CN117538421A - 隔音室噪声测量方法与装置 - Google Patents
隔音室噪声测量方法与装置 Download PDFInfo
- Publication number
- CN117538421A CN117538421A CN202311680179.5A CN202311680179A CN117538421A CN 117538421 A CN117538421 A CN 117538421A CN 202311680179 A CN202311680179 A CN 202311680179A CN 117538421 A CN117538421 A CN 117538421A
- Authority
- CN
- China
- Prior art keywords
- noise
- test
- sound
- decibel
- initial
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012360 testing method Methods 0.000 claims abstract description 160
- 238000009413 insulation Methods 0.000 claims abstract description 110
- 230000005540 biological transmission Effects 0.000 claims abstract description 54
- 238000012937 correction Methods 0.000 claims description 89
- 238000005259 measurement Methods 0.000 claims description 46
- 238000013101 initial test Methods 0.000 claims description 36
- 238000003062 neural network model Methods 0.000 claims description 36
- 238000013528 artificial neural network Methods 0.000 claims description 34
- 238000012549 training Methods 0.000 claims description 31
- 238000001228 spectrum Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004458 analytical method Methods 0.000 claims description 12
- 238000002372 labelling Methods 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000012795 verification Methods 0.000 claims description 8
- 238000000691 measurement method Methods 0.000 claims description 6
- 238000000926 separation method Methods 0.000 claims description 4
- 230000005534 acoustic noise Effects 0.000 claims 1
- 230000009286 beneficial effect Effects 0.000 abstract description 5
- 238000011056 performance test Methods 0.000 abstract description 3
- 238000002955 isolation Methods 0.000 description 8
- 230000000694 effects Effects 0.000 description 7
- 238000004891 communication Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000012774 insulation material Substances 0.000 description 3
- 238000013461 design Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/04—Analysing solids
- G01N29/11—Analysing solids by measuring attenuation of acoustic waves
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H17/00—Measuring mechanical vibrations or ultrasonic, sonic or infrasonic waves, not provided for in the preceding groups
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N29/00—Investigating or analysing materials by the use of ultrasonic, sonic or infrasonic waves; Visualisation of the interior of objects by transmitting ultrasonic or sonic waves through the object
- G01N29/44—Processing the detected response signal, e.g. electronic circuits specially adapted therefor
- G01N29/4481—Neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biochemistry (AREA)
- Analytical Chemistry (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Chemical & Material Sciences (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Signal Processing (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Acoustics & Sound (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明涉及隔音性能测试技术领域，本发明公开了隔音室噪声测量方法与装置，包括步骤1：收集第i个发声区域的第一收集音频；步骤2：收集被测隔音室室内第j个测试区域的第二收集音频；步骤3：确定第i个发声区域的第一测量分贝，以及确定第j个测试区域的第二测量分贝；步骤4：计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较；步骤5：重复上述步骤2～4，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域；步骤6：重复上述步骤1～5，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能；本发明能确定隔音室的隔音性能，有利于把控隔音室的隔音性能优劣。
Description
技术领域
本发明涉及隔音性能测试技术领域，更具体地说，本发明涉及隔音室噪声测量方法与装置。
背景技术
隔音室，是一种设计用于减少外界噪声对内部环境的影响的设备，它们通常用于科学实验室、音频录音室、工厂、医疗设施和其他需要安静环境的场所；隔音室内的声学性能对于保持内部环境的安静至关重要，因此需要一种有效的噪声测量方法来验证其隔音性能；传统的噪声测量方法通常涉及在隔音室内设置噪声源，然后在内部环境中使用微型麦克风或其他传感器来测量噪声水平；然而，这些方法可能会受到外界噪声的干扰，而且需要昂贵的设备和复杂的数据分析；因此，有必要设计出一种新型的隔音室噪声测量方法与装置。
目前，缺乏针对隔音室进行噪声测量和隔音测试的方法或装置，虽然存在少量相关的技术文献，例如授权公告号为CN104849352B的专利公开了一种隔声性能检测系统，再例如申请公开号为CN114942273A的专利公开了一种建筑隔音性能检测评估方法、装置、设备及介质，上述方法虽能测试隔音性能，但经发明人对上述方法以及现有技术进行研究和实际应用发现，相较于隔音材料隔音性能的测试，由于隔音室存在体积庞大等弊端，导致无法将其像隔音材料一样置于标准的测试场景之中；因此，应用上述方法以及现有技术进行隔音室性能测试时，隔音室的隔音测试结果的准确性易受到外界多因素的影响，导致测试准确度不高，从而难以划定隔音室的隔音性能层级，进而无法辅助隔音室产商对产品质量的把控，且无法帮助隔音室客户辨别产品的优劣。
发明内容
为了克服现有技术的上述缺陷，本发明的实施例提供隔音室噪声测量方法与装置。
为实现上述目的，本发明提供如下技术方案：
隔音室噪声测量方法，基于设置于被测隔音室内的M个第一麦克风设备、设置于被测隔音室外的一个噪声产生设备和N个第二麦克风设备实现，M、N为大于零的正整数，所述方法包括：
步骤1：控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
步骤2：通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
步骤3：根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
步骤4：根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回步骤2，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回步骤2；
步骤5：重复上述步骤2～4，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回步骤1，P、R为大于零正整数；
步骤6：重复上述步骤1～5，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数。
进一步地，所述确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，包括：
利用预构建用于反馈噪音源类型的第一神经网络模型对第一收集音频进行识别，得到识别结果；所述识别结果包括测试噪音类型和非测试噪音类型；
对第一收集音频进行声源分离，剔除第一收集音频中非测试噪音类型的音频部分，并保留第一收集音频中测试噪音类型的音频部分，得到第一实际测试噪音音频；
确定第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
利用预构建用于反馈噪音校正分贝的第二神经网络模型对第一初始分贝进行数据校正，得到第i个发声区域的第一测量分贝。
进一步地，所述用于反馈噪音源类型的第一神经网络模型的生成逻辑如下：
获取噪音源类型样本数据，将所述噪音源类型样本数据划分为噪音源类型训练集和噪音源类型测试集；所述噪音源类型样本数据包括噪音源类型特征数据及其对应的标注标签；所述标注标签将测试噪音类型的音频标记为“1”，将非测试噪音类型的音频标记为“0”；所述非测试噪音类型包括人声、测试设备机械声和环境噪声，其中，环境噪声包括但不限于风声和交通噪声，所述噪音源类型特征数据包括频率、梅尔频谱系数、过零率、波形和波形周期性；
构建第一神经网络，将噪音源类型训练集中的噪音源类型特征数据作为第一神经网络的输入数据，将噪音源类型训练集中的标注标签作为第一神经网络的输出数据，对第一神经网络进行训练，得到初始噪音源类型识别模型；
利用噪音源类型测试集对初始噪音源类型识别模型进行模型验证，输出满足预设测试准确率的初始噪音源类型识别模型作为第一神经网络模型。
进一步地，所述确定第一实际测试噪音音频的噪音数值，包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为幅度谱；
获取幅度谱的平均幅度值，根据幅度值与噪音分析数据的预设关系，确定平均幅度值对应的噪音分析数据，所述噪音分析数据中包括多个幅度区间及与每个幅度区间相关联的噪音数值；
将平均幅度值与每个幅度区间相比对，获取包含平均幅度值的对应幅度区间；
根据幅度区间与噪音数值的关联关系，提取对应幅度区间的噪音数值，将对应幅度区间的噪音数值作为第i个发声区域的第一初始分贝。
进一步地，所述对第一初始分贝进行数据校正包括：
获取第一收集音频采集时的温度、湿度、气压、非测试噪音类型以及非测试噪音频率；
将温度、湿度、气压、非测试噪音类型以及非测试噪音频率输入至用于反馈噪音校正分贝的第二神经网络模型，得到噪音校正值；
对第i个发声区域的第一初始分贝与噪音校正值进行求和，得到第i个发声区域的第一测量分贝。
进一步地，所述用于反馈噪音校正分贝的第二神经网络模型基于噪音线性关系数据训练得到，所述用于反馈噪音校正分贝的第二神经网络模型的生成逻辑如下：
获取噪音线性关系数据，将所述噪音线性关系数据划分为噪音校正训练集和噪音校正测试集；
其中，所述噪音线性关系数据包括影响因素与噪音校正值之间的关系；所述影响因素包括温度、湿度、气压、非测试噪音类型以及非测试噪音的频率；
构建第二神经网络，将噪音校正训练集中影响因素与噪音校正值之间的关系输入第二神经网络进行训练，得到初始噪音校正模型；
利用噪音校正测试集对初始噪音校正模型进行模型验证，输出小于预设预测误差值的初始噪音校正模型作为第二神经网络模型。
进一步地，所述影响因素与噪音校正值之间的关系的生成逻辑如下：
获取初始测试噪音在无干扰标准测试场景下的噪音标准测量分贝；
获取不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率下的第一初始分贝；
计算噪音标准测量分贝与第一初始分贝的差值，将噪音标准测量分贝与第一初始分贝的差值作为噪音校正值；
将不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率与噪音校正值进行关联，得到影响因素与噪音校正值之间的关系。
隔音室噪声测量装置，其基于所述的隔音室噪声测量方法实现，包括：
第一收音模块，用于控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
第二收音模块，用于通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
分贝确定模块，用于根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
系数比对模块，用于根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回第二收音模块，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回第二收音模块；
第一循环模块，用于重复上述步骤第二收音模块至系数比对模块，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回第一收音模块，P、R为大于零正整数；
第二循环模块，用于重复上述第一收音模块至第一循环模块，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数。
一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述隔音室噪声测量方法。
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计算机程序，所述计算机程序被处理器执行时实现上述隔音室噪声测量方法。
相比于现有技术，本发明的有益效果在于：
本申请公开了隔音室噪声测量方法与装置，首先收集第i个发声区域的第一收集音频；然后收集被测隔音室室内第j个测试区域的第二收集音频；接着确定第i个发声区域的第一测量分贝，以及确定第j个测试区域的第二测量分贝；之后计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较；再然后重复上述步骤2～4，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域；最后重复上述步骤1～5，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能；基于上述步骤本发明能划定隔音室的隔音性能层级，有利于辅助隔音室产商对产品质量的把控，且有利于帮助隔音室客户辨别产品的优劣；此外，在考虑多影响因素后对噪声测量进行数值校正，本发明有利于提高隔音室性能测试的准确度。
附图说明
图1为本发明提供的隔音室噪声测量方法的步骤示意图；
图2为本发明提供的隔音室噪声测量装置的模块示意图；
图3为本发明提供的一种电子设备的结构示意图；
图4为本发明提供的一种计算机可读存储介质的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1
请参阅图2所示，本实施例公开提供了隔音室噪声测量装置，包括：
第一收音模块210，用于控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
需要说明的是：每个第一麦克风设备均安置于被测隔音室室外的一个发声区域内，换言之，每个发声区域内均设置有一个第一麦克风设备；相同地，每个测试区域内均设置有一个第二麦克风设备；所述第一麦克风设备和第二麦克风设备的设置数量分别根据发声区域和测试区域的总量确定；M个所述第一麦克风设备、一个噪声产生设备和N个第二麦克风设备通过无线方式通信连接；
应当了解的是：所述噪声产生设备根据预设移动路线进行移动，即按照设定的移动顺序从第i个发声区域移动到第i+1个发声区域，直至移动至第P发声区域，当噪声产生设备按预设移动路线移动至相应的发声区域时，其便会通过搭载的扩音设备朝被测隔音室室内产生初始测试噪音；此时，通过第一麦克风设备采集初始测试噪音产生时的音频，得到第一收集音频，由于采集过程中可能会存在大量干扰音频(如人声等)，因此采集到的第一收集音频属于混合音频；
还需要说明的：所述噪声产生设备通过搭载于移动设备上实现在被测隔音室室外进行移动，所述移动设备包括但不限于无人机和移动小车等等；
第二收音模块220，用于通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
需要说明的是：所述第一收集音频和第二收集音频中均包含有初始测试噪音；不同的是，第一收集音频采集于被测试体(即被测隔音室)的室外发声区域，而第二收集音频集于被测试体(即被测隔音室)的室内测试区域，由于所处环境不同，导致第一收集音频和第二收集音频中的干扰因素可能存在显著差异；
分贝确定模块230，用于根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
在实施中，确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，包括：
S31：利用预构建用于反馈噪音源类型的第一神经网络模型对第一收集音频进行识别，得到识别结果；所述识别结果包括测试噪音类型和非测试噪音类型；
具体的，所述用于反馈噪音源类型的第一神经网络模型的生成逻辑如下：
获取噪音源类型样本数据，将所述噪音源类型样本数据划分为噪音源类型训练集和噪音源类型测试集；所述噪音源类型样本数据包括噪音源类型特征数据及其对应的标注标签；
具体的，所述标注标签将测试噪音类型的音频标记为“1”，将非测试噪音类型的音频标记为“0”；
其中，所述非测试噪音类型包括但不限于人声、测试设备机械声和环境噪声，其中，环境噪声包括但不限于风声和交通噪声等等，所述噪音源类型特征数据包括频率、梅尔频谱系数、过零率、波形和波形周期性；
构建第一神经网络，将噪音源类型训练集中的噪音源类型特征数据作为第一神经网络的输入数据，将噪音源类型训练集中的标注标签作为第一神经网络的输出数据，对第一神经网络进行训练，得到初始噪音源类型识别模型；
利用噪音源类型测试集对初始噪音源类型识别模型进行模型验证，输出满足预设测试准确率的初始噪音源类型识别模型作为第一神经网络模型；
需要说明的是：所述第一神经网络具体为CNN神经网络模型或RNN神经网络模型中的一种；
S32：对第一收集音频进行声源分离，剔除第一收集音频中非测试噪音类型的音频部分，并保留第一收集音频中测试噪音类型的音频部分，得到第一实际测试噪音音频；
S33：确定第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
在一个具体实施方式中，确定第一实际测试噪音音频的噪音数值，包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为幅度谱；
获取幅度谱的平均幅度值，根据幅度值与噪音分析数据的预设关系，确定平均幅度值对应的噪音分析数据，所述噪音分析数据中包括多个幅度区间及与每个幅度区间相关联的噪音数值；
将平均幅度值与每个幅度区间相比对，获取包含平均幅度值的对应幅度区间；
根据幅度区间与噪音数值的关联关系，提取对应幅度区间的噪音数值，将对应幅度区间的噪音数值作为第i个发声区域的第一初始分贝；
在一个具体实施方式中，确定第一实际测试噪音音频的噪音数值，还包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为功率谱；
统计功率谱中每个频率下的音频能量，得到目标音频的总能量；
根据目标音频的总能量计算第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
其中，计算第一实际测试噪音音频的噪音数值的公式为： 式中，Nvaluei表示第i个发声区域的第一初始分贝，单位dB，Power(T)表示目标音频总能量，Power(R)表示参考能量，为20微帕斯卡(μPa)；
需要说明的是：所述傅里叶变换具体为短时傅里叶变换或快速傅里叶变换中的一种；
S34：利用预构建用于反馈噪音校正分贝的第二神经网络模型对第一初始分贝进行数据校正，得到第i个发声区域的第一测量分贝；
在实施中，对第一初始分贝进行数据校正包括：
获取第一收集音频采集时的温度、湿度、气压、非测试噪音类型以及非测试噪音频率；
将温度、湿度、气压、非测试噪音类型以及非测试噪音频率输入至用于反馈噪音校正分贝的第二神经网络模型，得到噪音校正值；
对第i个发声区域的第一初始分贝与噪音校正值进行求和，得到第i个发声区域的第一测量分贝；
针对上述内容示例性说明就是，假设得到第i个发声区域的第一初始分贝为60dB，若噪音校正值为+10，则第i个发声区域的第一测量分贝为70dB；相反，若噪音校正值为-10，则第i个发声区域的第一测量分贝为50dB；
需要说明的是：确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝的逻辑同上述第一测量分贝，详情参照上述第一测量分贝的确定逻辑和过程，对此不再过多赘述；
具体的，所述用于反馈噪音校正分贝的第二神经网络模型基于噪音线性关系数据训练得到，所述用于反馈噪音校正分贝的第二神经网络模型的生成逻辑如下：
获取噪音线性关系数据，将所述噪音线性关系数据划分为噪音校正训练集和噪音校正测试集；
其中，所述噪音线性关系数据包括影响因素与噪音校正值之间的关系；所述影响因素包括温度、湿度、气压、非测试噪音类型以及非测试噪音的频率；
构建第二神经网络，将噪音校正训练集中影响因素与噪音校正值之间的关系输入第二神经网络进行训练，得到初始噪音校正模型；
利用噪音校正测试集对初始噪音校正模型进行模型验证，输出小于预设预测误差值的初始噪音校正模型作为第二神经网络模型；
需要说明的是：所述第二神经网络具体为FNN神经网络型、MLP神经网络型或CNN神经网络型中的一种；
在实施中，所述影响因素与噪音校正值之间的关系的生成逻辑如下：
获取初始测试噪音在无干扰标准测试场景下的噪音标准测量分贝；
需要说明的是：所述噪音标准测量分贝在无干扰标准测试场景下测量得到，并预存于系统数据库中，其为初始测试噪音的实际准确的测量分贝；
获取不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率下的第一初始分贝；
计算噪音标准测量分贝与第一初始分贝的差值，将噪音标准测量分贝与第一初始分贝的差值作为噪音校正值；
将不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率与噪音校正值进行关联，得到影响因素与噪音校正值之间的关系；
系数比对模块240，用于根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回第二收音模块220，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回第二收音模块220；
在实施中，所述声衰减系数根据第一测量分贝和第二测量分贝进行差值计算得到；
第一循环模块250，用于重复上述步骤第二收音模块220至系数比对模块240，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回第一收音模块210，P、R为大于零正整数；
第二循环模块260，用于重复上述第一收音模块210至第一循环模块250，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数；
在实施中，根据透音区域总量确定被测隔音室的隔音性能，包括：
设置透音区域数量阈值Td1和Td2，Td1＞Td2，将透音区域总量与透音区域数量阈值进行比对；
若透音区域总量大于等于透音区域数量阈值Td1，则判定被测隔音室的隔音性能为第一隔音等级；
若透音区域总量小于透音区域数量阈值Td1，且大于透音区域数量阈值Td2，则判定被测隔音室的隔音性能为第二隔音等级；
若透音区域总量小于等于透音区域数量阈值Td2，则判定被测隔音室的隔音性能为第三隔音等级；
需要说明的是：第一隔音等级＞第二隔音等级＞第三隔音等级，所述第一隔音等级表明被测隔音室隔音性能优良，不存在或存在极少数的透音地方，具备良好的隔音效果；所述第二隔音等级表明被测隔音室隔音性能一般，存在一些透音地方，隔音效果一般；所述第三隔音等级表明被测隔音室隔音性能较差，存在大量的透音地方，隔音效果很差。
实施例2
请参阅图1所示，本实施例公开提供了隔音室噪声测量方法，所述方法基于设置于被测隔音室内的M个第一麦克风设备、设置于被测隔音室外的一个噪声产生设备和N个第二麦克风设备实现，M、N为大于零的正整数，所述方法包括：
步骤1：控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
需要说明的是：每个第一麦克风设备均安置于被测隔音室室外的一个发声区域内，换言之，每个发声区域内均设置有一个第一麦克风设备；相同地，每个测试区域内均设置有一个第二麦克风设备；所述第一麦克风设备和第二麦克风设备的设置数量分别根据发声区域和测试区域的总量确定；M个所述第一麦克风设备、一个噪声产生设备和N个第二麦克风设备通过无线方式通信连接；
应当了解的是：所述噪声产生设备根据预设移动路线进行移动，即按照设定的移动顺序从第i个发声区域移动到第i+1个发声区域，直至移动至第P发声区域，当噪声产生设备按预设移动路线移动至相应的发声区域时，其便会通过搭载的扩音设备朝被测隔音室室内产生初始测试噪音；此时，通过第一麦克风设备采集初始测试噪音产生时的音频，得到第一收集音频，由于采集过程中可能会存在大量干扰音频(如人声等)，因此采集到的第一收集音频属于混合音频；
还需要说明的：所述噪声产生设备通过搭载于移动设备上实现在被测隔音室室外进行移动，所述移动设备包括但不限于无人机和移动小车等等；
步骤2：通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
需要说明的是：所述第一收集音频和第二收集音频中均包含有初始测试噪音；不同的是，第一收集音频采集于被测试体(即被测隔音室)的室外发声区域，而第二收集音频集于被测试体(即被测隔音室)的室内测试区域，由于所处环境不同，导致第一收集音频和第二收集音频中的干扰因素可能存在显著差异；
步骤3：根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
在实施中，确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，包括：
S31：利用预构建用于反馈噪音源类型的第一神经网络模型对第一收集音频进行识别，得到识别结果；所述识别结果包括测试噪音类型和非测试噪音类型；
具体的，所述用于反馈噪音源类型的第一神经网络模型的生成逻辑如下：
获取噪音源类型样本数据，将所述噪音源类型样本数据划分为噪音源类型训练集和噪音源类型测试集；所述噪音源类型样本数据包括噪音源类型特征数据及其对应的标注标签；
具体的，所述标注标签将测试噪音类型的音频标记为“1”，将非测试噪音类型的音频标记为“0”；
其中，所述非测试噪音类型包括但不限于人声、测试设备机械声和环境噪声，其中，环境噪声包括但不限于风声和交通噪声等等，所述噪音源类型特征数据包括频率、梅尔频谱系数、过零率、波形和波形周期性；
构建第一神经网络，将噪音源类型训练集中的噪音源类型特征数据作为第一神经网络的输入数据，将噪音源类型训练集中的标注标签作为第一神经网络的输出数据，对第一神经网络进行训练，得到初始噪音源类型识别模型；
利用噪音源类型测试集对初始噪音源类型识别模型进行模型验证，输出满足预设测试准确率的初始噪音源类型识别模型作为第一神经网络模型；
需要说明的是：所述第一神经网络具体为CNN神经网络模型或RNN神经网络模型中的一种；
S32：对第一收集音频进行声源分离，剔除第一收集音频中非测试噪音类型的音频部分，并保留第一收集音频中测试噪音类型的音频部分，得到第一实际测试噪音音频；
S33：确定第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
在一个具体实施方式中，确定第一实际测试噪音音频的噪音数值，包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为幅度谱；
获取幅度谱的平均幅度值，根据幅度值与噪音分析数据的预设关系，确定平均幅度值对应的噪音分析数据，所述噪音分析数据中包括多个幅度区间及与每个幅度区间相关联的噪音数值；
将平均幅度值与每个幅度区间相比对，获取包含平均幅度值的对应幅度区间；
根据幅度区间与噪音数值的关联关系，提取对应幅度区间的噪音数值，将对应幅度区间的噪音数值作为第i个发声区域的第一初始分贝；
在一个具体实施方式中，确定第一实际测试噪音音频的噪音数值，还包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为功率谱；
统计功率谱中每个频率下的音频能量，得到目标音频的总能量；
根据目标音频的总能量计算第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
其中，计算第一实际测试噪音音频的噪音数值的公式为： 式中，Nvaluei表示第i个发声区域的第一初始分贝，单位dB，Power(T)表示目标音频总能量，Power(R)表示参考能量，为20微帕斯卡(μPa)；
需要说明的是：所述傅里叶变换具体为短时傅里叶变换或快速傅里叶变换中的一种；
S34：利用预构建用于反馈噪音校正分贝的第二神经网络模型对第一初始分贝进行数据校正，得到第i个发声区域的第一测量分贝；
在实施中，对第一初始分贝进行数据校正包括：
获取第一收集音频采集时的温度、湿度、气压、非测试噪音类型以及非测试噪音频率；
将温度、湿度、气压、非测试噪音类型以及非测试噪音频率输入至用于反馈噪音校正分贝的第二神经网络模型，得到噪音校正值；
对第i个发声区域的第一初始分贝与噪音校正值进行求和，得到第i个发声区域的第一测量分贝；
针对上述内容示例性说明就是，假设得到第i个发声区域的第一初始分贝为60dB，若噪音校正值为+10，则第i个发声区域的第一测量分贝为70dB；相反，若噪音校正值为-10，则第i个发声区域的第一测量分贝为50dB；
需要说明的是：确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝的逻辑同上述第一测量分贝，详情参照上述第一测量分贝的确定逻辑和过程，对此不再过多赘述；
具体的，所述用于反馈噪音校正分贝的第二神经网络模型基于噪音线性关系数据训练得到，所述用于反馈噪音校正分贝的第二神经网络模型的生成逻辑如下：
获取噪音线性关系数据，将所述噪音线性关系数据划分为噪音校正训练集和噪音校正测试集；
其中，所述噪音线性关系数据包括影响因素与噪音校正值之间的关系；所述影响因素包括温度、湿度、气压、非测试噪音类型以及非测试噪音的频率；
构建第二神经网络，将噪音校正训练集中影响因素与噪音校正值之间的关系输入第二神经网络进行训练，得到初始噪音校正模型；
利用噪音校正测试集对初始噪音校正模型进行模型验证，输出小于预设预测误差值的初始噪音校正模型作为第二神经网络模型；
需要说明的是：所述第二神经网络具体为FNN神经网络型、MLP神经网络型或CNN神经网络型中的一种；
在实施中，所述影响因素与噪音校正值之间的关系的生成逻辑如下：
获取初始测试噪音在无干扰标准测试场景下的噪音标准测量分贝；
需要说明的是：所述噪音标准测量分贝在无干扰标准测试场景下测量得到，并预存于系统数据库中，其为初始测试噪音的实际准确的测量分贝；
获取不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率下的第一初始分贝；
计算噪音标准测量分贝与第一初始分贝的差值，将噪音标准测量分贝与第一初始分贝的差值作为噪音校正值；
将不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率与噪音校正值进行关联，得到影响因素与噪音校正值之间的关系；
步骤4：根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回步骤2，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回步骤2；
在实施中，所述声衰减系数根据第一测量分贝和第二测量分贝进行差值计算得到；
步骤5：重复上述步骤2～4，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回步骤1，P、R为大于零正整数；
步骤6：重复上述步骤1～5，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数；
在实施中，根据透音区域总量确定被测隔音室的隔音性能，包括：
设置透音区域数量阈值Td1和Td2，Td1＞Td2，将透音区域总量与透音区域数量阈值进行比对；
若透音区域总量大于等于透音区域数量阈值Td1，则判定被测隔音室的隔音性能为第一隔音等级；
若透音区域总量小于透音区域数量阈值Td1，且大于透音区域数量阈值Td2，则判定被测隔音室的隔音性能为第二隔音等级；
若透音区域总量小于等于透音区域数量阈值Td2，则判定被测隔音室的隔音性能为第三隔音等级；
需要说明的是：第一隔音等级＞第二隔音等级＞第三隔音等级，所述第一隔音等级表明被测隔音室隔音性能优良，不存在或存在极少数的透音地方，具备良好的隔音效果；所述第二隔音等级表明被测隔音室隔音性能一般，存在一些透音地方，隔音效果一般；所述第三隔音等级表明被测隔音室隔音性能较差，存在大量的透音地方，隔音效果很差。
实施例3
请参阅图3所示，本实施例公开提供了一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述隔音室噪声测量方法。
由于本实施例所介绍的电子设备为实施本申请实施例中隔音室噪声测量方法所采用的电子设备，故而基于本申请实施例中所介绍的隔音室噪声测量方法，本领域所属技术人员能够了解本实施例的电子设备的具体实施方式以及其各种变化形式，所以在此对于该电子设备如何实现本申请实施例中的方法不再详细介绍。只要本领域所属技术人员实施本申请实施例中隔音室噪声测量方法所采用的电子设备，都属于本申请所欲保护的范围。
实施例4
请参阅图4所示，本实施例公开提供了一种计算机可读存储介质，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述各方法所提供的任一项所述隔音室噪声测量方法。
上述公式均是去量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最近真实情况的一个公式，公式中的预设参数、权重以及阈值选取由本领域的技术人员根据实际情况进行设置。
上述实施例，可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时，上述实施例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或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络或者其他可编程装置。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网络或无线网络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合的服务器、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，DVD)或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可意识到，结合本发明中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
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。
在本发明所提供的几个实施例中，应该理解到，所揭露的系统、装置和方法，可以通过其他的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其他的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以所述权利要求的保护范围为准。
最后：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.隔音室噪声测量方法，其特征在于，所述方法基于设置于被测隔音室内的M个第一麦克风设备、设置于被测隔音室外的一个噪声产生设备和N个第二麦克风设备实现，M、N为大于零的正整数，所述方法包括：
步骤1：控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
步骤2：通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
步骤3：根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
步骤4：根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回步骤2，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回步骤2；
步骤5：重复上述步骤2～4，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回步骤1，P、R为大于零正整数；
步骤6：重复上述步骤1～5，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数。
2.根据权利要求1所述的隔音室噪声测量方法，其特征在于，所述确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，包括：
利用预构建用于反馈噪音源类型的第一神经网络模型对第一收集音频进行识别，得到识别结果；所述识别结果包括测试噪音类型和非测试噪音类型；
对第一收集音频进行声源分离，剔除第一收集音频中非测试噪音类型的音频部分，并保留第一收集音频中测试噪音类型的音频部分，得到第一实际测试噪音音频；
确定第一实际测试噪音音频的噪音数值，得到第i个发声区域的第一初始分贝；
利用预构建用于反馈噪音校正分贝的第二神经网络模型对第一初始分贝进行数据校正，得到第i个发声区域的第一测量分贝。
3.根据权利要求2所述的隔音室噪声测量方法，其特征在于，所述用于反馈噪音源类型的第一神经网络模型的生成逻辑如下：
获取噪音源类型样本数据，将所述噪音源类型样本数据划分为噪音源类型训练集和噪音源类型测试集；所述噪音源类型样本数据包括噪音源类型特征数据及其对应的标注标签；所述标注标签将测试噪音类型的音频标记为“1”，将非测试噪音类型的音频标记为“0”；所述非测试噪音类型包括人声、测试设备机械声和环境噪声，其中，环境噪声包括但不限于风声和交通噪声，所述噪音源类型特征数据包括频率、梅尔频谱系数、过零率、波形和波形周期性；
构建第一神经网络，将噪音源类型训练集中的噪音源类型特征数据作为第一神经网络的输入数据，将噪音源类型训练集中的标注标签作为第一神经网络的输出数据，对第一神经网络进行训练，得到初始噪音源类型识别模型；
利用噪音源类型测试集对初始噪音源类型识别模型进行模型验证，输出满足预设测试准确率的初始噪音源类型识别模型作为第一神经网络模型。
4.根据权利要求3所述的隔音室噪声测量方法，其特征在于，所述确定第一实际测试噪音音频的噪音数值，包括：
对第一实际测试噪音音频进行傅里叶变换，获取频谱图；所述频谱图为幅度谱；
获取幅度谱的平均幅度值，根据幅度值与噪音分析数据的预设关系，确定平均幅度值对应的噪音分析数据，所述噪音分析数据中包括多个幅度区间及与每个幅度区间相关联的噪音数值；
将平均幅度值与每个幅度区间相比对，获取包含平均幅度值的对应幅度区间；
根据幅度区间与噪音数值的关联关系，提取对应幅度区间的噪音数值，将对应幅度区间的噪音数值作为第i个发声区域的第一初始分贝。
5.根据权利要求4所述的隔音室噪声测量方法，其特征在于，所述对第一初始分贝进行数据校正包括：
获取第一收集音频采集时的温度、湿度、气压、非测试噪音类型以及非测试噪音频率；
将温度、湿度、气压、非测试噪音类型以及非测试噪音频率输入至用于反馈噪音校正分贝的第二神经网络模型，得到噪音校正值；
对第i个发声区域的第一初始分贝与噪音校正值进行求和，得到第i个发声区域的第一测量分贝。
6.根据权利要求5所述的隔音室噪声测量方法，其特征在于，所述用于反馈噪音校正分贝的第二神经网络模型基于噪音线性关系数据训练得到，所述用于反馈噪音校正分贝的第二神经网络模型的生成逻辑如下：
获取噪音线性关系数据，将所述噪音线性关系数据划分为噪音校正训练集和噪音校正测试集；
其中，所述噪音线性关系数据包括影响因素与噪音校正值之间的关系；所述影响因素包括温度、湿度、气压、非测试噪音类型以及非测试噪音的频率；
构建第二神经网络，将噪音校正训练集中影响因素与噪音校正值之间的关系输入第二神经网络进行训练，得到初始噪音校正模型；
利用噪音校正测试集对初始噪音校正模型进行模型验证，输出小于预设预测误差值的初始噪音校正模型作为第二神经网络模型。
7.根据权利要求6所述的隔音室噪声测量方法，其特征在于，所述影响因素与噪音校正值之间的关系的生成逻辑如下：
获取初始测试噪音在无干扰标准测试场景下的噪音标准测量分贝；
获取不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率下的第一初始分贝；
计算噪音标准测量分贝与第一初始分贝的差值，将噪音标准测量分贝与第一初始分贝的差值作为噪音校正值；
将不同温度、湿度、气压、非测试噪音类型以及非测试噪音频率与噪音校正值进行关联，得到影响因素与噪音校正值之间的关系。
8.隔音室噪声测量装置，其基于权利要求1-7中任一项所述的隔音室噪声测量方法实现，其特征在于，包括：
第一收音模块，用于控制噪声产生设备在被测隔音室室外的第i个发声区域产生初始测试噪音，并通过第二麦克风设备收集第i个发声区域的第一收集音频，i为大于零的正整数；
第二收音模块，用于通过第一麦克风设备收集被测隔音室室内第j个测试区域的第二收集音频，j为大于零的正整数；
分贝确定模块，用于根据第一收集音频确定初始测试噪音在被测隔音室室外的第i个发声区域的第一测量分贝，以及根据第二收集音频确定初始测试噪音在被测隔音室室内第j个测试区域的第二测量分贝；
系数比对模块，用于根据第一测量分贝和第二测量分贝计算声衰减系数，将声衰减系数与声衰减系数阈值进行比较，若声衰减系数大于声衰减系数阈值，则令j＝j+1，并返回第二收音模块，若声衰减系数小于等于声衰减系数阈值，则标记对应测试区域为透音区域，并令j＝j+1，返回第二收音模块；
第一循环模块，用于重复上述步骤第二收音模块至系数比对模块，直至j＝P时结束循环，得到一个发声区域对应的R个透音区域，令i＝i+1，返回第一收音模块，P、R为大于零正整数；
第二循环模块，用于重复上述第一收音模块至第一循环模块，直至i＝Q时结束循环，得到透音区域总量，根据透音区域总量确定被测隔音室的隔音性能，Q为大于零正整数。
9.一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-7中任一项所述的隔音室噪声测量方法。
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现权利要求1-7中任一项所述的隔音室噪声测量方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680179.5A CN117538421A (zh) | 2023-12-08 | 2023-12-08 | 隔音室噪声测量方法与装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311680179.5A CN117538421A (zh) | 2023-12-08 | 2023-12-08 | 隔音室噪声测量方法与装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117538421A true CN117538421A (zh) | 2024-02-09 |
Family
ID=89789907
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311680179.5A Pending CN117538421A (zh) | 2023-12-08 | 2023-12-08 | 隔音室噪声测量方法与装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117538421A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117740950A (zh) * | 2024-02-20 | 2024-03-22 | 四川名人居门窗有限公司 | 一种玻璃隔音系数确定及反馈系统和方法 |
-
2023
- 2023-12-08 CN CN202311680179.5A patent/CN117538421A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117740950A (zh) * | 2024-02-20 | 2024-03-22 | 四川名人居门窗有限公司 | 一种玻璃隔音系数确定及反馈系统和方法 |
| CN117740950B (zh) * | 2024-02-20 | 2024-05-14 | 四川名人居门窗有限公司 | 一种玻璃隔音系数确定及反馈系统和方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Maijala et al. | Environmental noise monitoring using source classification in sensors | |
| Lopatka et al. | Detection, classification and localization of acoustic events in the presence of background noise for acoustic surveillance of hazardous situations | |
| CN117538421A (zh) | 隔音室噪声测量方法与装置 | |
| Nielsen et al. | The single-and multichannel audio recordings database (SMARD) | |
| WO2020037555A1 (zh) | 评估麦克风阵列一致性的方法、设备、装置和系统 | |
| Jia et al. | SoundLoc: Accurate room-level indoor localization using acoustic signatures | |
| CN101442698A (zh) | 一种扬声器线性参数测量方法 | |
| US20210306782A1 (en) | Method and system of audio device performance testing | |
| US8822804B1 (en) | Digital aerophones and dynamic impulse response systems | |
| CN107202559B (zh) | 基于室内声学信道扰动分析的物体识别方法 | |
| CN116399952B (zh) | 一种用于声学材料的隔音减震性能的智能评估方法及系统 | |
| Zhu et al. | A modified cross-correlation algorithm to achieve the time difference of arrival in sound source localization | |
| CN103983345B (zh) | 一种基于人耳听觉特性的单频有调声信号自动监测方法 | |
| KR20050104976A (ko) | 자동 음질 평가 방법 및 그 시스템 | |
| Adalbjörnsson et al. | Sparse localization of harmonic audio sources | |
| Götz et al. | A multi-room transition dataset for blind estimation of energy decay | |
| Imaizumi et al. | Sound propagation and speech transmission in a branching underground tunnel | |
| CN107167230B (zh) | 利用建筑结构振动衰减率评估建筑物二次辐射噪声的方法 | |
| CN111693139B (zh) | 声音强度测量方法、装置、设备及存储介质 | |
| CN108630191A (zh) | 一种模拟不同距离的语音识别成功率的测试系统及方法 | |
| Patole et al. | A comparative analysis of classifiers and feature sets for acoustic environment classification | |
| JP4551590B2 (ja) | 建設機械の加振力推定方法、振動・騒音推定方法、装置、記録媒体、プログラム及び建設工事の騒音体感装置 | |
| Wijnings et al. | Characterization of mems microphone sensitivity and phase distributions with applications in array processing | |
| Delabie et al. | An acoustic simulation framework to support indoor positioning and data driven signal processing assessments | |
| CN118551593B (zh) | 工厂噪声分析及等效源强智能构建方法 |
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 |