CN117993790A - 基于神经网络的指挥室声环境质量权重计量优化分析方法 - Google Patents
基于神经网络的指挥室声环境质量权重计量优化分析方法 Download PDFInfo
- Publication number
- CN117993790A CN117993790A CN202410407001.1A CN202410407001A CN117993790A CN 117993790 A CN117993790 A CN 117993790A CN 202410407001 A CN202410407001 A CN 202410407001A CN 117993790 A CN117993790 A CN 117993790A
- Authority
- CN
- China
- Prior art keywords
- acoustic
- analysis
- link
- weight
- sound environment
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013433 optimization analysis Methods 0.000 title claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 20
- 238000011156 evaluation Methods 0.000 claims abstract description 72
- 238000010276 construction Methods 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 238000003891 environmental analysis Methods 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004458 analytical method Methods 0.000 claims description 74
- 238000013461 design Methods 0.000 claims description 60
- 238000012360 testing method Methods 0.000 claims description 46
- 238000012544 monitoring process Methods 0.000 claims description 40
- 238000012549 training Methods 0.000 claims description 27
- 238000009413 insulation Methods 0.000 claims description 20
- 230000031864 metaphase Effects 0.000 claims description 13
- 238000012797 qualification Methods 0.000 claims description 12
- 238000012790 confirmation Methods 0.000 claims description 10
- 238000002955 isolation Methods 0.000 claims description 10
- 238000004088 simulation Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 239000000463 material Substances 0.000 claims description 5
- 238000003062 neural network model Methods 0.000 claims description 5
- 238000012552 review Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000002790 cross-validation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000004044 response Effects 0.000 claims description 3
- 238000004154 testing of material Methods 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 8
- 201000004569 Blindness Diseases 0.000 abstract description 2
- 238000011161 development Methods 0.000 abstract description 2
- 238000003860 storage Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 238000012545 processing Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010044565 Tremor Diseases 0.000 description 1
- 238000010521 absorption reaction Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011022 operating instruction Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
本发明公开了一种基于神经网络的指挥室声环境质量权重计量优化分析方法,获取指挥室声环境历史数据,对所述指挥室声环境历史数据进行预处理;对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重,获取所述环境分析的细化步骤进行二级权重评分;针对不同等级指挥室声环境的声环境质量的所述二级权重评分的评价量值进行加权求和,根据算法再得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环境质量优化分析方法。本发明方法可以实现对指挥室声环境质量优化分析效能的快速判定,可以有效地指导相关声环境工程高质量立项及发展,避免声环境建设过程中的盲目性。
Description
技术领域
本发明涉及评价领域,尤其涉及一种基于神经网络的指挥室声环境质量权重计量优化分析方法。
背景技术
现有指挥室声环境在大量运用先进技术的同时,对声学方面的听闻感受有较多忽略,导致指挥室声环境出现各种客观音质和噪声控制方面的声场缺陷和问题,例如:系统总噪声过大、隔声量欠缺、混响时间过长、声场均匀度差,甚至部分指挥室声环境存在声泄露、声阴影、颤动回声等声学缺陷,造成沟通保密性差、语言清晰度低、语音可懂度低等重大声场问题,严重影响声信息的传输和保密,很可能会阻碍和影响各类信息的传递和指挥调度。因此,开发一种高效、准确的基于神经网络的指挥室声环境质量权重计量优化分析方法显得尤为重要。
发明内容
本发明的目的是要提供一种基于神经网络的指挥室声环境质量权重计量优化分析方法。
为达到上述目的,本发明是按照以下技术方案实施的:
本发明包括以下步骤:
获取指挥室声环境历史数据,对所述指挥室声环境历史数据进行预处理;
对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重,所述环境分析包括声学环境分析环节、声学设计分析环节、声学施工分析环节,声学中期监测分析环节和声学测试分析环节;
获取所述环境分析的细化步骤进行二级权重评分;
针对不同等级指挥室声环境的声环境质量的所述二级权重评分的评价量值进行加权求和,根据算法再得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环境质量优化分析方法;
所述质量优化分析效能的总评分计算公式为:
Tall=αA·WA+αD·WD+αC·WC+αM·WM+αT·WT
其中,Tall为所有环节质量优化分析效能评分,αA为声学环境分析环节下各步骤二级权重评分;αD为声学设计分析环节下各步骤二级权重评分;αC为声学施工分析环节下各步骤二级权重评分;αM为声学中期监测分析环节下各步骤二级权重评分;αT为声学测试分析环节下各步骤二级权重评分;声学环境分析环节占权重为WA,声学设计分析环节占权重WD,声学施工分析环节占权重WC,声学中期监测分析环节占权重WM,声学测试分析环节占权重WT。
进一步地,所述指挥室声环境历史数据进行预处理包括特征提取和归一化、标准化处理。
进一步地,对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重包括采用自组织映射SOM网络和learnsomb算法对所述指挥室声环境历史数据进行分类评价用以调整权重使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
进一步地,所述声学环境分析环节包括指挥室声环境等级确认,声环境需求确认和建设预算分析;所述声学设计分析环节包括建筑声学设计,隔声设计,隔振设计,保密设计和声学仿真;所述声学施工分析环节包括施工资质评审,材料测试和施工监理;所述声学中期监测分析环节包括一次中期监测,两次中期监测和多次中期监测;所述声学测试分析环节包括噪声测试,隔声测试和建声测试。
进一步地,采用多组数据作为总观测值,为防止数据过拟合,随机提取20%数据进行交叉验证。
进一步地,获取所述环境分析的细化步骤进行二级权重评分的具体步骤包括:声学环境分析环节二级权重评分公式为:
αA=Tx+Ty+Tz
其中,αA为声学环境分析环节下各步骤二级权重评分;
Tx为“A1指挥室等级确认”步骤评价量值;
Ty为“A2声环境需求确认”步骤评价量值;
Tz为“A3建设预算分析”步骤评价量值;
声学设计分析环节下各步骤二级权重评分公式为:
αD=Ta+Tb+Tc+Td+Te
其中,αD为声学设计分析环节下各步骤二级权重评分;
Ta为“D1建筑声学设计”步骤评价量值;
Tb为“D2隔声设计”步骤评价量值;
Tc为“D3隔振设计”步骤评价量值;
Td为“D4保密设计”步骤评价量值;
Te为“D5声学仿真”步骤评价量值;
声学施工分析环节下各步骤二级权重评分公式为:
αC=To+Tp+Tq
其中,αC为声学施工分析环节下各步骤二级权重评分;
To为“C1施工资质评审”步骤评价量值;
Tp为“C2材料测试”步骤评价量值;
Tq为“C3施工监理”步骤评价量值;
声学中期监测分析环节下各步骤二级权重评分公式为:
αM=Tl+Tm+Tn
其中,αM为声学中期监测分析环节下各步骤二级权重评分;
Tl为“M1一次中期监测”步骤评价量值;
Tm为“M2两次中期监测”步骤评价量值;
Tn为“M3多次中期监测”步骤评价量值;
声学测试分析环节下各步骤二级权重评分公式为:
αT=Tu+Tv+Tw
其中,αT为声学测试分析环节下各步骤二级权重评分;
Tu为“T1噪声测试”步骤评价量值;
Tv为“T2隔声测试”步骤评价量值;
Tw为“T3建声测试”步骤评价量值。
进一步地,所述总观测值使用多种神经网络模型类型进行数据训练,数据集的训练值VNN 1.7E+1,训练值CVF 8.0E-1,目标值TVN 1.0E+0,验证值CVF 2.0E-1,模型类型BFLD,训练值回归系数R=0.98。
第二方面,本申请实施例还提供一种电子设备,包括:
处理器;以及被安排成存储计算机可执行指令的存储器。
第三方面,本申请实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储一个或多个程序。
本发明的有益效果是:
与现有技术相比,本发明具有以下技术效果:
本发明方法可以实现对指挥室声环境质量优化分析效能的快速判定,为其工程建设提供更快捷有效的管理参考,确保项目在设计之初就能够将声环境质量优化分析在预期的效果范围中,可以有效地指导相关声环境工程高质量立项及发展,避免声环境建设过程中的盲目性。
附图说明
图1为本发明一种基于神经网络的指挥室声环境质量权重计量优化分析方法的步骤流程图;
图2为本发明一种基于神经网络的指挥室声环境质量权重计量优化分析方法的数据训练结果散点图;
图3为本发明一种基于神经网络的指挥室声环境质量权重计量优化分析方法的数据训练结果混淆矩阵图;
图4是本申请的一个实施例电子设备的结构示意图。
具体实施方式
下面通过具体实施例对本发明作进一步描述,在此发明的示意性实施例以及说明用来解释本发明,但并不作为对本发明的限定。
本发明一种基于神经网络的指挥室声环境质量权重计量优化分析方法包括以下步骤:
如图1所示,在本实施例中,包括以下步骤:
获取指挥室声环境历史数据,对所述指挥室声环境历史数据进行预处理;
对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重,所述环境分析包括声学环境分析环节、声学设计分析环节、声学施工分析环节,声学中期监测分析环节和声学测试分析环节;
获取所述环境分析的细化步骤进行二级权重评分;
针对不同等级指挥室声环境的声环境质量的所述二级权重评分的评价量值进行加权求和,根据算法再得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环境质量优化分析方法;
指挥室声环境项目建设初期,按照ADCMT五个环节进行质量管理分析,将指挥室声环境质量优化分析定义为A声学环境分析(Analysis)、D声学设计(Design)、C声学施工(Construction)、M声学中期监测(Mid-term monitoring)、T声学测试(Testing)等五个环节。
按照层次分析法(Analytic Hierarchy Process,AHP)将上述五个环节按照项目完整建设周期细化为下述多个步骤。
其中,“A声学环境分析”环节包括A1指挥室等级确认,A2声环境需求确认,A3建设预算分析等三个步骤。
其中,“D声学设计”环节包括D1建筑声学设计,D2隔声设计,D3隔振设计,D4保密设计,D5声学仿真等五个步骤。
其中,“C声学施工”环节包括C1施工资质评审,C2材料测试,C3施工监理等三个步骤。
其中,“M声学中期监测”环节包括M1一次中期监测,M2两次中期监测,M3多次中期监测等三个步骤。
其中,“T声学测试”环节包括T1噪声测试,T2隔声测试,T3建声测试等三个步骤。
针对不同类型和体量的指挥室建筑声环境特点和要求,结合历史检测大数据库,提出了针对不同等级指挥室的定性和定量相结合的声环境质量优化分析权重计量算法(简称ADCMT算法)。
其中,历史检测大数据库从近15年工作中参与的200余个厅堂建筑声环境项目中筛选出了150个指挥室或类指挥室(如多功能厅、小型礼堂、会议厅、播音室、录播室等)声环境项目作为建筑基础,进行统计、分类后梳理出了150组声环境数据,作为推导ADCMT算法的数据基础。
首先,进行声学环境优化分析。需要对指挥室等级进行确认,可选项有“普通”,“低”,“中”,“高”,按照等级选择记录该项评分。对声环境需求进行确认,需确认是否有建筑声学指标要求,是否有隔声要求,是否有隔振要求,按照实际需求选择记录该项评分。对项目建设预算进行分析,根据预算造价额度选择记录该项评分,进行声学设计优化分析。需要对项目是否需要进行建筑声学设计、隔声设计、隔振设计、保密设计、声学仿真等步骤进行确认和选择,按照实际需求选择记录各步骤评分;进行声学施工优化分析。需要对项目施工方是否具备各项施工资质进行审查,需要对进场材料是否需要专项测试证明进行计划或审查,需要对是否安排专业声学施工监理情况进行确认和选择,按照实际需求选择记录各步骤评分,进行声学中期监测优化分析。需要对项目施工期间是否安排了专项声学中期监测纠偏工作和具体安排了几次中期监测纠偏工作进行确认和选择,按照实际需求选择记录各步骤评分,进行声学测试优化分析。需要对项目施工完成后是否需要专业第三方噪声测试、隔声测试、建筑声学测试等进行确认和选择,按照实际需求选择记录各步骤评分。
基于神经网络模型对150组数据基础进行预处理,包括特征提取和归一化、标准化等程序。采用自组织映射SOM网络和learnsomb算法对数据进行分类评价,算法Learnsomb计算权重变化,使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
150组数据作为总观测值(训练值),为防止数据过拟合,随机提取20%数据进行交叉验证,使用多种神经网络模型类型进行数据训练,所述总观测值使用多种神经网络模型类型进行数据训练,数据集的训练值VNN 1.7E+1,训练值CVF 8.0E-1,目标值TVN 1.0E+0,验证值CVF 2.0E-1,模型类型BFLD,训练值回归系数R=0.98。训练结果显示:
决策树模型训练准确度DTA为94.0%~94.7%;
判别分析模型训练准确度DTA为97.3%~98.0%;
朴素贝叶斯模型训练准确度DTA为95.3%~96.0%;
SVM(支持向量机)模型训练准确度DTA为92.7%~96.7%;
KNN(近邻)模型训练准确度DTA为68.7%~96.0%。
训练结果历史结果线性判别模型训练准确度DTA最高,为98.0%。
数据训练结果散点图如图2所示,数据训练结果混淆矩阵图如图3所示,结合ADCMT计量权重算法对各环节评分结果和各环节权重进行效能评分。根据各环节效能评分的计算和得出该指挥室声环境建设项目相应的声环境质量优化分析效能总分。效能评分范围为0-10分,如表1。
设训练得出ADCMT算法所涉及的所有环节的一级权重总量为1.0(已归一化),所涉及的所有步骤二级权重总量为50(未归一化)。
表1 基于权重计量算法的指挥室声环境质量优化分析评分表
设A环节占权重为WA,D环节占权重WD,C环节占权重WC,M环节占权重WM,T环节占权重WT,其中得到,各分环节权重值为:
A环节占权重WA=0.1,D环节占权重WD=0.3,C环节占权重WC=0.3,M环节占权重WM=0.2,T环节占权重WT=0.1。
其中得到,各步骤评价量值为:
“A1指挥室等级确认”步骤:“普通”设为0,“低”设为1,“中”设为2,“高”设为3。
“A2声环境需求确认”步骤:“有建筑声学需求”设为1,“有隔声需求”设为1,“有隔振需求”设为1。
“A3建设预算分析”步骤:“20万及以内”设为0,“20-50万”设为1,“50-100万”设为2,“100-200万”设为3,“200万及以上”设为4。
“D1建筑声学设计”步骤:“有设计”设为2,“无设计”设为0。
“D2隔声设计”步骤:“有设计”设为2,“无设计”设为0。
“D3隔振设计”步骤:“有设计”设为2,“无设计”设为0。
“D4保密设计”步骤:“非密”设为0,“涉密”设为2。
“D5声学仿真”步骤:“无设计”设为0,“粗设计”设为1,“中设计”设为2,“细设计”设为3。
“C1施工资质评审”步骤:“无资质”设为0,“1资质”设为1,“2资质”设为2,“3及以上资质”设为3。
“C2材料测试”步骤:“吸声”设为1,“隔声”设为1,“防火”设为1,“环保”设为1。
“C3施工监理”步骤:“仅内审”设为1,“仅外审”设为1,“内外审”设为3。
“M1一次中期监测”步骤:“是”设为2,“否”设为0。
“M2两次中期监测”步骤:“是”设为5,“否”设为0。
“M3多次中期监测”步骤:“是”设为10,“否”设为0。
“T1噪声测试”步骤:“是”设为1,“否”设为0。
“T2隔声测试”步骤:“是”设为4,“否”设为0。
“T3建声测试”步骤:“是”设为5,“否”设为0。
指挥室项目建设初期即应根据各步骤实际情况判定评价分,得出评价总量,再根据各环节权重算法系数得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环境质量优化分析方法。声环境的质量优化分析效能评分范围为0-10分。
其中,A环节二级权重评分公式为:
αA=Tx+Ty+Tz
—— αA为A环节下各步骤二级权重评分;
Tx为“A1指挥室等级确认”步骤评价量值;
Ty为“A2声环境需求确认”步骤评价量值;
Tz为“A3建设预算分析”步骤评价量值。
其中,D环节下各步骤二级权重评分公式为:
αD=Ta+Tb+Tc+Td+Te
—— αD为D环节下各步骤二级权重评分;
Ta为“D1建筑声学设计”步骤评价量值;
Tb为“D2隔声设计”步骤评价量值;
Tc为“D3隔振设计”步骤评价量值;
Td为“D4保密设计”步骤评价量值;
Te为“D5声学仿真”步骤评价量值。
其中,C环节下各步骤二级权重评分公式为:
αC=To+Tp+Tq
—— αC为C环节下各步骤二级权重评分;
To为“C1施工资质评审”步骤评价量值;
Tp为“C2材料测试”步骤评价量值;
Tq为“C3施工监理”步骤评价量值。
其中,M环节下各步骤二级权重评分公式为:
αM=Tl+Tm+Tn
—— αM为M环节下各步骤二级权重评分;
Tl为“M1一次中期监测”步骤评价量值;
Tm为“M2两次中期监测”步骤评价量值;
Tn为“M3多次中期监测”步骤评价量值。
其中,T环节下各步骤二级权重评分公式为:
αT=Tu+Tv+Tw
—— αT为T环节下各步骤二级权重评分;
Tu为“T1噪声测试”步骤评价量值;
Tv为“T2隔声测试”步骤评价量值;
Tw为“T3建声测试”步骤评价量值。
总评分计算公式为:
Tall=αA·WA+αD·WD+αC·WC+αM·WM+αT·WT
—— Tall为所有环节质量优化分析效能评分。
图4是本申请的一个实施例电子设备的结构示意图。请参考图4,在硬件层面,该电子设备包括处理器,可选地还包括内部总线、网络接口、存储器。其中,存储器可能包含内存,例如高速随机存取存储器(Random-Access Memory,RAM),也可能还包括非易失性存储器(non-volatile memory),例如至少1个磁盘存储器等。当然,该电子设备还可能包括其他业务所需要的硬件。
处理器、网络接口和存储器可以通过内部总线相互连接,该内部总线可以是ISA(Industry Standard Architecture,工业标准体系结构)总线、PCI(PeripheralComponent Interconnect,外设部件互连标准)总线或EISA(Extended Industry StandardArchitecture,扩展工业标准结构)总线等。所述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2中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
存储器,用于存放程序。具体地,程序可以包括程序代码,所述程序代码包括计算机操作指令。存储器可以包括内存和非易失性存储器,并向处理器提供指令和数据。
处理器从非易失性存储器中读取对应的计算机程序到内存中然后运行,在逻辑层面上形成一种项目绩效评价模型装置。处理器,执行存储器所存放的程序,并具体用于执行前述任意一种产品循环性数据表模型方法。
上述如本申请图1所示实施例揭示的一种基于神经网络的指挥室声环境质量权重计量优化分析方法可以应用于处理器中,或者由处理器实现。处理器可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器可以是通用处理器,包括中央处理器(Central Processing Unit,CPU)、网络处理器(Network Processor,NP)等;还可以是数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application SpecificIntegrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable 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。可以实现或者执行本申请实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本申请实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器,处理器读取存储器中的信息,结合其硬件完成上述方法的步骤。
该电子设备还可执行图1中一种基于神经网络的指挥室声环境质量权重计量优化分析方法,并实现图1所示实施例的功能,本申请实施例在此不再赘述。
本申请实施例还提出了一种计算机可读存储介质,该计算机可读存储介质存储一个或多个程序,该一个或多个程序包括指令,该指令当被包括多个应用程序的电子设备执行时,执行前述的任意一种基于神经网络的指挥室声环境质量权重计量优化分析方法。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器 (CPU)、输入/输出接口、网络接口和内存。
内存可能包括计算机可读介质中的非永久性存储器,随机存取存储器 (RAM) 和/或非易失性内存等形式,如只读存储器 (ROM) 或闪存(flash RAM)。内存是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存 (PRAM)、静态随机存取存储器 (SRAM)、动态随机存取存储器 (DRAM)、其他类型的随机存取存储器 (RAM)、只读存储器 (ROM)、电可擦除可编程只读存储器 (EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘 (DVD) 或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体 (transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
本领域技术人员应明白,本申请的实施例可提供为方法、系统或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (7)
1.一种基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,包括以下步骤:
获取指挥室声环境历史数据,对所述指挥室声环境历史数据进行预处理;
对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重,所述环境分析包括声学环境分析环节、声学设计分析环节、声学施工分析环节,声学中期监测分析环节和声学测试分析环节;
获取所述环境分析的细化步骤进行二级权重评分;
针对不同等级指挥室声环境的声环境质量的所述二级权重评分的评价量值进行加权求和,根据算法再得出对应声环境的质量优化分析效能评分,得到统一尺度的指挥室声环境质量优化分析方法;
所述质量优化分析效能的总评分计算公式为:
Tall=αA·WA+αD·WD+αC·WC+αM·WM+αT·WT
其中,Tall为所有环节质量优化分析效能评分,αA为声学环境分析环节下各步骤二级权重评分;αD为声学设计分析环节下各步骤二级权重评分;αC为声学施工分析环节下各步骤二级权重评分;αM为声学中期监测分析环节下各步骤二级权重评分;αT为声学测试分析环节下各步骤二级权重评分;声学环境分析环节占权重为WA,声学设计分析环节占权重WD,声学施工分析环节占权重WC,声学中期监测分析环节占权重WM,声学测试分析环节占权重WT。
2.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:所述指挥室声环境历史数据进行预处理包括特征提取和归一化、标准化处理。
3.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:对所述指挥室声环境历史数据进行环境分析分类评价用以得到初始权重包括采用自组织映射SOM网络和learnsomb算法对所述指挥室声环境历史数据进行分类评价用以调整权重使每个输入的新权重向量是该输入及其邻近输入响应的输入向量的加权平均值。
4.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于,所述声学环境分析环节包括指挥室声环境等级确认,声环境需求确认和建设预算分析;所述声学设计分析环节包括建筑声学设计,隔声设计,隔振设计,保密设计和声学仿真;所述声学施工分析环节包括施工资质评审,材料测试和施工监理;所述声学中期监测分析环节包括一次中期监测,两次中期监测和多次中期监测;所述声学测试分析环节包括噪声测试,隔声测试和建声测试。
5.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:采用多组数据作为总观测值,为防止数据过拟合,随机提取20%数据进行交叉验证。
6.根据权利要求1所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:获取所述环境分析的细化步骤进行二级权重评分的具体步骤包括:声学环境分析环节二级权重评分公式为:
αA=Tx+Ty+Tz
其中,αA为声学环境分析环节下各步骤二级权重评分;
Tx为“A1指挥室等级确认”步骤评价量值;
Ty为“A2声环境需求确认”步骤评价量值;
Tz为“A3建设预算分析”步骤评价量值;
声学设计分析环节下各步骤二级权重评分公式为:
αD=Ta+Tb+Tc+Td+Te
其中,αD为声学设计分析环节下各步骤二级权重评分;
Ta为“D1建筑声学设计”步骤评价量值;
Tb为“D2隔声设计”步骤评价量值;
Tc为“D3隔振设计”步骤评价量值;
Td为“D4保密设计”步骤评价量值;
Te为“D5声学仿真”步骤评价量值;
声学施工分析环节下各步骤二级权重评分公式为:
αC=To+Tp+Tq
其中,αC为声学施工分析环节下各步骤二级权重评分;
To为“C1施工资质评审”步骤评价量值;
Tp为“C2材料测试”步骤评价量值;
Tq为“C3施工监理”步骤评价量值;
声学中期监测分析环节下各步骤二级权重评分公式为:
αM=Tl+Tm+Tn
其中,αM为声学中期监测分析环节下各步骤二级权重评分;
Tl为“M1一次中期监测”步骤评价量值;
Tm为“M2两次中期监测”步骤评价量值;
Tn为“M3多次中期监测”步骤评价量值;
声学测试分析环节下各步骤二级权重评分公式为:
αT=Tu+Tv+Tw
其中,αT为声学测试分析环节下各步骤二级权重评分;
Tu为“T1噪声测试”步骤评价量值;
Tv为“T2隔声测试”步骤评价量值;
Tw为“T3建声测试”步骤评价量值。
7.根据权利要求5所述的基于神经网络的指挥室声环境质量权重计量优化分析方法,其特征在于:所述总观测值使用多种神经网络模型类型进行数据训练,数据集的训练值VNN1.7E+1,训练值CVF 8.0E-1,目标值TVN 1.0E+0,验证值CVF 2.0E-1,模型类型BFLD,训练值回归系数R=0.98。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410407001.1A CN117993790B (zh) | 2024-04-07 | 2024-04-07 | 基于神经网络的指挥室声环境质量权重计量优化分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410407001.1A CN117993790B (zh) | 2024-04-07 | 2024-04-07 | 基于神经网络的指挥室声环境质量权重计量优化分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117993790A true CN117993790A (zh) | 2024-05-07 |
CN117993790B CN117993790B (zh) | 2024-06-14 |
Family
ID=90901115
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410407001.1A Active CN117993790B (zh) | 2024-04-07 | 2024-04-07 | 基于神经网络的指挥室声环境质量权重计量优化分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117993790B (zh) |
Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020183947A1 (en) * | 2000-08-15 | 2002-12-05 | Yoichi Ando | Method for evaluating sound and system for carrying out the same |
JP2004205269A (ja) * | 2002-12-24 | 2004-07-22 | Ricoh Co Ltd | 画像形成装置、画像形成装置の製造方法、画像形成装置の改造方法および音質評価方法 |
JP2005338521A (ja) * | 2004-05-28 | 2005-12-08 | Clarion Co Ltd | インパルス応答測定装置及びインパルス応答測定方法 |
US20110060624A1 (en) * | 2009-09-09 | 2011-03-10 | Elazouni Ashraf M A | Design and process scheduling optimization method |
US20110196522A1 (en) * | 2009-04-01 | 2011-08-11 | Azat Fuatovich Zakirov | Method for reproducing an audio recording with the simulation of the acoustic characteristics of the recording condition |
CN105159066A (zh) * | 2015-06-18 | 2015-12-16 | 同济大学 | 一种智能音乐厅调控方法及调控装置 |
CN106323385A (zh) * | 2016-11-04 | 2017-01-11 | 江苏省特种设备安全监督检验研究院南通分院 | 储罐在线检验检测及评估方法、装置 |
CN107862141A (zh) * | 2017-11-10 | 2018-03-30 | 西南交通大学 | 一种轨道车辆低噪声正向设计方法 |
CN110688712A (zh) * | 2019-10-11 | 2020-01-14 | 湖南文理学院 | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 |
CN112306816A (zh) * | 2020-11-20 | 2021-02-02 | 福建天晴数码有限公司 | 一种基于深度学习的评测实体机器人响应的方法及其系统 |
WO2023065023A1 (en) * | 2021-10-22 | 2023-04-27 | Evident Canada, Inc. | Estimation of acoustic inspection measurement accuracy |
CN116127845A (zh) * | 2023-02-17 | 2023-05-16 | 中国测试技术研究院声学研究所 | 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统 |
KR20230086956A (ko) * | 2021-12-09 | 2023-06-16 | 주식회사 삼우에이엔씨 | 항공기 소음도를 평가하기 위한 방법 및 컴퓨터 프로그램 |
CN116399952A (zh) * | 2023-06-08 | 2023-07-07 | 深圳东原电子有限公司 | 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 |
CN116680779A (zh) * | 2023-05-17 | 2023-09-01 | 哈尔滨工业大学 | 一种基于建筑室内日光感知评价预测模型的模型特征分析方法 |
CN116698986A (zh) * | 2023-08-03 | 2023-09-05 | 南京兴沧环保科技有限公司 | 一种基于调谐带通滤波器的吸音材料质控系统和方法 |
CN116936050A (zh) * | 2023-07-19 | 2023-10-24 | 青岛理工大学 | 一种养老设施声环境健康效益测度及优化方法 |
CN116929438A (zh) * | 2023-09-15 | 2023-10-24 | 苏州泰科贝尔直驱电机有限公司 | 传感器的性能测试方法及装置 |
CN117054022A (zh) * | 2023-08-11 | 2023-11-14 | 东北大学 | 一种桥梁精细形变提取方法与系统 |
CN117236565A (zh) * | 2023-11-10 | 2023-12-15 | 天津标证科技有限公司 | 一种流域水环境智慧化管理方法 |
CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
CN117727361A (zh) * | 2023-12-08 | 2024-03-19 | 常州大学 | 一种基于秸秆的生物乙醇生命周期评价方法及系统 |
-
2024
- 2024-04-07 CN CN202410407001.1A patent/CN117993790B/zh active Active
Patent Citations (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020183947A1 (en) * | 2000-08-15 | 2002-12-05 | Yoichi Ando | Method for evaluating sound and system for carrying out the same |
JP2004205269A (ja) * | 2002-12-24 | 2004-07-22 | Ricoh Co Ltd | 画像形成装置、画像形成装置の製造方法、画像形成装置の改造方法および音質評価方法 |
JP2005338521A (ja) * | 2004-05-28 | 2005-12-08 | Clarion Co Ltd | インパルス応答測定装置及びインパルス応答測定方法 |
US20110196522A1 (en) * | 2009-04-01 | 2011-08-11 | Azat Fuatovich Zakirov | Method for reproducing an audio recording with the simulation of the acoustic characteristics of the recording condition |
US20110060624A1 (en) * | 2009-09-09 | 2011-03-10 | Elazouni Ashraf M A | Design and process scheduling optimization method |
CN105159066A (zh) * | 2015-06-18 | 2015-12-16 | 同济大学 | 一种智能音乐厅调控方法及调控装置 |
CN106323385A (zh) * | 2016-11-04 | 2017-01-11 | 江苏省特种设备安全监督检验研究院南通分院 | 储罐在线检验检测及评估方法、装置 |
CN107862141A (zh) * | 2017-11-10 | 2018-03-30 | 西南交通大学 | 一种轨道车辆低噪声正向设计方法 |
CN110688712A (zh) * | 2019-10-11 | 2020-01-14 | 湖南文理学院 | 汽车风振噪声声品质客观烦恼度评价指标及其计算方法 |
CN112306816A (zh) * | 2020-11-20 | 2021-02-02 | 福建天晴数码有限公司 | 一种基于深度学习的评测实体机器人响应的方法及其系统 |
WO2023065023A1 (en) * | 2021-10-22 | 2023-04-27 | Evident Canada, Inc. | Estimation of acoustic inspection measurement accuracy |
KR20230086956A (ko) * | 2021-12-09 | 2023-06-16 | 주식회사 삼우에이엔씨 | 항공기 소음도를 평가하기 위한 방법 및 컴퓨터 프로그램 |
CN116127845A (zh) * | 2023-02-17 | 2023-05-16 | 中国测试技术研究院声学研究所 | 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统 |
CN116680779A (zh) * | 2023-05-17 | 2023-09-01 | 哈尔滨工业大学 | 一种基于建筑室内日光感知评价预测模型的模型特征分析方法 |
CN116399952A (zh) * | 2023-06-08 | 2023-07-07 | 深圳东原电子有限公司 | 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 |
CN116936050A (zh) * | 2023-07-19 | 2023-10-24 | 青岛理工大学 | 一种养老设施声环境健康效益测度及优化方法 |
CN116698986A (zh) * | 2023-08-03 | 2023-09-05 | 南京兴沧环保科技有限公司 | 一种基于调谐带通滤波器的吸音材料质控系统和方法 |
CN117054022A (zh) * | 2023-08-11 | 2023-11-14 | 东北大学 | 一种桥梁精细形变提取方法与系统 |
CN116929438A (zh) * | 2023-09-15 | 2023-10-24 | 苏州泰科贝尔直驱电机有限公司 | 传感器的性能测试方法及装置 |
CN117236565A (zh) * | 2023-11-10 | 2023-12-15 | 天津标证科技有限公司 | 一种流域水环境智慧化管理方法 |
CN117727361A (zh) * | 2023-12-08 | 2024-03-19 | 常州大学 | 一种基于秸秆的生物乙醇生命周期评价方法及系统 |
CN117495210A (zh) * | 2024-01-02 | 2024-02-02 | 衡水烨通建设工程有限公司 | 公路混凝土施工质量管理系统 |
Non-Patent Citations (5)
Title |
---|
万宇鹏等: "基于DRT法的录音棚室内语言清晰度音质评价", 全国声学设计创新技术与文化建筑声学工程学术会议论文集, 15 June 2018 (2018-06-15), pages 79 - 82 * |
李杰;姜亢;郭建中;隗合佳;: "基于噪声指数的首都经济贸易大学校园声环境评价", 北方环境, no. 1, 28 February 2011 (2011-02-28), pages 183 - 184 * |
辜小安;王澜;: "高速铁路高架车站候车厅声学环境要求的研究", 中国铁道科学, no. 04, 15 July 2012 (2012-07-15), pages 122 - 127 * |
金磊;: "噪音控制与优化室内声环境设计", 室内设计与装修, no. 03, 31 December 1991 (1991-12-31), pages 16 - 18 * |
项端祈: "实用建筑声学", 31 December 1992, 中国建筑工业出版社, pages: 114 - 125 * |
Also Published As
Publication number | Publication date |
---|---|
CN117993790B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gegick et al. | Prioritizing software security fortification throughcode-level metrics | |
US7747987B1 (en) | System and method of analyzing risk in risk-based software testing | |
CN110930218B (zh) | 一种识别欺诈客户的方法、装置及电子设备 | |
CN115097796B (zh) | 一种质量控制系统与模拟大数据和校正aql值的方法 | |
CN115083422B (zh) | 语音溯源取证方法及装置、设备及存储介质 | |
CN117993790B (zh) | 基于神经网络的指挥室声环境质量权重计量优化分析方法 | |
CN116318924A (zh) | 一种小样本入侵检测方法、系统、介质、设备及终端 | |
CN116298830A (zh) | 集成电路的验证方法及处理系统 | |
CN115269247A (zh) | 基于深度森林的闪存坏块预测方法、系统、介质及设备 | |
Li et al. | Animal sound recognition based on double feature of spectrogram in real environment | |
CN110163470B (zh) | 事件评估方法及装置 | |
CN113015180A (zh) | 网络参数更新方法、装置及存储介质、电子设备 | |
CN114706751B (zh) | 一种基于改进smote的软件缺陷预测方法 | |
CN107886113B (zh) | 一种基于卡方检验的电磁频谱噪声提取和滤波方法 | |
WO2022166334A1 (zh) | 话务场景的识别方法、装置、设备及存储介质 | |
CN114757397A (zh) | 一种坏料预测方法、坏料预测装置及电子设备 | |
CN111385342B (zh) | 一种物联网行业识别方法、装置、电子设备及存储介质 | |
CN109345145B (zh) | 一种变电站噪声治理辅助决策方法 | |
CN113469437A (zh) | 事件发生周期的预测方法、存储介质与计算机程序产品 | |
Nguyen et al. | Benchmark characterisation and automated detection of wind farm noise amplitude modulation | |
CN110020670B (zh) | 一种模型迭代方法、装置及设备 | |
CN116992033B (zh) | 文本分类的阈值确定方法、分类方法及相关装置 | |
US20240236697A9 (en) | Traffic scenario identification method and apparatus, device, and storage medium | |
CN116973945B (zh) | 基于智能终端gnss数据的干扰检测方法及系统 | |
Razali et al. | Forecasting data using box-Jenkins procedure: A case study for unemployed people In Malaysia |
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 |