CN117744011B - 噪声溯源方法、装置、存储介质和电子设备 - Google Patents
噪声溯源方法、装置、存储介质和电子设备 Download PDFInfo
- Publication number
- CN117744011B CN117744011B CN202410179384.1A CN202410179384A CN117744011B CN 117744011 B CN117744011 B CN 117744011B CN 202410179384 A CN202410179384 A CN 202410179384A CN 117744011 B CN117744011 B CN 117744011B
- Authority
- CN
- China
- Prior art keywords
- noise source
- noise
- type
- target
- source type
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001514 detection method Methods 0.000 claims abstract description 212
- 230000002159 abnormal effect Effects 0.000 claims abstract description 98
- 238000012544 monitoring process Methods 0.000 claims abstract description 96
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 abstract description 8
- 238000011835 investigation Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 239000000463 material Substances 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 4
- 230000005236 sound signal Effects 0.000 description 4
- 238000000926 separation method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- KLDZYURQCUYZBL-UHFFFAOYSA-N 2-[3-[(2-hydroxyphenyl)methylideneamino]propyliminomethyl]phenol Chemical compound OC1=CC=CC=C1C=NCCCN=CC1=CC=CC=C1O KLDZYURQCUYZBL-UHFFFAOYSA-N 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 201000001098 delayed sleep phase syndrome Diseases 0.000 description 1
- 208000033921 delayed sleep phase type circadian rhythm sleep disease Diseases 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000004630 mental health Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
Classifications
-
- 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
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本公开涉及一种噪声溯源方法、装置、存储介质和电子设备,涉及噪声处理技术领域,该方法包括:通过区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据,根据每个检测位置的噪声数据,确定该检测位置对应的预估噪声源类型和该检测位置对应的每种预估噪声源类型的分解噪声数据,根据检测位置、预估噪声源类型和分解噪声数据,确定待选噪声源类型和待选噪声源类型对应的待选噪声源位置,根据待选噪声源类型、待选噪声源位置、噪声源清单、区域噪声数据和分解噪声数据,确定目标噪声源位置。本公开不需要进行人工监测和人工排查,就能确定异常监测区域对应的目标噪声源位置,能够确保噪声溯源的时效性,降低了噪声溯源的成本。
Description
技术领域
本公开涉及噪声处理技术领域,具体地,涉及一种噪声溯源方法、装置、存储介质和电子设备。
背景技术
随着城市的不断发展,噪声污染日益严重,对人类身心健康造成了严重影响,推进噪声污染防治工作刻不容缓。噪声污染防治的重要前提之一是进行噪声溯源,以识别和追踪噪声污染的源头(即确定噪声源的位置),进而采取合适的措施对噪声源进行处理,从而为噪声污染防治工作提供重要支持。
当前,噪声溯源主要是通过对噪声存在异常的区域进行人工监测和人工排查,以确定噪声源的位置。然而,采用这样的方式,噪声溯源的时效性较差,需要耗费大量的人力物力,噪声溯源的成本较高。
发明内容
本公开的目的是提供一种噪声溯源方法、装置、存储介质和电子设备,用于解决现有技术中噪声溯源的时效性较差以及噪声溯源的成本较高的技术问题。
根据本公开实施例的第一方面,提供一种噪声溯源方法,所述噪声溯源方法包括:
通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据;所述区域噪声数据用于指示所述目标区域中的每个位置的噪声数据;所述目标区域包括多个监测区域,所述异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域;
根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据;
根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置;
根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置;所述噪声源清单包括预先收集到的所述目标区域内的多种预设噪声源类型以及每种所述预设噪声源类型对应的预设噪声源位置。
可选地,所述根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,包括:
对每个所述检测位置的噪声数据进行识别,得到该检测位置对应的至少一种预估噪声源类型;
根据每个所述检测位置的噪声数据以及该检测位置对应的至少一种预估噪声源类型,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。
可选地,所述根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置,包括:
针对每种所述预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为所述异常监测区域对应的待选噪声源类型;
根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置,包括:
根据每种所述待选噪声源类型的分解噪声数据,确定该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息;
针对每种所述待选噪声源类型,根据所述时间差信息以及对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置,包括:
针对每种所述待选噪声源类型,根据该待选噪声源类型的分解噪声数据以及对应有该待选噪声源类型的每个异常检测位置,通过预先训练好的噪声溯源模型,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置,包括:
针对每种所述待选噪声源类型,从多种所述预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型;每个所述待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型;
通过所述区域噪声数据,获取每种所述目标预设噪声源类型对应的目标预设噪声源位置的噪声数据;
根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置。
可选地,所述根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置,包括:
针对每种所述目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型,得到每个所述目标检测位置对应的该目标预设噪声源类型的传播噪声数据;
针对每种所述目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为所述目标噪声源位置。
根据本公开实施例的第二方面,提供一种噪声溯源装置,所述噪声溯源装置包括:
获取模块,用于通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据;所述区域噪声数据用于指示所述目标区域中的每个位置的噪声数据;所述目标区域包括多个监测区域,所述异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域;
确定模块,用于根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据;
所述确定模块,还用于根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置;
所述确定模块,还用于根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置;所述噪声源清单包括预先收集到的所述目标区域内的多种预设噪声源类型以及每种所述预设噪声源类型对应的预设噪声源位置。
可选地,所述确定模块包括:
识别子模块,用于对每个所述检测位置的噪声数据进行识别,得到该检测位置对应的至少一种预估噪声源类型;
分解子模块,用于根据每个所述检测位置的噪声数据以及该检测位置对应的至少一种预估噪声源类型,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。
可选地,所述确定模块包括:
第一类型确定子模块,用于针对每种所述预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为所述异常监测区域对应的待选噪声源类型;
第一位置确定子模块,用于根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述第一位置确定子模块用于:
根据每种所述待选噪声源类型的分解噪声数据,确定该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息;
针对每种所述待选噪声源类型,根据所述时间差信息以及对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述第一位置确定子模块,用于针对每种所述待选噪声源类型,根据该待选噪声源类型的分解噪声数据以及对应有该待选噪声源类型的每个异常检测位置,通过预先训练好的噪声溯源模型,确定该待选噪声源类型对应的待选噪声源位置。
可选地,所述确定模块包括:
第二类型确定子模块,用于针对每种所述待选噪声源类型,从多种所述预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型;每个所述待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型;
数据确定子模块,用于通过所述区域噪声数据,获取每种所述目标预设噪声源类型对应的目标预设噪声源位置的噪声数据;
第二位置确定子模块,用于根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置。
可选地,所述第二位置确定子模块用于:
针对每种所述目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型,得到每个所述目标检测位置对应的该目标预设噪声源类型的传播噪声数据;
针对每种所述目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为所述目标噪声源位置。
根据本公开实施例的第三方面,提供一种非临时性计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以上第一方面所述方法的步骤。
根据本公开实施例的第四方面,提供一种电子设备,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现以上第一方面所述方法的步骤。
通过上述技术方案,本公开实施例提供的噪声溯源方法,首先通过区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据,之后根据每个检测位置的噪声数据,确定该检测位置对应的预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,再根据检测位置、预估噪声源类型和分解噪声数据,确定待选噪声源类型以及待选噪声源类型对应的待选噪声源位置,并根据待选噪声源类型、待选噪声源位置、噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。本公开不需要对异常监测区域进行人工监测和人工排查,可以直接通过对异常监测区域中的多个检测位置的噪声数据进行处理分析,就能确定异常监测区域对应的目标噪声源位置,能够确保噪声溯源的时效性,同时不需要耗费大量的人力物力,降低了噪声溯源的成本。
本公开的其他特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本公开的进一步理解,并且构成说明书的一部分,与下面的具体实施方式一起用于解释本公开,但并不构成对本公开的限制。在附图中:
图1是根据一示例性实施例示出的一种噪声溯源方法的流程图;
图2是根据图1示出的一种步骤102的流程图;
图3是根据图1示出的一种步骤103的流程图;
图4是根据图1示出的一种步骤104的流程图;
图5是根据一示例性实施例示出的一种噪声溯源装置的框图;
图6是根据图5示出的一种确定模块的框图;
图7是根据图5示出的另一种确定模块的框图;
图8是根据图5示出的又一种确定模块的框图;
图9是根据一示例性实施例示出的一种电子设备的框图。
具体实施方式
以下结合附图对本公开的具体实施方式进行详细说明。应当理解的是,此处所描述的具体实施方式仅用于说明和解释本公开,并不用于限制本公开。
图1是根据一示例性实施例示出的一种噪声溯源方法的流程图。如图1所示,该噪声溯源方法可以包括以下步骤:
步骤101,通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据。其中,区域噪声数据用于指示目标区域中的每个位置的噪声数据,目标区域包括多个监测区域,异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域。
步骤102,根据每个检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据。
示例地,首先,可以选取需要进行噪声溯源的区域作为目标区域,并将目标区域划分为多个监测区域。例如,可以将某一个市(或者某一个区县)作为目标区域,将每个街道(或者每个村)作为一个监测区域。另外,在划分多个监测区域时,不能将监测区域划分的过大或过小,需要考虑各种类型的噪声源的影响范围,以在监测区域被噪声源影响时,使监测区域内存在较多的能够反应噪声源位置的噪声数据,从而提高噪声溯源的准确性。
其次,可以在目标区域中部署一定数量的噪声监测站点来构建噪声监测网络,通过该噪声监测网络可以检测目标区域中每个位置的噪声,得到用于指示目标区域中每个位置的噪声数据的区域噪声数据。接着,可以根据区域噪声数据,统计每个监测区域内包含的噪声数据存在异常的位置的数量,再将噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域作为异常监测区域。噪声数据存在异常的位置可以理解为监测区域内噪声污染较为严重的位置。需要说明的是,异常监测区域可以为一个或多个。确定每个异常监测区域对应的目标噪声源位置的方式相同,本公开中将仅以异常监测区域为一个为例进行说明。
然后,可以在异常监测区域中选取多个检测位置,并通过区域噪声数据,获取每个检测位置的噪声数据。其中,多个检测位置可以采用预设分布方式均匀分布在异常监测区域中,预设分布方式可以是十字形分布、矩形分布、圆形分布和螺旋形分布等。在实际情况中,检测位置的噪声可能是由一种或多种噪声源类型的噪声源的噪声传播得到的,即检测位置的噪声数据可能包含一种或多种噪声源类型的噪声数据。在对某一种噪声源类型的噪声源进行噪声溯源时,其他噪声源类型的噪声数据会影响对该噪声源类型的噪声源进行噪声溯源的准确性,因此为了确保噪声溯源的准确性,需要先对检测位置的噪声数据进行分解,再进行噪声溯源。
具体地,可以对每个检测位置的噪声数据进行噪声源识别,以确定每个检测位置对应的预估噪声源类型。其中,预估噪声源类型可以理解为预先估计出的导致检测位置产生噪声的噪声源的噪声源类型。之后可以针对每个检测位置,利用该检测位置对应的每种预估噪声源类型,对该检测位置的噪声数据进行噪声分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。每个检测位置的噪声数据是由该检测位置对应的每种预估噪声源类型的分解噪声数据组成的。
步骤103,根据检测位置、预估噪声源类型和分解噪声数据,确定异常监测区域对应的待选噪声源类型以及待选噪声源类型对应的待选噪声源位置。
举例来说,在确定预估噪声源类型以及分解噪声数据之后,可以针对每种预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量较多,则将该预估噪声源类型作为异常监测区域对应的待选噪声源类型。其中,待选噪声源类型可以理解为有可能对异常监测区域产生较大影响的噪声源的噪声源类型。
然后,可以根据每种待选噪声源类型的分解噪声数据和对应有该待选噪声源类型的每个检测位置进行噪声源定位,以确定该待选噪声源类型对应的待选噪声源位置。其中,每种待选噪声源类型仅对应一个待选噪声源位置,每种待选噪声源类型对应的待选噪声源位置可以理解为:该待选噪声源类型对应的噪声源可能的位置。每种待选噪声源类型的分解噪声数据包括对应该待选噪声源类型的每个检测位置所对应的分解噪声数据。
步骤104,根据待选噪声源类型、待选噪声源位置、目标区域的噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。其中,噪声源清单包括预先收集到的目标区域内的多种预设噪声源类型以及每种预设噪声源类型对应的预设噪声源位置。
示例地,可以通过实地调查以及资料查询等方式,预先收集目标区域内出现过的噪声源的预设噪声源类型以及可能出现的噪声源的预设噪声源类型,并将这些噪声源中的每个噪声源的位置作为该噪声源的预设噪声源类型对应的预设噪声源位置(可能会存在同一种预设噪声源类型对应多个预设噪声源位置的情况),并根据预设噪声源类型以及预设噪声源类型对应的预设噪声源位置构建噪声源清单。
在确定待选噪声源类型以及待选噪声源位置之后,可以针对每种待选噪声源类型,将该待选噪声源类型以及该待选噪声源类型对应的待选噪声源位置与噪声源清单进行匹配和比对,以从噪声源清单包括的多种预设噪声源类型中选取该待选噪声源类型对应的目标预设噪声源类型。然后,可以通过区域噪声数据,获取每种目标预设噪声源类型对应的目标预设噪声源位置的噪声数据。最后,可以判断每种目标预设噪声源类型对应的目标预设噪声源位置的噪声数据,与检测位置对应的该目标预设噪声源类型的分解噪声数据是否匹配,若匹配,则将该目标预设噪声源类型对应的目标预设噪声源位置作为目标噪声源位置。
综上所述,本公开实施例提供的噪声溯源方法,首先通过区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据,之后根据每个检测位置的噪声数据,确定该检测位置对应的预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,再根据检测位置、预估噪声源类型和分解噪声数据,确定待选噪声源类型以及待选噪声源类型对应的待选噪声源位置,并根据待选噪声源类型、待选噪声源位置、噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。本公开不需要对异常监测区域进行人工监测和人工排查,可以直接通过对异常监测区域中的多个检测位置的噪声数据进行处理分析,就能确定异常监测区域对应的目标噪声源位置,能够确保噪声溯源的时效性,同时不需要耗费大量的人力物力,降低了噪声溯源的成本。
图2是根据图1示出的一种步骤102的流程图。如图2所示,步骤102可以包括以下步骤:
步骤1021,对每个检测位置的噪声数据进行识别,得到该检测位置对应的至少一种预估噪声源类型。
步骤1022,根据每个检测位置的噪声数据以及该检测位置对应的至少一种预估噪声源类型,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。
举例来说,在获取到多个检测位置的噪声数据之后,可以针对每个检测位置,根据该检测位置的噪声数据,通过预先训练好的噪声识别模型进行噪声源类型识别,得到噪声识别模型输出的该检测位置对应的至少一种预估噪声源类型。其中,预估噪声源类型可以是工业噪声、建筑施工噪声、交通运输噪声以及社会生活噪声中的任一种。噪声识别模型可以采用SVM(英文:Support Vector Machine,中文:支持向量机)模型、KNN(英文:K-NearestNeighbor)模型、END(英文:Ensemble of Nested Dichotomies)模型、GMM(英文:GaussianMixture Model,中文:高斯混合模型)模型中的任一种。
然后,可以针对每个检测位置,根据该检测位置的噪声数据以及该检测位置对应的预估噪声源类型,利用预设噪声分离算法,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。其中,预设噪声分离算法可以采用盲源分离法。
图3是根据图1示出的一种步骤103的流程图。如图3所示,步骤103可以包括以下步骤:
步骤1031,针对每种预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为异常监测区域对应的待选噪声源类型。
示例地,在所有预估噪声源类型中,每种预估噪声源类型都对应一个噪声源,但不是每种预估噪声源类型对应的噪声源都对异常监测区域有着较大影响,因此可以先选取对异常监测区域有着较大影响的预估噪声源类型。具体地,可以针对每种预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,则将该预估噪声源类型作为异常监测区域对应的待选噪声源类型。其中,第二预设阈值大于或等于3。
步骤1032,根据每种待选噪声源类型的分解噪声数据,以及多个检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
在一种场景中,在确定待选噪声源类型之后,可以先根据每种待选噪声源类型的分解噪声数据,确定该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息(即确定噪声到达各个异常检测位置的时延)。例如,可以针对每种待选噪声源类型,根据各个异常检测位置对应的该待选噪声源类型的分解噪声数据,采用时延估计算法(如广义互相关法、最小均方自适应滤波法等),计算该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息。
然后,可以针对每种待选噪声源类型,根据时间差信息以及对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。例如,可以针对每种待选噪声源类型,根据该待选噪声源类型对应的待选噪声源的噪声到达对应有该待选噪声源类型的各个异常检测位置的时间差信息,以及对应有该待选噪声源类型的每个异常检测位置,采用位置解算算法(如迭代法、球面插值法等),计算该待选噪声源类型对应的待选噪声源位置。
在另一种场景中,还可以针对每种待选噪声源类型,根据该待选噪声源类型的分解噪声数据以及对应有该待选噪声源类型的每个异常检测位置,通过预先训练好的噪声溯源模型,确定该待选噪声源类型对应的待选噪声源位置。其中,噪声溯源模型可以是DNN(英文:Deep-Learning Neural Network,中文:深度神经网络)模型、CRNN(英文:Convolutional Recurrent Neural Network,中文:卷积循环神经网络)模型等,本公开对此不做具体限定。
图4是根据图1示出的一种步骤104的流程图。如图4所示,步骤104可以包括以下步骤:
步骤1041,针对每种待选噪声源类型,从多种预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型。每个待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型。
步骤1042,通过区域噪声数据,获取每种目标预设噪声源类型对应的目标预设噪声源位置的噪声数据。
举例来说,在确定待选噪声源类型以及待选噪声源位置之后,可以针对每种待选噪声源类型,根据该待选噪声源类型以及该待选噪声源类型对应的待选噪声源位置,从噪声源清单包括的多种预设噪声源类型中,选取与该待选噪声源类型匹配(这里的匹配指的是噪声源类型相同),且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型(这里的匹配指的是位置相同或相近,若同一种预设噪声源类型对应多个预设噪声源位置,则预设噪声源类型对应的多个预设噪声源位置中有一个与待选噪声源位置相同或相近即可),作为该待选噪声源类型对应的目标预设噪声源类型。然后,可以通过区域噪声数据,获取每种目标预设噪声源类型对应的目标预设噪声源位置的噪声数据。若同一种目标预设噪声源类型对应多个预设噪声源位置,则只需要获取与待选噪声源位置相同或相近的目标预设噪声源位置的噪声数据。
步骤1043,根据目标预设噪声源位置的噪声数据,分解噪声数据以及多个检测位置中对应有目标预设噪声源类型的目标检测位置,确定目标噪声源位置。
具体地,可以针对每种目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型(噪声传播模型是预先构建好的,每种噪声源类型均对应一个噪声传播模型),得到对应有该目标预设噪声源类型的目标检测位置的传播噪声数据(传播噪声数据为噪声从该目标预设噪声源类型对应的目标预设噪声源位置传播到对应有该目标预设噪声源类型的每个目标检测位置时产生的噪声数据)。
然后,可以针对每种目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为目标噪声源位置。例如,可以通过计算每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据之间的相似度,若相似度大于或等于预设相似度阈值,则认为匹配,否则,认为不匹配。
需要说明的是,若目标预设噪声源位置为多个,则可以获取每个目标预设噪声源位置的噪声数据,再依次根据每个目标预设噪声源位置的噪声数据单独去计算传播噪声数据并判断是否与分解噪声数据匹配,进而确定每个目标预设噪声源位置是否能作为目标噪声源位置。
综上所述,本公开实施例提供的噪声溯源方法,首先通过区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据,之后根据每个检测位置的噪声数据,确定该检测位置对应的预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,再根据检测位置、预估噪声源类型和分解噪声数据,确定待选噪声源类型以及待选噪声源类型对应的待选噪声源位置,并根据待选噪声源类型、待选噪声源位置、噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。本公开不需要对异常监测区域进行人工监测和人工排查,可以直接通过对异常监测区域中的多个检测位置的噪声数据进行处理分析,就能确定异常监测区域对应的目标噪声源位置,能够确保噪声溯源的时效性,同时不需要耗费大量的人力物力,降低了噪声溯源的成本。
图5是根据一示例性实施例示出的一种噪声溯源装置的框图。如图5所示,该噪声溯源装置200包括:
获取模块201,用于通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据。其中,区域噪声数据用于指示目标区域中的每个位置的噪声数据,目标区域包括多个监测区域,异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域。
确定模块202,用于根据每个检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据。
确定模块202,还用于根据检测位置、预估噪声源类型和分解噪声数据,确定异常监测区域对应的待选噪声源类型以及待选噪声源类型对应的待选噪声源位置。
确定模块202,还用于根据待选噪声源类型、待选噪声源位置、目标区域的噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。其中,噪声源清单包括预先收集到的目标区域内的多种预设噪声源类型以及每种预设噪声源类型对应的预设噪声源位置。
图6是根据图5示出的一种确定模块的框图。如图6所示,确定模块202可以包括:
识别子模块2021,用于对每个检测位置的噪声数据进行识别,得到该检测位置对应的至少一种预估噪声源类型。
分解子模块2022,用于根据每个检测位置的噪声数据以及该检测位置对应的至少一种预估噪声源类型,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。
图7是根据图5示出的另一种确定模块的框图。如图7所示,确定模块202包括:
第一类型确定子模块2023,用于针对每种预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为异常监测区域对应的待选噪声源类型。
第一位置确定子模块2024,用于根据每种待选噪声源类型的分解噪声数据,以及多个检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,第一位置确定子模块2024用于:
根据每种待选噪声源类型的分解噪声数据,确定该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息。
针对每种待选噪声源类型,根据时间差信息以及对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
可选地,第一位置确定子模块2024,用于针对每种待选噪声源类型,根据该待选噪声源类型的分解噪声数据以及对应有该待选噪声源类型的每个异常检测位置,通过预先训练好的噪声溯源模型,确定该待选噪声源类型对应的待选噪声源位置。
图8是根据图5示出的又一种确定模块的框图。如图8所示,确定模块202包括:
第二类型确定子模块2025,用于针对每种待选噪声源类型,从多种预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型。每个待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型。
数据确定子模块2026,用于通过区域噪声数据,获取每种目标预设噪声源类型对应的目标预设噪声源位置的噪声数据。
第二位置确定子模块2027,用于根据目标预设噪声源位置的噪声数据,分解噪声数据以及多个检测位置中对应有目标预设噪声源类型的目标检测位置,确定目标噪声源位置。
可选地,第二位置确定子模块2027用于:
针对每种目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型,得到每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据。
针对每种目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为目标噪声源位置。
综上所述,本公开实施例提供的噪声溯源装置包括获取模块和确定模块,获取模块,用于通过区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据,确定模块,用于根据每个检测位置的噪声数据,确定该检测位置对应的预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,再根据检测位置、预估噪声源类型和分解噪声数据,确定待选噪声源类型以及待选噪声源类型对应的待选噪声源位置,并根据待选噪声源类型、待选噪声源位置、噪声源清单、区域噪声数据和分解噪声数据,确定异常监测区域对应的目标噪声源位置。本公开不需要对异常监测区域进行人工监测和人工排查,可以直接通过对异常监测区域中的多个检测位置的噪声数据进行处理分析,就能确定异常监测区域对应的目标噪声源位置,能够确保噪声溯源的时效性,同时不需要耗费大量的人力物力,降低了噪声溯源的成本。
图9是根据一示例性实施例示出的一种电子设备的框图。如图9所示,该电子设备300可以包括:处理器301,存储器302。该电子设备300还可以包括多媒体组件303,输入/输出(I/O)接口304,以及通信组件305中的一者或多者。
其中,处理器301用于控制该电子设备300的整体操作,以完成上述的噪声溯源方法中的全部或部分步骤。存储器302用于存储各种类型的数据以支持在该电子设备300的操作,这些数据例如可以包括用于在该电子设备300上操作的任何应用程序或方法的指令,以及应用程序相关的数据,例如联系人数据、收发的消息、图片、音频、视频等等。该存储器302可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,例如静态随机存取存储器(Static Random Access Memory,简称SRAM),电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory,简称EEPROM),可擦除可编程只读存储器(Erasable Programmable Read-Only Memory,简称EPROM),可编程只读存储器(Programmable Read-Only Memory,简称PROM),只读存储器(Read-Only Memory,简称ROM),磁存储器,快闪存储器,磁盘或光盘。多媒体组件303可以包括屏幕和音频组件。其中屏幕例如可以是触摸屏,音频组件用于输出和/或输入音频信号。例如,音频组件可以包括一个麦克风,麦克风用于接收外部音频信号。所接收的音频信号可以被进一步存储在存储器302或通过通信组件305发送。音频组件还包括至少一个扬声器,用于输出音频信号。I/O接口304为处理器301和其他接口模块之间提供接口,上述其他接口模块可以是键盘,鼠标,按钮等。这些按钮可以是虚拟按钮或者实体按钮。通信组件305用于该电子设备300与其他设备之间进行有线或无线通信。无线通信,例如Wi-Fi,蓝牙,近场通信(Near FieldCommunication,简称NFC),2G、3G、4G、NB-IOT、eMTC、或其他5G等等,或它们中的一种或几种的组合,在此不做限定。因此相应的该通信组件305可以包括:Wi-Fi模块,蓝牙模块,NFC模块等等。
在一示例性实施例中,电子设备300可以被一个或多个应用专用集成电路(Application Specific Integrated Circuit,简称ASIC)、数字信号处理器(DigitalSignal Processor,简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device,简称PLD)、现场可编程门阵列(Field Programmable Gate Array,简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述的噪声溯源方法。
在另一示例性实施例中,还提供了一种包括程序指令的计算机可读存储介质,该程序指令被处理器执行时实现上述的噪声溯源方法的步骤。例如,该计算机可读存储介质可以为上述包括程序指令的存储器302,上述程序指令可由电子设备300的处理器301执行以完成上述的噪声溯源方法。
以上结合附图详细描述了本公开的优选实施方式,但是,本公开并不限于上述实施方式中的具体细节,在本公开的技术构思范围内,可以对本公开的技术方案进行多种简单变型,这些简单变型均属于本公开的保护范围。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合,为了避免不必要的重复,本公开对各种可能的组合方式不再另行说明。
此外,本公开的各种不同的实施方式之间也可以进行任意组合,只要其不违背本公开的思想,其同样应当视为本公开所公开的内容。
Claims (8)
1.一种噪声溯源方法,其特征在于,所述噪声溯源方法包括:
通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据;所述区域噪声数据用于指示所述目标区域中的每个位置的噪声数据;所述目标区域包括多个监测区域,所述异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域;
根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据;
根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置;
根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置;所述噪声源清单包括预先收集到的所述目标区域内的多种预设噪声源类型以及每种所述预设噪声源类型对应的预设噪声源位置;
所述根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置,包括:
针对每种所述预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为所述异常监测区域对应的待选噪声源类型;
所述根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置,包括:
针对每种所述待选噪声源类型,从多种所述预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型;每个所述待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型;
通过所述区域噪声数据,获取每种所述目标预设噪声源类型对应的目标预设噪声源位置的噪声数据;
根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置;
所述根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置,包括:
针对每种所述目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型,得到每个所述目标检测位置对应的该目标预设噪声源类型的传播噪声数据;
针对每种所述目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为所述目标噪声源位置。
2.根据权利要求1所述的噪声溯源方法,其特征在于,所述根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据,包括:
对每个所述检测位置的噪声数据进行识别,得到该检测位置对应的至少一种预估噪声源类型;
根据每个所述检测位置的噪声数据以及该检测位置对应的至少一种预估噪声源类型,对该检测位置的噪声数据进行分解,得到该检测位置对应的每种预估噪声源类型的分解噪声数据。
3.根据权利要求1所述的噪声溯源方法,其特征在于,所述根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置,包括:
根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
4.根据权利要求3所述的噪声溯源方法,其特征在于,所述根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置,包括:
根据每种所述待选噪声源类型的分解噪声数据,确定该待选噪声源类型对应的待选噪声源的噪声,到达对应有该待选噪声源类型的各个异常检测位置的时间差信息;
针对每种所述待选噪声源类型,根据所述时间差信息以及对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置。
5.根据权利要求3所述的噪声溯源方法,其特征在于,所述根据每种所述待选噪声源类型的分解噪声数据,以及多个所述检测位置中对应有该待选噪声源类型的每个异常检测位置,确定该待选噪声源类型对应的待选噪声源位置,包括:
针对每种所述待选噪声源类型,根据该待选噪声源类型的分解噪声数据以及对应有该待选噪声源类型的每个异常检测位置,通过预先训练好的噪声溯源模型,确定该待选噪声源类型对应的待选噪声源位置。
6.一种噪声溯源装置,其特征在于,所述噪声溯源装置包括:
获取模块,用于通过目标区域的区域噪声数据,获取异常监测区域中的多个检测位置的噪声数据;所述区域噪声数据用于指示所述目标区域中的每个位置的噪声数据;所述目标区域包括多个监测区域,所述异常监测区域为区域内噪声数据存在异常的位置的数量大于或等于第一预设阈值的监测区域;
确定模块,用于根据每个所述检测位置的噪声数据,确定该检测位置对应的至少一种预估噪声源类型以及该检测位置对应的每种预估噪声源类型的分解噪声数据;
所述确定模块,还用于根据所述检测位置、所述预估噪声源类型和所述分解噪声数据,确定所述异常监测区域对应的待选噪声源类型以及所述待选噪声源类型对应的待选噪声源位置;
所述确定模块,还用于根据所述待选噪声源类型、所述待选噪声源位置、所述目标区域的噪声源清单、所述区域噪声数据和所述分解噪声数据,确定所述异常监测区域对应的目标噪声源位置;所述噪声源清单包括预先收集到的所述目标区域内的多种预设噪声源类型以及每种所述预设噪声源类型对应的预设噪声源位置;
所述确定模块包括第一类型确定子模块;所述第一类型确定子模块,用于针对每种所述预估噪声源类型,若对应有该预估噪声源类型的检测位置的数量大于或等于第二预设阈值,将该预估噪声源类型作为所述异常监测区域对应的待选噪声源类型;
所述确定模块包括:
第二类型确定子模块,用于针对每种所述待选噪声源类型,从多种所述预设噪声源类型中,选取该待选噪声源类型对应的目标预设噪声源类型;每个所述待选噪声源类型对应的目标预设噪声源类型为与该待选噪声源类型匹配,且对应的预设噪声源位置与该待选噪声源类型对应的待选噪声源位置匹配的预设噪声源类型;
数据确定子模块,用于通过所述区域噪声数据,获取每种所述目标预设噪声源类型对应的目标预设噪声源位置的噪声数据;
第二位置确定子模块,用于根据所述目标预设噪声源位置的噪声数据,所述分解噪声数据以及多个所述检测位置中对应有所述目标预设噪声源类型的目标检测位置,确定所述目标噪声源位置;
所述第二位置确定子模块用于:
针对每种所述目标预设噪声源类型,根据该目标预设噪声源类型对应的目标预设噪声源位置的噪声数据以及对应有该目标预设噪声源类型的每个目标检测位置,通过该目标预设噪声源类型对应的噪声传播模型,得到每个所述目标检测位置对应的该目标预设噪声源类型的传播噪声数据;
针对每种所述目标预设噪声源类型,若每个目标检测位置对应的该目标预设噪声源类型的传播噪声数据与该目标检测位置对应的该目标预设噪声源类型的分解噪声数据匹配,将该目标预设噪声源类型对应的目标预设噪声源位置作为所述目标噪声源位置。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1至5中任一项所述方法的步骤。
8.一种电子设备,其特征在于,包括:
存储器,其上存储有计算机程序;
处理器,用于执行所述存储器中的所述计算机程序,以实现权利要求1至5中任一项所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179384.1A CN117744011B (zh) | 2024-02-18 | 2024-02-18 | 噪声溯源方法、装置、存储介质和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410179384.1A CN117744011B (zh) | 2024-02-18 | 2024-02-18 | 噪声溯源方法、装置、存储介质和电子设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117744011A CN117744011A (zh) | 2024-03-22 |
CN117744011B true CN117744011B (zh) | 2024-05-24 |
Family
ID=90278045
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410179384.1A Active CN117744011B (zh) | 2024-02-18 | 2024-02-18 | 噪声溯源方法、装置、存储介质和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117744011B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631691A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 一种电力设备噪声分离效果验证方法、系统、分离设备及介质 |
CN112001856A (zh) * | 2020-07-29 | 2020-11-27 | 东软医疗系统股份有限公司 | 去噪模型的训练方法及去除图像噪声方法、相关装置 |
CN114754863A (zh) * | 2022-04-21 | 2022-07-15 | 安徽悟芯智能科技有限公司 | 基于ai的环境噪声监测控制系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7053705B2 (ja) * | 2020-03-24 | 2022-04-12 | 本田技研工業株式会社 | 異音判定装置および異音判定方法 |
-
2024
- 2024-02-18 CN CN202410179384.1A patent/CN117744011B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110631691A (zh) * | 2019-09-09 | 2019-12-31 | 国网湖南省电力有限公司 | 一种电力设备噪声分离效果验证方法、系统、分离设备及介质 |
CN112001856A (zh) * | 2020-07-29 | 2020-11-27 | 东软医疗系统股份有限公司 | 去噪模型的训练方法及去除图像噪声方法、相关装置 |
CN114754863A (zh) * | 2022-04-21 | 2022-07-15 | 安徽悟芯智能科技有限公司 | 基于ai的环境噪声监测控制系统 |
Non-Patent Citations (3)
Title |
---|
Richard C.Hendriks 等.Noise Tracking Using DFT Domain Subspace Decompositions .《IEEE》.2008,全文. * |
吴小莉 等.基于K近邻算法的噪声种类识别和强度估计.计算机应用.2020,(01),全文. * |
沙云东 等.基于多参数信息融合筛选的滚动轴承振动信号特征提取与表征方法.《推进技术》.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117744011A (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Fearnhead et al. | Changepoint detection in the presence of outliers | |
JP6874950B2 (ja) | 詐欺的ソフトウェアプロモーションを検出するための方法、装置、及びシステム | |
EP3244334B1 (en) | Log files graphs path decomposition for network anomaly detection | |
US20170280299A1 (en) | Device localization based on a learning model | |
CN107861915B (zh) | 获取预警阈值的方法、装置以及存储介质 | |
CN105988836B (zh) | 一种应用推荐方法及装置 | |
CN108182515B (zh) | 智能规则引擎规则输出方法、设备及计算机可读存储介质 | |
CN109635569B (zh) | 一种漏洞检测方法及装置 | |
CN111289998A (zh) | 障碍物检测方法、装置、存储介质以及车辆 | |
Liu et al. | New analytical approach to detection threshold of a dynamic programming track‐before‐detect algorithm | |
CN112685799B (zh) | 设备指纹生成方法、装置、电子设备和计算机可读介质 | |
CN115603973B (zh) | 基于政务信息网络的异构安全监测方法及系统 | |
CN117610895B (zh) | 重点污染源管控时间的确定方法、装置、电子设备及介质 | |
Sokol et al. | A simulation‐based approach to understand how metacommunity characteristics influence emergent biodiversity patterns | |
US9177215B2 (en) | Sparse representation for dynamic sensor networks | |
CN117744011B (zh) | 噪声溯源方法、装置、存储介质和电子设备 | |
CN108804574B (zh) | 告警提示方法、装置、计算机可读存储介质及电子设备 | |
Mahamuni et al. | Machine learning for smart cities: A survey | |
CN114385487A (zh) | 一种执行时间的处理方法、装置及存储介质 | |
CN116228501B (zh) | 排污超标区域行业确定方法、装置、存储介质及电子设备 | |
CN109389972B (zh) | 语义云功能的质量测试方法、装置、存储介质和设备 | |
CN115240400B (zh) | 车辆位置识别方法和装置、车辆位置输出方法和装置 | |
CN116610983A (zh) | 空气净化控制系统的异常分析方法及系统 | |
CN109325348B (zh) | 应用安全的分析方法、装置、计算设备及计算机存储介质 | |
US20210235226A1 (en) | Information processing device |
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 |