中所有数据的最大值和所有数据的最小值的差值
Figure DEST_PATH_IMAGE009
体现了第一数据段中的数据波动幅度，数据波动幅度越大，越不利于对当前分段中的数据的相似性分析，因此分段效果越不好；相应的，标准差
Figure 234082DEST_PATH_IMAGE008
体现了第一数据段中数据之间的差异性，数据之间的差异性越大，同样对数据的相似性分析较差，对应分段效果越差；对于预设起始长度
Figure 48454DEST_PATH_IMAGE004
而言，
Figure 339758DEST_PATH_IMAGE004
的取值越大，原始数据被划分的分段数量越少，对于每段数据之间的计算量较少，对应的分段效果较好。
进一步的，为了保证能够得到最好的分段效果，以预设起始长度
Figure 200266DEST_PATH_IMAGE001
为起始，不断增加分段的长度得到不同的第一数据段，即通过起始长度
Figure DEST_PATH_IMAGE010
对原始数据进行分段得到长度为11的第一数据段，通过
Figure DEST_PATH_IMAGE011
对原始数据进行分段得到长度为12的第一数据段，以此类推，通过改变分段长度得到不同的第一数据段；相应的，基于获取预设起始长度对应第一数据段的分段效果的相同的方法，获取不同起始长度得到的不同长度的第一数据段对应的分段效果，所有分段效果中的最大值对应的第一数据段的长度为此时的最佳长度。
需要说明的是，利用最佳长度得到第一数据段之后，当第一数据段的长度与原始数据的长度不相等时，表明原始数据中还存在未被分段的数据，对后续未被分段的数据继续进行分段，也即是从第一数据段之后的第一个数据为起始进行分段，分段的方法即为从预设起始长度开始，通过不断增加分段的长度得到不同长度的第二数据段，然后计算不同长度的第二数据段的分段效果，以分段效果的最大值对应的分段长度作为第二数据段的最佳长度；以此类推，完成对原始数据中所有数据的分段处理。
由此得到原始数据分段后的至少一个的分段数据，将分段数据记为初始分段数据，基于时间序列上连续的相似数据的分段，避免了固定长度分段引起的数据局部差异过大的情况，增加了初始分段数据之间的相似性特点，进而有利于后续对数据的压缩。
数据分类模块20，用于以预设相邻范围获取初始分段数据中每个数据的邻近区域，根据邻近区域计算每个数据的重要度，基于每个数据的重要度得到对应数据的权重；基于每个初始分段数据中所有数据的权重的均值设定阈值，根据阈值将对应初始分段数据划分为近似相等数据和趋势变化数据。
在根据数据的相似性和数据的趋势变化对原始数据进行压缩时，会存在一定的数据信息损失，因此为了保证原始数据在传输中的信息完整度，首先需要对不同数据在噪声污染分析中的重要度进行分析，根据数据的重要度确定其在压缩过程中可接受的损失情况。
对于城市噪声监测，主要是分析所采集的原始的声音数据达到一定程度造成的噪声污染，以及声音在不同时间的变化来分析噪声污染的程度和变化情况，由数据采集及分段模块10中将采集到的原始数据划分成了至少一个初始分段数据，对每个初始分段数据进行分析；假设存在任意初始分段数据为
Figure DEST_PATH_IMAGE012
，其中，
Figure DEST_PATH_IMAGE013
表示该初始分段数据中的第一个数据；
Figure DEST_PATH_IMAGE014
表示该初始分段数据中的第
Figure DEST_PATH_IMAGE015
个数据；
Figure DEST_PATH_IMAGE016
表示该初始分段数据中所有数据的数量；以初始分段数据中的第
Figure 586117DEST_PATH_IMAGE015
个数据
Figure 723838DEST_PATH_IMAGE014
为例，以预设相邻范围获取其对应的邻近区域，本发明实施例中每个数据的预设相邻范围为4，则每个数据的邻近区域是指该数据在时序上相邻的8个数据，即初始分段数据中的第
Figure 310677DEST_PATH_IMAGE015
个数据
Figure 533848DEST_PATH_IMAGE014
的邻近区域是由数据
Figure 270859DEST_PATH_IMAGE014
之前相邻的四个数据和数据
Figure 387720DEST_PATH_IMAGE014
之后相邻的四个数据构成的，根据数据
Figure 286406DEST_PATH_IMAGE014
的邻近区域中的数据获取该数据
Figure 121507DEST_PATH_IMAGE014
的重要度，其对应的重要度为：
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示初始分段数据中的第
Figure 458947DEST_PATH_IMAGE015
个数据
Figure 571260DEST_PATH_IMAGE014
的重要度；
Figure 906426DEST_PATH_IMAGE014
表示初始分段数据中的第
Figure 228823DEST_PATH_IMAGE015
个数据；
Figure DEST_PATH_IMAGE019
表示初始分段数据中的第
Figure 369954DEST_PATH_IMAGE015
个数据
Figure 867932DEST_PATH_IMAGE014
对应的邻近区域中第
Figure DEST_PATH_IMAGE020
个数据；
Figure DEST_PATH_IMAGE021
表示初始分段数据中的第
Figure 170737DEST_PATH_IMAGE015
个数据
Figure 121376DEST_PATH_IMAGE014
对应的邻近区域中所有数据的数量；
Figure DEST_PATH_IMAGE022
表示绝对值运算。
Figure DEST_PATH_IMAGE023
用于表示初始分段数据中的第
Figure 659673DEST_PATH_IMAGE015
个数据
Figure 12157DEST_PATH_IMAGE014
与其对应的邻近区域中第
Figure 423547DEST_PATH_IMAGE020
个数据之间的差值，
Figure DEST_PATH_IMAGE024
表示了初始分段数据中第
Figure 454957DEST_PATH_IMAGE015
个数据
Figure 344415DEST_PATH_IMAGE014
与其对应的邻近区域中所有数据的差值的平均值，该平均值越大，表明数据
Figure 410460DEST_PATH_IMAGE014
与其周围数据的差异性越大；同时，当数据
Figure 992751DEST_PATH_IMAGE014
的本身取值越大时，其为噪声数据的可能性也越大，在噪声污染分析中越重要，则数据
Figure 917982DEST_PATH_IMAGE014
对应的重要度越大。
以此类推，获取每个初始分段数据中的每个数据对应的重要度，为了减少采集的声音数据在噪声污染分析中对相似数据不敏感造成相似数据冗余的情况，根据每个数据的重要度对相似数据进行不同尺度的平滑，以提高数据之间的相关关系，便于后续压缩。
对每个初始分段数据中所有数据的重要度进行归一化，得到每个数据归一化后的重要度记为该数据的权重，归一化的方法为现有公知技术，不再赘述。
本发明实施例中对每个相似的初始分段数据进行平滑处理的方法采用Douglas-Peucker算法，该Douglas-Peucker算法是利用数据的起点和终点生成一条线段，然后计算初始分段数据中每个数据到该线段的垂直距离，判断所有数据对应的垂直距离中的最大值是否大于预设距离阈值，若是，则以垂直距离的最大值对应的数据为分割点，获取初始分段数据的两个线段，然后分别判断这两条线段对应的垂直距离中的最大值是否大于预设距离阈值，若是，则继续分割，以此类推，直至得到的所有线段对应的垂直距离中的最大值均小于预设距离阈值，以此时每个线段上的数据来代替原始数据，以达到数据局部平滑的目的。
但利用传统的Douglas-Peucker算法对原始数据进行处理时，会造成数据信息的损失，且预设距离阈值的大小决定了数据的损失程度，而对于噪声污染分析中，不同数据的重要度不同，对于重要度较低的数据可以作较大损失的平滑处理，增加数据之间的关系；对于重要度较高的数据，则作较小损失的平滑处理，尽量保持原始信息数据，以保证后续噪声污染分析的准确，故本发明实施例中利用每个数据的重要度对Douglas-Peucker算法的预设距离阈值进行改进，由于每个数据的重要度在归一化后为数据对应的权重，因此基于每个数据的权重设定Douglas-Peucker算法中的阈值，使得在数据能够满足噪声污染分析需要的同时，增加数据之间的相关关系。
具体的，对于初始分段数据
Figure 735765DEST_PATH_IMAGE012
，利用Douglas-Peucker算法生成一条线段记为
Figure DEST_PATH_IMAGE025
，也即是根据数据
Figure 266104DEST_PATH_IMAGE013
和数据
Figure DEST_PATH_IMAGE026
之间的连线得到线段
Figure 612772DEST_PATH_IMAGE025
，计算初始分段数据
Figure 618774DEST_PATH_IMAGE012
中每个数据到该线段
Figure 646773DEST_PATH_IMAGE025
的垂直距离，判断所有垂直距离中的最大值是否大于设定阈值，设定阈值的大小为
Figure DEST_PATH_IMAGE027
，其中，
Figure DEST_PATH_IMAGE028
表示基准值，本发明实施例中设置
Figure DEST_PATH_IMAGE029
，其他实施例中实施者可根据实际场景进行调整；
Figure DEST_PATH_IMAGE030
表示初始分段数据
Figure 952989DEST_PATH_IMAGE012
中所有数据对应的权重的均值，均值越大，说明该初始分段数据的数据越重要，数据的容许损失程度越小，因此设置阈值越小，以便于保持原始数据信息。
当初始分段数据
Figure 611503DEST_PATH_IMAGE012
中每个数据到该线段
Figure 511326DEST_PATH_IMAGE025
的垂直距离中的最大值大于设定阈值
Figure 670912DEST_PATH_IMAGE027
时，以垂直距离中的最大值所对应的数据的位置作为目标位置，以目标位置将初始分段数据分割为两个线段，也即是以初始分段数据中数据
Figure 441422DEST_PATH_IMAGE013
与目标位置的连线为第一条线段，目标位置与数据
Figure 395472DEST_PATH_IMAGE026
的连线为第二条线段；然后，分别计算初始分段数据中数据
Figure 251432DEST_PATH_IMAGE013
至目标位置的数据之间的每个数据到第一条线段的垂直距离，初始分段数据中目标位置的数据至数据
Figure 214709DEST_PATH_IMAGE026
之间的每个数据到第二条线段的垂直距离，判断此时的两条线段分别对应的所有垂直距离中的最大值是否大于设定阈值
Figure 105305DEST_PATH_IMAGE027
，若是，则继续分割，直至初始分段数据划分为线段对应的垂直距离中的最大值均不大于设定阈值
Figure 371201DEST_PATH_IMAGE027
，将此时初始分段数据中所有的线段分别标记为
Figure DEST_PATH_IMAGE031
,
Figure DEST_PATH_IMAGE032
表示该初始分段数据中所有线段的数量。
以此类推，对每个初始分段数据进行分割得到对应的所有线段，由于根据线段可得到对应的函数，也即是可以得到每个线段上的所有数据，该线段上的所有数据均与对应的初始分段数据中的数据较为相近，因此将每个线段上的所有数据标记为对应初始分段数据的近似数据。
由于数据压缩主要考虑数据表现上的冗余与数据结构上的冗余，对应噪声污染分析的原始数据主要体现在时间序列上连续相等的数据以及时间序列上具有变化趋势的数据，因此首先根据不同的数据特征进行分类。上述分析得到每个初始分段数据中的线段，以及每个线段对应的近似数据，根据近似数据的特点将近似数据对应的原始数据划分为近似相等数据和趋势变化数据。
具体的，以任意初始分段数据中的线段
Figure DEST_PATH_IMAGE033
为例，获取该线段
Figure 104671DEST_PATH_IMAGE033
对应的斜率记为
Figure DEST_PATH_IMAGE034
，斜率
Figure 871638DEST_PATH_IMAGE034
越小，表明该线段越趋近于水平，则该线段对应的近似数据越趋近于连续相等的数据，设置区分阈值，当斜率
Figure 351161DEST_PATH_IMAGE034
小于区分阈值时，将线段
Figure 924311DEST_PATH_IMAGE033
对应的原始数据归为近似相等数据；反之，当斜率
Figure 489285DEST_PATH_IMAGE034
不小于区分阈值时，将线段
Figure 200889DEST_PATH_IMAGE033
对应的原始数据归为趋势变化数据。
区分阈值的设置方法为：获取线段
Figure 659552DEST_PATH_IMAGE033
对应的原始数据，计算线段
Figure 267251DEST_PATH_IMAGE033
对应的原始数据的归一化后的重要度的均值
Figure DEST_PATH_IMAGE035
，也即是数据的权重的均值，则得到的线段
Figure 444154DEST_PATH_IMAGE033
的区分阈值为
Figure DEST_PATH_IMAGE036
，0.01为稳定常数，用于避免
Figure 756187DEST_PATH_IMAGE035
的值趋于无穷小而导致阈值趋近于无穷大的问题；0.02为设定常数，实施者可根据实际场景进行适应调整；重要度均值
Figure 210302DEST_PATH_IMAGE035
表征了线段
Figure 520061DEST_PATH_IMAGE033
对应的原始数据的重要度，重要度均值
Figure 184260DEST_PATH_IMAGE035
越大表明数据越重要，则需要数据损失越小。
以此类推，对每个初始分段数据中每个线段对应的原始数据进行分类，得到所有的原始数据中对应的近似相等数据和趋势变化数据；由于噪声污染分析中对于大数值数据以及变化数据较为敏感，因此大数值数据和变化数据在噪声污染分析中的重要度更高，因此依据数据重要度对数据进行分类，便于后续压缩中对重要数据信息的保留，确保噪声污染分析的准确性。
数据压缩模块30，用于计算每个近似相等数据中所有数据的均值，对均值四舍五入得到第一压缩值，将近似相等数据中每个数据更新为第一压缩值，以得到压缩后的近似相等数据记为第一压缩数据；计算趋势变化数据中每个数据与对应线段上每个数据的差值，以差值作为趋势变化数据中对应数据的第二压缩值，将趋势变化数据中所有数据更新为对应的第二压缩值，以得到压缩后的趋势变化数据记为第二压缩数据。
由数据分类模块20将所有线段对应的原始数据划分为了近似相等数据和趋势变化数据，近似相等数据主要表现为数据值小并且数据变化小，其对于噪声污染分析的重要度较低；趋势变化数据主要表现为数据值大并且数据变化大，其对于噪声污染分析的重要度较高，因此两种类型的数据对应的可容许损失程度不同，需要对两种类型的数据分别进行压缩。
（1）对于近似相等数据的压缩。
假设任意近似相等数据表示为
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
表示该近似相等数据中数据的数量；由于近似相等数据在噪声污染分析中的重要度较低，因此可以直接用少量字符表示重复出现的数据，以增加压缩效率，故对近似相等数据进行压缩时可进行近似处理，获取近似相等数据
Figure DEST_PATH_IMAGE039
的近似值为第一压缩值，近似值的获取为：
Figure DEST_PATH_IMAGE040
其中，
Figure DEST_PATH_IMAGE041
表示近似相等数据
Figure DEST_PATH_IMAGE042
的近似值；
Figure 424618DEST_PATH_IMAGE038
表示近似相等数据
Figure 733239DEST_PATH_IMAGE042
中数据的数量；
Figure DEST_PATH_IMAGE043
表示四舍五入计算。
将获取到的近似值
Figure 807374DEST_PATH_IMAGE041
替代近似相等数据
Figure 568657DEST_PATH_IMAGE042
中每一个数据，此时近似相等数据
Figure 19230DEST_PATH_IMAGE042
在实际传输时即为存在连续相等的数据，也即是冗余数据，利用现有的游程编码技术进行压缩时，在输入
Figure DEST_PATH_IMAGE044
个
Figure 182358DEST_PATH_IMAGE041
后，完成对相等的
Figure 427395DEST_PATH_IMAGE044
个
Figure 941552DEST_PATH_IMAGE041
的压缩，将编码压缩后的近似相等数据记为第一压缩数据。
作为一个示例，假设此时近似相等数据
Figure DEST_PATH_IMAGE045
，则获取近似值
Figure DEST_PATH_IMAGE046
，利用近似值
Figure 399079DEST_PATH_IMAGE046
代替近似相等数据
Figure 541347DEST_PATH_IMAGE042
得到
Figure DEST_PATH_IMAGE047
。
（2）对于趋势变化数据的压缩。
由于在噪声污染分析中，数据值越大对其影响越大并且数据之间的变化关系同样影响噪声污染分析，因此趋势变化数据对噪声污染分析的影响较大，因此为保证噪声污染分析的准确性，不能对趋势变化数据进行近似处理。
假设任意趋势变化数据表示为
Figure DEST_PATH_IMAGE048
，
Figure DEST_PATH_IMAGE049
表示该趋势变化数据中数据的数量；获取趋势变化数据对应的线段的近似数据记为
Figure DEST_PATH_IMAGE050
，计算趋势变化数据对应线段的近似数据中每个数据与趋势变化数据中对应数据的差值为第二压缩值，差值为：
Figure DEST_PATH_IMAGE051
其中，
Figure DEST_PATH_IMAGE052
表示趋势变化数据中的每个数据；
Figure DEST_PATH_IMAGE053
表示趋势变化数据对应的线段的近似数据中的每个数据；
Figure DEST_PATH_IMAGE054
表示趋势变化数据中每个数据与对应线段的近似数据中对应数据的差值。
相应的，原始的趋势变化数据
Figure 285181DEST_PATH_IMAGE052
可表示为
Figure DEST_PATH_IMAGE055
，此时用差值表示原始的数据信息为
Figure DEST_PATH_IMAGE056
，由于线段的近似数据本身即为趋势变化数据的近似表示，因此其对应元素之间的差值
Figure DEST_PATH_IMAGE057
应该较小，采用
Figure 208006DEST_PATH_IMAGE057
作为压缩值可大大减少原始数据量，也即是根据趋势变化数据中每个数据对应的
Figure 406907DEST_PATH_IMAGE057
对该数据进行压缩得到最终的压缩数据。
作为一个示例，假设此时的趋势变化数据
Figure DEST_PATH_IMAGE058
，其对应的线段的近似数据
Figure DEST_PATH_IMAGE059
，则可计算得到趋势变化数据中每个数据对应的第二压缩值为
Figure DEST_PATH_IMAGE060
，因此以第二压缩值代替趋势变化数据中的每个值得到趋势变化数据的压缩值为
Figure DEST_PATH_IMAGE061
；采用现有的游程编码技术对压缩值进行编码压缩得到趋势变化数据的第二压缩数据。
由于趋势变化数据对于噪声污染分析较为重要，因此对趋势变化数据进行压缩时采用无损数据变化，在降低原始数据量的同时，保留全部的原始信息，保证噪声污染分析的准确性。
噪声监测模块40，用于将第一压缩数据和第二压缩数据传输至噪声监测系统中，以确定噪声污染程度。
由数据压缩模块30中得到近似相等数据和趋势变化数据分别对应的第一压缩数据和第二压缩数据，为便于区分不同类型的编码数据，本发明实施例中对近似相等数据的游程编码之前添加一个标识符1，对趋势变化数据的游程编码之前添加一个标识符0，以便于区分不同类型的编码数据。
作为一个示例，近似相等数据的编码压缩数据为：110011010111001…；趋势变化数据的编码压缩数据为：010010110001010…；编码压缩数据的首位均表示数据的标识符，从而完成对所有的原始数据的压缩。
将压缩后的噪声的原始数据统一传输到城市噪声监测系统中，在噪声监测系统中，根据国家规定的噪声计算方法对当前的噪声监测数据进行分析，以确定当前的噪声污染程度，并基于国家规定的噪声污染指标进行治理。
综上所述，本发明实施例提供一种用于城市噪声污染的噪声在线监测系统，该系统包括数据采集及分段模块10、数据分类模块20、数据压缩模块30以及噪声监测模块40；数据采集及分段模块用于获取城市中每个区域的音频的原始数据，对原始数据进行分段得到至少一个初始分段数据；数据分类模块用于以预设相邻范围获取初始分段数据中每个数据的邻近区域，根据邻近区域计算每个数据的数据重要度，对所有数据的数据重要度进行归一化并求倒数得到每个数据的权重；基于每个初始分段数据中所有数据的权重的均值设定阈值，根据阈值将对应初始分段数据划分为至少一个线段，获取当前初始分段数据的每个线段的斜率，基于斜率将每个线段对应的原始数据划分为近似相等数据和趋势变化数据；数据压缩模块用于计算每个近似相等数据中所有数据的均值，对均值四舍五入得到第一压缩值，将近似相等数据中每个数据更新为第一压缩值，以得到压缩后的近似相等数据记为第一压缩数据；计算趋势变化数据中每个数据与对应线段的每个数据的差值，以差值作为趋势变化数据中对应数据的第二压缩值，将趋势变化数据中所有数据更新为对应的第二压缩值，以得到压缩后的趋势变化数据记为第二压缩数据；噪声监测模块用于将第一压缩数据和第二压缩数据传输至噪声监测系统中，以确定噪声污染程度；通过对不同类型的原始数据采用不同的处理方法，提高了编码压缩的效率并且保证了原始信息的完整性，得到的噪声污染程度更加准确。
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。另外，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 (3)

1.一种用于城市噪声污染的噪声在线监测系统，其特征在于，该系统包括以下模块：
数据采集及分段模块，用于获取城市中每个区域的音频的原始数据，对所述原始数据进行分段得到至少一个初始分段数据；
数据分类模块，用于以预设相邻范围获取所述初始分段数据中每个数据的邻近区域，根据所述邻近区域计算每个数据的重要度，基于每个数据的重要度得到对应数据的权重；基于每个初始分段数据中所有数据的权重的均值设定阈值，根据所述阈值将对应初始分段数据划分为近似相等数据和趋势变化数据；
数据压缩模块，用于计算每个近似相等数据中所有数据的均值，对所述均值四舍五入得到第一压缩值，将近似相等数据中每个数据更新为所述第一压缩值，以得到压缩后的近似相等数据记为第一压缩数据；计算趋势变化数据中每个数据与对应线段上每个数据的差值，以所述差值作为趋势变化数据中对应数据的第二压缩值，将趋势变化数据中所有数据更新为对应的第二压缩值，以得到压缩后的趋势变化数据记为第二压缩数据；
噪声监测模块，用于将第一压缩数据和第二压缩数据传输至噪声监测系统中，以确定噪声污染程度；
其中，所述数据分类模块中根据所述邻近区域计算每个数据的重要度的方法，包括：
以任意数据为目标数据，获取所述目标数据与其对应的邻近区域中每个数据的差值绝对值，计算所述目标数据与其对应的邻近区域中所有数据的差值绝对值的均值，均值与目标数据的乘积结果为所述目标数据的重要度；
所述数据分类模块中基于每个数据的重要度得到对应数据的权重的方法，包括：
对当前初始分段数据中所有数据的重要度进行归一化，每个数据对应的归一化后的重要度为对应数据的权重；
所述数据分类模块中基于每个初始分段数据中所有数据的权重的均值设定阈值的方法，包括：
获取当前初始分段数据中所有数据的权重的平均值，以权重的平均值的倒数与预设基准值的乘积结果作为当前初始分段数据的阈值；
所述数据分类模块中根据所述阈值将对应初始分段数据划分为近似相等数据和趋势变化数据的方法，包括：
根据所述阈值将对应初始分段数据划分为至少一个近似数据，每个所述近似数据对应一个线段；
获取每个线段对应的斜率，根据所述斜率将每个线段对应的初始分段数据中的数据划分为近似相等数据和趋势变化数据；
所述数据分类模块中根据所述阈值将对应初始分段数据划分为至少一个近似数据的方法，包括：
以当前初始分段数据中第一个数据与最后一个数据之间的连线得到线段；计算当前初始分段数据中每个数据到所述线段的垂直距离，当所有数据对应的垂直距离中的最大值大于所述阈值时，以垂直距离中的最大值所对应的数据的位置作为目标位置；
以当前初始分段数据中第一个数据与所述目标位置的数据之间的连线得到第一条线段，以所述目标位置的数据与当前初始分段数据中最后一个数据之间的连线得到第二条线段；计算第一条线段对应数据到第一条线段的垂直距离的最大值，判断最大值是否大于所述阈值，若是，则对第一条线段继续分割；计算第二条线段对应数据到第二条线段的垂直距离的最大值，判断最大值是否大于所述阈值，若是，则对第二条线段继续分割；以此类推，直至所有线段对应数据到线段的垂直距离的最大值不大于所述阈值时，得到当前初始分段数据的至少一个线段；
每条线段上的所有数据构成所述近似数据；
所述数据分类模块中根据所述斜率将每个线段对应的初始分段数据中的数据划分为近似相等数据和趋势变化数据的方法，包括：
获取当前线段对应的初始分段数据中所有数据的权重的均值，计算所述均值与稳定常数的求和结果作为分母，以设定常数和所述分母的比值作为区分阈值；
当前线段的斜率小于所述区分阈值时，当前线段对应的初始分段数据中的数据为近似相等数据；当前线段的斜率不小于所述区分阈值时，当前线段对应的初始分段数据中的数据为趋势变化数据。
2.根据权利要求1所述的一种用于城市噪声污染的噪声在线监测系统，其特征在于，所述数据采集及分段模块中对所述原始数据进行分段得到至少一个初始分段数据的方法，包括：
设置预设起始长度，根据所述预设起始长度对所述原始数据进行分段得到第一数据段，计算所述第一数据段的分段效果；
不断增加所述预设起始长度的长度得到不同的分段长度，利用不同的分段长度对所述原始数据进行分段得到不同长度的第一数据段，获取每个分段长度的第一数据段对应的分段效果，所述分段效果最大时对应的分段长度为最佳长度，所述最佳长度对应的第一数据段为第一个初始分段数据；
若所述原始数据中除第一个初始分段数据外还存在剩余数据，以所述预设起始长度为起始，不断增加所述预设起始长度的长度对剩余数据进行分段得到不同长度的第二数据段，选取分段效果最大的第二数据段为第二个初始分段数据，以此类推，直至将所述原始数据全部分段完成得到对应的初始分段数据。
3.根据权利要求2所述的一种用于城市噪声污染的噪声在线监测系统，其特征在于，所述数据采集及分段模块中计算所述第一数据段的分段效果的方法，包括：
获取所述第一数据段中的数据的最大值与最小值的差值，以及所述第一数据段中所有数据的均值，根据所述均值得到所述第一数据段中所有数据的标准差；
获取所述差值、所述均值以及所述标准差的乘积结果，将所述乘积结果的倒数与所述第一数据段对应的分段长度相乘得到所述分段效果。
CN202211289956.9A 2022-10-21 2022-10-21 一种用于城市噪声污染的噪声在线监测系统 Active CN115359807B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211289956.9A CN115359807B (zh) 2022-10-21 2022-10-21 一种用于城市噪声污染的噪声在线监测系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211289956.9A CN115359807B (zh) 2022-10-21 2022-10-21 一种用于城市噪声污染的噪声在线监测系统

Publications (2)

Publication Number Publication Date
CN115359807A CN115359807A (zh) 2022-11-18
CN115359807B true CN115359807B (zh) 2023-01-20

Family

ID=84008748

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211289956.9A Active CN115359807B (zh) 2022-10-21 2022-10-21 一种用于城市噪声污染的噪声在线监测系统

Country Status (1)

Country Link
CN (1) CN115359807B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115858894B (zh) * 2023-02-14 2023-05-16 温州众成科技有限公司 一种可视化的大数据分析方法
CN116700630B (zh) * 2023-08-03 2023-11-10 山东三方化工集团有限公司 基于物联网的有机无机复混肥料生产数据优化存储方法
CN117097810B (zh) * 2023-10-18 2024-01-02 深圳市互盟科技股份有限公司 基于云计算的数据中心传输优化方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003056503A1 (en) * 2001-12-28 2003-07-10 Anoto Ab Method and apparatus for compression and reconstruction of electronic handwriting
CN105792110A (zh) * 2016-03-30 2016-07-20 上海申腾信息技术有限公司 一种多数据来源的数据融合、智能搜索的处理方法
CN107169268A (zh) * 2017-04-20 2017-09-15 南京航空航天大学 一种基于趋势分段相似性的机场噪声监测点异常识别方法
KR20200082500A (ko) * 2018-12-28 2020-07-08 광운대학교 산학협력단 3차원 VR을 위한 2차원 LiDAR 기반 전 방향 3차원 계측 기법 및 이의 장치
CN113131946A (zh) * 2019-12-30 2021-07-16 阿里巴巴集团控股有限公司 数据处理方法、装置、电子设备及存储介质
CN113280819A (zh) * 2021-05-21 2021-08-20 广东美房智高机器人有限公司 一种移动机器人的作业路径数据的压缩方法
CN113450596A (zh) * 2021-05-31 2021-09-28 武汉理工大学 基于船舶轨迹特征点提取的时空dp方法
WO2022108523A1 (en) * 2020-11-18 2022-05-27 Envision Digital International Pte. Ltd. Method and apparatus for compressing data, computer device and storage medium
CN114758674A (zh) * 2022-03-07 2022-07-15 广州大学 一种目标区域的声音信息监测方法、装置、设备及介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013155417A2 (en) * 2012-04-13 2013-10-17 Massachusetts Institute Of Technology Data coreset compression
US11449061B2 (en) * 2016-02-29 2022-09-20 AI Incorporated Obstacle recognition method for autonomous robots
CN114647705A (zh) * 2022-04-08 2022-06-21 杭州电子科技大学 一种基于ais数据的船舶航线提取与轨迹分类方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2003056503A1 (en) * 2001-12-28 2003-07-10 Anoto Ab Method and apparatus for compression and reconstruction of electronic handwriting
CN105792110A (zh) * 2016-03-30 2016-07-20 上海申腾信息技术有限公司 一种多数据来源的数据融合、智能搜索的处理方法
CN107169268A (zh) * 2017-04-20 2017-09-15 南京航空航天大学 一种基于趋势分段相似性的机场噪声监测点异常识别方法
KR20200082500A (ko) * 2018-12-28 2020-07-08 광운대학교 산학협력단 3차원 VR을 위한 2차원 LiDAR 기반 전 방향 3차원 계측 기법 및 이의 장치
CN113131946A (zh) * 2019-12-30 2021-07-16 阿里巴巴集团控股有限公司 数据处理方法、装置、电子设备及存储介质
WO2022108523A1 (en) * 2020-11-18 2022-05-27 Envision Digital International Pte. Ltd. Method and apparatus for compressing data, computer device and storage medium
CN113280819A (zh) * 2021-05-21 2021-08-20 广东美房智高机器人有限公司 一种移动机器人的作业路径数据的压缩方法
CN113450596A (zh) * 2021-05-31 2021-09-28 武汉理工大学 基于船舶轨迹特征点提取的时空dp方法
CN114758674A (zh) * 2022-03-07 2022-07-15 广州大学 一种目标区域的声音信息监测方法、装置、设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Huifeng Ji ; Yihe Wang.The Research on the Compression Algorithms for Vector Data.《2010 International Conference on Multimedia Technology》.2010, *
曲线数据压缩算法的研究及应用;孟卫东等;《计算机系统应用》;20190515(第05期);全文 *
由行程编码改进的一种通用性压缩算法;芦亚亚等;《浙江工业大学学报》;20070228(第01期);全文 *
面向监测数据压缩的自适应SDT算法;张宗华等;《中国测试》;20170228(第02期);全文 *

Also Published As

Publication number Publication date
CN115359807A (zh) 2022-11-18

Similar Documents

Publication Publication Date Title
CN115359807B (zh) 一种用于城市噪声污染的噪声在线监测系统
CN115297289B (zh) 一种监控视频高效存储方法
US20060015333A1 (en) Low-complexity music detection algorithm and system
CN109525337B (zh) WiFi指纹获取方法、装置、存储介质以及设备
CN115775562B (zh) 一种用于蓝牙耳机的声音外泄检测方法
CN111968677A (zh) 面向免验配助听器的语音质量自评估方法
CN115063326B (zh) 基于图像压缩的红外夜视图像高效通讯方法
US9979969B2 (en) Method and system for image compression using image block characteristics
EP1161098B1 (en) Signal detection method and apparatus
CN114221663A (zh) 一种基于字符编码的实时频谱数据压缩及恢复的方法
CN117459418A (zh) 一种实时数据采集存储方法及系统
CN117082153B (zh) 一种载波通信数据采集及数据优化方法
CN112435687A (zh) 一种音频检测方法、装置、计算机设备和可读存储介质
US9215350B2 (en) Sound processing method, sound processing system, video processing method, video processing system, sound processing device, and method and program for controlling same
CN116386669A (zh) 基于分组自动编码器的机器运行声学状态监测方法和系统
CN114882007A (zh) 一种基于记忆网络的图像异常检测方法
Jin et al. Output-based objective speech quality using vector quantization techniques
CN117221016B (zh) 一种远程连接过程中数据安全传输方法
CN117316301B (zh) 一种基因检测数据智能压缩处理方法
CN117312255B (zh) 一种电子文档拆分优化管理方法及系统
CN115270895B (zh) 一种用于柴油机的故障检测方法
CN117594066A (zh) 基于自适应编码的摩托车蓝牙音响数据管理系统
CN116469413B (zh) 一种基于人工智能的压缩音频静默检测方法及装置
CN117155402B (zh) 基于rpa技术的公卫健康智能体检服务系统
CN117749195A (zh) 一种基于管道传感数据特性的远程高效传输方法

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
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Noise Online Monitoring System for Urban Noise Pollution

Effective date of registration: 20230330

Granted publication date: 20230120

Pledgee: China Postal Savings Bank Co.,Ltd. Jining Rencheng District sub branch

Pledgor: Jinye instrument (Shandong) Co.,Ltd.

Registration number: Y2023980036656

PE01 Entry into force 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: 20230120

Pledgee: China Postal Savings Bank Co.,Ltd. Jining Rencheng District sub branch

Pledgor: Jinye instrument (Shandong) Co.,Ltd.

Registration number: Y2023980036656

PC01 Cancellation 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 Noise Online Monitoring System for Urban Noise Pollution

Granted publication date: 20230120

Pledgee: Industrial and Commercial Bank of China Limited Yutai sub branch

Pledgor: Jinye instrument (Shandong) Co.,Ltd.

Registration number: Y2024980013497