CN117421563B - 基于多传感器数据融合分析噪声的方法、装置以及设备 - Google Patents
基于多传感器数据融合分析噪声的方法、装置以及设备 Download PDFInfo
- Publication number
- CN117421563B CN117421563B CN202311740245.3A CN202311740245A CN117421563B CN 117421563 B CN117421563 B CN 117421563B CN 202311740245 A CN202311740245 A CN 202311740245A CN 117421563 B CN117421563 B CN 117421563B
- Authority
- CN
- China
- Prior art keywords
- noise
- data
- vibration
- environmental
- analysis
- 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
- 230000004927 fusion Effects 0.000 title claims abstract description 95
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 133
- 230000007613 environmental effect Effects 0.000 claims abstract description 132
- 239000013598 vector Substances 0.000 claims abstract description 43
- 230000001364 causal effect Effects 0.000 claims abstract description 34
- 238000012545 processing Methods 0.000 claims abstract description 26
- 238000013079 data visualisation Methods 0.000 claims abstract description 16
- 238000010183 spectrum analysis Methods 0.000 claims abstract description 10
- 238000011217 control strategy Methods 0.000 claims abstract description 4
- 238000004422 calculation algorithm Methods 0.000 claims description 89
- 238000000605 extraction Methods 0.000 claims description 56
- 238000011156 evaluation Methods 0.000 claims description 53
- 239000011159 matrix material Substances 0.000 claims description 45
- 238000012544 monitoring process Methods 0.000 claims description 40
- 238000009826 distribution Methods 0.000 claims description 38
- 238000013210 evaluation model Methods 0.000 claims description 28
- 238000001228 spectrum Methods 0.000 claims description 21
- 230000006870 function Effects 0.000 claims description 19
- 230000005236 sound signal Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 18
- 239000003550 marker Substances 0.000 claims description 16
- 238000012937 correction Methods 0.000 claims description 12
- 238000010586 diagram Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000002156 mixing Methods 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 230000000750 progressive effect Effects 0.000 claims description 5
- 239000002131 composite material Substances 0.000 claims description 4
- 230000002194 synthesizing effect Effects 0.000 claims description 4
- 238000013461 design Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 3
- 230000002411 adverse Effects 0.000 abstract 1
- 230000000875 corresponding effect Effects 0.000 description 24
- 230000009286 beneficial effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 208000025174 PANDAS Diseases 0.000 description 1
- 208000021155 Paediatric autoimmune neuropsychiatric disorders associated with streptococcal infection Diseases 0.000 description 1
- 240000000220 Panda oleosa Species 0.000 description 1
- 235000016496 Panda oleosa Nutrition 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000009435 building construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 210000004907 gland Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009323 psychological health Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000012827 research and development Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及数据处理的技术领域，公开了一种基于多传感器数据融合分析噪声的方法、装置以及设备。所述方法包括：采集环境中的声波信号，得到第一数据；获取环境中的物体的振动数据，得到第二数据；测量环境的环境参数，得到第三数据；对第一数据进行声谱分析，得到声学特征；对第二数据进行时频分析，得到振动特征；对第三数据进行因果分析，得到环境特征；将声学特征、振动特征以及环境特征进行融合，得到目标融合向量；对目标融合向量进行评估，得到环境的噪声级别，生成对应的噪声分析报告传输至预置的数据可视化平台。本发明根据分析结果设计出更有效的噪声控制策略，从而降低噪声对人们生活和工作的不良影响，改善环境质量。
Description
技术领域
本发明涉及数据处理的技术领域，尤其涉及一种基于多传感器数据融合分析噪声的方法、装置以及设备。
背景技术
环境噪声的监测与评估是环境保护和城市管理中的一个重要问题。为了控制和减少噪声污染，需要对环境中的噪声进行准确的监测和分析。目前，噪声监测主要依靠声学传感器收集声波信号来评估噪声水平，而这些数据有时不足以描述噪声的全貌，特别是在复杂的工业环境或城市环境中。
现有技术中，通常是使用单一的传感器，如声学传感器，来进行噪声检测。然而这种方法忽略了振动数据和环境参数对噪声评估的影响，由于缺乏足够的环境信息和数据融合，所得到的噪声评估结果不够全面和准确。此外，在处理和分析噪声数据时，现有技术也缺乏有效的数据融合和分析技术，无法提供一个综合的噪声评估。
因此，研发一种能够整合多种传感器数据、利用深度学习和数据融合技术进行准确噪声评估的方法，对于提高环境噪声监测的准确度和可操作性具有重要意义。
发明内容
本发明提供了一种基于多传感器数据融合分析噪声的方法、装置以及设备，用于解决如何通过整合多种传感器数据、利用深度学习和数据融合技术进行噪声评估的技术问题。
本发明第一方面提供了一种基于多传感器数据融合分析噪声的方法，所述基于多传感器数据融合分析噪声的方法包括：
通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
将声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台。
可选的，在本发明第一方面的第一种实现方式中，所述噪声评估模型的训练过程，包括：
采集环境中的音频信号、振动信号及环境监测信号，将音频信号、振动信号及环境监测信号转换为代表声学性质、振动态势和环境状况的数据集，所述数据集分别包含声压级数据、振动强度数据及环境影响因素数据，将所述数据集输入至预设的噪声评级分析网络中；其中，所述噪声评级分析网络构成为声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型；
基于声学模式解析子模型，处理环境音频信号，辨识实际噪音水平模式，与预定声学性能基线进行比较，输出声学偏差等级指标；
基于振动模式识别子模型，处理环境振动信号，判定环境振动信号与噪音相关的振动频率特性，输出对应的振动等级指标；
基于环境效应评估子模型，分析环境监测信号，量化环境因素对噪声水平的贡献作用，并输出环境贡献指标；
基于噪声整体评价子模型，结合声学、振动及环境数据分析结果，进行综合噪声级别评估，并输出综合噪声级别指标；
从已采集的数据集中提取预先标定的环境噪声基准标记，基于预设的噪声评级分析网络中的各个子模型的输出与预先标定的环境噪声基准标记，计算各个子模型的输出与环境噪声基准标记之间的误差；其中，所述环境噪声基准标记包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记；
基于选定的优化策略对噪声评级分析网络中的各个子模型的模型参数进行调整，最小化所述误差，训练得到噪声评估模型。
可选的，在本发明第一方面的第二种实现方式中，还包括：
获取目标监测区域内n组不同位置的噪声水平数据，每个噪声水平数据由相应的传感器所测量；其中，n为大于1的整数；
计算和确定n组噪声水平数据中每组噪声水平数据之间的相似度，构建相似度矩阵作为第一相似度矩阵，基于所述第一相似度矩阵计算各传感器数据的可靠性指标；
基于各传感器的可靠性指标，选定一个最佳传感器阵列，并从第一相似度矩阵中提取出与最佳传感器阵列对应的第二相似度矩阵；
对最佳传感器阵列中每个传感器的可靠性指标进行标准化处理，得到各传感器的权重系数；
利用权重系数对第二相似度矩阵进行加权归一化调整，得到概率分配矩阵；
评估概率分配矩阵中各分配值的置信度，得到评估结果，并基于所述评估结果为每个概率分配值定义一个修正系数；
基于所述修正系数调整相应的概率分配值，得到调整后的概率密度函数值；
基于预设的推理规则对各概率密度函数值进行合成处理，得到目标融合函数分布图；其中，所述目标融合函数分布图用于对目标监测区域内的噪声污染状况进行评估。
可选的，在本发明第一方面的第三种实现方式中，所述将所述噪声分析报告传输至预置的数据可视化平台的步骤之前，包括：
基于预设的信息转换文件对所述噪声分析报告进行信息转化，生成对应的信息字符组合；
根据所述信息字符组合，在噪声数据处理规则数据库中匹配对应的字符分割规则；
依据匹配出的字符分割规则对信息字符组合进行分割，生成多个子信息字符组合；
基于预设的字符选取规则，从多个子信息字符组合中选取出关键噪声分析特征字符的特定子标识字符组合，作为主要数据包；
生成随机序列，并将所述随机序列与主要数据包混合，得到混淆数据流；
从预设的加密算法数据库中随机选择出两个不相同的加密算法，分别为第一加密算法、第二加密算法；其中，所述第二加密算法为所述第一加密算法的递进式级联加密算法；
基于所述第一加密算法，对所述混淆数据流进行加密，得到第一加密数据；
基于所述第二加密算法，对所述第一加密数据进行加密，得到第二加密数据。
可选的，在本发明第一方面的第四种实现方式中，所述噪声分析报告用于评估噪声影响以及根据噪声分析报告设计噪声控制策略。
本发明第二方面提供了一种基于多传感器数据融合分析噪声的装置，所述基于多传感器数据融合分析噪声的装置包括：
采集模块，用于通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
第一分析模块，用于对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
第二分析模块，用于对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
第三分析模块，用于对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
将融合分析模块，用于声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
预测模块，用于将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
传输模块，用于基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台。
本发明第三方面提供了一种基于多传感器数据融合分析噪声的设备，包括：存储器和至少一个处理器，所述存储器中存储有指令；所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于多传感器数据融合分析噪声的设备执行上述的基于多传感器数据融合分析噪声的方法。
本发明的第四方面提供了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指令，当其在计算机上运行时，使得计算机执行上述的基于多传感器数据融合分析噪声的方法。
本发明提供的技术方案中，有益效果：本发明通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；将声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台。本发明通过整合声学、振动和环境参数的多种传感器数据，能够更全面和准确地评估环境中的噪声水平。声学传感器提供的声波信号，结合振动传感器的物体振动数据和环境传感器的环境参数，为噪声分析提供了多维度的数据支持。本发明能够对多种数据类型进行深入分析，通过特征提取和数据融合算法，生成更为准确的噪声评估模型。并且所得到的噪声评估结果不仅仅依赖于单一维度的声学数据，而是融合了振动和环境参数，这使得噪声分析更为全面，尤其在复杂环境中的应用更为有效。此外，通过对不同类型数据的特征提取和融合，能够更准确地识别和分析噪声来源和性质，提高了噪声评估的精度和可靠性。
附图说明
图1为本发明实施例中基于多传感器数据融合分析噪声的方法的一个实施例示意图；
图2为本发明实施例中基于多传感器数据融合分析噪声的装置的一个实施例示意图。
具体实施方式
本发明实施例提供了一种基于多传感器数据融合分析噪声的方法、装置以及设备。本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等（如果存在）是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的实施例能够以除了在这里图示或描述的内容以外的顺序实施。此外，术语“包括”或“具有”及其任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为便于理解，下面对本发明实施例的具体流程进行描述，请参阅图1，本发明实施例中基于多传感器数据融合分析噪声的方法的一个实施例包括：
步骤101、通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
可以理解的是，本发明的执行主体可以为基于多传感器数据融合分析噪声的装置，还可以是终端或者服务器，具体此处不做限定。本发明实施例以服务器为执行主体为例进行说明。
具体的，以下是实现步骤101的具体步骤：
部署声学传感器：在需要监测声波信号的位置安装并配置高灵敏度的声学传感器，例如麦克风传感器阵列。此传感器可以捕获环境中的声音波形信号。
采集声波信号数据：通过声学传感器实时采集环境中的声波信号，并将其转换为数字信号。这些数据将包括声音的幅度和频率等信息。
部署振动传感器：在需要监测物体振动的位置安装振动传感器，例如加速度计或振动传感器。该传感器可以实时监测物体的振动状态并输出对应的振动数据。
采集振动数据：通过振动传感器获取环境中物体的振动数据，包括振动的幅值、频率和振动模式等信息。
部署环境传感器：布置环境传感器，如温度传感器、湿度传感器和气压传感器，以监测环境参数，并确保其位置合适，能够全面反映环境特点。
测量环境参数：通过环境传感器实时测量环境的参数，包括温度、湿度和气压等，并将这些参数转化为数字信号进行采集。
步骤102、对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
具体的，以下是实现步骤102的具体步骤：
进行声谱分析：利用数字信号处理技术中的快速傅里叶变换（FFT）算法，对第一数据进行频谱分析，将声音信号从时域转换到频域。这样做可以得到声音信号在不同频率下的能量分布情况，形成频谱图。
提取噪声频谱信息：从声谱图中识别出噪声频谱信息，这些信息可以表现为特定频率范围内的信号能量集中或显著变化。
预设第一特征提取算法：实现预设的特征提取算法，例如常见的声学特征参数提取方法包括短时能量、过零率、声学频谱特征等。通过这些算法能够从噪声频谱信息中提取出特定的声学特征。
提取声学特征：应用预设的特征提取算法，从噪声频谱信息中提取特定的声学特征，如声音的频率特征、频谱轮廓特征等。
步骤103、对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
具体的，以下是实现步骤103的具体步骤：
进行时频分析：使用时频分析方法，如短时傅里叶变换（STFT）或连续小波变换（CWT），对第二数据进行时频分析。这样可以将振动信号从时域转换到时频域，得到振动信号随时间和频率变化的信息。
提取噪声振动信息：在时频分析的基础上，提取出噪声振动信息，即在不同时间和频率下振动信号的特征和能量分布。
预设第二特征提取算法：实施预设的特征提取算法，例如使用时频分析结果进行瞬时频率估计或时频图谱分解，并结合小波包分析进行特征提取。
提取振动特征：运用预设的特征提取算法，从噪声振动信息中提取出特定的频率特征，例如主要频率成分、频谱包络特征等。
步骤104、对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
具体的，以下是实现步骤104的具体步骤：
进行因果分析：使用因果推断方法，如格兰杰因果分析（Granger CausalityAnalysis）或因果图模型（Causal Graphical Models），对第三数据进行因果分析。这样可以确定不同变量之间的因果关系，即确定噪声信号和环境因素之间的因果联系。
提取噪声因果信息：利用因果推断方法识别噪声信号与环境因素之间的因果信息，确定哪些环境因素可能导致或影响噪声信号的产生或变化。
预设第三特征提取算法：实施预设的特征提取算法，如因果推断结果与环境因素相关的特征提取方法，例如使用因果图模型中的变量选择和因果效应估计。
提取环境特征：运用预设的特征提取算法，从噪声因果信息中提取出与环境因素相关的特征，如环境变量的重要性排名、驱动噪声变化的关键因素等。
步骤105、将声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
具体的，以下是实现步骤105的具体步骤：
多维特征向量的构建：将声学特征、振动特征和环境特征按照一定规则整合为一个多维特征向量。例如，将不同特征按时间或空间顺序排列形成一个多维向量，或者用在机器学习模型中常用的特征表达形式如特征矩阵。
数据融合算法：基于预设的数据融合算法，如卡尔曼滤波（Kalman Filter）、贝叶斯网络（Bayesian Network）或者深度学习的集成学习算法（如随机森林或梯度提升树），对构建的多维特征向量进行融合。
融合向量的生成：通过数据融合算法对多维特征向量进行融合，得到目标融合向量。融合向量应包含整合后的信息，能够更全面准确地描述声学特征、振动特征和环境特征之间的关系。
步骤106、将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
具体的，以下是实现步骤106的具体步骤：
输入目标融合向量：将目标融合向量作为输入，输入至经过提前训练后的噪声评估模型。目标融合向量应该包含了环境特征和传感器数据的综合信息。
进行噪声评估：使用训练后的噪声评估模型，对输入的融合向量进行评估，预测得到环境的噪声级别。可以使用各种机器学习模型，如支持向量机（SVM）、深度神经网络等模型进行预测。
得到环境的噪声级别：通过噪声评估模型的预测结果，得到对环境噪声级别的评估。这个评估可以是分级的，也可以是数值化的（如分贝值），反映了环境中的噪声水平。
步骤107、基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台。
具体的，以下是实现步骤107的具体步骤：
生成噪声分析报告：基于模型预测的噪声级别，利用专业分析工具，如Python中的数据分析库（pandas、numpy）、统计软件（SPSS、SAS）、或者专门的噪声分析软件，生成对应的噪声分析报告。报告应该包括预测的噪声水平、分析结果的可靠性评估、环境特征对噪声水平的影响等内容。
传输至数据可视化平台：将生成的噪声分析报告传输至预置的数据可视化平台中。可以利用云端平台，如Tableau、Power BI等，或者自行开发的数据可视化系统进行数据上传和展示。在数据可视化平台上，通过图表、地图等形式直观地展示噪声分析结果。
本发明实施例中基于多传感器数据融合分析噪声的方法的另一个实施例包括：
所述噪声评估模型的训练过程，包括：
采集环境中的音频信号、振动信号及环境监测信号，将音频信号、振动信号及环境监测信号转换为代表声学性质、振动态势和环境状况的数据集，所述数据集分别包含声压级数据、振动强度数据及环境影响因素数据，将所述数据集输入至预设的噪声评级分析网络中；其中，所述噪声评级分析网络构成为声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型；
基于声学模式解析子模型，处理环境音频信号，辨识实际噪音水平模式，与预定声学性能基线进行比较，输出声学偏差等级指标；
基于振动模式识别子模型，处理环境振动信号，判定环境振动信号与噪音相关的振动频率特性，输出对应的振动等级指标；
基于环境效应评估子模型，分析环境监测信号，量化环境因素对噪声水平的贡献作用，并输出环境贡献指标；
基于噪声整体评价子模型，结合声学、振动及环境数据分析结果，进行综合噪声级别评估，并输出综合噪声级别指标；
从已采集的数据集中提取预先标定的环境噪声基准标记，基于预设的噪声评级分析网络中的各个子模型的输出与预先标定的环境噪声基准标记，计算各个子模型的输出与环境噪声基准标记之间的误差；其中，所述环境噪声基准标记包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记；
基于选定的优化策略对噪声评级分析网络中的各个子模型的模型参数进行调整，最小化所述误差，训练得到噪声评估模型。
具体的，重要术语的解释：
噪声评估模型：指用于分析环境中声音和振动数据，评估噪声水平的模型。
振动信号：指在环境中产生的振动数据，用于描述振动态势。
环境监测信号：指环境中采集的各种监测数据，用于描述环境状况。
数据集：指包含声压级数据、振动强度数据及环境影响因素数据的集合，用于输入到噪声评级分析网络中进行噪声评估。
噪声评级分析网络：由声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型组成的网络，用于对声学、振动和环境数据进行综合分析并评价噪声水平。
环境噪声基准标记：包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记，用于标定环境噪声基准。
应用场景：
该技术方案可以应用于对环境噪声进行评估和分析的场景，如工业生产车间、城市交通环境、机场、建筑施工等领域。
实施例1：
假设在一个工业生产车间中，需要对机器设备产生的环境噪声进行评估和分析，以保证工作环境的安全和舒适。具体实施步骤如下：
采集工业车间中的音频信号、振动信号及环境监测信号，转换为声压级数据、振动强度数据及环境影响因素数据，并构建数据集。
将数据集输入至预设的噪声评级分析网络中，包括声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型。
基于声学模式解析子模型，处理环境音频信号，辨识实际噪音水平模式，与预定声学性能基线进行比较，输出声学偏差等级指标。
基于振动模式识别子模型，处理环境振动信号，判定环境振动信号与噪音相关的振动频率特性，输出振动等级指标。
基于环境效应评估子模型，分析环境监测信号，量化环境因素对噪声水平的贡献作用，并输出环境贡献指标。
基于噪声整体评价子模型，结合声学、振动及环境数据分析结果，进行综合噪声级别评估，并输出综合噪声级别指标。
从已采集的数据集中提取预先标定的环境噪声基准标记，包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记。
计算各个子模型的输出与环境噪声基准标记之间的误差，并基于选定的优化策略对噪声评级分析网络中的各个子模型的模型参数进行调整，训练得到噪声评估模型。
本发明实施例中，有益效果：本发明实施例通过建立噪声评级分析网络，利用多种传感器数据融合分析技术，实现了对环境噪声的精准评估，可以帮助管理人员对工作环境噪声进行有效管控。通过评估噪声水平，有助于识别和解决工作场所的噪声问题，提升工作环境的舒适性和安全性，有益于员工的身心健康。基于环境噪声评估模型的训练结果，可以为管理者提供客观的数据支持，用于制定针对噪声管控的有效政策和措施，实现安全生产和可持续发展。通过融合音频信号、振动信号及环境监测信号，充分利用多源数据的信息，提高了噪声评估的准确性和全面性，有助于全面把握工作环境的实际情况。
本发明实施例中基于多传感器数据融合分析噪声的方法的另一个实施例包括：
获取目标监测区域内n组不同位置的噪声水平数据，每个噪声水平数据由相应的传感器所测量；其中，n为大于1的整数；
计算和确定n组噪声水平数据中每组噪声水平数据之间的相似度，构建相似度矩阵作为第一相似度矩阵，基于所述第一相似度矩阵计算各传感器数据的可靠性指标；
基于各传感器的可靠性指标，选定一个最佳传感器阵列，并从第一相似度矩阵中提取出与最佳传感器阵列对应的第二相似度矩阵；
对最佳传感器阵列中每个传感器的可靠性指标进行标准化处理，得到各传感器的权重系数；
利用权重系数对第二相似度矩阵进行加权归一化调整，得到概率分配矩阵；
评估概率分配矩阵中各分配值的置信度，得到评估结果，并基于所述评估结果为每个概率分配值定义一个修正系数；
基于所述修正系数调整相应的概率分配值，得到调整后的概率密度函数值；
基于预设的推理规则对各概率密度函数值进行合成处理，得到目标融合函数分布图；其中，所述目标融合函数分布图用于对目标监测区域内的噪声污染状况进行评估。
具体的，重要术语解释：
多传感器数据融合分析：利用多个传感器获取的数据，通过融合分析得出更准确、综合的结论。
噪声水平数据：指环境中的噪声水平，可以通过传感器进行测量。
相似度矩阵：用于表示不同组噪声水平数据之间的相似度关系的矩阵。
可靠性指标：用于评估传感器数据可靠性的指标，可以影响传感器数据的权重。
权重系数：用于表示各传感器在数据融合中的重要程度的系数。
概率分配矩阵：通过对相似度矩阵进行加权归一化调整得到的用于表示各传感器数据权重的矩阵。
修正系数：用于调整概率分配值的系数，可以反映出每个概率分配值的置信度。
应用场景：该技术方案可以应用于各种需要对环境噪声进行监测和评估的场景，如城市环境监测、工业生产场所噪声控制、交通噪声管理等。
实施例2：
首先，收集目标监测区域内n组不同位置的噪声水平数据，每组数据由相应的传感器测量，n为大于1的整数。这些数据将被用于计算和确定 n 组噪声水平数据中每组数据之间的相似度，构建相似度矩阵作为第一相似度矩阵。
基于第一相似度矩阵，计算各传感器数据的可靠性指标，然后根据可靠性指标选定一个最佳传感器阵列，并从相似度矩阵中提取出与最佳传感器阵列对应的第二相似度矩阵。
接下来，对最佳传感器阵列中每个传感器的可靠性指标进行标准化处理，得到各传感器的权重系数，然后利用权重系数对第二相似度矩阵进行加权归一化调整，得到概率分配矩阵。
进一步地，评估概率分配矩阵中各分配值的置信度，得到评估结果，并基于评估结果为每个概率分配值定义一个修正系数。利用修正系数调整相应的概率分配值，得到调整后的概率密度函数值。
最后，基于预设的推理规则对各概率密度函数值进行合成处理，得到目标融合函数分布图，该分布图用于对目标监测区域内的噪声污染状况进行评估。通过这种方式，可以根据多传感器数据融合分析得出更准确、全面的目标监测区域内噪声污染情况的评估结果。
本发明实施例中，有益效果：该技术方案可以提高噪声监测的准确性和可靠性，通过对多传感器数据融合分析，可以更全面地了解目标监测区域内的噪声状况，为环境保护、噪声控制等领域提供科学依据。同时，通过对不同传感器数据的权重分配和修正，可以有效减小噪声监测误差，提高数据分析的可信度和实用性。
本发明实施例中基于多传感器数据融合分析噪声的方法的另一个实施例包括：
基于预设的信息转换文件对所述噪声分析报告进行信息转化，生成对应的信息字符组合；
根据所述信息字符组合，在噪声数据处理规则数据库中匹配对应的字符分割规则；
依据匹配出的字符分割规则对信息字符组合进行分割，生成多个子信息字符组合；
基于预设的字符选取规则，从多个子信息字符组合中选取出关键噪声分析特征字符的特定子标识字符组合，作为主要数据包；
生成随机序列，并将所述随机序列与主要数据包混合，得到混淆数据流；
从预设的加密算法数据库中随机选择出两个不相同的加密算法，分别为第一加密算法、第二加密算法；其中，所述第二加密算法为所述第一加密算法的递进式级联加密算法；
基于所述第一加密算法，对所述混淆数据流进行加密，得到第一加密数据；
基于所述第二加密算法，对所述第一加密数据进行加密，得到第二加密数据。
具体的，重要术语解释：
预设的信息转换文件：预先定义的用于转换噪声分析报告信息的文件，可以包括数据格式、编码规则等信息。
噪声数据处理规则数据库：存储了用于处理噪声分析报告信息的规则库，包括字符匹配、分割规则等。
字符分割规则：用于根据信息字符组合进行分割的规则，有助于提取出特定的噪声分析特征字符。
字符选取规则：预设的用于从多个子信息字符组合中选取关键噪声分析特征字符的规则。
混淆数据流：通过混合随机序列和主要数据包生成的混淆的数据流，增加了数据的安全性和保密性。
加密算法数据库：存储了各种加密算法的数据库，用于选择加密方法。
递进式级联加密算法：一种特定的加密算法，通过级联应用两个不同的加密算法来增强数据的安全性。
应用场景：该技术方案可以应用于需要对噪声分析报告进行保密传输的场景，比如环境监测数据传输、噪声治理数据传输等领域。
实施例3：
在环境监测领域，当需要将噪声分析报告传输至预置的数据可视化平台时，采取以下步骤：
基于预设的信息转换文件，对噪声分析报告进行信息转化，生成对应的信息字符组合。
根据信息字符组合，在噪声数据处理规则数据库中匹配对应的字符分割规则。
依据匹配出的字符分割规则对信息字符组合进行分割，生成多个子信息字符组合。
基于预设的字符选取规则，从多个子信息字符组合中选取出关键噪声分析特征字符的特定子标识字符组合，作为主要数据包。
生成随机序列，并将随机序列与主要数据包混合，得到混淆数据流。
从预设的加密算法数据库中随机选择出两个不相同的加密算法，分别为第一加密算法、第二加密算法；其中，第二加密算法为第一加密算法的递进式级联加密算法。
基于第一加密算法，对混淆数据流进行加密，得到第一加密数据。
基于第二加密算法，对第一加密数据进行加密，得到第二加密数据。
本发明实施例中，有益效果：通过以上步骤，噪声分析报告在传输至数据可视化平台之前经历了信息转化、分割、混淆和加密等多重处理，增强了数据的安全性和隐私性。这样的处理措施有效保护了敏感的噪声分析报告数据，防止了信息泄露和不当使用，有利于保护环境监测数据的安全性。
本发明实施例中基于多传感器数据融合分析噪声的方法的另一个实施例包括：
所述噪声分析报告用于评估噪声影响以及根据噪声分析报告设计噪声控制策略。
上面对本发明实施例中基于多传感器数据融合分析噪声的方法进行了描述，下面对本发明实施例中基于多传感器数据融合分析噪声的装置进行描述，请参阅图2，本发明实施例中基于多传感器数据融合分析噪声的装置一个实施例包括：
采集模块，用于通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
第一分析模块，用于对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
第二分析模块，用于对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
第三分析模块，用于对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
将融合分析模块，用于声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
预测模块，用于将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
传输模块，用于基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台。
本发明还提供一种基于多传感器数据融合分析噪声的设备，所述基于多传感器数据融合分析噪声的设备包括存储器和处理器，存储器中存储有计算机可读指令，计算机可读指令被处理器执行时，使得处理器执行上述各实施例中的所述基于多传感器数据融合分析噪声的方法的步骤。
本发明还提供一种计算机可读存储介质，该计算机可读存储介质可以为非易失性计算机可读存储介质，该计算机可读存储介质也可以为易失性计算机可读存储介质，所述计算机可读存储介质中存储有指令，当所述指令在计算机上运行时，使得计算机执行所述基于多传感器数据融合分析噪声的方法的步骤。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案的全部或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一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（read-only memory，ROM）、随机存取存储器（random access memory，RAM）、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种基于多传感器数据融合分析噪声的方法，其特征在于，包括以下步骤：
通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
将声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台；
所述噪声评估模型的训练过程，包括：
采集环境中的音频信号、振动信号及环境监测信号，将音频信号、振动信号及环境监测信号转换为代表声学性质、振动态势和环境状况的数据集，所述数据集分别包含声压级数据、振动强度数据及环境影响因素数据，将所述数据集输入至预设的噪声评级分析网络中；其中，所述噪声评级分析网络构成为声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型；
基于声学模式解析子模型，处理环境音频信号，辨识实际噪音水平模式，与预定声学性能基线进行比较，输出声学偏差等级指标；
基于振动模式识别子模型，处理环境振动信号，判定环境振动信号与噪音相关的振动频率特性，输出对应的振动等级指标；
基于环境效应评估子模型，分析环境监测信号，量化环境因素对噪声水平的贡献作用，并输出环境贡献指标；
基于噪声整体评价子模型，结合声学、振动及环境数据分析结果，进行综合噪声级别评估，并输出综合噪声级别指标；
从已采集的数据集中提取预先标定的环境噪声基准标记，基于预设的噪声评级分析网络中的各个子模型的输出与预先标定的环境噪声基准标记，计算各个子模型的输出与环境噪声基准标记之间的误差；其中，所述环境噪声基准标记包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记；
基于选定的优化策略对噪声评级分析网络中的各个子模型的模型参数进行调整，最小化所述误差，训练得到噪声评估模型；
所述的基于多传感器数据融合分析噪声的方法，还包括：
获取目标监测区域内n组不同位置的噪声水平数据，每个噪声水平数据由相应的传感器所测量；其中，n为大于1的整数；
计算和确定n组噪声水平数据中每组噪声水平数据之间的相似度，构建相似度矩阵作为第一相似度矩阵，基于所述第一相似度矩阵计算各传感器数据的可靠性指标；
基于各传感器的可靠性指标，选定一个最佳传感器阵列，并从第一相似度矩阵中提取出与最佳传感器阵列对应的第二相似度矩阵；
对最佳传感器阵列中每个传感器的可靠性指标进行标准化处理，得到各传感器的权重系数；
利用权重系数对第二相似度矩阵进行加权归一化调整，得到概率分配矩阵；
评估概率分配矩阵中各分配值的置信度，得到评估结果，并基于所述评估结果为每个概率分配值定义一个修正系数；
基于所述修正系数调整相应的概率分配值，得到调整后的概率密度函数值；
基于预设的推理规则对各概率密度函数值进行合成处理，得到目标融合函数分布图；其中，所述目标融合函数分布图用于对目标监测区域内的噪声污染状况进行评估。
2.根据权利要求1所述的基于多传感器数据融合分析噪声的方法，其特征在于，所述将所述噪声分析报告传输至预置的数据可视化平台的步骤之前，包括：
基于预设的信息转换文件对所述噪声分析报告进行信息转化，生成对应的信息字符组合；
根据所述信息字符组合，在噪声数据处理规则数据库中匹配对应的字符分割规则；
依据匹配出的字符分割规则对信息字符组合进行分割，生成多个子信息字符组合；
基于预设的字符选取规则，从多个子信息字符组合中选取出关键噪声分析特征字符的特定子标识字符组合，作为主要数据包；
生成随机序列，并将所述随机序列与主要数据包混合，得到混淆数据流；
从预设的加密算法数据库中随机选择出两个不相同的加密算法，分别为第一加密算法、第二加密算法；其中，所述第二加密算法为所述第一加密算法的递进式级联加密算法；
基于所述第一加密算法，对所述混淆数据流进行加密，得到第一加密数据；
基于所述第二加密算法，对所述第一加密数据进行加密，得到第二加密数据。
3.根据权利要求1所述的基于多传感器数据融合分析噪声的方法，其特征在于，所述噪声分析报告用于评估噪声影响以及根据噪声分析报告设计噪声控制策略。
4.一种基于多传感器数据融合分析噪声的装置，其特征在于，所述基于多传感器数据融合分析噪声的装置包括：
采集模块，用于通过声学传感器采集环境中的声波信号，得到第一数据；通过振动传感器获取环境中的物体的振动数据，得到第二数据；通过环境传感器测量环境的环境参数，得到第三数据；
第一分析模块，用于对所述第一数据进行声谱分析，得到噪声频谱信息，并通过预设的第一特征提取算法，对所述噪声频谱信息进行声学特征提取，得到声学特征；
第二分析模块，用于对所述第二数据进行时频分析，得到噪声振动信息，并通过预设的第二特征提取算法，对所述噪声振动信息进行频率特征提取，得到振动特征；
第三分析模块，用于对所述第三数据进行因果分析，得到噪声因果信息，并通过预设的第三特征提取算法，对所述噪声因果信息进行环境特征提取，得到环境特征；
融合模块，用于声学特征、振动特征以及环境特征整合为一个多维特征向量，并基于预设的数据融合算法对所述多维特征向量进行融合，得到目标融合向量；
预测模块，用于将所述目标融合向量输入至训练后的噪声评估模型进行评估，预测得到环境的噪声级别；其中，所述噪声评估模型经过提前训练得到；
传输模块，用于基于预测的噪声级别，生成对应的噪声分析报告，并将所述噪声分析报告传输至预置的数据可视化平台；
所述噪声评估模型的训练过程，包括：
采集环境中的音频信号、振动信号及环境监测信号，将音频信号、振动信号及环境监测信号转换为代表声学性质、振动态势和环境状况的数据集，所述数据集分别包含声压级数据、振动强度数据及环境影响因素数据，将所述数据集输入至预设的噪声评级分析网络中；其中，所述噪声评级分析网络构成为声学模式解析子模型、振动模式识别子模型、环境效应评估子模型及噪声整体评价子模型；
基于声学模式解析子模型，处理环境音频信号，辨识实际噪音水平模式，与预定声学性能基线进行比较，输出声学偏差等级指标；
基于振动模式识别子模型，处理环境振动信号，判定环境振动信号与噪音相关的振动频率特性，输出对应的振动等级指标；
基于环境效应评估子模型，分析环境监测信号，量化环境因素对噪声水平的贡献作用，并输出环境贡献指标；
基于噪声整体评价子模型，结合声学、振动及环境数据分析结果，进行综合噪声级别评估，并输出综合噪声级别指标；
从已采集的数据集中提取预先标定的环境噪声基准标记，基于预设的噪声评级分析网络中的各个子模型的输出与预先标定的环境噪声基准标记，计算各个子模型的输出与环境噪声基准标记之间的误差；其中，所述环境噪声基准标记包括声学偏差标记、振动等级标记、环境贡献标记及综合噪声级别标记；
基于选定的优化策略对噪声评级分析网络中的各个子模型的模型参数进行调整，最小化所述误差，训练得到噪声评估模型；
所述的基于多传感器数据融合分析噪声的方法，还包括：
获取目标监测区域内n组不同位置的噪声水平数据，每个噪声水平数据由相应的传感器所测量；其中，n为大于1的整数；
计算和确定n组噪声水平数据中每组噪声水平数据之间的相似度，构建相似度矩阵作为第一相似度矩阵，基于所述第一相似度矩阵计算各传感器数据的可靠性指标；
基于各传感器的可靠性指标，选定一个最佳传感器阵列，并从第一相似度矩阵中提取出与最佳传感器阵列对应的第二相似度矩阵；
对最佳传感器阵列中每个传感器的可靠性指标进行标准化处理，得到各传感器的权重系数；
利用权重系数对第二相似度矩阵进行加权归一化调整，得到概率分配矩阵；
评估概率分配矩阵中各分配值的置信度，得到评估结果，并基于所述评估结果为每个概率分配值定义一个修正系数；
基于所述修正系数调整相应的概率分配值，得到调整后的概率密度函数值；
基于预设的推理规则对各概率密度函数值进行合成处理，得到目标融合函数分布图；其中，所述目标融合函数分布图用于对目标监测区域内的噪声污染状况进行评估。
5.一种基于多传感器数据融合分析噪声的设备，其特征在于，所述基于多传感器数据融合分析噪声的设备包括：存储器和至少一个处理器，所述存储器中存储有指令；
所述至少一个处理器调用所述存储器中的所述指令，以使得所述基于多传感器数据融合分析噪声的设备执行如权利要求1-3中任一项所述的基于多传感器数据融合分析噪声的方法。
6.一种计算机可读存储介质，所述计算机可读存储介质上存储有指令，其特征在于，所述指令被处理器执行时实现如权利要求1-3中任一项所述的基于多传感器数据融合分析噪声的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740245.3A CN117421563B (zh) | 2023-12-18 | 2023-12-18 | 基于多传感器数据融合分析噪声的方法、装置以及设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311740245.3A CN117421563B (zh) | 2023-12-18 | 2023-12-18 | 基于多传感器数据融合分析噪声的方法、装置以及设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117421563A CN117421563A (zh) | 2024-01-19 |
| CN117421563B true CN117421563B (zh) | 2024-03-15 |
Family
ID=89527002
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311740245.3A Active CN117421563B (zh) | 2023-12-18 | 2023-12-18 | 基于多传感器数据融合分析噪声的方法、装置以及设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117421563B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN117744407A (zh) * | 2024-02-18 | 2024-03-22 | 国网浙江省电力有限公司宁波供电公司 | 一种融合传感器设计优化方法及设备 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528741A (zh) * | 2016-01-11 | 2016-04-27 | 广东电网有限责任公司电力科学研究院 | 一种基于多信号特征融合的断路器状态识别方法 |
| CN110166631A (zh) * | 2019-06-28 | 2019-08-23 | 瑞声科技(新加坡)有限公司 | 一种马达振动方法、装置、系统及可读介质 |
| CN116702093A (zh) * | 2023-08-08 | 2023-09-05 | 海南智慧海事科技有限公司 | 一种基于大数据数据融合的海上目标定位方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9892731B2 (en) * | 2015-09-28 | 2018-02-13 | Trausti Thor Kristjansson | Methods for speech enhancement and speech recognition using neural networks |
| US10921801B2 (en) * | 2017-08-02 | 2021-02-16 | Strong Force loT Portfolio 2016, LLC | Data collection systems and methods for updating sensed parameter groups based on pattern recognition |
| EP3525490A1 (en) * | 2018-02-13 | 2019-08-14 | Oticon A/s | An in-the-ear hearing aid device, a hearing aid, and an electro-acoustic transducer |
-
2023
- 2023-12-18 CN CN202311740245.3A patent/CN117421563B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105528741A (zh) * | 2016-01-11 | 2016-04-27 | 广东电网有限责任公司电力科学研究院 | 一种基于多信号特征融合的断路器状态识别方法 |
| CN110166631A (zh) * | 2019-06-28 | 2019-08-23 | 瑞声科技(新加坡)有限公司 | 一种马达振动方法、装置、系统及可读介质 |
| CN116702093A (zh) * | 2023-08-08 | 2023-09-05 | 海南智慧海事科技有限公司 | 一种基于大数据数据融合的海上目标定位方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于NB-IoT环境监测的多传感器数据融合技术;聂珲;陈海峰;;传感技术学报;20200115(第01期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117421563A (zh) | 2024-01-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN117421563B (zh) | 基于多传感器数据融合分析噪声的方法、装置以及设备 | |
| CN112114579B (zh) | 一种基于攻击图的工业控制系统安全度量方法 | |
| CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
| CN109117641A (zh) | 一种基于i-hmm的网络安全风险评估方法 | |
| Sion et al. | Privacy risk assessment for data subject-aware threat modeling | |
| CN116366374B (zh) | 基于大数据的电网网络管理的安全评估方法、系统及介质 | |
| CN116366376B (zh) | 一种apt攻击溯源图分析方法 | |
| CN110830467A (zh) | 基于模糊预测的网络可疑资产识别方法 | |
| Ravanfar et al. | A two-step damage identification approach for beam structures based on wavelet transform and genetic algorithm | |
| CN107577452A (zh) | 随机性检测方法及装置 | |
| CN105468922A (zh) | 一种现场电磁环境信号实时分析与威胁评估方法 | |
| CN114511429A (zh) | 地质灾害危险等级评估方法及装置 | |
| CN116821304B (zh) | 基于大数据的供电所知识智能问答系统 | |
| Ekberg et al. | Network behaviour anomaly detection using Holt-Winters algorithm | |
| CN116707924A (zh) | 一种基于大数据分析的网络安全检测方法及系统 | |
| CN115987687A (zh) | 网络攻击取证方法、装置、设备及存储介质 | |
| CN115987544A (zh) | 一种基于威胁情报的网络安全威胁预测方法及系统 | |
| CN108429589B (zh) | 基于光谱分析的光网络的光源及光路径识别方法 | |
| Kai et al. | Development of qualification of security status suitable for cloud computing system | |
| Liu et al. | Anomaly Detection in Industrial Multivariate Time Series Data with Neutrosophic Theory | |
| CN116664154B (zh) | 基于医疗消毒供应全流程信息追溯方法及系统 | |
| CN117574135B (zh) | 一种电网攻击事件检测方法、装置、设备及存储介质 | |
| CN111507878A (zh) | 一种基于用户画像的网络犯罪嫌疑人侦查方法及系统 | |
| CN116915459B (zh) | 一种基于大语言模型的网络威胁分析方法 | |
| Vélez Sánchez et al. | Data collection: Use and transformation in predictive maintenance models |
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 |