CN117496938A - 噪音处理方法、装置、电子设备及存储介质 - Google Patents

噪音处理方法、装置、电子设备及存储介质 Download PDF

Info

Publication number
CN117496938A
CN117496938A CN202311783127.0A CN202311783127A CN117496938A CN 117496938 A CN117496938 A CN 117496938A CN 202311783127 A CN202311783127 A CN 202311783127A CN 117496938 A CN117496938 A CN 117496938A
Authority
CN
China
Prior art keywords
target
period
sequence
noise
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.)
Granted
Application number
CN202311783127.0A
Other languages
English (en)
Other versions
CN117496938B (zh
Inventor
彭先涛
王鹏
邱奕博
刘明义
徐峰
吴璇
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.)
Zhejiang Hengyi Petrochemical Co ltd
Original Assignee
Zhejiang Hengyi Petrochemical 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 Zhejiang Hengyi Petrochemical Co ltd filed Critical Zhejiang Hengyi Petrochemical Co ltd
Priority to CN202311783127.0A priority Critical patent/CN117496938B/zh
Publication of CN117496938A publication Critical patent/CN117496938A/zh
Application granted granted Critical
Publication of CN117496938B publication Critical patent/CN117496938B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1785—Methods, e.g. algorithms; Devices
    • G10K11/17857—Geometric disposition, e.g. placement of microphones
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/175—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound
    • G10K11/178—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general using interference effects; Masking sound by electro-acoustically regenerating the original acoustic waves in anti-phase
    • G10K11/1787—General system configurations
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0216—Noise filtering characterised by the method used for estimating noise
    • G10L21/0224—Processing in the time domain
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
    • G10L21/00—Speech or voice signal processing techniques to produce another audible or non-audible signal, e.g. visual or tactile, in order to modify its quality or its intelligibility
    • G10L21/02—Speech enhancement, e.g. noise reduction or echo cancellation
    • G10L21/0208—Noise filtering
    • G10L21/0264—Noise filtering characterised by the type of parameter measurement, e.g. correlation techniques, zero crossing techniques or predictive techniques
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K2210/00—Details of active noise control [ANC] covered by G10K11/178 but not provided for in any of its subgroups
    • G10K2210/30—Means
    • G10K2210/301—Computational
    • G10K2210/3038—Neural networks
    • 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
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Acoustics & Sound (AREA)
  • Multimedia (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Signal Processing (AREA)
  • Health & Medical Sciences (AREA)
  • Audiology, Speech & Language Pathology (AREA)
  • Human Computer Interaction (AREA)
  • Selective Calling Equipment (AREA)

Abstract

本公开提供了一种噪音处理方法、装置、电子设备及存储介质。该方法包括：得到第一时段内目标车间中目标人员所在位置的第一噪音信号；基于第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，第二时段为第一时段的未来时段；基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值；控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。采用本公开方案可以减少目标车间中的噪音污染。

Description

噪音处理方法、装置、电子设备及存储介质
技术领域
本公开涉及数据处理领域，尤其涉及一种噪音处理方法、装置、电子设备及存储介质。
背景技术
在纺丝工艺的工业环境中，工艺流程的复杂性和长度意味着需要设立多个功能不同的生产车间。每个生产车间中又会设置数量庞大的工艺设备，这些工艺设备工作时会产生显著的噪音污染。
发明内容
本公开提供了一种噪音处理方法、装置、电子设备及存储介质，以解决或缓解现有技术中的一项或更多项技术问题。
第一方面，本公开提供了一种噪音处理方法，应用于电子设备，电子设备与目标车间中布置的多个信号发射器通信、且多个信号发射器在目标车间中的布置方式与目标车间内的实时噪音声场相关；该方法包括：
得到第一时段内目标车间中目标人员所在位置的第一噪音信号；
基于第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，第二时段为第一时段的未来时段；
基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值；
控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
第二方面，本公开提供了一种噪音处理装置，应用于电子设备，电子设备与目标车间中布置的多个信号发射器通信、且多个信号发射器在目标车间中的布置方式与目标车间内的实时噪音声场具有对应关系；该装置包括：
第一获取单元，用于得到第一时段内目标车间中目标人员所在位置的第一噪音信号；
第二获取单元，用于基于第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，第二时段为第一时段的未来时段；
第三获取单元，用于基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值；
发射控制单元，用于每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
第三方面，提供了一种电子设备，包括：
至少一个处理器；以及
与该至少一个处理器通信连接的存储器；其中，
该存储器存储有可被该至少一个处理器执行的指令，该指令被该至少一个处理器执行，以使该至少一个处理器能够执行本公开实施例中任一的方法。
第四方面，提供了一种存储有计算机指令的非瞬时计算机可读存储介质，其中，该计算机指令用于使该计算机执行根据本公开实施例中任一的方法。
第五方面，提供了一种计算机程序产品，包括计算机程序，该计算机程序在被处理器执行时实现根据本公开实施例中任一的方法。
采用本公开方案，可以在得到第一时段内目标车间中目标人员所在位置的第一噪音信号后，基于第一噪音信号，对第二时段（第一时段的未来时段）内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。由于当前参数预测结果是基于第一噪音信号预测所得，旨在建立与第二时段的强相关性，而并非直接对第一噪音信号进行解析所得，因此，在基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值后，控制每个目标发射器按照对应的参数预测值在第二时段内发射的噪音干扰信号能够对第二时段内目标车间中目标人员所在位置的第二噪音信号产生较好的抵消效果，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号，从而减少目标车间中的噪音污染。
应当理解，本部分所描述的内容并非旨在标识本公开的实施例的关键或重要特征，也不用于限制本公开的范围。本公开的其它特征将通过以下的说明书而变得容易理解。
附图说明
在附图中，除非另外规定，否则贯穿多个附图相同的附图标记表示相同或相似的部件或元素。这些附图不一定是按照比例绘制的。应该理解，这些附图仅描绘了根据本公开提供的一些实施方式，而不应将其视为是对本公开范围的限制。
图1为本公开实施例提供的一种噪音处理方法的流程示意图一；
图2为本公开实施例提供的一种噪音处理方法的流程示意图二；
图3为本公开实施例提供的一种目标时序模型的结构示意图；
图4为本公开实施例提供的一种异常信号的剔除过程说明图；
图5为本公开实施例提供的一种目标点位的选取过程说明图；
图6为本公开实施例提供的一种（基于目标车间的俯视角度的）信号发射器的布置方式调整过程说明图；
图7为本公开实施例提供的一种噪音处理装置的示意性结构框图；
图8为本公开实施例提供的一种电子设备的示意性结构框图。
具体实施方式
下面将参考附图对本公开作进一步地详细描述。附图中相同的附图标记表示功能相同或相似的元件。尽管在附图中示出了实施例的各种方面，但是除非特别指出，不必按比例绘制附图。
另外，为了更好的说明本公开，在下文的具体实施方式中给出了众多的具体细节。本领域技术人员应当理解，没有某些具体细节，本公开同样可以实施。在一些实例中，对于本领域技术人员熟知的方法、手段、元件和电路等未作详细描述，以便于凸显本公开的主旨。
如前所述的，在纺丝工艺的工业环境中，工艺流程的复杂性和长度意味着需要设立多个功能不同的生产车间。每个生产车间中又会设置数量庞大的工艺设备，这些工艺设备工作时会产生显著的噪音污染。比如，对于负责生产丝锭产品的纺丝车间而言，其内设置有数量庞大的工艺设备——纺丝箱体，这些纺丝箱体工作时会在纺丝车间中产生显著的噪音污染；再比如，对于负责卷绕丝锭产品的卷绕车间而言，其内设置有数量庞大的工艺设备——卷绕机，这些卷绕机工作时会在卷绕车间中产生显著的噪音污染。
为了减少生产车间中的噪音污染，本公开实施例提供了一种噪音处理方法，该方法应用于电子设备，电子设备与目标车间中布置的多个信号发射器通信、且多个信号发射器在目标车间中的布置方式与目标车间内的实时噪音声场相关。其中，目标车间可以是纺丝工艺所涉及的多个功能不同的生产车间中的任一车间；信号发射器可以是扬声器。
此外，需要说明的是，本公开实施例中，丝锭产品的主要类型可以包括预取向丝（Partially Oriented Yarns，POY）、全牵伸丝（Fully Drawn Yarns，FDY）、拉伸变形丝（Draw Textured Yarns，DTY）（或称为低弹丝）等中的至少一种。例如，丝锭产品的类型具体可以包括涤纶预取向丝（Polyester Partially Oriented Yarns）、涤纶全牵伸丝（Polyester Fully Drawn Yarns）、涤纶牵伸丝（Polyester Drawn Yarns）、涤纶低弹丝（Polyester Draw Textured Yarns）等。
图1是本公开实施例提供的一种噪音处理方法的流程示意图一。以下，将结合图1，对本公开实施例提供的一种噪音处理方法进行说明。需要说明的是，虽然在流程示意图中示出了逻辑顺序，但是，在某些情况下，也可以以其它顺序执行所示出或描述的步骤。
步骤S101，得到第一时段内目标车间中目标人员所在位置的第一噪音信号。
其中，第一时段可以是时间长度为第一预设时长的当前时段。在一示例中，第一预设时长可以根据目标人员的移动速度确定。比如，第一预设时长可以与目标人员的移动速度呈负相关，也即，目标人员的移动速度越快，第一预设时长越短；目标人员的移动速度越慢，第一预设时长越长。
此外，本公开实施例中，目标人员可以是进入目标车间的工作人员；第一噪音信号可以是第一时段内目标人员所能感受到的实时噪音信号。在一示例中，第一噪音信号可以由目标人员所佩戴的第一拾音器采集，并发送给电子设备。其中，第一拾音器可以是电磁式拾音器、压电式拾音器、光纤拾音器、数字拾音器等。
步骤S102，基于第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。
其中，第二时段为第一时段的未来时段。比如，第二时段可以是第一时段的、时间长度为第二预设时长的未来时段。本公开实施例中，第二预设时长可以与第一预设时长相同，也可以不同于第一预设时长。在一示例中，第二预设时长可以根据目标人员的移动速度确定。比如，第二预设时长可以与目标人员的移动速度呈负相关，也即，目标人员的移动速度越快，第二预设时长越短；目标人员的移动速度越慢，第二预设时长越长。
此外，本公开实施例中，当前参数预测结果可以用于控制第二时段内每个信号发射器的工作状态。
步骤S103，基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值。
由于当前参数预测结果可以用于控制第二时段内每个信号发射器的工作状态，因此，针对每个信号发射器，可以基于当前参数预测结果，确定该信号发射器是否为需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值。其中，参数预测值可以包括频率预测值、相位预测值、幅度预测值和方向预测值。
步骤S104，控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
其中，第二噪音信号可以是第二时段内目标人员所能感受到的实时噪音信号。
在控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号后，噪音干扰信号可以对第二时段内目标车间中目标人员所在位置的第二噪音信号产生抵消作用，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
采用本公开方案，可以在得到第一时段内目标车间中目标人员所在位置的第一噪音信号后，基于第一噪音信号，对第二时段（第一时段的未来时段）内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。由于当前参数预测结果是基于第一噪音信号预测所得，旨在建立与第二时段的强相关性，而并非直接对第一噪音信号进行解析所得，因此，在基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内启动工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值后，控制每个目标发射器按照对应的参数预测值在第二时段内发射的噪音干扰信号能够对第二时段内目标车间中目标人员所在位置的第二噪音信号产生较好的抵消效果，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号，从而减少目标车间中的噪音污染。
图2是本公开实施例提供的一种噪音处理方法的流程示意图二。以下，将结合图2，对本公开实施例提供的一种噪音处理方法进行说明。需要说明的是，虽然在流程示意图中示出了逻辑顺序，但是，在某些情况下，也可以以其它顺序执行所示出或描述的步骤。
步骤S201，得到第一时段内目标车间中目标人员所在位置的第一噪音信号。
其中，第一时段可以是时间长度为第一预设时长的当前时段。在一示例中，第一预设时长可以根据目标人员的移动速度确定。比如，第一预设时长可以与目标人员的移动速度呈负相关，也即，目标人员的移动速度越快，第一预设时长越短；目标人员的移动速度越慢，第一预设时长越长。
此外，本公开实施例中，目标人员可以是进入目标车间的工作人员；第一噪音信号可以是第一时段内目标人员所能感受到的实时噪音信号。在一示例中，第一噪音信号可以由目标人员所佩戴的第一拾音器采集，并发送给电子设备。其中，第一拾音器可以是电磁式拾音器、压电式拾音器、光纤拾音器、数字拾音器等。
步骤S202，基于第一噪音信号和历史参数预测结果，构建第一特征序列。
其中，历史参数预测结果是基于第零时段内目标车间中目标人员所在位置的第零噪音信号，对第一时段内多个信号发射器的整体控制参数进行预测所得；第零时段为第一时段的历史时段。比如，第零时段可以是第一时段的、时间长度为第三预设时长的历史时段。本公开实施例中，第三预设时长可以与第一预设时长相同，也可以不同于第一预设时长。在一示例中，第三预设时长可以根据目标人员的移动速度确定。比如，第三预设时长可以与目标人员的移动速度呈负相关，也即，目标人员的移动速度越快，第三预设时长越短；目标人员的移动速度越慢，第三预设时长越长。
此外，本公开实施例中，历史参数预测结果可以用于控制第一时段内每个信号发射器的工作状态。更具体地，针对每个信号发射器，可以基于历史参数预测结果，得到该信号发射器在第一时段内的历史发射参数。
其中，历史发射参数可以包括频率值、相位值、幅度值和方向值。
在一可选的实施方式中，步骤S202可以包括：
步骤S202-1，基于第一噪音信号，得到按照时间顺序排列的噪音信号序列。
在一示例中，基于第一噪音信号，得到的按照时间顺序排列的噪音信号序列可以表示为{X11，X12……X1n}。其中，X11表示在第一时段内的T11时刻，目标车间中目标人员所在位置的噪音数据，具体可以包括频率值F11、相位值P11、幅度值A11和方向值D11，X12表示在第一时段内的T12时刻，目标车间中目标人员所在位置的噪音数据，具体可以包括频率值F12、相位值P12、幅度值A12和方向值D12，以此类推，X1n表示在第一时段内的T1n时刻，目标车间中目标人员所在位置的噪音数据，具体可以包括频率值F1n、相位值P1n、幅度值A1n和方向值D1n。
步骤S202-2，基于历史参数预测结果，得到按照时间顺序排列的已知参数序列。
在一示例中，目标车间中信号发射器的数量为K（K≥2、且为整数），已知参数序列可以包括与K个信号发射器一一对应的K个已知参数子序列、且与K个信号发射器中的第i信号发射器对应的已知参数子序列可以表示为{Qi11，Qi12……Qi1n}，1≤i≤K、且i为正整数。
其中，i=1时，Q111表示在第一时段内的T11时刻，K个信号发射器中的第一信号发射器的历史参数预测值，具体可以包括频率预测值F111、相位预测值P111、幅度预测值A111和方向预测值D111，Q112表示在第一时段内的T12时刻，K个信号发射器中的第一信号发射器的历史参数预测值，具体可以包括频率预测值F112、相位预测值P112、幅度预测值A112和方向预测值D112，以此类推，Q11n表示在第一时段内的T1n时刻，K个信号发射器中的第一信号发射器的历史参数预测值，具体可以包括频率预测值F11n、相位预测值P11n、幅度预测值A11n和方向预测值D11n。
i的取值为其它时，Qi11、Qi12……Qi1n可以参考前述相关内容进行理解，此处不作赘述。
步骤S202-3，在噪音信号序列上拼接已知参数序列，得到第一初始序列。
步骤S202-4，基于目标车间的实时任务信息，得到第一附加特征。
其中，实时任务信息可以包括目标车间所处理的丝锭产品的产品类型、产品规格等。此外，本公开实施例中，基于实时任务信息，可以得到目标车间中工艺设备在工作时所用的工作参数。在目标车间为纺丝车间时，目标车间中的工艺设备为纺丝箱体，纺丝箱体在工作时所用的工作参数可以包括纺丝箱体中喷丝板的规格参数、纺丝纺速等；在目标车间为卷绕车间时，目标车间中的工艺设备为卷绕机，卷绕机在工作时所用的工作参数可以包括卷绕机的品牌、规格参数、卷绕速度、卷绕头数目等。
基于此，在一示例中，可以将目标车间的实时任务信息和第一车间标识共同作为第一附加特征，或将目标车间中工艺设备在工作时所用的工作参数和目标车间的第一车间标识共同作为第一附加特征。其中，目标车间的第一车间标识可以用于确定目标车间的处理任务类型、车间位置等，处理任务类型可以包括生产丝锭产品、卷绕丝锭产品等。
步骤S202-5，基于第一初始序列和第一附加特征，构建第一特征序列。
继续前述示例，噪音信号序列可以表示为{X11，X12……X1n}，目标车间中信号发射器的数量为K（K≥2、且为整数），已知参数序列可以包括与K个信号发射器一一对应的K个已知参数子序列、且与K个信号发射器中的第i信号发射器对应的已知参数子序列可以表示为{Qi11，Qi12……Qi1n}，1≤i≤K、且i为正整数。在第一附加特征包括目标车间的实时任务信息和第一车间标识时，基于在噪音信号序列上拼接已知参数序列得到的第一初始序列，以及基于目标车间的实时任务信息得到的第一附加特征，构建的第一特征序列中可以包括如表1所示的特征数据：
表1
其中，Y11表示在第一时段内的T11时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T11时刻，目标车间所处理的丝锭产品的产品类型Ty11、产品规格Sp11等，Y12表示在第一时段内的T12时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T12时刻，目标车间所处理的丝锭产品的产品类型Ty12、产品规格Sp112等，以此类推，Y1n表示在第一时段内的T1n时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T1n时刻，目标车间所处理的丝锭产品的产品类型Ty1n、产品规格Sp1n等，Wid表示目标车间的第一车间标识。
这样，本公开实施例中，第一特征序列除包括在噪音信号序列上拼接已知参数序列得到的第一初始序列以外，还可以包括基于目标车间的实时任务信息，得到的第一附加特征，因此，能够保证第一特征序列所包括的特征数据的全面性，从而提高当前参数预测结果的可靠性。
步骤S203，基于历史参数预测结果和未知参数序列，构建第二特征序列。
其中，历史参数预测结果可以参考前述相关内容进行理解，此处不作赘述。
此外，本公开实施例中，未知参数序列为与当前参数预测结果对应的输入序列、且未知参数序列的序列长度与已知参数序列的序列长度可以相同，也可以不同。
继续前述示例，目标车间内信号发射器的数量为K（K≥2、且为整数），未知参数序列同样可以包括与K个信号发射器一一对应的K个未知参数子序列、且与K个信号发射器中的第i信号发射器对应的未知参数子序列可以表示为{Zi21，Zi22……Zi2n}，1≤i≤K、且i为正整数。
其中，i=1时，Z121表示与在第二时段内的T21时刻，K个信号发射器中的第一信号发射器的参数预测值对应的数据元素，具体可以包括与频率预测值F121对应的数据元素、与相位预测值P121对应的数据元素、与幅度预测值A121对应的数据元素和与方向预测值D121对应的数据元素、且这四者的取值可以为任意设定值，比如，可以为0，Z122表示与在第二时段内的T22时刻，K个信号发射器中的第一信号发射器的参数预测值对应的数据元素，具体可以包括与频率预测值F122对应的数据元素、与相位预测值P122对应的数据元素、与幅度预测值A122对应的数据元素和与方向预测值D122对应的数据元素、且这四者的取值可以为任意设定值，比如，可以为0，以此类推，Z12n表示与在第二时段内的T2n时刻，K个信号发射器中的第一信号发射器的参数预测值对应的数据元素，具体可以包括与频率预测值F12n对应的数据元素、与相位预测值P12n对应的数据元素、与幅度预测值A12n对应的数据元素和与方向预测值D12n对应的数据元素。
i的取值为其它时，Zi21、Zi22……Zi2n可以参考前述相关内容进行理解，此处不作赘述。
在一可选的实施方式中，步骤S203可以包括：
步骤S203-1，基于历史参数预测结果，得到按照时间顺序排列的已知参数序列。
其中，已知参数序列可以参考前述相关内容进行理解，此处不作赘述。
步骤S203-2，在已知参数序列上拼接未知参数序列，得到第二初始序列。
步骤S203-3，基于目标车间的实时任务信息，得到第二附加特征。
如前所述的，实时任务信息可以包括目标车间所处理的丝锭产品的产品类型、产品规格等。此外，本公开实施例中，基于实时任务信息，可以得到目标车间内工艺设备在工作时所用的工作参数。在目标车间为纺丝车间时，目标车间内的工艺设备为纺丝箱体，纺丝箱体在工作时所用的工作参数可以包括纺丝箱体中喷丝板的规格参数、纺丝纺速等；在目标车间为卷绕车间时，目标车间内的工艺设备为卷绕机，卷绕机在工作时所用的工作参数可以包括卷绕机的品牌、规格参数、卷绕速度、卷绕头数目等。
基于此，在一示例中，可以将目标车间的实时任务信息和第一车间标识共同作为第二附加特征，或将目标车间内工艺设备在工作时所用的工作参数和目标车间的第一车间标识共同作为第二附加特征。其中，目标车间的第一车间标识可以用于确定目标车间的处理任务类型、车间位置等，处理任务类型可以包括生产丝锭产品、卷绕丝锭产品等。
步骤S203-4，基于第二初始序列和第二附加特征，构建第二特征序列。
继续前述示例，目标车间内信号发射器的数量为K（K≥2、且为整数），已知参数序列可以包括与K个信号发射器一一对应的K个已知参数子序列、且与K个信号发射器中的第i信号发射器对应的已知参数子序列可以表示为{Qi11，Qi12……Qi1n}，与K个信号发射器中的第i信号发射器对应的未知参数子序列可以表示为{Zi21，Zi22……Zi2n}，1≤i≤K、且i为正整数。在第二附加特征包括目标车间的实时任务信息和第一车间标识时，基于在已知参数序列上拼接未知参数序列得到的第二初始序列，以及基于目标车间的实时任务信息得到的第二附加特征，构建的第二特征序列可以包括如表2所示的特征数据：
表2
其中，Y11表示在第一时段内的T11时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T11时刻，目标车间所处理的丝锭产品的产品类型Ty11、产品规格Sp11等，Y12表示在第一时段内的T12时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T12时刻，目标车间所处理的丝锭产品的产品类型Ty12、产品规格Sp112等，以此类推，Y1n表示在第一时段内的T1n时刻，目标车间的实时任务信息，具体可以包括在第一时段内的T1n时刻，目标车间所处理的丝锭产品的产品类型Ty1n、产品规格Sp1n等，Y21表示在第二时段内的T21时刻，目标车间的实时任务信息，具体可以包括在第二时段内的T21时刻，目标车间所处理的丝锭产品的产品类型Ty21、产品规格Sp21等，Y22表示在第二时段内的T22时刻，目标车间的实时任务信息，具体可以包括在第二时段内的T22时刻，目标车间所处理的丝锭产品的产品类型Ty22、产品规格Sp122等，以此类推，Y2n表示在第二时段内的T2n时刻，目标车间的实时任务信息，具体可以包括在第二时段内的T2n时刻，目标车间所处理的丝锭产品的产品类型Ty2n、产品规格Sp2n等，Wid表示目标车间的第一车间标识。
这样，本公开实施例中，第二特征序列除包括在已知参数序列上拼接未知参数序列，得到的第二初始序列以外，还可以包括基于目标车间的实时任务信息，得到的第二附加特征，能够保证第二特征序列所包括的特征数据的全面性，从而提高当前参数预测结果的可靠性。
步骤S204，利用目标时序模型，基于第一特征序列和第二特征序列，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。
其中，目标时序模型可以是经过训练的时间序列模型，例如，Informer模型、自回归整合移动平均模型（Autoregressive Integrated Moving Average Model）等。
在得到第一特征序列和第二特征序列后，可以将第一特征序列和第二特征序列输入目标时序模型，得到目标时序模型输出的特征处理结果，并基于特征处理结果，得到当前参数预测结果。如前所述的，第二特征序列可以是基于第二初始序列和第二附加特征所得、且第二初始序列可以是在已知参数序列上拼接未知参数序列所得，那么，在得到特征处理结果后，可以将特征处理结果中与未知参数序列对应的输出序列作为当前参数预测结果。
由于第二特征序列是基于历史参数预测结果和未知参数序列构建的，因此，在利用目标时序模型，基于第一特征序列和第二特征序列，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果的过程中，第二特征序列所包括的历史参数预测结果会对目标时序模型的特征处理起到正向引导作用，从而进一步提高当前参数预测结果的可靠性。
进一步地，本公开实施例中，目标时序模型可以有如图3所示的模型结构，也即，目标时序模型可以包括编码器和解码器。基于此，在一可选的实施方式中，步骤S204可以包括：
步骤S204-1，将第一特征序列输入编码器，以利用编码器中包括第一自注意力模块和蒸馏模块的特征处理层对第一特征序列进行处理，得到第一特征映射结果。
其中，编码器可以包括多个串接的特征编码结构，每个特征编码结构又包括串接的第一自注意力模块和蒸馏模块。
此外，本公开实施例中，第一自注意力模块用于利用ProbSparse稀疏自注意力机制实现对输入特征的自注意力计算，得到中间特征，并将中间特征输入与该第一自注意力模块隶属于同一特征编码结构的蒸馏模块，以通过该蒸馏模块，对该中间特征进行蒸馏处理，以减少输出特征的复杂程度，再将经过蒸馏处理的中间特征作为该特征编码结构的输出特征。
可以理解的是，本公开实施例中，多个串接的特征编码结构中，最后一个特征编码结构的输出特征即为第一特征映射结果。
步骤S204-2，将第二特征序列输入编码器中的第二自注意力模块，以利用第二自注意力模块对第二特征序列进行处理，得到第二特征映射结果。
其中，第二自注意力模块用于利用ProbSparse稀疏自注意力机制和掩码机制实现对第二特征序列的自注意力计算，得到第二特征映射结果。
步骤S204-3，将第一特征映射结果和第二特征映射结果输入编码器中的互注意力模块，以利用互注意力模块对第一特征映射结果和第二特征映射结果进行处理，得到特征处理结果。
其中，特征处理结果包括对第二时段内多个信号发射器的整体控制参数进行预测，得到的当前参数预测结果。
继续前述示例，基于在已知参数序列上拼接未知参数序列得到的第二初始序列，以及基于目标车间的实时任务信息得到的第二附加特征，构建的第二特征序列可以包括如表2所示的特征数据。在此情况下，可以将特征处理结果中与未知参数序列对应的输出序列，作为对第二时段内多个信号发射器的整体控制参数进行预测，得到的当前参数预测结果。比如，当前参数预测结果可以包括与K个信号发射器一一对应的K个待用参数子序列、且与K个信号发射器中的第i信号发射器对应的待用参数子序列可以表示为{Z'i21，Z'i22……Z'i2n}，1≤i≤K、且i为正整数。
其中，i=1时，Z'121表示在第二时段内的T21时刻，K个信号发射器中的第一信号发射器的参数预测值，具体可以包括频率预测值F'121、相位预测值P'121、幅度预测值A'121和方向预测值D'121，Z'122表示在第二时段内的T22时刻，K个信号发射器中的第一信号发射器的参数预测值，具体可以包括频率预测值F'122、相位预测值P'122、幅度预测值A'122和方向预测值D'122，以此类推，Z'12n表示在第二时段内的T2n时刻，K个信号发射器中的第一信号发射器的参数预测值，具体可以包括频率预测值F'12n、相位预测值P'12n、幅度预测值A'12n和方向预测值D'12n。
也即，当前参数预测结果可以包括如表3所示的特征数据：
表3
基于目标时序模型的以上模型结构，能够快速得到当前参数预测结果、且能够进一步提高当前参数预测结果的可靠性。
步骤S205，基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内启动工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值。
由于当前参数预测结果可以用于控制第二时段内每个信号发射器的工作状态，因此，针对每个信号发射器，可以基于当前参数预测结果，确定该信号发射器是否为需要在第二时段内工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值。其中，参数预测值可以包括频率预测值、相位预测值、幅度预测值和方向预测值。
在一示例中，针对每个信号发射器，若在第二时段中的某一时刻，该信号发射器的参数预测值中频率预测值为0，则可以将该信号发射器作为无需在第二时段中的该时刻启动工作的可闲置发射器，否则将该信号发射器作为需要在第二时段中的该时刻启动工作的目标发射器。比如，针对K个信号发射器中的第一信号发射器，若在第二时段中的T21时刻，第一信号发射器的参数预测值中频率预测值F'121为0，则可以将第一信号发射器作为无需在第二时段中的T21时刻启动工作的可闲置发射器；再比如，若在第二时段中的T22时刻，第一信号发射器的参数预测值中频率预测值F'121不为0，则可以将第一信号发射器作为需要在第二时段中的T22时刻启动工作的目标发射器、且在第二时段中的T22时刻，第一信号发射器的参数预测值包括频率预测值F'122、相位预测值P'122、幅度预测值A'122和方向预测值D'122。
步骤S206，控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
其中，第二噪音信号可以是第二时段内目标人员所能感受到的实时噪音信号。
在控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号后，噪音干扰信号可以对第二时段内目标车间中目标人员所在位置的第二噪音信号产生抵消作用，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号。
此外，需要说明的是，本公开实施例中，在执行步骤S201，以得到第一时段内目标车间中目标人员所在位置的第一噪音信号后，可以在第一噪音信号的信号强度低于预设强度阈值的情况下，才执行步骤S201~步骤S206；在第一噪音信号的信号强度大于或等于预设强度阈值的情况下，则可以将历史参数预测结果直接作为当前参数预测结果。
还需要说明的是，本公开实施例中，在执行噪音处理方法前，可以通过以下方式，对时间序列模型进行训练，得到目标时序模型：
得到第三时段内指定车间中目标人员所在位置的第三噪音信号；其中，指定车间为纺丝工艺所涉及的多个功能不同的生产车间中的任一车间，目标人员为进入目标车间的工作人员；
利用时间序列模型，基于第三噪音信号，对第四时段内目标车间中布置的多个信号发射器的整体控制参数进行预测，得到当前训练参数预测结果；其中，第四时段为第三时段的未来时段；
基于当前训练参数预测结果，从多个信号发射器中确定一个或多个需要在第四时段内工作的预选发射器，以及得到每个预选发射器在第四训练时段内的训练参数预测值；
控制每个预选发射器按照对应的训练参数预测值在第四时段内发射噪音干扰信号；
基于第四时段内指定车间中目标人员所在位置的第二噪音信号与理想噪音信号之间的差异，优化时间序列模型的模型参数；其中，理想噪音信号可以根据应用需求设定。
以上内容可以参考前述相关内容进行理解，此处不作赘述。
此外，需要说明的是，本公开实施例中，可以在第二噪音信号与理想噪音信号之间的差异满足预设差异要求时，将最新的时间序列模型作为目标时序模块。
在一些可选的实施方式中，在执行步骤102或步骤202之前，噪音处理方法还可以包括：
将第一噪音信号中的异常信号剔除，得到新的第一噪音信号。
其中，异常信号可以是除目标车间中工艺设备工作时产生的噪音信号以外的其它噪音信号。比如，可以是工作人员在目标车间内高声喧哗产生的语音信号、工作人员触碰工艺设备产生的噪音信号等。
基于此，在执行步骤S102时，可以基于新的第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；在执行步骤202时，可以基于新的第一噪音信号和历史参数预测结果，构建第一特征序列，以便基于第一特征序列执行噪音处理方法的后续步骤。
由于新的第一噪音信号是将第一噪音信号中的异常信号剔除后所得，因此，基于新的第一噪音信号执行噪音处理方法的后续步骤时，能够避免异常信号的干扰，从而提高当前参数预测结果的可靠性。
在一示例中，“将第一噪音信号中的异常信号剔除，得到新的第一噪音信号”可以包括：
对第一噪音信号进行小波包变换，得到多个初始小波包系数；
对多个初始小波包系数中的每个初始小波包系数进行阈值处理，得到与多个初始小波包系数一一对应的多个目标小波包系数；
对多个目标小波包系数进行逆向小波包变换，得到新的第一噪音信号。
请结合图4，在一具体示例中，可以利用小波包核约束卷积网络，对第一噪音信号进行小波包变换，得到多个初始小波包系数。在对第一噪音信号进行小波包变换时，可以将预设的多通道的小波正则项作为小波包核约束卷积网络中滤波器的变换约束条件，对第一噪音信号进行分解，得到多个初始小波包系数。其中，多通道的小波正则项可以表示为：
其中，c表示小波包核约束卷积网络中滤波器h的通道，C表示小波包核约束卷积网络中滤波器h的通道数量，Rwave表示单通道的小波正则项，p表示滤波器h的数量，u表示滤波器h的阶数。
在得到多个初始小波包系数后，可以利用激活网络，对多个初始小波包系数中的每个初始小波包系数进行阈值处理，得到与多个初始小波包系数一一对应的多个目标小波包系数。针对每个初始小波包系数，可以通过激活网络中预设的软收缩函数，对该初始小波包系数进行阈值处理，得到与该初始小波包系数对应的目标小波包系数。其中，软收缩函数可以表示为：
其中，λ表示一个可学习参数，sigmoid（λ）表示利用sigmoid函数对λ进行处理，σ表示标准差运算，x表示需要进行阈值处理的初始小波包系数。
在得到与多个初始小波包系数一一对应的多个目标小波包系数后，可以利用逆向小波包核约束卷积网络，对多个目标小波包系数进行逆向小波包变换，完成噪音信号的重构，从而得到新的第一噪音信号。
这样，本公开实施例中，可以利用改进的小波包去噪技术，将第一噪音信号中的异常信号剔除，得到新的第一噪音信号。由于改进的小波包去噪技术具有优越的异常信号剔除效果，因此，能够最大程度地避免异常信号的干扰，从而进一步提高当前参数预测结果的可靠性。
进一步地，本公开实施例中，可以将串接的小波包核约束卷积网络、激活网络和逆向小波包核约束卷积网络作为一个异常信号处理网络，并通过将多个异常信号处理网络串接的方式，得到异常信号处理模型，再通过异常信号处理模型，将第一噪音信号中的异常信号剔除，得到新的第一噪音信号，从而更进一步地提高当前参数预测结果的可靠性。
此外，如前所述的，本公开实施例中，多个信号发射器在目标车间中的布置方式与目标车间内的实时噪音声场相关。基于此，在一可选的实施方式中，在执行步骤S101或步骤S201前，噪音处理方法还可以包括：
基于目标车间内的实时噪音声场，从目标车间内选取噪音最大的多个强噪点位；
从目标车间的顶部，选取与多个强噪点位一一对应的多个目标点位；
调整多个信号发射器在目标车间中的布置方式，以使多个信号发射器一一对应地布置于多个目标点位。
其中，目标车间内的实时噪音声场可以通过室内声学仿真的方式得到。
在一示例中，首先，可以在声学仿真软件中按照目标车间的车间特征，对目标车间进行建模，得到目标车间的车间模型。
其中，声学仿真软件可以是COMSOL多物理场仿真软件；车间特征可以包括房屋特征，以及工艺设备的设备特征，而房屋特征又可以包括房屋结构、房屋尺寸、所用建筑材料等，设备特征又可以包括工艺设备的安装数量、排布方式，以及工艺设备的设备结构、设备尺寸、所用制造材料等。基于此，该示例中，车间模型可以包括房屋模型，以及工艺设备的设备模型。进一步地，该示例中，可以按照目标车间的房屋特征，进行房屋建模，得到目标车间的房屋模型，以及按照目标车间内工艺设备的设备特征，进行设备建模，得到目标车间中工艺设备的设备模型，并在每个设备模型内添加声音模拟器。
此后，可以基于目标车间的实时任务信息，得到第一模拟参数，并在声学仿真软件中控制目标车间的车间模型中每个设备模型内添加的声音模拟器按照第一模拟参数，发射噪音模拟信号，进而得到目标车间内的实时噪音声场。
其中，实时任务信息可以包括目标车间所处理的丝锭产品的产品类型、产品规格等、且基于实时任务信息，可以得到目标车间中工艺设备在工作时所用的工作参数。基于此，该示例中，可以基于目标车间的实时任务信息，得到目标车间中的工艺设备在工作时所用工作参数，并在目标车间中选择任一工艺设备作为测试设备，再基于该工作参数，控制测试设备启动工作，同时，可以利用设置于测试设备近旁的第二拾音器，采集测试设备工作时发出的实时噪音信号，并对实时噪音信号进行分析，得到第一模拟参数，以用于控制声音模拟器发射与实时噪音信号相同（比如，频率值、相位值、幅度值和方向值均相同）的噪音模拟信号。在工艺设备为纺丝箱体时，工艺设备在工作时所用的工作参数可以包括纺丝箱体中喷丝板的规格参数、纺丝纺速等；在工艺设备为卷绕机时，工艺设备在工作时所用的工作参数可以包括卷绕机的品牌、规格参数、卷绕速度、卷绕头数目等；第二拾音器可以是电磁式拾音器、压电式拾音器、光纤拾音器、数字拾音器等。
在得到目标车间内的实时噪音声场后，可以基于目标车间内的实时噪音声场，从目标车间内选取噪音最大的多个强噪点位，再从目标车间的顶部，选取与多个强噪点位一一对应的多个目标点位，并调整多个信号发射器在目标车间中的布置方式，以使多个信号发射器一一对应地布置于多个目标点位。
在一示例中，目标车间的顶部设置有信号发射器的安装架，安装架包括固定在目标车间顶部的多个长条轨道、且相邻的两个长条轨道之间设置有多个用于安装信号发射器的活动轨道。其中，活动轨道可以响应于第一移动控制指令，在与其对应的两个长条轨道上移动；信号发射器又可以响应于第二移动控制指令，在与其对应的活动轨道上移动。基于此，在从目标车间的顶部，选取与多个强噪点位一一对应的多个目标点位后，可以通过移动活动轨道和/或移动活动轨道上安装的信号发射器，使多个信号发射器一一对应地布置于多个目标点位。
请结合图5，示例性地，基于目标车间501内的实时噪音声场，从目标车间501内选取了噪音最大的8个强噪点位，分别为强噪点位A1、强噪点位A2、强噪点位A3、强噪点位A4、强噪点位A5、强噪点位A6、强噪点位A7和强噪点位A8。此后，可以从目标车间501的顶部501-1，选取与多个强噪点位一一对应的8个目标点位，分别为目标点位A1'、目标点位A2'、目标点位A3'、目标点位A4'、目标点位A5'、目标点位A6'、目标点位A7'和目标点位A8'。
再结合图6，从目标车间的顶部，选取与8个强噪点位一一对应的8个目标点位后，可以通过移动活动轨道601，以及移动活动轨道601上安装信号发射器602，使信号发射器602布置于目标点位A1'，按照同样的方式，可以使信号发射器604布置于目标点位A2'、使信号发射器606布置于目标点位A3'、使信号发射器608布置于目标点位A4'、使信号发射器610布置于目标点位A5'、使信号发射器612布置于目标点位A6'、使信号发射器614布置于目标点位A7'，以及使信号发射器616布置于目标点位A8'。
本公开实施例中，一方面，由于多个信号发射器在目标车间中的布置方式是自动调整的，因此，能够提高噪音处理方法的自动化程度；另一方面，由于多个目标点位是与目标车间内噪音最大的多个强噪点位一一对应的，因此，使多个信号发射器一一对应地布置于多个目标点位后，每个目标发射器按照对应的参数预测值在第二时段内发射的噪音干扰信号能够对第二时段内目标车间中目标人员所在位置的第二噪音信号产生更好的抵消效果。
为了更好地实施以上噪音处理方法，本公开实施例还提供一种噪音处理装置，其可以应用于电子设备，电子设备与目标车间中布置的多个信号发射器通信、且多个信号发射器在目标车间中的布置方式与目标车间内的实时噪音声场具有对应关系。
以下，将结合图7所示结构示意图，对公开实施例提供的一种噪音处理装置进行说明。
噪音处理装置，包括：
第一获取单元701，用于得到第一时段内目标车间中目标人员所在位置的第一噪音信号；
第二获取单元702，用于基于第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，第二时段为第一时段的未来时段；其中，第二时段为第一时段的未来时段；
第三获取单元703，用于基于当前参数预测结果，从多个信号发射器中确定一个或多个需要在第二时段内启动工作的目标发射器，以及得到每个目标发射器在第二时段内的参数预测值；
发射控制单元704，用于控制每个目标发射器按照对应的参数预测值在第二时段内发射噪音干扰信号，以弱化第二时段内目标车间中目标人员所在位置的第二噪音信号；其中，第二时段为第一时段的未来时段。
在一可选的实施方式中，第二获取单元702用于：
基于第一噪音信号和历史参数预测结果，构建第一特征序列；其中，历史参数预测结果是基于第零时段内目标车间中目标人员所在位置的第零噪音信号，对第一时段内多个信号发射器的整体控制参数进行预测所得，第零时段为第一时段的历史时段；
基于历史参数预测结果和未知参数序列，构建第二特征序列；其中，未知参数序列为与当前参数预测结果对应的输入序列；
利用目标时序模型，基于第一特征序列和第二特征序列，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。
在一可选的实施方式中，第二获取单元702用于：
基于第一噪音信号，得到按照时间顺序排列的噪音信号序列；
基于历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在噪音信号序列上拼接已知参数序列，得到第一初始序列；
基于目标车间的实时任务信息，得到第一附加特征；
基于第一初始序列和第一附加特征，构建第一特征序列。
在一可选的实施方式中，第二获取单元702用于：
基于历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在已知参数序列上拼接未知参数序列，得到第二初始序列；
基于目标车间的实时任务信息，得到第二附加特征；
基于第二初始序列和第二附加特征，构建第二特征序列。
在一可选的实施方式中，目标时序模型包括编码器和解码器；第二获取单元702用于：
将第一特征序列输入编码器，以利用编码器中包括第一自注意力模块和蒸馏模块的特征处理层对第一特征序列进行处理，得到第一特征映射结果；
将第二特征序列输入编码器中的第二自注意力模块，以利用第二自注意力模块对第二特征序列进行处理，得到第二特征映射结果；
将第一特征映射结果和第二特征映射结果输入编码器中的互注意力模块，以利用互注意力模块对第一特征映射结果和第二特征映射结果进行处理，得到特征处理结果；其中，特征处理结果包括对第二时段内多个信号发射器的整体控制参数进行预测，得到的当前参数预测结果。
在一可选的实施方式中，噪音处理装置还包括去噪单元，用于：
将第一噪音信号中的异常信号剔除，得到新的第一噪音信号；
其中，基于第一噪音信号，得到第二时段内多个信号发射器的当前参数预测结果，包括：
基于新的第一噪音信号，对第二时段内多个信号发射器的整体控制参数进行预测，得到当前参数预测结果。
在一可选的实施方式中，去噪单元用于：
对第一噪音信号进行小波包变换，得到多个初始小波包系数；
对多个初始小波包系数中的每个初始小波包系数进行阈值处理，得到与多个初始小波包系数一一对应的多个目标小波包系数；
对多个目标小波包系数进行逆向小波包变换，得到新的第一噪音信号。
在一可选的实施方式中，噪音处理装置还包括发射头布置单元，用于：
基于目标车间内的实时噪音声场，从目标车间内选取噪音最大的多个强噪点位；
从目标车间的顶部，选取与多个强噪点位一一对应的多个目标点位；
调整多个信号发射器在目标车间中的布置方式，以使多个信号发射器一一对应地布置于多个目标点位。
本公开实施例的装置的各模块、子模块的具体功能和示例的描述，可以参见上述方法实施例中对应步骤的相关描述，在此不再赘述。
本公开的技术方案中，所涉及的用户个人信息的获取，存储和应用等，均符合相关法律法规的规定，且不违背公序良俗。
图8为根据本公开一实施例的电子设备的结构框图。如图8所示，该电子设备包括：存储器801和处理器802，存储器801内存储有可在处理器802上运行的计算机程序。存储器801和处理器802的数量可以为一个或多个。存储器801可以存储一个或多个计算机程序，当该一个或多个计算机程序被该电子设备执行时，使得该电子设备执行上述方法实施例提供的方法。该电子设备还可以包括：通信接口803，用于与外界设备进行通信，进行数据交互传输。
如果存储器801、处理器802和通信接口803独立实现，则存储器801、处理器802和通信接口803可以通过总线相互连接并完成相互间的通信。该总线可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral ComponentInterconnect，PCI)总线或扩展工业标准体系结构(Extended Industry StandardArchitecture，EISA)总线等。该总线可以分为地址总线、数据总线、控制总线等。为便于表示，图8中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。
可选的，在具体实现上，如果存储器801、处理器802及通信接口803集成在一块芯片上，则存储器801、处理器802及通信接口803可以通过内部接口完成相互间的通信。
应理解的是，上述处理器可以是中央处理器(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processing，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(FieldProgrammable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者是任何常规的处理器等。值得说明的是，处理器可以是支持进阶精简指令集机器(Advanced RISC Machines，ARM)架构的处理器。
进一步地，可选的，上述存储器可以包括只读存储器和随机存取存储器，还可以包括非易失性随机存取存储器。该存储器可以是易失性存储器或非易失性存储器，或可包括易失性和非易失性存储器两者。其中，非易失性存储器可以包括只读存储器(Read-OnlyMemory，ROM)、可编程只读存储器(Programmable ROM，PROM)、可擦除可编程只读存储器(Erasable PROM，EPROM)、电可擦除可编程只读存储器(Electrically EPROM，EEPROM)或闪存。易失性存储器可以包括随机存取存储器(Random Access Memory，RAM)，其用作外部高速缓存。通过示例性但不是限制性说明，许多形式的RAM可用。例如，静态随机存取存储器(Static RAM，SRAM)、动态随机存取存储器(Dynamic Random Access Memory ，DRAM) 、同步动态随机存取存储器(Synchronous DRAM，SDRAM)、双倍数据速率同步动态随机存取存储器(Double Data Date SDRAM，DDR SDRAM)、增强型同步动态随机存取存储器(EnhancedSDRAM，ESDRAM)、同步连接动态随机存取存储器(Synchlink DRAM，SLDRAM)和直接内存总线随机存取存储器(Direct RAMBUS RAM，DR RAM)。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意结合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机指令时，全部或部分地产生按照本公开实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络或其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如：同轴电缆、光纤、数据用户线(Digital Subscriber Line，DSL))或无线(例如：红外、蓝牙、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质，或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如：软盘、硬盘、磁带)、光介质(例如：数字通用光盘(Digital Versatile Disc，DVD))或半导体介质(例如：固态硬盘(Solid State Disk，SSD))等。值得注意的是，本公开提到的计算机可读存储介质可以为非易失性存储介质，换句话说，可以是非瞬时性存储介质。
本领域普通技术人员可以理解实现上述实施例的全部或部分步骤可以通过硬件来完成，也可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
在本公开实施例的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包括于本公开的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
在本公开实施例的描述中，除非另有说明，“/”表示或的意思，例如，A/B可以表示A或B。本文中的“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
在本公开实施例的描述中，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”、“第三”的特征可以明示或者隐含地包括一个或者更多个该特征。在本公开实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
以上所述仅为本公开的示例性实施例，并不用以限制本公开，凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

Claims (18)

1.一种噪音处理方法，应用于电子设备，所述电子设备与目标车间中布置的多个信号发射器通信、且所述多个信号发射器在所述目标车间中的布置方式与所述目标车间内的实时噪音声场相关；所述方法包括：
得到第一时段内所述目标车间中目标人员所在位置的第一噪音信号；
基于所述第一噪音信号，对第二时段内所述多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，所述第二时段为所述第一时段的未来时段；
基于所述当前参数预测结果，从所述多个信号发射器中确定一个或多个需要在所述第二时段内工作的目标发射器，以及得到每个所述目标发射器在所述第二时段内的参数预测值；
控制每个所述目标发射器按照对应的参数预测值在所述第二时段内发射噪音干扰信号，以弱化所述第二时段内所述目标车间中目标人员所在位置的第二噪音信号。
2.根据权利要求1所述的方法，其中，所述基于所述第一噪音信号，对第二时段内所述多个信号发射器的整体控制参数进行预测，得到当前参数预测结果，包括：
基于所述第一噪音信号和历史参数预测结果，构建第一特征序列；其中，所述历史参数预测结果是基于第零时段内所述目标车间中目标人员所在位置的第零噪音信号，对所述第一时段内所述多个信号发射器的整体控制参数进行预测所得，所述第零时段为所述第一时段的历史时段；
基于所述历史参数预测结果和未知参数序列，构建第二特征序列；其中，所述未知参数序列为与所述当前参数预测结果对应的输入序列；
利用目标时序模型，基于所述第一特征序列和所述第二特征序列，对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到所述当前参数预测结果。
3.根据权利要求2所述的方法，其中，所述基于所述第一噪音信号和历史参数预测结果，构建第一特征序列，包括：
基于所述第一噪音信号，得到按照时间顺序排列的噪音信号序列；
基于所述历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在所述噪音信号序列上拼接所述已知参数序列，得到第一初始序列；
基于所述目标车间的实时任务信息，得到第一附加特征；
基于所述第一初始序列和所述第一附加特征，构建所述第一特征序列。
4.根据权利要求2所述的方法，其中，所述基于所述历史参数预测结果和未知参数序列，构建第二特征序列，包括：
基于所述历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在所述已知参数序列上拼接所述未知参数序列，得到第二初始序列；
基于所述目标车间的实时任务信息，得到第二附加特征；
基于所述第二初始序列和所述第二附加特征，构建所述第二特征序列。
5.根据权利要求2~4中任一项所述的方法，其中，所述目标时序模型包括编码器和解码器；所述利用目标时序模型，基于所述第一特征序列和所述第二特征序列，对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到所述当前参数预测结果，包括：
将所述第一特征序列输入所述编码器，以利用所述编码器中包括第一自注意力模块和蒸馏模块的特征处理层对所述第一特征序列进行处理，得到第一特征映射结果；
将所述第二特征序列输入编码器中的第二自注意力模块，以利用所述第二自注意力模块对所述第二特征序列进行处理，得到第二特征映射结果；
将所述第一特征映射结果和所述第二特征映射结果输入所述编码器中的互注意力模块，以利用所述互注意力模块对所述第一特征映射结果和所述第二特征映射结果进行处理，得到特征处理结果；其中，所述特征处理结果包括对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到的所述当前参数预测结果。
6.根据权利要求1所述的方法，还包括：
将所述第一噪音信号中的异常信号剔除，得到新的第一噪音信号；
其中，所述基于所述第一噪音信号，得到第二时段内所述多个信号发射器的当前参数预测结果，包括：
基于所述新的第一噪音信号，对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到所述当前参数预测结果。
7.根据权利要求6所述的方法，其中，所述将所述第一噪音信号中的异常信号剔除，得到新的第一噪音信号，包括：
对所述第一噪音信号进行小波包变换，得到多个初始小波包系数；
对所述多个初始小波包系数中的每个所述初始小波包系数进行阈值处理，得到与所述多个初始小波包系数一一对应的多个目标小波包系数；
对所述多个目标小波包系数进行逆向小波包变换，得到所述新的第一噪音信号。
8.根据权利要求1所述的方法，还包括：
基于所述目标车间内的实时噪音声场，从所述目标车间内选取噪音最大的多个强噪点位；
从所述目标车间的顶部，选取与所述多个强噪点位一一对应的多个目标点位；
调整所述多个信号发射器在所述目标车间中的布置方式，以使所述多个信号发射器一一对应地布置于所述多个目标点位。
9.一种噪音处理装置，应用于电子设备，所述电子设备与目标车间中布置的多个信号发射器通信、且所述多个信号发射器在所述目标车间中的布置方式与所述目标车间内的实时噪音声场相关；所述装置包括：
第一获取单元，用于得到第一时段内所述目标车间中目标人员所在位置的第一噪音信号；
第二获取单元，用于基于所述第一噪音信号，对第二时段内所述多个信号发射器的整体控制参数进行预测，得到当前参数预测结果；其中，所述第二时段为所述第一时段的未来时段；其中，所述第二时段为所述第一时段的未来时段；
第三获取单元，用于基于所述当前参数预测结果，从所述多个信号发射器中确定一个或多个需要在所述第二时段内工作的目标发射器，以及得到每个所述目标发射器在所述第二时段内的参数预测值；
发射控制单元，用于控制每个所述目标发射器按照对应的参数预测值在所述第二时段内发射噪音干扰信号，以弱化所述第二时段内所述目标车间中目标人员所在位置的第二噪音信号。
10.根据权利要求9所述的装置，其中，所述第二获取单元用于：
基于所述第一噪音信号和历史参数预测结果，构建第一特征序列；其中，所述历史参数预测结果是基于第零时段内所述目标车间中目标人员所在位置的第零噪音信号，对所述第一时段内所述多个信号发射器的整体控制参数进行预测所得，所述第零时段为所述第一时段的历史时段；
基于所述历史参数预测结果和未知参数序列，构建第二特征序列；其中，所述未知参数序列为与所述当前参数预测结果对应的输入序列；
利用目标时序模型，基于所述第一特征序列和所述第二特征序列，对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到所述当前参数预测结果。
11.根据权利要求10所述的装置，其中，所述第二获取单元用于：
基于所述第一噪音信号，得到按照时间顺序排列的噪音信号序列；
基于所述历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在所述噪音信号序列上拼接所述已知参数序列，得到第一初始序列；
基于所述目标车间的实时任务信息，得到第一附加特征；
基于所述第一初始序列和所述第一附加特征，构建所述第一特征序列。
12.根据权利要求10所述的装置，其中，所述第二获取单元用于：
基于所述历史参数预测结果，得到按照时间顺序排列的已知参数序列；
在所述已知参数序列上拼接所述未知参数序列，得到第二初始序列；
基于所述目标车间的实时任务信息，得到第二附加特征；
基于所述第二初始序列和所述第二附加特征，构建所述第二特征序列。
13.根据权利要求10~12中任一项所述的装置，其中，所述目标时序模型包括编码器和解码器；所述第二获取单元用于：
将所述第一特征序列输入所述编码器，以利用所述编码器中包括第一自注意力模块和蒸馏模块的特征处理层对所述第一特征序列进行处理，得到第一特征映射结果；
将所述第二特征序列输入编码器中的第二自注意力模块，以利用所述第二自注意力模块对所述第二特征序列进行处理，得到第二特征映射结果；
将所述第一特征映射结果和所述第二特征映射结果输入所述编码器中的互注意力模块，以利用所述互注意力模块对所述第一特征映射结果和所述第二特征映射结果进行处理，得到特征处理结果；其中，所述特征处理结果包括对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到的所述当前参数预测结果。
14.根据权利要求9所述的装置，还包括去噪单元，用于：
将所述第一噪音信号中的异常信号剔除，得到新的第一噪音信号；
其中，所述基于所述第一噪音信号，得到第二时段内所述多个信号发射器的当前参数预测结果，包括：
基于所述新的第一噪音信号，对所述第二时段内所述多个信号发射器的整体控制参数进行预测，得到所述当前参数预测结果。
15.根据权利要求14所述的装置，其中，所述去噪单元用于：
对所述第一噪音信号进行小波包变换，得到多个初始小波包系数；
对所述多个初始小波包系数中的每个所述初始小波包系数进行阈值处理，得到与所述多个初始小波包系数一一对应的多个目标小波包系数；
对所述多个目标小波包系数进行逆向小波包变换，得到所述新的第一噪音信号。
16.根据权利要求9所述的装置，还包括发射头布置单元，用于：
基于所述目标车间内的实时噪音声场，从所述目标车间内选取噪音最大的多个强噪点位；
从所述目标车间的顶部，选取与所述多个强噪点位一一对应的多个目标点位；
调整所述多个信号发射器在所述目标车间中的布置方式，以使所述多个信号发射器一一对应地布置于所述多个目标点位。
17.一种电子设备，包括：
至少一个处理器；以及
与所述至少一个处理器通信连接的存储器；其中，
所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
18.一种存储有计算机指令的非瞬时计算机可读存储介质，其中，所述计算机指令用于使所述计算机执行根据权利要求1-8中任一项所述的方法。
CN202311783127.0A 2023-12-22 2023-12-22 噪音处理方法、装置、电子设备及存储介质 Active CN117496938B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311783127.0A CN117496938B (zh) 2023-12-22 2023-12-22 噪音处理方法、装置、电子设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311783127.0A CN117496938B (zh) 2023-12-22 2023-12-22 噪音处理方法、装置、电子设备及存储介质

Publications (2)

Publication Number Publication Date
CN117496938A true CN117496938A (zh) 2024-02-02
CN117496938B CN117496938B (zh) 2024-03-15

Family

ID=89678501

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311783127.0A Active CN117496938B (zh) 2023-12-22 2023-12-22 噪音处理方法、装置、电子设备及存储介质

Country Status (1)

Country Link
CN (1) CN117496938B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030103635A1 (en) * 2000-02-24 2003-06-05 Wright Selwn Edgar Active noise reduction
DE102014221787A1 (de) * 2014-10-27 2016-04-28 BSH Hausgeräte GmbH Haushaltsgerät und Verfahren zum Betreiben eines Haushaltsgerätes
CN109195866A (zh) * 2016-03-28 2019-01-11 亚马逊科技公司 选择性地推进用于航空载具的推进单元
CN113808566A (zh) * 2021-07-29 2021-12-17 RealMe重庆移动通信有限公司 振动噪音处理方法、装置、电子设备及存储介质
CN113903322A (zh) * 2021-10-16 2022-01-07 艾普科模具材料（上海）有限公司 基于移动端的汽车主动降噪系统、方法及可编程逻辑器件
CN115002784A (zh) * 2022-05-30 2022-09-02 中国联合网络通信集团有限公司 一种频谱配置方法、装置及存储介质
CN116709159A (zh) * 2022-09-30 2023-09-05 荣耀终端有限公司 音频处理方法及终端设备
CN116884382A (zh) * 2023-08-22 2023-10-13 广东电网有限责任公司广州供电局 无人机机库的降噪方法、装置、计算机设备和存储介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20030103635A1 (en) * 2000-02-24 2003-06-05 Wright Selwn Edgar Active noise reduction
DE102014221787A1 (de) * 2014-10-27 2016-04-28 BSH Hausgeräte GmbH Haushaltsgerät und Verfahren zum Betreiben eines Haushaltsgerätes
CN109195866A (zh) * 2016-03-28 2019-01-11 亚马逊科技公司 选择性地推进用于航空载具的推进单元
CN113808566A (zh) * 2021-07-29 2021-12-17 RealMe重庆移动通信有限公司 振动噪音处理方法、装置、电子设备及存储介质
CN113903322A (zh) * 2021-10-16 2022-01-07 艾普科模具材料（上海）有限公司 基于移动端的汽车主动降噪系统、方法及可编程逻辑器件
CN115002784A (zh) * 2022-05-30 2022-09-02 中国联合网络通信集团有限公司 一种频谱配置方法、装置及存储介质
CN116709159A (zh) * 2022-09-30 2023-09-05 荣耀终端有限公司 音频处理方法及终端设备
CN116884382A (zh) * 2023-08-22 2023-10-13 广东电网有限责任公司广州供电局 无人机机库的降噪方法、装置、计算机设备和存储介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
金学申, 傅征祥, 朱艾澜, 邵辉成, 刘志辉, 孙彦雪, 魏连生: "历史地震资料与地震的中长期预测", 中国地震, no. 03, 25 September 2002 (2002-09-25) *

Also Published As

Publication number Publication date
CN117496938B (zh) 2024-03-15

Similar Documents

Publication Publication Date Title
CN110120224B (zh) 鸟声识别模型的构建方法、装置、计算机设备及存储介质
US10283140B1 (en) Enhancing audio signals using sub-band deep neural networks
US9601112B2 (en) Speech recognition system and method using incremental device-based acoustic model adaptation
US11132990B1 (en) Wakeword and acoustic event detection
CN109933852B (zh) 预测车辆尺寸偏差的方法、装置、存储介质及电子设备
US20200175265A1 (en) Method and device for automatic gesture recognition
WO2019146189A1 (ja) ニューラルネットワークのランク最適化装置および最適化方法
CN110772700A (zh) 自动推送助眠乐曲方法、装置、计算机设备及存储介质
CN113129927A (zh) 语音情绪识别方法、装置、设备及存储介质
CN117496938B (zh) 噪音处理方法、装置、电子设备及存储介质
CN110874635B (zh) 一种深度神经网络模型压缩方法及装置
CN110797033A (zh) 基于人工智能的声音识别方法、及其相关设备
CN113077812A (zh) 语音信号生成模型训练方法、回声消除方法和装置及设备
JP2020067585A (ja) コミュニケーション装置およびコミュニケーション装置の制御プログラム
CN110808036B (zh) 一种增量式语音命令词识别方法
CN116840743A (zh) 电力变压器故障处理方法、装置、电子设备及存储介质
CN116884405A (zh) 语音指令识别方法、设备及可读存储介质
CN111104502A (zh) 外呼系统的对话管理方法、系统、电子设备和存储介质
CN111968620A (zh) 算法的测试方法、装置、电子设备及存储介质
US20220138574A1 (en) Method of training models in ai and electronic device
US11640819B2 (en) Information processing apparatus and update method
US20220093089A1 (en) Model constructing method for audio recognition
CN110334244B (zh) 一种数据处理的方法、装置及电子设备
CN114970657A (zh) 异常度计算系统及方法
CN113435572A (zh) 一种面向智能制造业的自进化神经网络模型的构建方法

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