CN117569468B - 基于室内主动降噪的隔声减振系统 - Google Patents

Abstract

本发明公开了一种基于室内主动降噪的隔声减振系统，其包括：隔声材料，用于吸收和/或反射声波；传感器组，用于采集检测声波信号；分布在所述隔声材料表面和/或内部的扬声器，用于发射减振声波信号；控制子系统，用于控制所述扬声器发射所述减振声波信号，其中，所述控制子系统与所述传感器组连接，且所述控制子系统与所述扬声器连接。通过控制子系统的调节，可以根据不同的噪声频率、幅度和相位等信息，实时生成适当的减振声波信号，并使其与噪声相消，从而最大程度地降低或消除室内噪声。

Description

基于室内主动降噪的隔声减振系统

技术领域

本发明涉及智能化隔声减振技术领域，尤其涉及一种基于室内主动降噪的隔声减振系统。

背景技术

室内噪声对人们的生活和工作具有不利的影响。首先，噪声会对人的健康和心理产生负面影响，如增加焦虑、疲劳和压力等。此外，长期暴露在高噪声环境下可能导致听力损伤。其次，噪声会干扰人们的正常活动，使得人们集中不了注意力，影响工作和学习效率。随着人们对室内环境品质的要求不断提高，室内噪声成为一个普遍存在的问题。

隔声减振是指通过使用隔声材料和相关技术手段，降低声波在空气或其他介质中的传播和传递，从而减少噪声的传入或传播。隔声减振旨在切断或阻隔噪声的传播路径，减少噪声对室内的影响。

但是，传统的隔声减振方法存在一些问题。例如，常见的隔声材料如泡沫塑料、玻璃纤维等对低频噪声效果不佳。此外，传统的隔声减振方法主要依靠被动隔声材料，无法主动调节和控制噪声。

因此，期待一种基于室内主动降噪的隔声减振系统。

发明内容

本发明要解决的技术问题为提供一种基于室内主动降噪的隔声减振系统，以提高隔声减振的效果。

本发明实施例还提供了一种基于室内主动降噪的隔声减振系统，其包括：

隔声材料，用于吸收和/或反射声波；传感器组，用于采集检测声波信号；分布在所述隔声材料表面和/或内部的扬声器，用于发射减振声波信号；控制子系统，用于控制所述扬声器发射所述减振声波信号，其中，所述控制子系统与所述传感器组连接，且所述控制子系统与所述扬声器连接，所述控制子系统，包括：

声波信号检测模块，用于获取所述检测声波信号；

数据预处理模块，用于对所述检测声波信号进行数据预处理以得到检测声波信号片段的序列；

多粒度波形波动特征提取模块，用于对所述检测声波信号片段的序列进行多粒度波形波动特征提取和投影映射融合以得到声波信号多粒度波动语义特征向量；

减振声波信号生成模块，用于基于所述声波信号多粒度波动语义特征向量生成所述减振声波信号。

在上述基于室内主动降噪的隔声减振系统中，所述数据预处理模块，用于：

对所述检测声波信号进行信号切分以得到所述检测声波信号片段的序列。

在上述基于室内主动降噪的隔声减振系统中，所述多粒度波形波动特征提取模块，包括：

特征提取单元，用于利用深度学习网络模型对所述检测声波信号片段的序列进行特征提取以得到检测声波信号片段波形特征向量的序列；

片段间语义关联特征提取单元，用于提取所述检测声波信号片段波形特征向量的序列中片段间语义关联特征以得到声波片段间语义关联特征向量；

拼接单元，用于将所述检测声波信号片段波形特征向量的序列进行拼接以得到检测声波信号全局波形语义特征向量；

融合单元，用于使用投影层来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量。

在上述基于室内主动降噪的隔声减振系统中，所述深度学习网络模型为基于卷积神经网络模型的声音信号波动特征提取器。

在上述基于室内主动降噪的隔声减振系统中，所述特征提取单元，用于：

将所述检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到所述检测声波信号片段波形特征向量的序列。

在上述基于室内主动降噪的隔声减振系统中，所述片段间语义关联特征提取单元，用于：

将所述检测声波信号片段波形特征向量的序列通过基于Bi-LSTM模型的声波片段间语义关联编码器以得到所述声波片段间语义关联特征向量。

在上述基于室内主动降噪的隔声减振系统中，所述融合单元，用于：

使用投影层以如下投影公式来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量；

其中，所述投影公式为：

其中，为所述声波信号多粒度波动语义特征向量，/>为所述检测声波信号全局波形语义特征向量，/>为所述声波片段间语义关联特征向量，/>表示级联，表示向量的投影映射。

在上述基于室内主动降噪的隔声减振系统中，所述减振声波信号生成模块，用于：

将所述声波信号多粒度波动语义特征向量通过基于对抗生成网络模型的减振反向声波生成器以得到所述减振声波信号。

在上述基于室内主动降噪的隔声减振系统中，还包括用于对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练的训练模块。

在上述基于室内主动降噪的隔声减振系统中，所述训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括训练检测声波信号，以及，减振声波信号的真实值；

训练信号切分单元，用于对所述训练检测声波信号进行信号切分以得到训练检测声波信号片段的序列；

训练声音信号波动特征提取单元，用于将所述训练检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到训练检测声波信号片段波形特征向量的序列；

训练语义关联编码单元，用于将所述训练检测声波信号片段波形特征向量的序列通过所述基于Bi-LSTM模型的声波片段间语义关联编码器以得到训练声波片段间语义关联特征向量；

训练拼接单元，用于将所述训练检测声波信号片段波形特征向量的序列进行拼接以得到训练检测声波信号全局波形语义特征向量；

训练融合单元，用于使用所述投影层来融合所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量以得到训练声波信号多粒度波动语义特征向量；

训练减振反向声波生成单元，用于将所述训练声波信号多粒度波动语义特征向量通过所述基于对抗生成网络模型的减振反向声波生成器以得到生成损失函数值；

特定损失函数计算单元，用于计算所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特定损失函数值；

训练单元，用于以所述生成损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练。

与现有技术相比，本申请提供的基于室内主动降噪的隔声减振系统，包括：隔声材料，用于吸收和/或反射声波；传感器组，用于采集检测声波信号；分布在所述隔声材料表面和/或内部的扬声器，用于发射减振声波信号；控制子系统，用于控制所述扬声器发射所述减振声波信号，其中，所述控制子系统与所述传感器组连接，且所述控制子系统与所述扬声器连接。通过控制子系统的调节，可以根据不同的噪声频率、幅度和相位等信息，实时生成适当的减振声波信号，并使其与噪声相消，从而最大程度地降低或消除室内噪声。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。在附图中：

图1为本发明实施例中提供的一种基于室内主动降噪的隔声减振系统的框图。

图2为本发明实施例中提供的一种基于室内主动降噪的隔声减振方法的流程图。

图3为本发明实施例中提供的一种基于室内主动降噪的隔声减振方法的系统架构的示意图。

图4为本发明实施例中提供的一种基于室内主动降噪的隔声减振系统的应用场景图。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚明白，下面结合附图对本发明实施例做进一步详细说明。在此，本发明的示意性实施例及其说明用于解释本发明，但并不作为对本发明的限定。

除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

室内噪声是指在室内环境中产生的各种噪音，包括来自机器设备、交通、建筑工地、邻近房间以及人们自身活动等的噪音，室内噪声对人们的生活和工作产生不利影响。首先，室内噪声会对人的健康和心理产生负面影响，长期处于高噪声环境中，人们容易产生焦虑、疲劳和压力等不适感受，研究表明，噪声会干扰人们的正常休息和睡眠，导致睡眠质量下降。此外，噪声还可能引发心血管疾病、消化系统问题和免疫系统失调等健康问题，对于心理方面，长期暴露在噪音环境下，人们容易产生情绪波动、失眠和注意力不集中等问题。

其次，室内噪声会干扰人们的正常活动，影响工作和学习效率，在办公场所或学习环境中，噪声会分散人们的注意力，使得集中精力完成任务变得困难。研究发现，噪声会降低人们的工作效率和学习成绩，增加工作和学习的错误率，此外，噪声还会干扰人们的交流和沟通，影响人际关系。

随着人们对室内环境品质的要求不断提高，室内噪声成为一个普遍存在的问题。为了改善室内噪声问题，一些措施可以采取。隔声减振是一种通过使用隔声材料和相关技术手段来降低声波在空气或其他介质中的传播和传递，从而减少噪声的传入或传播的方法，旨在切断或阻隔噪声的传播路径，减少噪声对室内环境的影响。

在隔声减振中，使用隔声材料是一种常见的方法，隔声材料可以吸收、反射或散射声波，从而减少噪声的传播。常见的隔声材料包括吸声板、隔声墙、隔音门窗、隔音地毯等，这些材料具有吸音、隔音和隔声的功能，可以有效地降低噪声的传播和传入。

此外，还可以利用一些技术手段来实现隔声减振。例如，使用隔音门窗时可以采用双层或多层玻璃，中间填充空气或隔音材料，以增加隔声效果。在建筑设计中，可以采用隔音墙体和隔音天花板等结构来阻隔噪声传播。另外，还可以使用机械隔离技术，如弹性支座、减震器等，来减少振动传递和噪声的传播。

隔声减振的效果取决于多个因素，包括隔声材料的性能、隔声结构的设计和施工质量等。因此，在进行隔声减振时，需要根据具体情况选择适合的隔声材料和技术手段，并进行合理的设计和施工。隔声减振在实际应用中具有广泛的应用，可以用于建筑物、办公场所、学校、医院、工厂等各种室内环境中，以减少噪声对人们生活和工作的影响。隔声减振不仅可以提高室内环境的舒适性，还可以提高工作和学习的效率，改善人们的健康和生活质量。

传统的隔声减振方法在一些方面存在一些问题，这些问题包括对低频噪声效果不佳以及无法主动调节和控制噪声。首先，常见的隔声材料如泡沫塑料、玻璃纤维等对低频噪声的隔离效果相对较差，这是因为低频噪声具有较长的波长，需要更大的隔声材料厚度和质量才能有效地吸收或反射低频声波。传统的隔声材料往往无法满足这种要求，导致低频噪声的隔离效果不佳。

其次，传统的隔声减振方法主要依靠被动隔声材料，无法主动调节和控制噪声，被动隔声材料只能被动地吸收、反射或散射声波，而无法主动干预噪声的传播，这意味着传统的隔声减振方法无法针对不同噪声源和环境进行调节和控制，无法灵活应对不同噪声情况。

为了解决这些问题，一些新的隔声减振方法和技术正在被研发和应用。首先，新型的隔声材料正在不断发展，例如，聚合物复合材料、金属泡沫材料等具有更好的隔声性能，能够有效地隔离低频噪声。此外，新型的纳米材料也被应用于隔声减振领域，具有更高的吸音性能和更广泛的频率响应范围。其次，主动隔声技术逐渐得到应用，主动隔声技术通过使用传感器、控制系统和喇叭等设备，实时监测和分析噪声，并采取相应的控制措施来减少噪声的传播。主动隔声技术可以根据噪声源和环境的变化进行自动调节和控制，提供更好的隔声效果。此外，结合传统的隔声减振方法和新的技术手段也是一种解决方案。例如，可以将新型的隔声材料与传统的隔声结构相结合，以提高整体的隔声效果，同时，利用主动隔声技术来补充传统的被动隔声材料，实现更好的噪声控制效果。

在本申请中，提供一种基于室内主动降噪的隔声减振系统。

在本发明的一个实施例中，图1为本发明实施例中提供的一种基于室内主动降噪的隔声减振系统的框图。如图1所示，根据本发明实施例的基于室内主动降噪的隔声减振系统100，包括：隔声材料110，用于吸收和/或反射声波；传感器组120，用于采集检测声波信号；分布在所述隔声材料表面和/或内部的扬声器130，用于发射减振声波信号；控制子系统140，用于控制所述扬声器130发射所述减振声波信号，其中，所述控制子系统140与所述传感器组连接，且所述控制子系统140与所述扬声器130连接，所述控制子系统140，包括：声波信号检测模块141，用于获取所述检测声波信号；数据预处理模块142，用于对所述检测声波信号进行数据预处理以得到检测声波信号片段的序列；多粒度波形波动特征提取模块143，用于对所述检测声波信号片段的序列进行多粒度波形波动特征提取和投影映射融合以得到声波信号多粒度波动语义特征向量；减振声波信号生成模块144，用于基于所述声波信号多粒度波动语义特征向量生成所述减振声波信号。

在所述隔声材料110中，隔声材料用于吸收和/或反射声波，在选择隔声材料时，考虑其吸音和反射性能，以确保有效地减少噪声的传播和传入。在所述传感器组120中，传感器组用于采集和检测声波信号，在布置传感器时，考虑其位置和数量，以确保能够准确地获取噪声信号。在所述扬声器130中，扬声器分布在隔声材料的表面和/或内部，用于发射减振声波信号。在确定扬声器位置和布置方式时，考虑声波传播的路径和方向，以实现最佳的减振效果。在所述控制子系统140中，控制子系统用于控制扬声器发射减振声波信号。在设计控制子系统时，考虑与传感器组的连接和与扬声器的连接，以实现实时的噪声控制和调节。

具体地，控制子系统包括以下模块：所述声波信号检测模块141能够准确地采集到环境中的噪声信号。所述数据预处理模块142对检测声波信号进行数据预处理，以得到检测声波信号片段的序列，这样可以提取出噪声信号的重要特征。所述多粒度波形波动特征提取模块143中，对检测声波信号片段的序列进行多粒度波形波动特征提取和投影映射融合，以得到声波信号的多粒度波动语义特征向量，以帮助系统更准确地分析噪声信号。所述减振声波信号生成模块144中，基于声波信号的多粒度波动语义特征向量，生成减振声波信号，可以根据噪声的特征，生成相应的减振声波信号进行噪声控制。

本申请提供了一种基于室内主动降噪的隔声减振系统， 其中，控制子系统的作用是根据传感器组采集到的检测声波信号，对扬声器发射的减振声波信号进行控制和调节。应可以理解，在实际的应用场景中，减振声波信号需要根据实际的噪声情况进行动态调整以达到最佳的降噪效果。也就是，通过控制子系统的调节，可以根据不同的噪声频率、幅度和相位等信息，实时生成适当的减振声波信号，并使其与噪声相消，从而最大程度地降低或消除室内噪声。

传统的生成减振声波信号的方式存在一些问题。具体来说，传统方法通常采用预先录制的减振声波信号，这些信号是通过试验和分析得到的，用于特定噪声频率和幅度的降噪。然而，室内环境中的噪声可能是多变的，频率和幅度可能随时间和空间而变化，因此静态的预先录制信号无法适应实际情况。

针对上述技术问题，本申请的技术构思为利用智能化算法对检测声波信号进行多粒度分析，以挖掘所述检测声波信号中所蕴含的隐含声波波动特征，并以此来生成相对应的减振声波信号，从而降低或消除室内噪声的影响。

基于此，在本申请的技术方案中，首先获取检测声波信号；并对所述检测声波信号进行信号切分以得到检测声波信号片段的序列。这里，对所述检测声波信号进行信号切分的目的是将连续的声波信号划分为一系列检测声波信号片段，以便后续对每个检测声波信号片段进行独立的特征提取和处理。也就是说，通过切分信号，可以将长时间的声波信号分解为短时间的片段，从而更好地捕捉噪声信号的隐含波形特征。

在本申请的一个具体实施例中，所述数据预处理模块，用于：对所述检测声波信号进行信号切分以得到所述检测声波信号片段的序列。

在本申请的一个实施例中，所述多粒度波形波动特征提取模块，包括：特征提取单元，用于利用深度学习网络模型对所述检测声波信号片段的序列进行特征提取以得到检测声波信号片段波形特征向量的序列；片段间语义关联特征提取单元，用于提取所述检测声波信号片段波形特征向量的序列中片段间语义关联特征以得到声波片段间语义关联特征向量；拼接单元，用于将所述检测声波信号片段波形特征向量的序列进行拼接以得到检测声波信号全局波形语义特征向量；融合单元，用于使用投影层来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量。

然后，将所述检测声波信号片段的序列通过基于卷积神经网络模型的声音信号波动特征提取器以得到检测声波信号片段波形特征向量的序列。也就是，通过所述基于卷积神经网络模型的声音信号波动特征提取器来提取每个检测声波信号片段的波形特征，以表示其在局部时间段内的变化情况。

其中，所述深度学习网络模型为基于卷积神经网络模型的声音信号波动特征提取器。

在本申请的一个具体实施例中，所述特征提取单元，用于：将所述检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到所述检测声波信号片段波形特征向量的序列。

接着，将所述检测声波信号片段波形特征向量的序列通过基于Bi-LSTM模型的声波片段间语义关联编码器以得到声波片段间语义关联特征向量。同时，将所述检测声波信号片段波形特征向量的序列进行拼接以得到检测声波信号全局波形语义特征向量。这里，利用所述基于Bi-LSTM模型的声波片段间语义关联编码器来对检测声波信号片段之间的关系进行建模，以捕捉检测声波信号片段之间的上下文语义信息和语义关联。具体来说，Bi-LSTM模型能够同时考虑前向和后向两个方向的上下文信息，从而更好地理解声波片段的语义关联。通过所述基于Bi-LSTM模型的声波片段间语义关联编码器可以将每个检测声波信号片段特征向量与其周围片段的特征分布进行交互和整合，得到包含上下文语义关联信息的声波片段间语义关联特征向量。另外，将所述检测声波信号片段波形特征向量的序列进行拼接可以将所有检测声波信号片段的特征信息整合为一个全局的表示，以更全面地表达整个声波信号的波形特征和语义信息。

在本申请的一个具体实施例中，所述片段间语义关联特征提取单元，用于：将所述检测声波信号片段波形特征向量的序列通过基于Bi-LSTM模型的声波片段间语义关联编码器以得到所述声波片段间语义关联特征向量。

随后，使用投影层来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到声波信号多粒度波动语义特征向量。也就是，将所述检测声波信号全局波形语义特征向量所表达的检测声波信号全局波形语义信息和所述声波片段间语义关联特征向量所表达的检测声波信号片段间的关联语义信息进行整合，以使得融合后得到的所述声波信号多粒度波动语义特征向量具有多粒度的特征信息表示。

在本申请的一个具体实施例中，所述融合单元，用于：使用投影层以如下投影公式来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量；其中，所述投影公式为：

其中，为所述声波信号多粒度波动语义特征向量，/>为所述检测声波信号全局波形语义特征向量，/>为所述声波片段间语义关联特征向量，/>表示级联，表示向量的投影映射。

这里，在本申请的技术方案中，所述投影层将不同粒度的检测声波信号特征分布通过一个共享的投影层映射到一个共同的特征空间中，以将不同粒度的检测声波信号特征分布映射到相同的维度，使得它们可以进行直接的融合。也就是说，所述投影层通过使用同一的投影层将不同粒度的检测声波信号特征分布转换为相同的表示形式，从而消除不同粒度下特征分布之间的差异性。

继而，将所述声波信号多粒度波动语义特征向量通过基于对抗生成网络模型的减振反向声波生成器以得到减振声波信号。

在本申请的一个具体实施例中，所述减振声波信号生成模块，用于：将所述声波信号多粒度波动语义特征向量通过基于对抗生成网络模型的减振反向声波生成器以得到所述减振声波信号。

在本申请的一个实施例中，所述基于室内主动降噪的隔声减振系统，还包括用于对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练的训练模块。所述训练模块，包括：训练数据获取单元，用于获取训练数据，所述训练数据包括训练检测声波信号，以及，减振声波信号的真实值；训练信号切分单元，用于对所述训练检测声波信号进行信号切分以得到训练检测声波信号片段的序列；训练声音信号波动特征提取单元，用于将所述训练检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到训练检测声波信号片段波形特征向量的序列；训练语义关联编码单元，用于将所述训练检测声波信号片段波形特征向量的序列通过所述基于Bi-LSTM模型的声波片段间语义关联编码器以得到训练声波片段间语义关联特征向量；训练拼接单元，用于将所述训练检测声波信号片段波形特征向量的序列进行拼接以得到训练检测声波信号全局波形语义特征向量；训练融合单元，用于使用所述投影层来融合所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量以得到训练声波信号多粒度波动语义特征向量；训练减振反向声波生成单元，用于将所述训练声波信号多粒度波动语义特征向量通过所述基于对抗生成网络模型的减振反向声波生成器以得到生成损失函数值；特定损失函数计算单元，用于计算所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特定损失函数值；训练单元，用于以所述生成损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练。

在上述技术方案中，将所述训练检测声波信号片段的序列通过基于卷积神经网络模型的声音信号波动特征提取器后，得到的所述训练检测声波信号片段波形特征向量的序列表达所述训练检测声波信号在局部时域下的局部时域内信号波形图像语义特征，这样，将所述训练检测声波信号片段波形特征向量的序列通过基于Bi-LSTM模型的声波片段间语义关联编码器后，可以进行全局时域下的局部时域间近程-远程上下文图像语义特征关联，由此，所述训练声波片段间语义关联特征向量与所述训练检测声波信号片段波形特征向量的序列拼接得到的所述训练检测声波信号全局波形语义特征向量将具有全局时域下的不同特征群密度表示，这样，在使用投影层来融合所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量时，所述全局时域下的基于局部时域内特征表示和局部时域间关联特征的不同特征群密度表示之间就会使得模型训练存在迭代不均衡，影响模型的整体训练效率。

因此，本申请的申请人考虑提升所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特征群密度表示一致性，从而进一步引入了针对所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特定损失函数，表示为：以如下优化公式计算所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特定损失函数值；其中，所述优化公式为：

其中，是所述训练检测声波信号全局波形语义特征向量，/>是所述训练声波片段间语义关联特征向量，特征向量/>和/>具有相同长度L，且/>表示向量的二范数的平方，/>和/>分别是所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量中的特征值，/>表示特定损失函数值，/>表示计算以数值为幂的自然指数函数值，/>表示按位置减法。

这里，所述损失函数基于特征群密度来进行群计数注意力，其通过将群计数作为输出特征群密度的递归映射，来进行所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量之间的不同密度表示模式的自适应注意力。通过以其作为损失函数训练模型，可以使得模型针对所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特征分布下的不同密度模式来避免过估计和欠估计，并学习特征值分布与群密度分布之间的对应关系，从而实现具有不同特征密度的所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量之间的特征群密度表示一致性优化，以提升模型的整体训练效率。

综上，基于本发明实施例的基于室内主动降噪的隔声减振系统100被阐明，其利用智能化算法对检测声波信号进行多粒度分析，以挖掘所述检测声波信号中所蕴含的隐含声波波动特征，并以此来生成相对应的减振声波信号，从而降低或消除室内噪声的影响。

如上所述，根据本发明实施例的基于室内主动降噪的隔声减振系统100可以实现在各种终端设备中，例如用于基于室内主动降噪的隔声减振的服务器等。在一个示例中，根据本发明实施例的基于室内主动降噪的隔声减振系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该基于室内主动降噪的隔声减振系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该基于室内主动降噪的隔声减振系统100同样可以是该终端设备的众多硬件模块之一。

替换地，在另一示例中，该基于室内主动降噪的隔声减振系统100与该终端设备也可以是分立的设备，并且该基于室内主动降噪的隔声减振系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

图2为本发明实施例中提供的一种基于室内主动降噪的隔声减振方法的流程图。图3为本发明实施例中提供的一种基于室内主动降噪的隔声减振方法的系统架构的示意图。如图2和图3所示，一种基于室内主动降噪的隔声减振方法，包括：210，通过隔声材料吸收和/或反射声波；220，通过传感器组采集检测声波信号；230，通过分布在所述隔声材料表面和/或内部的扬声器发射减振声波信号；240，通过控制子系统控制所述扬声器发射所述减振声波信号，其中，所述控制子系统与所述传感器组连接，且所述控制子系统与所述扬声器连接，通过所述控制子系统控制所述扬声器发射所述减振声波信号，包括：241，获取所述检测声波信号；242，对所述检测声波信号进行数据预处理以得到检测声波信号片段的序列；243，对所述检测声波信号片段的序列进行多粒度波形波动特征提取和投影映射融合以得到声波信号多粒度波动语义特征向量；244，用于基于所述声波信号多粒度波动语义特征向量生成所述减振声波信号。

本领域技术人员可以理解，上述基于室内主动降噪的隔声减振方法中的各个步骤的具体操作已经在上面参考图1的基于室内主动降噪的隔声减振系统的描述中得到了详细介绍，并因此，将省略其重复描述。

图4为本发明实施例中提供的一种基于室内主动降噪的隔声减振系统的应用场景图。如图4所示，在该应用场景中，首先，获取所述检测声波信号（例如，如图4中所示意的C）；然后，将获取的检测声波信号输入至部署有基于室内主动降噪的隔声减振算法的服务器（例如，如图4中所示意的S）中，其中所述服务器能够基于室内主动降噪的隔声减振算法对所述检测声波信号进行处理，以基于所述声波信号多粒度波动语义特征向量生成所述减振声波信号。

以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围，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 (8)

1.一种基于室内主动降噪的隔声减振系统，包括：隔声材料，用于吸收和/或反射声波；传感器组，用于采集检测声波信号；分布在所述隔声材料表面和/或内部的扬声器，用于发射减振声波信号；控制子系统，用于控制所述扬声器发射所述减振声波信号，其中，所述控制子系统与所述传感器组连接，且所述控制子系统与所述扬声器连接，其特征在于，所述控制子系统，包括：

声波信号检测模块，用于获取所述检测声波信号；

数据预处理模块，用于对所述检测声波信号进行数据预处理以得到检测声波信号片段的序列；

多粒度波形波动特征提取模块，用于对所述检测声波信号片段的序列进行多粒度波形波动特征提取和投影映射融合以得到声波信号多粒度波动语义特征向量；

减振声波信号生成模块，用于基于所述声波信号多粒度波动语义特征向量生成所述减振声波信号；

其中，所述多粒度波形波动特征提取模块，包括：

特征提取单元，用于利用深度学习网络模型对所述检测声波信号片段的序列进行特征提取以得到检测声波信号片段波形特征向量的序列；

片段间语义关联特征提取单元，用于提取所述检测声波信号片段波形特征向量的序列中片段间语义关联特征以得到声波片段间语义关联特征向量；

拼接单元，用于将所述检测声波信号片段波形特征向量的序列进行拼接以得到检测声波信号全局波形语义特征向量；

融合单元，用于使用投影层来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量；

其中，所述融合单元，用于：

使用投影层以如下投影公式来融合所述检测声波信号全局波形语义特征向量和所述声波片段间语义关联特征向量以得到所述声波信号多粒度波动语义特征向量；

其中，所述投影公式为：

其中，为所述声波信号多粒度波动语义特征向量，/>为所述检测声波信号全局波形语义特征向量，/>为所述声波片段间语义关联特征向量，/>表示级联，/>表示向量的投影映射。

2.根据权利要求1所述的基于室内主动降噪的隔声减振系统，其特征在于，所述数据预处理模块，用于：

对所述检测声波信号进行信号切分以得到所述检测声波信号片段的序列。

3.根据权利要求2所述的基于室内主动降噪的隔声减振系统，其特征在于，所述深度学习网络模型为基于卷积神经网络模型的声音信号波动特征提取器。

4.根据权利要求3所述的基于室内主动降噪的隔声减振系统，其特征在于，所述特征提取单元，用于：

将所述检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到所述检测声波信号片段波形特征向量的序列。

5.根据权利要求4所述的基于室内主动降噪的隔声减振系统，其特征在于，所述片段间语义关联特征提取单元，用于：

将所述检测声波信号片段波形特征向量的序列通过基于Bi-LSTM模型的声波片段间语义关联编码器以得到所述声波片段间语义关联特征向量。

6.根据权利要求5所述的基于室内主动降噪的隔声减振系统，其特征在于，所述减振声波信号生成模块，用于：

将所述声波信号多粒度波动语义特征向量通过基于对抗生成网络模型的减振反向声波生成器以得到所述减振声波信号。

7.根据权利要求6所述的基于室内主动降噪的隔声减振系统，其特征在于，还包括用于对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练的训练模块。

8.根据权利要求7所述的基于室内主动降噪的隔声减振系统，其特征在于，所述训练模块，包括：

训练数据获取单元，用于获取训练数据，所述训练数据包括训练检测声波信号，以及，减振声波信号的真实值；

训练信号切分单元，用于对所述训练检测声波信号进行信号切分以得到训练检测声波信号片段的序列；

训练声音信号波动特征提取单元，用于将所述训练检测声波信号片段的序列通过所述基于卷积神经网络模型的声音信号波动特征提取器以得到训练检测声波信号片段波形特征向量的序列；

训练语义关联编码单元，用于将所述训练检测声波信号片段波形特征向量的序列通过所述基于Bi-LSTM模型的声波片段间语义关联编码器以得到训练声波片段间语义关联特征向量；

训练拼接单元，用于将所述训练检测声波信号片段波形特征向量的序列进行拼接以得到训练检测声波信号全局波形语义特征向量；

训练融合单元，用于使用所述投影层来融合所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量以得到训练声波信号多粒度波动语义特征向量；

训练减振反向声波生成单元，用于将所述训练声波信号多粒度波动语义特征向量通过所述基于对抗生成网络模型的减振反向声波生成器以得到生成损失函数值；

特定损失函数计算单元，用于计算所述训练检测声波信号全局波形语义特征向量和所述训练声波片段间语义关联特征向量的特定损失函数值；

训练单元，用于以所述生成损失函数值和所述特定损失函数值的加权和作为损失函数值来对所述基于卷积神经网络模型的声音信号波动特征提取器、所述基于Bi-LSTM模型的声波片段间语义关联编码器、所述投影层和所述基于对抗生成网络模型的减振反向声波生成器进行训练。