CN117172135B - 一种智能噪声监测管理方法与系统 - Google Patents
一种智能噪声监测管理方法与系统 Download PDFInfo
- Publication number
- CN117172135B CN117172135B CN202311442786.8A CN202311442786A CN117172135B CN 117172135 B CN117172135 B CN 117172135B CN 202311442786 A CN202311442786 A CN 202311442786A CN 117172135 B CN117172135 B CN 117172135B
- Authority
- CN
- China
- Prior art keywords
- noise
- matrix
- building
- representing
- signal
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 80
- 238000007726 management method Methods 0.000 title claims abstract description 29
- 238000005457 optimization Methods 0.000 claims abstract description 25
- 230000004807 localization Effects 0.000 claims abstract description 9
- 108010076504 Protein Sorting Signals Proteins 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 158
- 238000000034 method Methods 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 32
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000003595 spectral effect Effects 0.000 claims description 13
- 238000000926 separation method Methods 0.000 claims description 12
- 238000001228 spectrum Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 238000010586 diagram Methods 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 230000001629 suppression Effects 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 8
- 238000003860 storage Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 208000019014 inability to feed Diseases 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及智能噪声监测的技术领域，公开了一种智能噪声监测管理方法，所述方法包括：构建建筑噪声监测传感器布局优化模型，所述模型以建筑内部空间数据为输入约束条件，以最优建筑传感器布局方案为输出；根据计算得到的最优建筑传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号；构造回声干扰环境下的声源定位模型，建立不同噪声信号与声源位置的对应关系；构造建筑噪声音量预测模型，所述模型以析离出来的不同声源的噪声信号序列数据为输入，以噪声信号音量预测为输出，根据预测得到的噪声信号音量判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
Description
技术领域
本发明涉及智能噪声监测的技术领域，尤其涉及一种智能噪声监测管理方法与系统。
背景技术
建筑噪声是日常生活和工作中的一个普遍问题，会对人们的健康、安全和舒适感产生负面影响。传统上，建筑噪声监测主要依赖于专业设备和人工检测，这种方法存在一些局限性，比如成本高昂、覆盖范围有限以及无法实时反馈等。随着智能技术的发展，利用传感器、数据处理和人工智能等技术来实现建筑智能噪声监测已经成为了研究的焦点。目前已经有许多研究探索了基于智能技术的建筑噪声监测方法。其中，一些研究集中在以下方面：传感器网络与数据采集：利用传感器技实时采集噪声数据，并将其传输到数据处理平台。数据处理与分析：对采集到的噪声数据进行预处理、特征提取和模式识别等分析，以获取噪声水平、频谱分布等信息。尽管基于智能技术的建筑噪声监测方法已经取得了一些进展，但仍然存在以下问题：一是传感器的准确部署对于噪声监测完备性至关重要，需要解决传感器覆盖定位的问题，二是建筑噪声存在多路径回波导致噪声声源定位失准。针对上述问题，本专利提出一种智能噪声监测管理方法与系统，实现建筑噪声准确精准定位与安全预警。
发明内容
有鉴于此，本发明提供一种智能噪声监测管理方法，目的在于：1）在数量限制条件下实现建筑内部空间的最优化噪声监测覆盖；2）在多路径噪声回波干扰条件下实现噪声声源精准定位，建立不同噪声信号与声源位置的对应关系，最终实现智能噪声监测管理。
实现上述目的，本发明提供的一种智能噪声监测管理方法，包括以下步骤：
S1：构建建筑噪声监测传感器布局优化模型，所述模型以建筑内部空间数据为输入约束条件，以最优建筑传感器布局方案为输出；
S2：根据计算得到的最优建筑传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号；
S3：构造回声干扰环境下的声源定位模型，所述模型以析离出来的噪声信号为输入，以噪声信号声源位置为输出，建立不同噪声信号与声源位置的对应关系；
S4：构造建筑噪声音量预测模型，所述模型以析离出来的不同声源的噪声信号序列数据为输入，以噪声信号音量预测为输出，根据预测得到的噪声信号音量判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
作为本发明的进一步改进方法：
可选地，所述S1步骤中构建建筑噪声监测传感器布局优化模型，包括：
构建建筑噪声监测传感器布局优化模型，在数量限制条件下最优化室内空间的噪声监测覆盖率，其中最优化室内空间噪声监测覆盖率的具体计算公式为：
/>
其中：
表示噪声传感器的布局坐标集合C的监测覆盖率；
表示噪声传感器的布局坐标；
表示建筑内部空间任意坐标，/>表示建筑内部的水平方向坐标点范围，表示建筑内部的竖直方向坐标点范围；
R表示噪声传感器的监测范围；
表示噪声传感器距离建筑内部空间坐标点的欧式距离；
表示坐标/>被噪声传感器监测的质量函数；
表示噪声传感器的布局坐标集合；
表示噪声传感器数量；
表示坐标/>是否被噪声传感器集合中的任意传感器监测到；
表示建筑内部空间范围。
可选地，所述S2步骤中根据计算得到的最优传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号，包括：
持续采集监测噪声信号构造混合观测信号矩阵并随机初始化混合矩阵，通过不断迭代更新混合矩阵并计算混合矩阵和混合观测信号矩阵的乘积来实现噪音信号的析离，从混合的信号中分离出不同来源的噪声信号，具体实施流程为：
S21：初始化混合观测信号矩阵和混合矩阵以及最大迭代次数，其中矩阵的大小为M×N，M 表示传感器数量，N 表示监测采样点数量；
S22：根据混合观测信号矩阵更新混合矩阵，具体计算公式为：
其中：
表示第t次迭代后的混合矩阵；
表示学习率，用于控制参数更新的步长；
表示单位矩阵；
表示非线性函数，对矩阵中每一个元素进行非线性化计算；
表示混合观测信号矩阵；
设置W为达到最大迭代次数时迭代得到的混合矩阵；
S23：根据更新混合矩阵计算源信号矩阵实现不同来源噪声信号的分离，具体计算公式为：
其中：
表示卷积操作；
表示更新后的混合矩阵；
表示分离后的源信号矩阵。
可选地，所述S3步骤中构造回声干扰环境下的声源定位模型，包括：
S31：对分离得到的源信号矩阵进行回声消除，得到干净信号矩阵Y；
S32：对干净信号矩阵Y进行特征提取，得到相关特征向量序列F；
S33：基于提取得到的特征向量序列F进行声源定位，具体计算公式为：
其中：
表示估计的优声源位置坐标；
表示声源位置坐标；
表示采样点索引；
表示权重函数，用于调整不同采样点的重要性；
表示声源定位函数，根据特征向量和声源方位角来估计声源位置。
所述S31步骤对分离得到的源信号矩阵进行回声消除，包括：
A1：对源信号矩阵S进行短时傅里叶变换得到时频表示矩阵；在本发明实施例中，通过将源信号切分成多个重叠的窗口，并对每个窗口进行傅里叶变换；
A2：对时频表示矩阵中的每个元素的频域表示进行幅度平方处理，得到功率谱密度矩阵；
A3：在不包含目标声源的区域进行声源观测获得背景音估计，在每个频率点，将多个窗口的功率谱密度值平均，得到背景音的功率谱密度矩阵；
A4：根据谱减算法，计算噪声声源的干净谱矩阵，对于每个频率点和窗口，干净谱矩阵/>每一个元素的计算公式为：
其中：
表示频率索引，取值范围为/>，/>为窗口长度；
表示窗口索引，取值范围为/>，M为窗口数量；
为谱增益参数，用于控制噪声抑制的程度；
A5：利用矩阵和混响信号矩阵/>，对每个频率点上的混响信号进行谱减操作，得到频域干净信号矩阵/>，频域干净信号矩阵每一元素的计算公式为：
其中：
表示混响信号的频域表示矩阵中第/>频率点、第j窗口的值；
表示频域干净信号矩阵在第/>频率点、第j窗口的值；
A6：对频域干净信号矩阵进行逆短时傅里叶变换，输出干净信号矩阵/>。
可选地，所述S4步骤中构造建筑噪声音量预测模型，包括：
S41：采集干净噪声信号序列，使用滑动窗口方法将时间序列划分为子序列，为每个子序列创建一个节点，并通过相邻子序列之间的距离连接创建边构建信号图，其中邻接矩阵为所述信号图的主要实施方法；
S42：构造建筑噪声音量预测模型，其中图卷积循环神经网络为所述预测模型的主要实施方法，所述模型以信号图的邻接矩阵为输入，以噪声音量预测值为输出，包括图卷积层、LSTM层、输出层：
（1）图卷积层通过邻接矩阵将节点特征进行聚合，得到邻居节点对目标节点的贡献，使用ReLU激活函数对聚合结果进行非线性处理，增加模型表达能力，得到节点表示矩阵；
（2）LSTM层以节点表示矩阵作为输入，同时接收上一个时间步的隐藏状态，计算当前时间步的隐藏状态和细胞状态，并输出隐藏状态矩阵；
（3）输出层使用全连接层将隐藏状态矩阵映射为噪声音量预测结果；
S43：对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，根据求解得到模型参数实例化预测模型进行噪声音量预测，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
所述S43步骤对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，包括：
S431：初始化建筑噪声音量预测模型参数p、辅助变量y和步长参数t；
S432：按照步骤B1-B4进行迭代更新：
B1：计算当前模型参数p处的梯度g(p)；
B2：通过公式来更新辅助变量a；
其中：表示步长参数，控制更新幅度；b表示常数参数；
B3：应用近端算子求解子问题来更新模型参数p；
其中：表示目标函数，/>表示正则项，/>表示L2范数；
B4：采用回溯线搜索步长参数；
S433：根据预设的停止准则判断是否达到收敛，所述停止准则包括满足一定迭代次数或目标函数变化小于阈值；
S434：若未达到收敛条件，返回步骤S432继续进行迭代求解；若达到收敛条件，输出最终的优化模型参数。
为了解决上述问题，本发明提供一种智能噪声监测管理系统，其特征在于，所述系统包括：
传感器部署模块，用于利用建筑噪声监测传感器布局优化模型生成最优建筑传感器布局方案并进行传感器部署；
音源定位模块，用于采集建筑噪声信号并对采集的信号进行析离，利用回声干扰环境下的声源定位模型建立不同噪声信号与声源位置的对应关系；
噪声音量预测装置，用于利用建筑噪声音量预测模型得到噪声声源位置的预测噪声信号音量，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
为了解决上述问题，本发明提供一种电子设备，所述电子设备包括：
存储器，存储至少一个指令；
通信接口，实现电子设备通信；及
处理器，执行所述存储器中存储的指令以实现上述所述的智能噪声监测管理方法。
为了解决上述问题，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有至少一个指令，所述至少一个指令被电子设备中的处理器执行以实现上述所述的智能噪声监测管理方法。
相对于现有技术，本发明提出一种智能噪声监测管理方法，该技术具有以下优势：
首先，本方案提出一种建筑噪声监测传感器布局优化方案：
构建建筑噪声监测传感器布局优化模型，在数量限制条件下最优化室内空间的噪声监测覆盖率，其中最优化室内空间噪声监测覆盖率的具体计算公式为：
/>
其中：表示噪声传感器的布局坐标集合C的监测覆盖率；/>表示噪声传感器的布局坐标；/>表示建筑内部空间任意坐标，/>表示建筑内部的水平方向坐标点范围，/>表示建筑内部的竖直方向坐标点范围；R表示噪声传感器的监测范围；/>表示噪声传感器距离建筑内部空间坐标点的欧式距离；/>表示坐标/>被噪声传感器监测的质量函数；/>表示噪声传感器的布局坐标集合；/>表示噪声传感器数量；表示坐标/>是否被噪声传感器集合中的任意传感器监测到；/>表示建筑内部空间范围。持续采集监测噪声信号构造混合观测信号矩阵并随机初始化混合矩阵，通过不断迭代更新混合矩阵并计算混合矩阵和混合观测信号矩阵的乘积来实现噪音信号的析离，从混合的信号中分离出不同来源的噪声信号，具体实施流程为：初始化混合观测信号矩阵和混合矩阵以及最大迭代次数，其中矩阵的大小为 M×N，M 表示传感器数量，N 表示监测采样点数量；根据混合观测信号矩阵更新混合矩阵，具体计算公式为：
其中：/>表示第t次迭代后的混合矩阵；/>表示学习率，用于控制参数更新的步长；/>表示单位矩阵；表示非线性函数，对矩阵中每一个元素进行非线性化计算；/>表示混合观测信号矩阵；设置W为达到最大迭代次数时迭代得到的混合矩阵；根据更新混合矩阵计算源信号矩阵实现不同来源噪声信号的分离，具体计算公式为：
其中：/>表示卷积操作；/>表示更新后的混合矩阵；/>表示分离后的源信号矩阵。
本方案还提出一种建筑噪声音量预测方法，包括：
构造建筑噪声音量预测模型，其中图卷积循环神经网络为所述预测模型的主要实施方法，所述模型以信号图的邻接矩阵为输入，以噪声音量预测值为输出，包括图卷积层、LSTM层、输出层：（1）图卷积层通过邻接矩阵将节点特征进行聚合，得到邻居节点对目标节点的贡献，使用ReLU激活函数对聚合结果进行非线性处理，增加模型表达能力，得到节点表示矩阵；（2）LSTM层以节点表示矩阵作为输入，同时接收上一个时间步的隐藏状态，计算当前时间步的隐藏状态和细胞状态，并输出隐藏状态矩阵；（3）输出层使用全连接层将隐藏状态矩阵映射为噪声音量预测结果；对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，根据求解得到模型参数实例化预测模型进行噪声音量预测，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。所述对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，包括：初始化建筑噪声音量预测模型参数p、辅助变量y和步长参数t；按照步骤B1-B4进行迭代更新：B1：计算当前模型参数p处的梯度g(p)；B2：通过公式来更新辅助变量a；其中：/>表示步长参数，控制更新幅度；b表示常数参数；B3：应用近端算子求解子问题来更新模型参数p；其中：/>表示目标函数，/>表示正则项，/>表示L2范数；B4：采用回溯线搜索步长参数；根据预设的停止准则判断是否达到收敛，所述停止准则包括满足一定迭代次数或目标函数变化小于阈值；若未达到收敛条件，继续进行迭代求解；若达到收敛条件，输出最终的优化模型参数。本方案基于噪声传感器监听质量函数构造建筑噪声检测传感器布局优化模型，优化求解最优传感器布局方案，根据计算得到的最优传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号，构造回声干扰环境下的声源定位模型，建立不同噪声信号与声源位置的对应关系，利用改进的应用近端算子方法实现最优模型参数优化，实现建筑噪声的准确、快速监测和定位。
附图说明
图1为本发明一实施例提供的一种智能噪声监测管理方法的流程示意图；
图2为本发明一实施例提供的一种智能噪声监测管理系统的结构示意图；
图2中：100智能噪声监测管理系统，101传感器部署模块，102音源定位模块，103噪声音量预测装置；
图3为本发明一实施例提供的实现智能噪声监测管理方法的电子设备的结构示意图。
图中：1电子设备，10处理器，11存储器，12程序，13通信接口。
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
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。
本申请实施例提供一种智能噪声监测管理方法。所述智能噪声监测管理方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述智能噪声监测管理方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。
实施例1：
S1：构建建筑噪声监测传感器布局优化模型，所述模型以建筑内部空间数据为输入约束条件，以最优建筑传感器布局方案为输出。
所述S1步骤中构建建筑噪声监测传感器布局优化模型，包括：
构建建筑噪声监测传感器布局优化模型，在数量限制条件下最优化室内空间的噪声监测覆盖率，其中最优化室内空间噪声监测覆盖率的具体计算公式为：
/>
其中：
表示噪声传感器的布局坐标集合C的监测覆盖率；
表示噪声传感器的布局坐标；
表示建筑内部空间任意坐标，/>表示建筑内部的水平方向坐标点范围，表示建筑内部的竖直方向坐标点范围；
R表示噪声传感器的监测范围；
表示噪声传感器距离建筑内部空间坐标点的欧式距离；
表示坐标/>被噪声传感器监测的质量函数；
表示噪声传感器的布局坐标集合；
表示噪声传感器数量；
表示坐标/>是否被噪声传感器集合中的任意传感器监测到；
表示建筑内部空间范围。
S2：根据计算得到的最优建筑传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号。
所述S2步骤中根据计算得到的最优传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号，包括：
持续采集监测噪声信号构造混合观测信号矩阵并随机初始化混合矩阵，通过不断迭代更新混合矩阵并计算混合矩阵和混合观测信号矩阵的乘积来实现噪音信号的析离，从混合的信号中分离出不同来源的噪声信号，具体实施流程为：
S21：初始化混合观测信号矩阵和混合矩阵以及最大迭代次数，其中矩阵的大小为M×N，M 表示传感器数量，N 表示监测采样点数量；
S22：根据混合观测信号矩阵更新混合矩阵，具体计算公式为：
其中：
表示第t次迭代后的混合矩阵；
表示学习率，用于控制参数更新的步长；
表示单位矩阵；
表示非线性函数，对矩阵中每一个元素进行非线性化计算；
表示混合观测信号矩阵；
设置W为达到最大迭代次数时迭代得到的混合矩阵；
S23：根据更新混合矩阵计算源信号矩阵实现不同来源噪声信号的分离，具体计算公式为：
其中：
表示卷积操作；
表示更新后的混合矩阵；
表示分离后的源信号矩阵。
S3：构造回声干扰环境下的声源定位模型，所述模型以析离出来的噪声信号为输入，以噪声信号声源位置为输出，建立不同噪声信号与声源位置的对应关系。
所述S3步骤中构造回声干扰环境下的声源定位模型，包括：
S31：对分离得到的源信号矩阵进行回声消除，得到干净信号矩阵Y；
S32：对干净信号矩阵Y进行特征提取，得到相关特征向量序列F；
S33：基于提取得到的特征向量序列F进行声源定位，具体计算公式为：
其中：
表示估计的优声源位置坐标；
表示声源位置坐标；
表示采样点索引；
表示权重函数，用于调整不同采样点的重要性；
表示声源定位函数，根据特征向量和声源方位角来估计声源位置。
所述对分离得到的源信号矩阵进行回声消除，包括：
A1：对源信号矩阵S进行短时傅里叶变换得到时频表示矩阵；在本发明实施例中，通过将源信号切分成多个重叠的窗口，并对每个窗口进行傅里叶变换；
A2：对时频表示矩阵中的每个元素的频域表示进行幅度平方处理，得到功率谱密度矩阵；
A3：在不包含目标声源的区域进行声源观测获得背景音估计，在每个频率点，将多个窗口的功率谱密度值平均，得到背景音的功率谱密度矩阵；
A4：根据谱减算法，计算噪声声源的干净谱矩阵，对于每个频率点和窗口，干净谱矩阵/>每一个元素的计算公式为：
其中：
表示频率索引，取值范围为/>，/>为窗口长度；
表示窗口索引，取值范围为/>，M为窗口数量；
为谱增益参数，用于控制噪声抑制的程度；
A5：利用矩阵和混响信号矩阵/>，对每个频率点上的混响信号进行谱减操作，得到频域干净信号矩阵/>，频域干净信号矩阵每一元素的计算公式为：
其中：
表示混响信号的频域表示矩阵中第/>频率点、第j窗口的值；
表示频域干净信号矩阵在第/>频率点、第j窗口的值；
A6：对频域干净信号矩阵进行逆短时傅里叶变换，输出干净信号矩阵/>。
S4：构造建筑噪声音量预测模型，所述模型以析离出来的不同声源的噪声信号序列数据为输入，以噪声信号音量预测为输出，根据预测得到的噪声信号音量判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
所述S4步骤中构造建筑噪声音量预测模型，包括：
S41：采集干净噪声信号序列，使用滑动窗口方法将时间序列划分为子序列，为每个子序列创建一个节点，并通过相邻子序列之间的距离连接创建边构建信号图，其中邻接矩阵为所述信号图的主要实施方法；
S42：构造建筑噪声音量预测模型，其中图卷积循环神经网络为所述预测模型的主要实施方法，所述模型以信号图的邻接矩阵为输入，以噪声音量预测值为输出，包括图卷积层、LSTM层、输出层：
（1）图卷积层通过邻接矩阵将节点特征进行聚合，得到邻居节点对目标节点的贡献，使用ReLU激活函数对聚合结果进行非线性处理，增加模型表达能力，得到节点表示矩阵；
（2）LSTM层以节点表示矩阵作为输入，同时接收上一个时间步的隐藏状态，计算当前时间步的隐藏状态和细胞状态，并输出隐藏状态矩阵；
（3）输出层使用全连接层将隐藏状态矩阵映射为噪声音量预测结果；
S43：对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，根据求解得到模型参数实例化预测模型进行噪声音量预测，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
所述S43步骤对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，包括：
S431：初始化建筑噪声音量预测模型参数p、辅助变量y和步长参数t；
S432：按照步骤B1-B4进行迭代更新：
B1：计算当前模型参数p处的梯度g(p)；
B2：通过公式来更新辅助变量a；
其中：表示步长参数，控制更新幅度；b表示常数参数；
B3：应用近端算子求解子问题来更新模型参数p；
其中：表示目标函数，/>表示正则项，/>表示L2范数；
B4：采用回溯线搜索步长参数；
S433：根据预设的停止准则判断是否达到收敛，所述停止准则包括满足一定迭代次数或目标函数变化小于阈值；
S434：若未达到收敛条件，返回步骤S432继续进行迭代求解；若达到收敛条件，输出最终的优化模型参数。
实施例2：
如图2所示，是本发明一实施例提供的智能噪声监测管理系统的功能模块图，其可以实现实施例1中的智能噪声监测管理方法。
本发明所述智能噪声监测管理系统100可以安装于电子设备中。根据实现的功能，所述智能噪声监测管理系统可以包括传感器部署模块101、音源定位模块102及噪声音量预测装置103。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
传感器部署模块101，用于利用建筑噪声监测传感器布局优化模型生成最优建筑传感器布局方案并进行传感器部署；
音源定位模块102，用于采集建筑噪声信号并对采集的信号进行析离，利用回声干扰环境下的声源定位模型建立不同噪声信号与声源位置的对应关系；
噪声音量预测装置103，用于利用建筑噪声音量预测模型得到噪声声源位置的预测噪声信号音量，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
详细地，本发明实施例中所述智能噪声监测管理系统100中的所述各模块在使用时采用与上述的图1中所述的智能噪声监测管理方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
实施例3：
如图3所示，是本发明一实施例提供的实现智能噪声监测管理方法的电子设备的结构示意图。
所述电子设备1可以包括处理器10、存储器11、通信接口13和总线，还可以包括存储在所述存储器11中并可在所述处理器10上运行的计算机程序，如程序12。
其中，所述存储器11至少包括一种类型的可读存储介质，所述可读存储介质包括闪存、移动硬盘、多媒体卡、卡型存储器（例如：SD或DX存储器等）、磁性存储器、磁盘、光盘等。所述存储器11在一些实施例中可以是电子设备1的内部存储单元，例如该电子设备1的移动硬盘。所述存储器11在另一些实施例中也可以是电子设备1的外部存储设备，例如电子设备1上配备的插接式移动硬盘、智能存储卡（Smart Media Card， SMC）、安全数字（SecureDigital， SD）卡、闪存卡（Flash Card）等。进一步地，所述存储器11还可以既包括电子设备1的内部存储单元也包括外部存储设备。所述存储器11不仅可以用于存储安装于电子设备1的应用软件及各类数据，例如程序12的代码等，还可以用于暂时地存储已经输出或者将要输出的数据。
所述处理器10在一些实施例中可以由集成电路组成，例如可以由单个封装的集成电路所组成，也可以是由多个相同功能或不同功能封装的集成电路所组成，包括一个或者多个中央处理器（Central Processing unit，CPU）、微处理器、数字处理芯片、图形处理器及各种控制芯片的组合等。所述处理器10是所述电子设备的控制核心（Control Unit），利用各种接口和线路连接整个电子设备的各个部件，通过运行或执行存储在所述存储器11内的程序或者模块（用于实现智能噪声监测的程序12等），以及调用存储在所述存储器11内的数据，以执行电子设备1的各种功能和处理数据。
所述通信接口13可以包括有线接口和/或无线接口（如WI-FI接口、蓝牙接口等），通常用于在该电子设备1与其他电子设备之间建立通信连接，并实现电子设备内部组件之间的连接通信。
所述总线可以是外设部件互连标准（peripheral component interconnect，简称PCI）总线或扩展工业标准结构（extended industry standard architecture，简称EISA）总线等。该总线可以分为地址总线、数据总线、控制总线等。所述总线被设置为实现所述存储器11以及至少一个处理器10等之间的连接通信。
图3仅示出了具有部件的电子设备，本领域技术人员可以理解的是，图3示出的结构并不构成对所述电子设备1的限定，可以包括比图示更少或者更多的部件，或者组合某些部件，或者不同的部件布置。
例如，尽管未示出，所述电子设备1还可以包括给各个部件供电的电源（比如电池），优选地，电源可以通过电源管理装置与所述至少一个处理器10逻辑相连，从而通过电源管理装置实现充电管理、放电管理、以及功耗管理等功能。电源还可以包括一个或一个以上的直流或交流电源、再充电装置、电源故障检测电路、电源转换器或者逆变器、电源状态指示器等任意组件。所述电子设备1还可以包括多种传感器、蓝牙模块、Wi-Fi模块等，在此不再赘述。
可选地，该电子设备1还可以包括用户接口，用户接口可以是显示器（Display）、输入单元（比如键盘（Keyboard）），可选地，用户接口还可以是标准的有线接口、无线接口。可选地，在一些实施例中，显示器可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED（Organic Light-Emitting Diode，有机发光二极管）触摸器等。其中，显示器也可以适当的称为显示屏或显示单元，用于显示在电子设备1中处理的信息以及用于显示可视化的用户界面。
应该了解，所述实施例仅为说明之用，在专利申请范围上并不受此结构的限制。
所述电子设备1中的所述存储器11存储的程序12是多个指令的组合，在所述处理器10中运行时，可以实现：
构建建筑噪声监测传感器布局优化模型，所述模型以建筑内部空间数据为输入约束条件，以最优建筑传感器布局方案为输出；
根据计算得到的最优建筑传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号；
构造回声干扰环境下的声源定位模型，所述模型以析离出来的噪声信号为输入，以噪声信号声源位置为输出，建立不同噪声信号与声源位置的对应关系；
构造建筑噪声音量预测模型，所述模型以析离出来的不同声源的噪声信号序列数据为输入，以噪声信号音量预测为输出，根据预测得到的噪声信号音量判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置。
具体地，所述处理器10对上述指令的具体实现方法可参考图1至图3对应实施例中相关步骤的描述，在此不赘述。
需要说明的是，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。并且本文中的术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、装置、物品或者方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、装置、物品或者方法所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括该要素的过程、装置、物品或者方法中还存在另外的相同要素。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品存储在如上所述的一个存储介质(如ROM/RAM、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，计算机，服务器，或者网络设备等)执行本发明各个实施例所述的方法。
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。
Claims (3)
1.一种智能噪声监测管理方法，其特征在于，所述方法包括：
S1：构建建筑噪声监测传感器布局优化模型，所述模型以建筑内部空间数据为输入约束条件，以最优建筑传感器布局方案为输出；
S2：根据计算得到的最优建筑传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号；
所述S2步骤中根据计算得到的最优传感器布局方案部署传感器采集建筑噪声信号并对采集的信号进行析离，从混合的信号中分离出不同来源的噪声信号，包括：
持续采集监测噪声信号构造混合观测信号矩阵并随机初始化混合矩阵，通过不断迭代更新混合矩阵并计算混合矩阵和混合观测信号矩阵的乘积来实现噪音信号的析离，从混合的信号中分离出不同来源的噪声信号，具体实施流程为：
S21：初始化混合观测信号矩阵和混合矩阵以及最大迭代次数，其中矩阵的大小为 M×N，M 表示传感器数量，N 表示监测采样点数量；
S22：根据混合观测信号矩阵更新混合矩阵，具体计算公式为：
其中：
表示第t次迭代后的混合矩阵；
表示学习率，用于控制参数更新的步长；
表示单位矩阵；
表示非线性函数，对矩阵中每一个元素进行非线性化计算；
表示混合观测信号矩阵；
S23：根据更新混合矩阵计算源信号矩阵实现不同来源噪声信号的分离，具体计算公式为：
其中：
表示卷积操作；
表示达到最大迭代次数时迭代得到的混合矩阵；
表示分离后的源信号矩阵；
S3：构造回声干扰环境下的声源定位模型，所述模型以析离出来的噪声信号为输入，以噪声信号声源位置为输出，建立不同噪声信号与声源位置的对应关系；
所述构造回声干扰环境下的声源定位模型，包括：
S31：对分离得到的源信号矩阵S进行回声消除，得到干净信号矩阵Y；
S32：对干净信号矩阵Y进行特征提取，得到相关特征向量序列F；
S33：基于提取得到的特征向量序列F进行声源定位，具体计算公式为：
其中：
表示估计的优声源位置坐标；
表示声源位置坐标；
表示采样点索引；
表示权重函数，用于调整不同采样点的重要性；
表示声源定位函数，根据特征向量和声源方位角来估计声源位置；
所述对分离得到的源信号矩阵S进行回声消除，包括：
A1：对源信号矩阵S进行短时傅里叶变换得到时频表示的混响信号矩阵；
A2：对时频表示的混响信号矩阵中的每个元素的频域表示进行幅度平方处理，得到功率谱密度矩阵/>；
A3：在不包含目标声源的区域进行声源观测获得背景音估计，在每个频率点将多个窗口的功率谱密度值平均，得到背景音的功率谱密度矩阵；
A4：根据谱减算法，计算噪声声源的干净谱矩阵，对于每个频率点和窗口，干净谱矩阵/>每一个元素的计算公式为：
其中：
表示频率索引，取值范围为[0，/>/2]，/>为窗口长度；
表示窗口索引，取值范围为[0，D-1]，D为窗口数量；
为谱增益参数，用于控制噪声抑制的程度；
A5：利用矩阵和混响信号矩阵/>，对每个频率点上的混响信号进行谱减操作，得到频域干净信号矩阵/>，频域干净信号矩阵/>每一元素的计算公式为：
其中：
表示混响信号的频域表示矩阵中第/>频率点、第j窗口的值；
表示频域干净信号矩阵在第/>频率点、第j窗口的值；
A6：对频域干净信号矩阵进行逆短时傅里叶变换，输出干净信号矩阵/>；
S4：构造建筑噪声音量预测模型，所述模型以析离出来的不同声源的噪声信号序列数据为输入，以噪声信号音量预测为输出，根据预测得到的噪声信号音量判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置；
所述构造建筑噪声音量预测模型，包括：
S41：采集干净噪声信号序列，使用滑动窗口方法将时间序列划分为子序列，为每个子序列创建一个节点，并通过相邻子序列之间的距离创建边，构建信号图，其中邻接矩阵为所述信号图的主要实施方法；
S42：构造建筑噪声音量预测模型，其中图卷积循环神经网络为所述预测模型的主要实施方法，所述模型以信号图的邻接矩阵为输入，以噪声音量预测值为输出，包括图卷积层、LSTM层、输出层：
（1）图卷积层通过邻接矩阵将节点特征进行聚合，得到邻居节点对目标节点的贡献，使用ReLU激活函数对聚合结果进行非线性处理，增加模型表达能力，得到节点表示矩阵；
（2）LSTM层以节点表示矩阵作为输入，同时接收上一个时间步的隐藏状态，计算当前时间步的隐藏状态和细胞状态，并输出隐藏状态矩阵；
（3）输出层使用全连接层将隐藏状态矩阵映射为噪声音量预测结果；
S43：对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，根据求解得到模型参数实例化预测模型进行噪声音量预测，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置；
对构建的建筑噪声音量预测模型进行优化求解得到最优模型参数，包括：
S431：初始化建筑噪声音量预测模型参数p、辅助变量a和步长参数；
S432：按照步骤B1-B4进行迭代更新：
B1：计算当前模型参数p处的梯度g(p)；
B2：通过公式 a = b -* g(p) 来更新辅助变量a；
其中：表示步长参数，控制更新幅度；b表示常数参数；
B3：应用近端算子求解子问题来更新模型参数p；
其中：表示目标函数，/>表示正则项，/>表示L2范数；
B4：采用回溯线搜索步长参数；
S433：根据预设的停止准则判断是否达到收敛，所述停止准则包括满足一定迭代次数或目标函数变化小于阈值；
S434：若未达到收敛条件，返回步骤S432继续进行迭代求解；若达到收敛条件，输出最终的优化模型参数。
2.如权利要求1所述的一种智能噪声监测管理方法，其特征在于，所述S1步骤中构建建筑噪声监测传感器布局优化模型，包括：
构建建筑噪声监测传感器布局优化模型，在数量限制条件下最优化室内空间的噪声监测覆盖率，其中最优化室内空间噪声监测覆盖率的具体计算公式为：
其中：
表示噪声传感器的布局坐标集合C的监测覆盖率；
表示噪声传感器的布局坐标；
表示建筑内部空间任意坐标，/>表示建筑内部的水平方向坐标点范围，/>表示建筑内部的竖直方向坐标点范围；
R表示噪声传感器的监测范围；
表示噪声传感器距离建筑内部空间坐标点的欧式距离；
表示坐标/>被噪声传感器监测的质量函数；
表示噪声传感器的布局坐标集合；
表示坐标/>是否被噪声传感器集合中的任意传感器监测到；
表示建筑内部空间范围。
3.一种智能噪声监测管理系统，其特征在于，所述系统包括：
传感器部署模块，用于利用建筑噪声监测传感器布局优化模型生成最优建筑传感器布局方案并进行传感器部署；
音源定位模块，用于采集建筑噪声信号并对采集的信号进行析离，利用回声干扰环境下的声源定位模型建立不同噪声信号与声源位置的对应关系；
噪声音量预测装置，用于利用建筑噪声音量预测模型得到噪声声源位置的预测噪声信号音量，判断是否超过指定阈值，若超过指定阈值则报警，并指示相应噪声信号声源位置，以实现一种如权利要求1-2任一项所述的智能噪声监测管理方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442786.8A CN117172135B (zh) | 2023-11-02 | 2023-11-02 | 一种智能噪声监测管理方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311442786.8A CN117172135B (zh) | 2023-11-02 | 2023-11-02 | 一种智能噪声监测管理方法与系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117172135A CN117172135A (zh) | 2023-12-05 |
| CN117172135B true CN117172135B (zh) | 2024-02-06 |
Family
ID=88937810
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311442786.8A Active CN117172135B (zh) | 2023-11-02 | 2023-11-02 | 一种智能噪声监测管理方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117172135B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014195132A1 (en) * | 2013-06-05 | 2014-12-11 | Thomson Licensing | Method of audio source separation and corresponding apparatus |
| CN110988979A (zh) * | 2019-12-19 | 2020-04-10 | 中国地质大学（武汉） | Tbm高压脉冲水射流破岩震源超前探测装置及方法 |
| EP3761237A1 (en) * | 2019-07-01 | 2021-01-06 | Institut Mines-Telecom | Devices and methods for machine learning assisted sphere decoding |
| CN113742936A (zh) * | 2021-09-14 | 2021-12-03 | 贵州大学 | 基于函数型状态空间模型的复杂制造过程建模与预测方法 |
| CN113935246A (zh) * | 2021-10-29 | 2022-01-14 | 闽南师范大学 | 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质 |
| CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
| WO2022172229A1 (en) * | 2021-02-14 | 2022-08-18 | Silentium Ltd. | Apparatus, system and method of active acoustic control (aac) at an open acoustic headphone |
| CN115062542A (zh) * | 2022-06-15 | 2022-09-16 | 浙江工业大学 | 基于二维稳健lstm的聚合反应过程质量预测方法 |
| WO2022256577A1 (en) * | 2021-06-02 | 2022-12-08 | Board Of Regents, The University Of Texas System | A method of speech enhancement and a mobile computing device implementing the method |
| CN116110419A (zh) * | 2023-01-05 | 2023-05-12 | 长沙东玛克信息科技有限公司 | 一种自适应波束整形的智能会议音频处理方法及系统 |
| CN116863906A (zh) * | 2023-08-29 | 2023-10-10 | 中化学交通建设集团运营管理(山东)有限公司 | 一种建筑结构噪声监测与隔音处理方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111009256B (zh) * | 2019-12-17 | 2022-12-27 | 北京小米智能科技有限公司 | 一种音频信号处理方法、装置、终端及存储介质 |
-
2023
- 2023-11-02 CN CN202311442786.8A patent/CN117172135B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2014195132A1 (en) * | 2013-06-05 | 2014-12-11 | Thomson Licensing | Method of audio source separation and corresponding apparatus |
| EP3761237A1 (en) * | 2019-07-01 | 2021-01-06 | Institut Mines-Telecom | Devices and methods for machine learning assisted sphere decoding |
| CN110988979A (zh) * | 2019-12-19 | 2020-04-10 | 中国地质大学（武汉） | Tbm高压脉冲水射流破岩震源超前探测装置及方法 |
| WO2022172229A1 (en) * | 2021-02-14 | 2022-08-18 | Silentium Ltd. | Apparatus, system and method of active acoustic control (aac) at an open acoustic headphone |
| WO2022256577A1 (en) * | 2021-06-02 | 2022-12-08 | Board Of Regents, The University Of Texas System | A method of speech enhancement and a mobile computing device implementing the method |
| CN113742936A (zh) * | 2021-09-14 | 2021-12-03 | 贵州大学 | 基于函数型状态空间模型的复杂制造过程建模与预测方法 |
| CN113935246A (zh) * | 2021-10-29 | 2022-01-14 | 闽南师范大学 | 一种信号鲁棒稀疏时频分析方法、终端设备及存储介质 |
| CN114325214A (zh) * | 2021-11-18 | 2022-04-12 | 国网辽宁省电力有限公司电力科学研究院 | 一种基于麦克风阵列声源定位技术的电力在线监测方法 |
| CN115062542A (zh) * | 2022-06-15 | 2022-09-16 | 浙江工业大学 | 基于二维稳健lstm的聚合反应过程质量预测方法 |
| CN116110419A (zh) * | 2023-01-05 | 2023-05-12 | 长沙东玛克信息科技有限公司 | 一种自适应波束整形的智能会议音频处理方法及系统 |
| CN116863906A (zh) * | 2023-08-29 | 2023-10-10 | 中化学交通建设集团运营管理(山东)有限公司 | 一种建筑结构噪声监测与隔音处理方法 |
Non-Patent Citations (3)
| Title |
|---|
| A new acoustic emission damage localization method using synchrosqueezed wavelet transforms picker and time-order method;Wang, Jingkai等;《STRUCTURAL HEALTH MONITORING-AN INTERNATIONAL JOURNAL》;全文 * |
| 基于超拉普拉斯先验与核谱特性噪声图像盲去模糊;余义斌;吴承鑫;彭念;袁仕芳;;工程数学学报(06);全文 * |
| 基于超高斯激励的噪声顽健语音线性预测分析算法;周彬;邹霞;张雄伟;赵改华;;通信学报(05);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117172135A (zh) | 2023-12-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11719753B2 (en) | Method and system for predicting energy consumption of a vehicle through application of a statistical model utilizing environmental and road condition information | |
| Qu et al. | An LSSVR-based algorithm for online system condition prognostics | |
| CN112669829A (zh) | 异常音检测装置、异常音采样装置以及程序 | |
| Shaikh et al. | A hybrid moth–flame algorithm with particle swarm optimization with application in power transmission and distribution | |
| CN113837894B (zh) | 基于残差卷积模块的非侵入式居民用户负荷分解方法 | |
| CN110443830B (zh) | 一种基于混合高斯背景模型的降水云团检测方法 | |
| EP3796115B1 (en) | Anomaly detection for robotic arms using vibration data | |
| CN109754581A (zh) | 机房设备预警方法、装置、设备及存储介质 | |
| CN102254394A (zh) | 一种基于视频差异分析的输电线路杆塔防盗监控方法 | |
| Ma et al. | A novel broad learning system based leakage detection and universal localization method for pipeline networks | |
| CN114692758A (zh) | 电力通信故障分析方法、装置、终端设备及介质 | |
| CN104039008B (zh) | 一种混合定位方法 | |
| Panigrahi et al. | A power quality detection and classification algorithm based on FDST and hyper-parameter tuned light-GBM using memetic firefly algorithm | |
| CN116502692A (zh) | 一种模型的训练方法、光伏发电功率的预测方法及设备 | |
| CN117172135B (zh) | 一种智能噪声监测管理方法与系统 | |
| CN107687994A (zh) | 空气检测系统及方法 | |
| CN112272074B (zh) | 一种基于神经网络的信息传输速率控制方法及系统 | |
| Karakose | Reinforcement learning based artificial immune classifier | |
| CN112560791A (zh) | 识别模型的训练方法、识别方法、装置及电子设备 | |
| Wietrzykowski et al. | Adopting the FAB-MAP algorithm for indoor localization with WiFi fingerprints | |
| CN110826413A (zh) | 一种输电线路防振锤故障检测方法及其系统、存储介质 | |
| US10181332B1 (en) | System and method for detecting and identifying unmanned aircraft systems | |
| CN112884068A (zh) | 故障诊断的方法及装置、电子设备和存储介质 | |
| CN113408210A (zh) | 基于深度学习的非侵入负荷分解方法、系统、介质和设备 | |
| JP2022128256A (ja) | 異常度算出システムおよび方法 |
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 |