KR101493552B1 - 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템 - Google Patents
신호판정방법, 신호판정장치, 프로그램, 신호판정시스템 Download PDFInfo
- Publication number
- KR101493552B1 KR101493552B1 KR1020107025205A KR20107025205A KR101493552B1 KR 101493552 B1 KR101493552 B1 KR 101493552B1 KR 1020107025205 A KR1020107025205 A KR 1020107025205A KR 20107025205 A KR20107025205 A KR 20107025205A KR 101493552 B1 KR101493552 B1 KR 101493552B1
- Authority
- KR
- South Korea
- Prior art keywords
- data
- noise
- measurement
- signal
- model
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 133
- 238000005259 measurement Methods 0.000 claims abstract description 217
- 238000004458 analytical method Methods 0.000 claims abstract description 154
- 230000014509 gene expression Effects 0.000 claims abstract description 38
- 238000004364 calculation method Methods 0.000 claims abstract description 29
- 238000007477 logistic regression Methods 0.000 claims abstract description 24
- 238000012545 processing Methods 0.000 claims description 37
- 238000003860 storage Methods 0.000 claims description 32
- 230000010354 integration Effects 0.000 claims description 9
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012821 model calculation Methods 0.000 claims description 5
- 238000009826 distribution Methods 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims 1
- 238000004519 manufacturing process Methods 0.000 abstract description 29
- 230000008569 process Effects 0.000 description 36
- 238000007621 cluster analysis Methods 0.000 description 17
- 230000006870 function Effects 0.000 description 11
- 230000007613 environmental effect Effects 0.000 description 10
- 230000008859 change Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000010606 normalization Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 7
- 239000013598 vector Substances 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000007619 statistical method Methods 0.000 description 6
- 230000007774 longterm Effects 0.000 description 5
- 239000000463 material Substances 0.000 description 5
- 230000005477 standard model Effects 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000005684 electric field Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000001771 impaired effect Effects 0.000 description 2
- 238000000691 measurement method Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241001137251 Corvidae Species 0.000 description 1
- 238000001207 Hosmer–Lemeshow test Methods 0.000 description 1
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 238000009331 sowing Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000000528 statistical test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- ZFXYFBGIUFBOJW-UHFFFAOYSA-N theophylline Chemical compound O=C1N(C)C(=O)N(C)C2=C1NC=N2 ZFXYFBGIUFBOJW-UHFFFAOYSA-N 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/23—Design optimisation, verification or simulation using finite element methods [FEM] or finite difference methods [FDM]
-
- 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
- G01H—MEASUREMENT OF MECHANICAL VIBRATIONS OR ULTRASONIC, SONIC OR INFRASONIC WAVES
- G01H3/00—Measuring characteristics of vibrations by using a detector in a fluid
-
- 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
- G10L15/00—Speech recognition
- G10L15/20—Speech recognition techniques specially adapted for robustness in adverse environments, e.g. in noise, of stress induced speech
-
- 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
- G10L15/00—Speech recognition
- G10L15/08—Speech classification or search
- G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Acoustics & Sound (AREA)
- Human Computer Interaction (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Measurement Of Mechanical Vibrations Or Ultrasonic Waves (AREA)
Abstract
생활환경의 소음 또는 진동에 관련된 정도(精度)가 높은 신호판정방법을 제공한다. 생활환경의 소음 또는 진동에 관련된 신호판정방법을 제공한다. 이 신호판정에 있어서는, 측정/분석 대상의 모델식에 미지 데이터를 입력하고, 출력값을 미지 데이터가 측정/분석 대상인지의 확률값으로서 얻는 것을 특징으로 한다. 측정/분석 대상의 모델식은, 실측된 기지 데이터를 사용하여 제작한다. 또한, 모델식을 제작하는 것은, 예측 모델식 산출수단이다. 또한, 예측 모델식으로서는, 로지스틱 회귀식을 사용할 수 있다.
Description
본 발명은 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템에 관한 것으로, 특히 신호의 시계열(時系列) 데이터와 최대 신호강도에 의해 신호의 판정을 고정도(高精度)로 행하는 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템에 관한 것이다.
소음은, 시끄러워서 불쾌하다고 느끼는 소리를 말한다. 특히, 항공기나 간선도로를 달리는 자동차의 소음은, 환경상의 문제가 되는 경우가 많다.
실제로, 소음은 환경기본법에 공해로서 정의되어 있고, 환경기준도 설정되어 있다(환경기본법(1993년 법률 제91호) 제16조 제1항의 규정에 기초하는 소음에 관한 환경기준; 예를 들면, http://www.env.go.jp/kijun/oto1-1.html을 참조).
소음 대책을 위해서는, 정확한 소음의 측정·분석이 필요하여, 측정·분석값의 정도(精度)와 신뢰성의 확보가 매우 중요하다.
그러나, 측정대상이 되는 소음은, 시간적 또는 공간적으로 변동되기 때문에, 단기간에 적확한 소음의 측정값을 얻는 것은 곤란하다.
이 때문에, 소음 대책에 있어서는, 장시간·장기간의 소음의 측정을 행하고, 이 측정된 데이터를 토대로 소음의 분석을 하는 것이 바람직하다.
실제의 소음 측정에 있어서는, 경험을 쌓아 측정기술에 숙달된 측정원이 현장에 상주하여, 상황을 파악하면서 측정을 행하는 유인(有人)측정이 최적이다. 그러나, 측정이 장시간·장기간에 걸치는 경우, 측정원의 부담과 비용면에서 문제가 있다.
이에, 장시간·장기간의 소음 측정의 경우에는, 현장에 측정원은 상주하지 않고 측정용 기기를 배치하여 자동적으로 측정하는 자동측정을 사용하는 경우가 많다.
종래의 이와 같은 자동측정을 위한 시스템으로서는, 예를 들면, 특허문헌 1을 참조하면, 소음 레벨의 측정 및 실음(實音)의 수록을 자동적으로 행하는 동시에, 취득된 소음 데이터의 해석 및 실음의 재생을 용이하게 행할 수 있는 소음측정 관리시스템이 존재한다(이하, 종래기술 1로 한다.).
이 종래기술 1의 소음측정 관리시스템은, 음성 입력신호에 의해 소음 레벨을 측정하는 기능, 소음 레벨 데이터를 해석 및 보존하는 기능, 소음 레벨의 차트도를 표시 및 인쇄하는 기능, 소정의 역치 이상의 소음 레벨의 소리의 실음을 수록하는 기능을 구비하고 있다. 이와 같은 기능을 사용하여, 자동측정을 행할 수 있다.
여기에서, 소음의 측정에 있어서는, 검지된 음성 입력신호가 측정대상인지 여부에 대해, 식별(판정)하는 것이 중요하다.
경험 있는 측정원에 의해 사람이 측정하는 유인측정의 경우는, 이 식별은 용이하다.
그러나, 소음의 자동측정에 있어서는, 식별을 행하는 것이 어렵다. 이 때문에, 어떠한 인위적인 식별조건을 사용하여, 측정원이 수동으로 식별조건을 조정할 필요가 있다.
종래기술 1의 소음측정 관리시스템에 있어서는, 단순히, 통상의 암소음(暗騷音)(배경 잡음)과 소음을 나누고, 어느 일정 암소음 레벨을 역치로 하여, 이를 초과한 음성신호의 입력이 있었던 경우, 소음으로 판정(소음 판정)하여 기억하도록 구성하고 있다.
종래기술 1에 있어서는, 측정원은, 이 암소음 레벨을 식별조건으로서 설정한다. 이와 같이 식별조건이 암소음 레벨뿐이면, 측정값의 신뢰성이 낮아진다는 문제가 있었다.
이에, 보다 고도의 소음의 식별조건을 사용하는 것으로서, 예를 들면, 비특허문헌 1을 참조하면, 입력된 음성신호의 주파수 대역에 특징이 있었던 경우나, 항공기가 내는 전파를 소음과 동시에 검지한 경우와 같은 조건을 식별조건으로 하는 소음측정방법이 기재되어 있다(이하, 종래기술 2로 한다.).
종래기술 2의 소음판정방법을 사용하면, 단순히 역치 이상의 데이터를 모두 취득하는 것보다는 취득 데이터를 한정할 수 있는 만큼, 데이터 정리의 수고가 들지 않는다.
특허문헌 1: 일본국 특허공개 제2001-165763호 공보
비특허문헌 1: 야마시타, 오오하시, 「항공기 소음의 자동측정현장에 있어서의 고안」, 소음 제어, 사단법인 일본소음제어공학회, 2005년, Vol.29, No.5, p.363-367
그러나, 종래기술 1의 소음측정 관리시스템은, 단순히 소음 레벨을 역치로 하고 있기 때문에, 측정/분석 대상의 소음과는 상이한 소음이 다수 존재하는 경우에, 그들의 소음을 모두 취득해버린다는 문제가 있었다. 즉, 측정/분석 대상 이외의 데이터를 삽입하는 경우가 있었다. 그 때문에 역치를 올리면, 반대로 빠뜨리는 경우가 있었다. 이 때문에, 데이터 정리의 단계에서 쓸데없이 수고가 들뿐 아니라, 측정값의 신뢰성 그 자체를 손상할 우려가 있었다.
또한, 종래기술 2의 소음판정방법은, 측정 개소별로 소음환경이 상이하기 때문에, 소음판정의 식별조건은, 측정원이 설정할 필요가 있었다. 그러나, 이 식별조건의 설정에는, 장기간의 현장 조정이 필요해진다는 문제와, 측정/분석 대상과 대상 외의 소음이 동시에 관측되고 있는 경우나, 소음과 암소음의 차가 작은 경우는, 종종 잘못된 식별이 이루어진다는 문제가 있었다.
본 발명은, 이와 같은 상황에 비추어 이루어진 것으로, 전술한 과제를 해소하는 것을 과제로 한다.
본 발명의 신호판정방법은, 컴퓨터에 의해 소음/분석 대상을 판정하는 소음판정방법으로서, 소음 또는 진동에 관계되는 측정/분석 대상의 모델에, 측정/분석 대상인지가 미지인 미지 데이터를 입력하고, 상기 측정/분석 대상의 모델의 출력값을, 상기 미지 데이터가 측정/분석 대상인지의 확률값으로서 얻는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 측정/분석 대상의 모델은, 실측된 기지 데이터를 사용하여 제작하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 실측된 기지 데이터를 사용하여 상기 측정/분석 대상의 모델을 예측 모델식 산출수단에 의해 제작하여, 제작된 소음 또는 진동에 관계되는 측정/분석 대상의 모델에 미지 데이터를 입력하고, 상기 측정/분석 대상의 모델을 사용한 출력값 산출수단에 의한 계산의 출력값을, 상기 미지 데이터가 측정/분석 대상인지의 확률값으로서 얻는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 측정/분석 대상이, 생활환경에 관계되는 소음 또는 진동에 관련된 데이터를 사용하는 측정/분석 대상의 모델인 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 측정/분석 대상의 모델에 관계되는 예측 모델식에, 로지스틱 회귀식을 사용하고, 상기 로지스틱 회귀식은, 상기 측정/분석 대상의 모델에 관계되는 예측 인자를 설명 변수로서 사용하며, 상기 측정/분석 대상인지 여부를 목적 변수로서 사용하고, 상기 로지스틱 회귀식에, 상기 미지 데이터를 적용하여 입력하고, 확률값을 산출하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 설명 변수 중 어느 하나는, 카테고리 분류로서 상기 예측 모델식에 적용하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 복수의 상기 미지 데이터와, 측정/분석 대상이 되는 신호의 공시(供試) 데이터의 유사도를 사용하여, 상기 예측 모델식에 적용하여, 확률값을 산출하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 복수의 상기 미지 데이터와, 측정/분석 대상이 아닌 신호의 공시 데이터의 비유사도를 사용하여, 상기 예측 모델식에 적용하여, 확률값을 산출하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 측정/분석 대상이 아닌 신호의 공시 데이터는, 상기 측정/분석 대상의 예측 모델식에 미치는 영향이 큰 종류의 데이터를 사용하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 공시 데이터는, 샘플링된 소정 기간의 시계열 데이터로부터, 통계적인 수법을 사용하여 제작하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 실측된 기지 데이터를 사용하여, 상기 로지스틱 회귀식의 설명 변수의 계수를 구함으로써, 측정/분석 대상의 모델식을 제작하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 추가적으로 상기 예측 모델의 예측 모델식이나 설명 변수의 검정이나 타당성의 검토나 검정을 행하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 상기 기지 데이터를 축적하여, 축적된 데이터를 토대로 상기 예측 모델식을 다시 제작하는 것을 특징으로 한다.
본 발명의 신호판정방법은, 복수의 측정/분석 대상을 전환하고, 그 전환한 측정/분석 대상용의 상기 예측 모델식에 상기 미지 데이터를 적용하여, 그 전환한 측정/분석 대상인지의 확률값을 얻는 것을 특징으로 한다.
본 발명의 신호판정방법은, 복수의 상기 모델을 구비하고, 일부의 데이터를 취득하지 않는 경우에는, 복수의 상기 모델 중 그 데이터를 적용하지 않는 모델을 사용하는 것을 특징으로 한다.
본 발명의 신호판정방법을 실행하기 위한 프로그램.
본 발명의 신호판정장치는, 소음 또는 진동에 관계되는 측정/분석 대상의 모델의 예측식과, 기지 데이터와, 미지 데이터와, 판정 대상이 되는 신호의 공시 데이터와, 판정 대상이 아닌 신호의 공시 데이터를 기억하는 기억수단과, 상기 기지 데이터와, 측정/분석 대상이 되는 신호의 공시 데이터 및/또는 측정/분석 대상이 아닌 신호의 공시 데이터의, 유사도 또는 비유사도를 사용하여, 설명 변수의 계수를 구하여 예측 모델식을 제작하는 예측 모델식 산출수단과, 상기 기억수단에 입력하는 값을 입력하는 입력수단과, 상기 측정/분석 대상의 모델의 상기 예측 모델식에, 상기 미지 데이터의 각 값을 적용하여 계산하는 출력값 산출수단과, 상기 출력값을 출력하는 출력수단과, 상기 출력값에 의해, 상기 미지 데이터의 종류의 측정 및/또는 분석을 행하는 판정수단을 구비하는 것을 특징으로 한다.
본 발명의 신호판정장치는, 상기 기억수단은, 상기 설명 변수를 추가했을 때, 복수의 상기 예측 모델식을 기억하는 기억수단으로, 복수의 상기 예측 모델식의 출력값을 통합하는 데이터 통합수단을 추가적으로 구비하며, 상기 출력값 산출수단은, 상기 설명 변수에 관한 데이터를 상기 데이터 통합수단에 의해 복수의 상기 예측 모델식에 적용하여 계산하는 것을 특징으로 한다.
본 발명의 신호판정시스템은, 상기 신호판정장치와, 상기 미지 데이터를 상기 입력수단에 송신하는 센서를 구비하는 것을 특징으로 한다.
본 발명에 의하면, 측정/분석 대상의 모델을 사용하여 식별결과를 확률적으로 표현함으로써, 측정값의 신뢰성이 높고, 식별조건을 측정원이 수동으로 조정할 필요가 없는 신호판정방법을 제공할 수 있다.
<제1 실시형태>
(시스템 구성)
도 1을 참조하여, 본 발명의 실시형태에 관계되는 소음판정시스템(X)의 구성에 대해 설명한다.
본 발명의 실시형태의 소음판정시스템(X)은, 소음용 음향 센서인 센서(200-1~200-n)가, 인터넷이나 인트라넷 등인 네트워크(5)를 매개로 하여, 실제로 소음의 판정을 실행하는 서버(100)(신호판정장치)에 접속되어 있다.
보다 구체적으로는, 네트워크(5)는, LAN, 전등선 LAN, cLink, 무선 LAN, 휴대전화 또는 PHS망, 유선전화회선, 전용 회선 등을 사용할 수 있다. 또한, 네트워크의 형태로서도, IP 네트워크나 기타 별형상이나 링형상의 네트워크 등을 사용할 수 있다. 또한, 플렉시블 디스크, 각종 플래시 메모리 카드, HDD(하드·디스크·드라이브) 등의 기억 매체를 매개로 하여 데이터의 교환도 가능하다.
서버(100)는, 데이터·센터용 PC/AT 호환기를 사용한 PC 서버나 범용기 등이고, 센서(200-1~200-n)로부터의 소음의 음압 데이터를 해석하여, 어떤 종류의 소음인지 판정하기 위한 프로그램을 실행하고 있다.
센서(200-1~200-n)는, 전천후 방풍 스크린을 장착한 전천후형 마이크로폰, 마이크로폰 연장 코드, A/D 컨버터를 구비한 소음계 본체, 각종 인터페이스를 구비한 데이터 통신부 등에 의해 구성된다. 또한, 데이터 통신부에는, LAN 인터페이스 등의 네트워크(5)로의 접속수단을 구비하고 있다.
센서(200-1~200-n)는, 종래기술 1의 소음계와는 달리, 마이크로폰으로 측정한 소음의 음압 등의 신호를 밀리초단위로 측정하여, 거의 실시간으로 이 신호의 경시변화(시계열)의 데이터를 LAN 인터페이스 등을 사용하여 송신할 수 있다. 또한, 실제의 소리(실음)의 파형을, 예를 들면 16비트(샘플링 주파수 44.1 kHz)의 CD 수준의 음질 등으로 디지털 샘플링한 실음을 수록하고, 이 수록한 실음 청취 데이터에 대해서도 동일하게(경우에 따라서는 MP3나 AAC 등의 코덱으로 압축하여) 송신할 수 있다.
또한, 이 데이터는, 전술한 네트워크(5)의 형태에 맞추어 송신한다.
(제어구성)
다음으로, 도 2를 참조하여, 본 발명의 실시형태의 서버(100)의 제어구성에 대해, 보다 상세하게 설명한다.
서버(100)는, 소음 데이터의 해석과 연산을 행할 수 있는 구성부위로, 각 센서(200-1~200-n)로부터의 데이터를 입력하는 입력부(110)(입력수단), 입력된 데이터나 예측 모델식이나 예측결과 등을 기억하는 기억부(120)(기억수단), 예측 모델식(모델)을 산출하기 위한 연산기 등인 예측 모델식 산출부(130)(예측 모델 산출수단), 확률값(출력값)을 산출하기 위한 연산기 등인 확률값 산출부(140)(출력값 산출수단), CPU(센트럴·프로세싱·유닛, 중앙처리장치)나 MPU(마이크로·프로세싱·유닛) 등인 제어부(150)(판정수단), LCD 디스플레이나 프린터나 플로터나 파형출력기 등인 출력부(160)(출력수단)를 주로 구비하고 있다.
더욱 구체적으로 설명하면, 입력부(110)는, LAN 인터페이스 등으로, 또한, 키보드나 포인팅 디바이스나 광학·자기 스캐너 등의 입력수단도 포함한다. 이것에 의해, 입력부(110)는, 센서(200-1~200-n)로부터의 데이터나, 사전에 측정원이 측정한 데이터 등을 입력할 수 있다. 또한, 입력된 센서(200-1~200-n)의 데이터에 대해, 측정원이 소음의 종류 등을 입력하기 위한 유저 인터페이스도 구비하고 있다.
기억부(120)는, RAM이나 ROM이나 플래시 메모리나 HDD 등이다. 기억부(120)는, 데이터 로거의 기능을 가져, 센서(200-1~200-n)로부터 입력된 소음의 신호의 데이터나, 사전에 측정원이 측정한 소음의 신호의 데이터, 예측 모델식(의 계수), 소음판정의 판정결과, 소음판정의 프로그램이나 필요한 데이터 등을 기억해 둘 수 있다.
또한, 예측 모델식 산출부(130)와 확률값 산출부(140)는, 전용의 연산용 DSP(디지털·시그널·프로세서)나 물리연산 전용 연산장치나 GPU(Graphics Processing Unit) 등의 실시간으로 연산 가능한 연산기를 사용하는 것이 바람직하다. 또한, 예측 모델식 산출부(130)와 확률값 산출부(140)의 기능을, 제어부(150)의 연산기능을 사용하여 실현해도 된다.
제어부(150)는, 실제로 이하의 소음판정처리를 행할 때의 제어와 연산을 행하는 구성부위이다. 이 때문에, 기억부(120)의 ROM이나 HDD 등에 기억하고 있는 프로그램에 따라, 각종 제어와 연산의 처리를 실행한다.
(소음판정의 처리의 흐름)
다음으로, 도 3의 개념도를 참조하여, 본 발명의 실시형태에 관계되는 소음판정을 위한 예측 모델 제작과 확률 산출에 대해 설명한다.
전술한 바와 같이, 종래기술 1의 소음의 자동측정에 있어서는, 암소음 레벨의 역치를 설정하여, 암소음 레벨의 역치 이상의 음의 데이터를 모두 소음으로 판정하여 취득하도록 하고 있었다. 이 때문에, 모든 기억된 소음을 측정원이 듣고, 측정/분석 대상의 소음과, 그렇지 않은 소음을 식별할 필요가 있었다. 따라서, 특히 생활환경의 소음이 많은 장소, 예를 들면, 측정/분석 대상이 항공기인 경우, 간선도로 옆에서 분석할 때 등에는, 방대한 수고가 들고 있었다.
또한, 종래기술 2의 소음판정방법에 있어서는, 식별을 위한 설정을, 측정원이 장기간, 측정현장에서 조정하면서 행해야만 한다는 문제와, 측정장소의 환경에 따라서는, 잘못된 식별이 행해지고 있는지 여부를 결국은 측정원이 확인할 필요가 있어, 다대한 시간이 걸린다는 문제가 있었다.
본 발명의 발명자는, 계산기의 하드웨어 자원을 사용하여 소음의 음압신호의 해석을 행하는 방법에 대해 예의 실험·검토한 바, A/D 변환된 소음의 크기(음압, 강도)의 경시변화의 데이터(미지 데이터, 기지 데이터, 또는 공시 데이터)를 사용하여 연산을 행하고, 소음의 식별결과(측정/분석 대상이라고 식별되는, 또는 측정/분석 대상이 아니라고 식별되는 결과)를 확률로 표현함으로써, 소음의 종류를 고정도로 식별하고, 추가적으로 그 식별결과의 검증에 관계되는 수고를 대폭 경감하는 것이 가능한 신호판정방법, 신호판정장치 및 신호판정시스템을 고안하였다.
이 신호판정방법, 신호판정장치 및 신호판정시스템을 사용함으로써, 측정원이 장기간, 측정현장에서 소음의 식별조건을 조정하지 않고, 소음을 측정의 대상신호로서 기억하는 것이 가능해진다.
또한, 이 신호판정방법, 신호판정장치 및 신호판정시스템은, 측정/분석 대상이 되는 예측 모델에 관계되는 소음에 대해 소음판정한다. 따라서, 측정/분석 대상의 소음과, 그 이외의 소음을 구별하는 것이 용이하기 때문에, 자동측정의 정도(精度)를 높이는 것이 가능해진다. 진동에 대해서도, 데이터를 동일하게 사용하여 소음판정과 동일한 방법으로 신호판정을 행할 수 있다.
본 발명의 제1 실시형태의 소음판정시스템(X)에 있어서는, 이 소음의 종류의 식별에 대해, 통계분석에 의한 확률값(또는, 인공지능에 의한 출력값 등)을 사용해서 행하여, 소음판정한다.
또한, 본 발명의 실시형태의 데이터는, 미지 데이터, 기지 데이터, 공시 데이터 모두, 단순한 수치가 아닌 계산기의 하드웨어 자원에 입력되어 전기적·자기적·광학적으로 보유·유지(保持)되는 물리적인 데이터를 사용한다.
여기에서, 소음판정시스템(X)에 의한 소음판정의 구체적인 처리에 대해 설명한다.
본 발명의 실시형태의 소음판정시스템(X)에 있어서는, 먼저, 다수의 센서(200-1~200-n)에 의해 검출한 소음의 신호의 데이터를, 서버(100)의 기억부(120)에 기억해 둔다.
또한, 측정원이 현장에 상주하여 측정한 녹음 데이터를, 후술하는 공시 데이터 제작용 소재의 신호의 데이터로서 기억부(120)에 기억해 두어도 된다.
이들 신호의 데이터를 사용하여, 먼저 시계열 데이터를 제작한다.
[소음판정에 사용하는 데이터]
본 발명의 실시형태의 소음판정에서 사용하는 시계열 데이터는, 소정 기간(어느 한 시간범위)에 있어서의 신호강도의 경시변화의 데이터이다.
이 신호 변화의 데이터로서는, 신호(소음)강도의 경시변화에 착안하여, 이 신호강도의 시계열 데이터를 사용할 수 있다. 즉, 신호의 강도(양자화된 신호의 물리량)를 소정 간격으로 취득(샘플링)하여, 이 취득된 데이터를 사용한다.
구체적인 신호로서는, 예를 들면, 음압 레벨 파형(음압 파형, 소음 레벨 파형)을 사용할 수 있다. 이 음압 레벨 파형의 예로서는:
(a) 측정·분석 대상으로 하고자 하는 소정 기간의 음압 레벨 파형
(b) 소정 음압 레벨의 역치를 초과한 소정 기간의 음압 레벨 파형
(c) 관측된 극대값의 전후에 있어서, 소정 기간의 약 절반 기간의 음압 레벨 파형
과 같은 신호의 시계열 데이터를 사용할 수 있다.
또한, FFT 등을 사용하여 주파수 대역을 몇 개로 분류하는 것 등으로, 몇 개의 소정의 주파수 대역의 음압 변화의 데이터에 대해서도 사용할 수 있다. 이 경우에는, 각 소음에 특이적인 주파수 대역을 선택하여, 전술한 (a)~(c)와 같은 데이터를 사용할 수 있다.
또한, (b)의 경우는, 소음 데이터의 경우, 예를 들면, 「항공기 소음에 관계되는 환경기준」에서는, 암소음으로부터 10 dB 이상 탁월하지(초과하지) 않은 소음 데이터는 측정/분석 대상에 포함하지 않는 것으로 되어 있어, 이와 같은 조건에 대해 한정한 후에 데이터를 준비하는 것도 가능하다.
또한, 전술한 (a)의 소정 기간으로서는, 예를 들면, 약 40초로서, 1초마다 샘플링(신호강도를 A/D 변환에 의해 측정)한 데이터를 사용할 수 있다.
즉, 전술한 (a)의 경우는, 기억부(120)에 연속적으로 기억되고 있는 신호강도의 데이터로부터, 예를 들면 40초 동안의 데이터를 사용할 수 있다.
(b)의 경우에는, 예를 들면, 신호강도의 데이터로 소정의 음압 레벨의 역치를 초과한 개소로부터 40초에 대해, 동일하게 1초마다 샘플링한 데이터 등을 사용할 수 있다.
(c)의 경우에는, 예를 들면, 극대값의 전후 20초에서, 동일하게 1초마다 샘플링한 데이터 등을 사용할 수 있다.
또한, 예를 들면, 신호의 샘플링이 1초마다인 경우, 소정 기간을 40초로 하면, 20초째가 소정 기간의 중앙이 되고, 중앙 이전의 데이터가 20개(0초째부터 19초째), 중앙 이후의 데이터가 20개(21초째부터 40초째)의 합계 41개의 데이터가 사용되게 된다.
또한, 음압 레벨 파형의 샘플링방법으로서는, 단순히 샘플링시의 음압 레벨을 취득하는 방법에 더하여, 샘플링 간격 내의 적분값, 최대값, 평균값을 취득하는 방법 등, 다양한 수법을 사용할 수 있다. 또한, 샘플링 간격에 관해서도, 1초 이외에도, 수백밀리초, 또는 수초 이상의 간격을 사용해도 된다.
또한, 암소음 레벨을 초과한 역치의 데이터를 취득하는 방법으로서는, 역치가 직전의 일정 기간의 음압 레벨의 시간율 소음 레벨 90%(L90)가 되도록 변동시켜서 그 역치 이상의 것을 취득하는 방법을 사용함으로써, 암소음(백그라운드·노이즈)과 소음을 구별하는 것이 가능하다.
본 발명의 실시형태에 관계되는 소음판정시스템(X)에 있어서는, 전술한 시계열 데이터를 주로, 이하의 3종류로 나누어 사용한다.
「공시 데이터」: 공시 데이터는, 다른 시계열 데이터와 비교함으로써, 그 특징을 차분(差分)과 같은 형태로 구하기 위한, 이른바 「본보기」와 같은 데이터이다. 예를 들면, 항공기 소음, 항공기 이외의 소음이라는 특정 사상별로 특징적인 데이터로 공시 데이터군을 제작하여, 예측 모델식의 제작에 사용할 수 있다. 또한, 미지의 시계열 데이터의 특징을, 공시 데이터를 사용하여, 차분과 같은 형태로 구하는 것도 가능하다.
공시 데이터의 수는, 샘플 사이즈나 유사도 산출법에 따라, 바람직한 값을 사용할 수 있다. 본 발명의 실시형태에 있어서는, 예를 들면, 3~10 정도 준비한다.
「음원 기지 데이터」(기지 데이터): 예측 모델식을 제작하기 위해, 측정되어 분석 구간이 잘라내어진 신호강도의 시계열 데이터(유인측정이나 실음 청취에 의해, 음원의 종류를 특정할 수 있는 데이터)이다. 이 음원 기지 데이터는, 예측 모델식을 제작하기 위해 다수 준비할 필요가 있다.
「음원 미지 데이터」(미지 데이터): 소음의 종별을 특정하기 위한, 미지의 시계열 데이터이다. 즉, 측정/분석 대상의 소음일 확률을 구하고자 하는 시계열 데이터이다.
또한, 본 발명의 실시형태에 관계되는 소음판정시스템(X)에 있어서는, 신호의 최대값이나 극대값, 즉, 전술한 (a)~(c)의 경우는 최대 소음 레벨 그 자체에 대해서도, 소음판정에 착안하는 데이터로서 사용하는 것도 가능하다. 이 최대값이나 극대값도, 공시 데이터, 음원 기지 데이터, 음원 미지 데이터로 구할 수 있다.
또한, 기타 데이터에 대해서도, 적절히 모델로 사용할 수 있다.
[예측 모델식의 제작과 확률값의 산출]
도 3의 개념도를 참조하면, 측정/분석 대상의 예측 모델식의 제작에, 통계수법의 1종인 로지스틱 회귀분석을 사용하는 예에 대해 설명하고 있다.
도 3의 예에 있어서는, 먼저, 항공기 소음의 시계열 데이터에 의해 항공기 소음의 예측 모델식을 제작한다.
그 후, 미지의 시계열 데이터를, 이 항공기 소음의 예측 모델식에 적용함으로써 소음판정을 행한다.
본 발명의 실시형태에 관계되는 측정/분석 대상으로서는, 예를 들면, 항공기 소음, 도로교통 소음, 철도 소음, 사업장 소음, 공사 소음, 노래방 소음, 확성기나 거리 선전차의 소음, 도로교통 진동, 철도 진동 등의 생활환경에 관계되는 모든 소음 또는 진동에 대해 실시할 수 있다.
본 발명의 실시형태에 관계되는 소음판정시스템(X)에 있어서는, 공시 데이터와 음원 기지 데이터를 사용하여, 서버(100)의 각 부가 공동으로, 예측 모델식을 제작(도출)한다.
다음으로, 소음의 종별이 특정되어 있지 않은, 음원 미지 데이터(음원의 미지의 시계열 데이터)를, 제작된 예측 모델식에 적용하여, 예측 확률인 확률값(p)을 구한다.
이 확률값의 출력에 대해 검토함으로써, 최종적인 소음판정을 행할 수 있다.
예를 들면, 소정 확률값의 판정용 역치 A, B와 확률값을 비교하여, 확률값이 역치 A 이상(예를 들면 70% 이상일 때)인 경우에는 항공기 소음으로 판정한다. 또한, 확률값이 역치 B 이하(예를 들면 30% 이하)인 경우에는, 항공기 소음이 아니라고 판정한다. 그 이외(확률값이 A와 B의 사이)인 경우는, 명확히 판정할 수 없다고 하여, 실음 청취 데이터 등에 의해 확인하도록 경고를 낼 수 있다.
[로지스틱 회귀분석]
본 발명의 실시형태에 있어서는, 주로 로지스틱 회귀분석을 사용한 소음판정에 대해 설명한다.
로지스틱 회귀분석은, 특정 사상이 「일어난다」「일어나지 않는다」는 2치 응답 데이터(변수)를, 그 사상이 일어나는 요인이 되는 복수의 데이터(변수)를 사용하여 모델화하는 통계수법이다.
로지스틱 회귀분석을 사용함으로써, 측정/분석 대상인지 여부의 예측 확률, 예측 인자의 기여의 크기, 예측 인자간의 상호관계 등을 추정할 수 있다.
측정/분석 대상이 「일어난다」「일어나지 않는다」와 같이, 모델화의 목적이 되는 변수는, 목적 변수로 불린다. 또한, 예측 인자와 같이, 목적 변수와의 관련성의 설명에 사용되는 변수는, 설명 변수로 불린다.
「성공」의 확률을 p, 각 예측 인자를 xi로 하면, 로지스틱 회귀식은, 하기의 수학식 1로서 표현된다.
ai는 상수이다.
소음판정의 모델화의 경우, 목적 변수는, 측정/분석 대상인지 여부에 대해 사용한다. 즉, 항공기 소음의 모델의 경우는, 「항공기 소음이다」「항공기 소음이 아니다」를 사용한다.
설명 변수에는, 항공기 소음의 모델의 경우는, 예를 들면, 소음 파형의 공시 데이터와의 유사도(측정/분석 대상과 측정/분석 대상 이외), 최대 소음 레벨, 항공기의 위치정보(소음원의 위치정보) 등을 사용한다. 기타 정보도, 적절히 설명 변수로서 추가하여, 예측 모델의 타당성을 체크한 후에 사용할 수 있다.
이와 같이 예측 모델을 제작한 후에, 대상이 되는 소음이 항공기 소음일 확률을 추정하는 것이 가능해진다.
또한, 전술한 설명 변수로서는, 측정/분석 대상의 소음 파형의 공시 데이터와의 유사도만으로 충분한 정도(精度)의 모델화가 가능하나, 추가적으로 다른 정보를 추가하여 모델을 제작함으로써 정도를 향상시킬 수 있다.
(예측 모델 제작처리의 흐름)
이하에서, 도 4를 참조하여, 예를 들면 로지스틱 회귀분석을 사용한 예측 모델 제작처리에 대해 설명한다.
이 예측 모델 제작처리는, 주로 공시 데이터 제작처리와, 이 공시 데이터와 다수의 음원 기지 데이터를 사용하여, 예측 모델식의 상수항을 구하는 처리를 포함한다.
(스텝 S101)
스텝 S101에 있어서, 제어부(150)는, 공시 데이터군 제작처리를 행한다.
공시 데이터군 제작처리에 있어서는, 사전에 측정원이 측정한 소음의 데이터로부터, 음원(소음의 종류)의 식별이 이루어진 시계열 데이터로 공시 데이터군을 제작한다.
구체적으로는, 예를 들면 항공기 소음과 항공기 이외의 소음이라는 특정 사상에 특징적인 소음 파형을 구하고, 그들을 공시 데이터군으로 한다.
이하에서는, 예로서, 항공기 소음의 공시 데이터군의 제작에 대해 설명하나, 신호의 식별을 행하여 특정 사상(측정/분석 대상)으로서 분류할 수 있는 신호 데이터라면, 어떠한 시계열 데이터를 사용해도 된다.
이 공시 데이터의 제작에 있어서는, 예를 들면, 클러스터 분석 등의 클러스터링 수법과 같은 통계적인 수법을 사용하여 제작할 수 있다.
여기에서, 도 5를 참조하여, 스텝 S101의 공시 데이터군 제작처리에 대해, 보다 상세한 처리를, 스텝 S1011~S1016으로서 설명한다.
(스텝 S1011)
스텝 S1011에 있어서, 제어부(150)는, 측정/분석 대상의 시계열 데이터 취득처리를 행한다.
구체적으로는, 제어부(150)는, 기억부(120)에 기억되어 있는 녹음 데이터 또는 소재의 데이터로부터, 소정 기간(예를 들면, 40초)의 데이터를 잘라낸다.
이 잘라낸 데이터에 대해서는, 사전에 측정원이 통계 모델을 제작하기 위한 측정/분석 대상(예를 들면, 항공기 소음 데이터)으로 특정하고 있는 것을 사용한다. 즉, 측정원이 측정한 소음의 경시변화의 소음 레벨 파형의 데이터로부터, 공시 데이터군용으로, 측정/분석 대상별로 특징적인 데이터를 잘라내어 취득한다.
이 잘라내기에 있어서는, 특징 있는 데이터의 범위에서, 예를 들면 파형의 위상을 맞춰 잘라낼 수 있다. 위상을 맞추는 일례로서는, 소정 기간의 중앙에 신호의 최대값이 오도록 잘라내게 하는 것이 가능하다.
또한, 예를 들면 후술하는 바와 같이, 전계강도의 신호 데이터를 시계열 데이터로서 사용하는 예측 모델식을 사용하는 경우는, 피크가 2개 있는 파형이 얻어진다. 이와 같은 경우는, 그 피크의 중앙을 맞춰 잘라내도록 할 수 있다.
(스텝 S1012)
스텝 S1012에 있어서, 제어부(150)는, 측정/분석 대상에 대한 시계열 데이터의 최대 신호강도에 의한 정규화처리를 행한다.
구체적으로는, 잘라내어진 신호강도의 시계열 데이터군(항공기 소음 데이터) 각각에 대해, 정규화를 행한다.
즉, 시계열 데이터 내의 샘플링된 각 신호를, 그 시계열 데이터의 신호의 최대 강도로 나눔으로써, 0~1 사이의 값이 되도록 한다. 이 예에서는, 각 최대 소음 레벨(LAsmax, 최대 소음값)로 제산(除算)하고 있다.
이 정규화는, 각 시계열 데이터에 대해 행한다.
(스텝 S1013)
스텝 S1013에 있어서, 제어부(150)는, 항공기 소음 클러스터 분석처리를 행한다.
도 6을 참조하여, 이 클러스터 분석처리에 대해 설명한다.
먼저, 전술한 시계열 데이터군은, 소음의 시계열 데이터별로(0초에서 40초의) 41의 요소를 갖는 벡터(데이터 세트)로 간주할 수 있다. 즉, 각 초의 신호강도의 크기를, 벡터의 요소로 할 수 있다.
이들의 벡터를 유사도의 관점에서 분류함으로써, 항공기 소음에 특징적인 벡터를 발견하여, 공시 데이터로서 이용한다.
클러스터 분석처리의 예로서, 공시 데이터의 제작에 클러스터 분석을 행한다.
이때에는, 부여된 소음 파형의 시계열 데이터간의 유사도를 토대로, 가장 유사도가 높은 데이터를 축차적으로 병합하여, 클러스터를 형성한다.
클러스터간의 유사도를 토대로, 클러스터간의 병합을 반복하고, 하나의 클러스터로 병합될 때까지 반복함으로써 계층구조를 획득한다. 이것에 의해, 각 시계열 데이터에 대해, 유사한 것끼리(클러스터) 모아 분류할 수 있다.
유사도는 벡터간의 제곱 유클리드 거리에 기초하고, 클러스터링 수법은, 클러스터가 응집되기 쉽고, 계층구조가 사슬형상구조가 되기 어려운 워드법(Ward's method)을 사용한다.
이것에 의해, 유사한 소음 파형의 그룹으로 분류할 수 있다.
분류된 클러스터 중, 극대의 클러스터로부터 공시 데이터의 선택을 행하는 것이 바람직하다.
또한, 전술한 클러스터 분석의 예에 있어서는, 계층적인 클러스터링법을 사용하였다. 그러나, 시계열 데이터의 분류는 경우에 따라서는, 어떠한 통계수법이라도 사용할 수 있다.
특히, 클러스터링 수법으로는, 예를 들면, k-means법의 비계층적인 클러스터링 수법을 사용하는 것도 가능하다. 또한, 다른 각종 계층적 클러스터링법(최단거리법, 최절약법, 인접결합법 등)을 사용하는 것도 가능하다.
또한, 일례로서 클러스터 분석에 의한 방법을 나타내었으나, 다른 통계적인 수법을 사용하여 공시 데이터를 위한 데이터의 분석을 행해도 된다.
또한, 전술한 벡터에는, 항공기 소음에 특징적인 지표이면, 시계열 데이터 이외의 데이터가 포함되어 있어도 된다.
이 클러스터 분석 중, 전체(시계열 데이터의 수, 예를 들면 5개) 중 소수(예를 들면, 전체의 10% 미만)의 클러스터로 분류된 시계열 데이터는, 「탈락」 데이터(통계적인 탈락 데이터)로 하여, 공시 데이터군으로부터 제외하는 처리(출력값에 산입하지 않는 처리)를 행해도 된다.
또한, 클러스터간의 거리를 계산할 수 있는 클러스터링법을 사용하고 있는 경우, 예를 들면, 커다란 클러스터가 복수 생기고(예를 들면, 전체의 30% 이상), 그 커다란 클러스터간의 거리가 소정 값보다도 큰 경우는, 측정/분석 대상을 추가적으로 분할하는 편이 보다 통계 모델의 제작에 유효하다는(예를 들면, 항공기 소음이라면, 대형 제트기의 소음과 헬리콥터의 소음 등) 경고를, 출력부(160)에 표시나 인쇄 등을 할 수 있다.
또한, 전술한 데이터간의 유사도에 관해서는, 사용되는 데이터의 종류에 따라, 최적의 수법을 사용하여 구할 수 있다. 예를 들면, 각 신호의 차의 제곱이나 제곱 평균이라는 값을 사용하면, 차가 보다 확실히 나타나기 때문에 바람직하다.
도 7을 참조하면, 항공기 소음을 대상으로 한 측정에 의해 얻어진, 소재의 데이터를 사용하여 정규화처리를 행하고, 클러스터 분석을 행해 얻어진 5개의 클러스터를 토대로 산출된 항공기 소음의 공시 데이터(11~15)의 예를 나타낸다.
이 그래프의 세로축은 신호강도이고(최대값은 1), 가로축은(소정 기간에 있어서의) 시간이다. 이와 같이, 소정 시간에 잘라내어진, 항공기 소음에 대한 전형적인 시계열 데이터군을, 공시 데이터로서 사용한다.
또한, 이 클러스터 분석은, 공시 데이터군 제작에 있어서, 기지의 데이터를 음원별로 구분한 후, 음원마다 특징이 유사한 것을 그룹화하기 위해 행하고 있다.
즉, 클러스터 분석은 공시 데이터를 제작하기 위한, 몇 가지의 수법 중 하나에 지나지 않고, 다른 그룹화하는 수법을 사용하여 공시 데이터군을 제작하는 것도 가능하다.
(스텝 S1014)
스텝 S1014에 있어서, 제어부(150)는, 측정/분석 대상 이외의 시계열 데이터 취득처리를 행한다.
구체적으로는, 스텝 S1011과 마찬가지로, 제어부(150)는, 기억부(120)에 기억되어 있는 녹음 데이터 또는 소재의 데이터로부터, 측정/분석 대상(예를 들면, 항공기 소음) 이외의 소정 기간의 데이터를 잘라낸다.
이 「항공기 소음 이외」의 데이터는, 사전에 측정원에 의해 항공기 이외의 소음(예를 들면, 자동차의 소음, 전차의 소음, 방재 무선(防災無線)의 소리, 개구리의 소리 등)으로 특정되고, 또한, 잘못하여 항공기 소음으로 판정된 경우에 평가량에 미치는 영향이 큰 것에 대해, 누락 없이 선출하는 것이 바람직하다.
또한, 이와 같은 측정/분석 대상 이외의 시계열 데이터를 예측 모델식에 사용하는 것은, 정도를 올리기 위한 것으로, 필수는 아니다.
(스텝 S1015)
스텝 S1015에 있어서, 제어부(150)는, 측정/분석 대상 이외의 시계열 데이터의 최대 신호강도에 의한 정규화처리를 행한다.
이 처리는, 스텝 S1012와 동일하게 행한다.
도 8을 참조하면, 항공기 이외의 소음을 대상으로 한 측정에 의해 얻어진, 소재의 데이터를 사용하여 정규화처리를 행하고, 클러스터 분석을 행하여 6개 선택한 항공기 소음 이외의 공시 데이터(21~26)의 예를 나타낸다. 도 8의 그래프도, 세로축은 신호강도(최대값은 1)이고, 가로축은 시간을 나타낸다.
(스텝 S1016)
스텝 S1016에 있어서, 제어부(150)는, 항공기 소음 이외의 클러스터 분석처리를 행한다.
이 클러스터 분석처리에 대해서도, 스텝 S1013과 마찬가지로, 계층적 또는 비계층적 클러스터링법으로의 분석을 행한다.
그 후, 이 스텝 S1016에 있어서는, 커다란 클러스터(예를 들면, 전체의 30% 이상의 시계열 데이터가 분류된다)가 생긴 경우에는, 출력부(160)에서 경고 표시나 인쇄 등을 할 수 있다.
이상에 의해, 공시 데이터군 제작처리를 종료한다.
(스텝 S102)
여기에서, 도 4로 되돌아가 설명하면, 스텝 S102에 있어서, 서버(100)의 예측 모델식 산출부(130)는, 예측 모델식 제작처리를 행한다.
구체적으로는, 이 예측 모델식 제작처리에 있어서는, 수많은 음원 기지 데이터에 대해, 각각, 스텝 S101에서 제작된 공시 데이터와의 유사도 및 최대 소음 레벨을 설명 변수(x1~xn)의 값으로서 구하고, 소정의 예측 모델을 사용하여, 최우법(最尤法) 등의 최적화수법에 의해 계수(a0~an) 등을 산출한다. 이것에 의해, 예측 모델식을 제작(산출, 계산)할 수 있다.
또한, 실제로 소음판정을 행하는 시스템에서는, 이 예측 모델식이 제작된 상태에서, 이 예측 모델식을 기억부(120)에 기억해 두고, 확률값 산출부(140)로 사용할 수 있다.
여기에서, 도 9를 참조하여, 스텝 S102의 예측 모델식 제작처리에 대해, 보다 상세한 처리를, 스텝 S1021~S1027로서 설명한다.
(스텝 S1021)
스텝 S1021에 있어서, 예측 모델식 산출부(130)는, 음원 기지 데이터 취득처리를 행한다.
이 음원 기지 데이터 취득처리는, 예측 모델식 산출부(130)가, 스텝 S1011의 시계열 데이터 취득처리와 마찬가지로, 기억부(120)에 기억되어 있는 기지 데이터군으로부터, 소정 기간의 신호강도의 시계열 데이터를 잘라낸다.
또한, 이때, 소정 기간의 중앙에 신호강도의 최대값이 오도록 잘라내는 것도 가능하다. 또한, 최대값이 구하기 어려운 경우는, 조정하여 잘라내는 것도 가능하다.
(스텝 S1022)
스텝 S1022에 있어서, 예측 모델식 산출부(130)는, 음원 기지 데이터에 대해, 최대 신호강도에 의한 정규화처리를 행한다.
이 정규화처리는, 예측 모델식 산출부(130)가, 스텝 S1012와 마찬가지로, 잘라내어진 시계열 데이터에 대해 행한다.
(스텝 S1023)
스텝 S1023에 있어서, 예측 모델식 산출부(130)는, 측정/분석 대상의 공시 데이터와의 유사도(x1) 산출처리를 행한다.
구체적으로는, 음원 기지 데이터와 항공기 소음의 공시 데이터군 사이에서, 유사도(x1)의 값을 산출한다. x1은, 전술한 수학식 1의 설명 변수의 하나로서 사용하는 값으로, 예측 모델식을 산출하기 위해 사용한다. 또한, 유사도(x1)는, 전술한 클라스터 분석에서의 시계열 데이터간의 유사도의 계산과 마찬가지로, 음원 기지 데이터와 각 공시 데이터 사이에서, 샘플링된 각 신호의 차의 제곱의 합계나 절대값의 합계나 제곱 평균 등의 방법을 사용하여, 각 공시 데이터와의 유사도를 산출한다.
그 후, 각 공시 데이터와의 유사도를 통합한, 유사도(x1)를 산출할 수 있다.
보다 구체적으로 설명하면, 유사도(x1)는, 예를 들면, 항공기 소음 공시 데이터가 5 데이터인 경우는, 이 각 공시 데이터와의 유사도를 da1~da5로 하고, 이것으로부터 유사도(x1)인 da를 산출한다. da는, da1~da5의 최대값(가장 유사한 것의 유사도)으로 하거나, 하나라도 유사도가 높은 것이 있으면 da가 커지는 변수 변환을 행함으로써 산출한다.
음원 기지 데이터는, 신뢰성이 있는 모델을 제작하기 위해 다수 준비할 필요가 있다.
통상, 타당한 로지스틱 회귀식을 구하는데 필요한 샘플 사이즈는, 목적 변수에 포함하는 사항(항공기 소음 or 그 이외)의 생기(生起) 횟수가 동수 정도이면, 설명 변수의 10배 정도이면 된다고 생각된다. 만일, 생기 횟수에 편중이 있으면, 그 이상 필요하다.
단, 설명 변수의 수가 10개이고 샘플 사이즈가 200과 같은 정도의 수의 경우에는, 모델화의 대상이 되는 소음상황을 확실히 파악할 수 있다고는 할 수 없기 때문에, 추가적으로 음원 기지 데이터를 준비하는 편이 좋다.
즉, 보다 신뢰성이 높은 예측 모델식을 제작하기 위해서는, 보다 많은 음원 기지 데이터를 사용할 필요가 있다.
(스텝 S1024)
스텝 S1024에 있어서, 예측 모델식 산출부(130)는, 측정/분석 대상 이외의 공시 데이터군과의 유사도(x2) 산출처리를 행한다. x2도, 수학식 1의 설명 변수의 하나로서 사용하는 값으로, 동일하게 예측 모델식의 계수를 도출하기 위해 사용한다.
이 처리는, 음원 기지 데이터와 측정/분석 대상 이외의 공시 데이터군 사이에서, 전술한 유사도(x1)의 산출과 동일하게 행한다.
즉, 예를 들면, 항공기 이외의 소음 공시 데이터가 4 데이터인 경우는, 이 각 공시 데이터와의 신호 유사도를 dn1~dn4로 하고, 이것으로부터 유사도(x2)인 dn을 산출할 수 있다. x2도, 전술한 설명 변수의 하나로서 사용하는 값이다.
(스텝 S1025)
스텝 S1025에 있어서, 예측 모델식 산출부(130)는, 소정 기간의 최대값 분류처리를 행한다.
구체적으로는, 예측 모델식 산출부(130)는, 음원 기지 데이터의 잘라내기 구간의 각 신호강도의 데이터 중, 최대의 신호 레벨의 데이터의 값(통상은, 소정 기간의 최대값)을, 최대 소음 레벨(dB)의 카테고리(또는 클래스, 계급)에 따라 분류한다.
이와 같이 최대 소음 레벨을 카테고리별로 분류하는 이유로서는, 최대 레벨의 데이터값과, 당해 소음이 항공기 소음인지/아닌지의 관계에, 단조 감소나 단조 증가 등의 가정을 두는 것은 무리가 있기 때문이다. 구체적으로 설명하면, 수학식 1에 최대 레벨의 값을 입력한 경우, 수학식의 성질상, 최대 레벨의 값이 클수록, 또는 작을수록, 산출되는 예측 확률은 항공기 소음일 확률이 커지거나 또는 작아진다. 그러나, 이와 같은 모델은 실상(實狀)에 준거하고 있지 않다. 그 때문에, 입력하는 최대 소음 레벨에 적절한 처리를 실시할 필요가 있다. 이에, 관계성(분포)의 가정을 필요로 하지 않고 이용할 수 있는 카테고리화에 의한 분류방법을 사용하는 것이 바람직하다. 또한, 변수 변환의 이용도 유용하다고 생각되나, 이론적으로 타당한 관계를 발견하는 것도 곤란하기 때문에, 카테고리화에 의한 분류가 바람직하다. 최대 소음 레벨 이외의 변수에 대해서도 필요에 따라 카테고리화한다.
특히, 예측 인자가 질적인 변수인 경우, 순서정보뿐인 경우에는 특히 유효하다.
도 10을 참조하여 설명하면, 이 카테고리로서는, 예를 들면, 소정 기간의 최대값에 대해, 54 dB 미만, 54 dB 이상~58 dB 미만, 58 dB 이상~62 dB 미만, 62 dB 이상~66 dB 미만, 66 dB 이상~70 dB 미만, 70 dB 이상이라는 6개의 카테고리로 분류할 수 있다.
(스텝 S1026)
스텝 S1026에 있어서, 예측 모델식 산출부(130)는, 카테고리 분류 더미 변수화(x3~x7)처리를 행한다.
이 처리에 있어서는, 도 10을 참조하면, 각 카테고리에 대응하는 대입값(0 또는 1)을, 로지스틱 회귀 모델을 사용할 때의 「더미 변수」로서 취급한다. 즉, 이 더미 변수는, 질적인 값인 카테고리 분류를, 수치화(0 또는 1)하기 위해 사용한다.
여기에서, 카테고리의 수를 N으로 하면, 필요한 더미 변수의 수는 N-1이다.
예를 들면 카테고리 수가 6인 경우, 필요한 더미 변수의 수는 5이다. 54 db 미만의 카테고리의 경우는, X3=0, X4=0, X5=0, X6=0, X7=0의 경우에 상당한다.
예측 모델식 산출부(130)는, 각 카테고리에 대응하는 기억부를 준비해두고, 소정 기간의 최대값이 속하는 카테고리에 대응하는 기억부에 1을, 그 이외의 기억부에는 0을 대입한다.
x3~x7도, 수치화된 값(0 또는 1)을, 예측 모델식의 계수를 도출하기 위한 수학식 1의 설명 변수의 값이다.
도 10에 있어서는, 소정 기간의 최대값인 최대 소음 레벨이 65 dB인 경우를 나타낸다. 이 경우는, x5에 1이 대입되고, x3와 x4와 x6와 x7에는 0이 대입된다.
또한, 이 최대 소음 레벨도 예측 모델식의 설명 변수로서 필수는 아니나, 사용함으로써, 보다 정도를 올리는 것이 가능해진다.
(스텝 S1027)
스텝 S1027에 있어서, 예측 모델식 산출부(130)는, 계수(a0~an) 산출용 처리를 행한다.
구체적으로는, 전술한 스텝 S1023~S1026으로 구한 설명 변수(x1~xn)의 값을, 실제의 음원 기지 데이터로 구한 판정결과를 사용한 하기의 수학식 2에 대입하여, 최적의 계수(a0, a1, a2, a3, .. , an)의 값을 구한다.
예를 들면, 설명 변수가 7개(x1~x7)인 경우는, 예측 인자간의 교락(confounding)이 없다고 가정하면, 계수의 값을 구하기 위한 식은 이하와 같이 된다:
이 수학식 2에 있어서, a0는 상수이다.
또한, 이 수학식 2의 「측정원 판정」은, 소음의 음원의 종류를 측정원이 판정한 결과(목적 변수의 값)로, 0 또는 1의 값을 사용한다.
즉, 음원 기지 데이터에 있어서, (예를 들면, 그 실음 청취 데이터를 청취하여) 특정 사상(측정/분석 대상. 즉, 이 예에서는 항공기 소음)이라고 측정원이 판정하고 있을 때는 1을 대입하고, 특정 사상 이외(측정/분석 대상 이외. 이 예에서는, 항공기 소음 이외)라고 판정하고 있을 때는 0을 대입한다.
예측 모델식 산출부(130)는, 제작한 계수를 구하기 위한 식을, 기억부(120)에 기억한다.
또한, 전술한 예측 인자에 관해서는, 소음계의 데이터로서, 측정/분석 대상이 항공기 소음인 경우는, 미지 데이터와 상기 측정/분석 대상의 공시 데이터의 유사도는, 특히 사용하는 것이 바람직하다. 이것에 더하여, 미지 데이터와 측정/분석 대상 이외의 공시 데이터와의 비유사도, 미지 데이터의 소정 기간의 최대 소음 레벨을 사용함으로써, 정도가 높은 항공기 소음의 예측 모델식으로 할 수 있다.
이들의 예측 인자에 더하여, 소음계 이외의 데이터인 전파 식별정보, 음원의 앙각(仰角), 소음의 주파수 등의 항공기 소음측정에 특화된 지표를 설명 변수로 사용함으로써, 추가적으로 정도를 향상시키는 것이 가능하다.
이들의 소음계 이외의 데이터인 지표를 예측 인자로서 사용한 경우에 대해서는, 제2 실시형태에서 보다 상세하게 설명한다.
여기에서, 모든 음원 기지 데이터에 대해 스텝 S1021~S1026의 스텝을 행하고, 스텝 S1027에서 최적의 계수(a0~an)의 값을 구한다. 이 계수의 값을 사용한, 수학식 1의 식이, 예측 모델식이 된다.
계수의 값을 구하기 위해서는, SPSS나 R이라는 통계용 프로그램을 사용하여 계산할 수 있다. 수법으로서는, 최우법 등의 최적화 수법을 사용할 수 있다. 최우법을 사용하는 경우는, 대수우도를 최대로 하는 파라미터를 구하기 위해, 비선형 최적화법을 사용한다. 예를 들면, Fisher의 스코어링 알고리즘 등을 사용할 수 있다.
또한, 음원 기지 데이터별로, 최급강하법과 같은 수법을 사용하여, 축차적으로 계수를 최적화해 가는 것도 가능하다. 기타 학습법 등을 사용하는 것도 가능하다.
또한, 이 계수의 값을 구하는 방법이나 기타 로지스틱 회귀의 예측 모델식을 구하는 방법에 대해서는, 공지의 문헌인 「카테고리컬 데이터 해석 입문」(Alan Agrest저, 와타나베 히로유키 외 역, 사이언티스트사, 2003년)에 기재된 수법을 토대로 하여 행할 수 있다.
이상에 의해, 예측 모델식 제작처리를 종료한다.
또한, 예측 모델식에 관해서는, 적절히, 검정이나 타당성의 검토 등을 행할 수 있다.
예를 들면, 예측 모델식에 관해서는, Hosmer-Lemeshow 검정 등의 적합도 검정을 행함으로써, 타당성의 검토를 행할 수 있다.
또한, 각 설명 변수에 관해서도 구한 계수의 신뢰구간의 95퍼센타일값 등의 신뢰구간을 토대로 하여 타당성의 평가를 행할 수 있다.
제어부(150)는, 검정이나 타당성의 검정의 결과를, 출력부(160)로부터 출력할 수 있다.
추가적으로, 각 설명 변수의 타당성이 낮다는 평가가 된 경우는, 그 설명 변수를 사용하지 않거나, 또는 예측 모델식을 제작하기 위한 음원 기지 데이터를 늘리도록, 출력부(160)에 경고를 출력할 수 있다.
또한, 설명 변수를 늘릴지 줄일지를 자동으로 판정하는 것도 가능하다.
이상에 의해, 예측 모델 제작처리를 종료한다.
이 예측 모델 제작처리에 의해 제작된 예측 모델을 사용하여, 후술하는 확률 산출처리에 의해, 최종적인 소음판정을 행한다.
(확률값 산출처리의 흐름)
여기에서, 도 11을 참조하여, 확률값 산출처리에 대해 상세한 설명을 행한다.
서버(100)의 확률값 산출부(140)는, 소음의 자동측정 등으로 측정된, 샘플링된 미식별의 데이터(음원 미지 데이터)를 입력부(110)에 입력하고, 각 측정 데이터, 또는 측정 데이터를 예측 모델식에 적용하도록 가공한 것을 사용하여, 설명 변수로서 예측 모델식에 적용하여 확률값을 산출하는 확률값 산출처리를 행한다.
이하에서, 구체적인 확률값 산출처리의 흐름에 대해 설명한다.
(스텝 S201)
스텝 S201에 있어서, 확률값 산출부(140)는, 음원 미지 데이터 취득처리를 행한다.
음원 미지 데이터는, 전술한 바와 같이, 항공기 소음인지 여부가 미지인 음성의 시계열 데이터이다.
이 음원 미지 데이터 취득처리는, 확률값 산출부(140)가, 스텝 S1011의 시계열 데이터 취득처리와 마찬가지로, 기억부(120)에 기억되어 있는 센서(200-1~200-n)로 측정된 데이터군으로부터, 소음판정 소정 기간의 신호강도의 시계열 데이터를 잘라낸다.
또한, 전술한 바와 같이, 소정 기간의 중앙에 신호의 최대값이 오도록 잘라내는 것도 가능하다.
(스텝 S202~스텝 S206)
스텝 S202~S206까지는, 확률값 산출부(140)가, 음원 미지 데이터에 대해, 스텝 S1022~S1026과 동일한 처리를 행한다.
즉, 최대 신호강도에 의한 정규화처리(스텝 S202), 항공기 소음의 공시 데이터군과의 유사도(x1) 산출처리(스텝 S203), 항공기 이외의 공시 데이터군과의 유사도(x2) 산출처리(스텝 S204), 소정 기간의 최대값 분류처리(스텝 S205), 카테고리 분류 더미 변수화(x3~x7)처리(스텝 S206)를 행한다.
이것에 의해, 확률값 산출부(140)는, 음원 미지 데이터에 대해, 예측 모델식에 대입하기 위한 설명 변수(x1~xn)의 값을 구할 수 있다.
(스텝 S207)
스텝 S207에 있어서, 확률값 산출부(140)는, 설명 변수(x1~xn) 대입처리를 행한다.
구체적으로는, 확률값 산출부(140)는, 음원 미지 데이터에 대해 전술한 스텝에서 구한, x1~x7을, 예측 모델식에 대입한다.
이것에 의해, 측정/분석 대상인 예측 확률(p)의 값(확률값)을 산출한다.
이상에 의해, 확률값 산출처리를 종료한다.
이 확률값은, 관측된 데이터를 설명 변수로서 입력했을 때 구해지는, 예측 모델이 상정하고 있는 사상(예를 들면, 항공기 소음)의 예측 확률이다. 이 확률값에 의해, 측정/분석 대상 데이터인지를 판정할 수 있다.
제어부(150)는, 확률값을 출력부(160)로 출력하고, 이와 같은 최종적인 소음판정을 행한다.
항공기의 소음판정에 있어서, 예를 들면, 항공기 소음이라고 판정하는 역치를 70%로 하고, 항공기 소음 이외라고 판정하는 역치를 30%로 설정한 경우, 70% 이상의 확률값이 얻어진 음원 미지 데이터에 대해서는, 항공기 소음이라고 자동적으로 판정한다. 마찬가지로, 확률값이 30% 이하인 경우는, 항공기 소음이 아니라고 자동적으로 판정한다. 또한, 확률값이 30%~70%인 경우에는, 실음 데이터와의 비교를 하도록 경고표시 등을 행한다.
즉, 확률값이 30%~70%인 경우만 측정원이 실음 데이터와의 비교를 행하면 되기 때문에, 측정원이 매회 비교할 필요가 없다는 효과가 얻어진다.
이들 처리를 행한 후, 소음판정처리는 종료한다.
실시예
1
여기에서, 도 12를 참조하여, 실제의 소음판정의 예에 대해 설명한다.
도 12는, 로지스틱 회귀분석을 사용한 소음의 측정분석 결과예의 표이다. 이 표는, 실제로, 항공기 소음을 측정/분석 대상으로 하고, 전술한 바와 같은 예측 인자에 관계하는 설명 변수(x1~x7)를 사용하여, 계수(a0~a7)를 구해 제작한 예측 모델식에, 미지 음원 데이터를 입력하여 소음판정을 행한 결과를 나타내고 있다.
이 표에서는, 음원 미지 데이터를 발생 시각의 순번으로 나열하여 나타내고 있다. 표의 각 열은, 각 음원 미지 데이터의, 각각, 소음의 발생시각, 소음값(최대 소음 레벨, 최대 소음값), 소음의 계속시간(소음이, 암소음보다 소정의 레벨 이상이 되고, 암소음보다 소정의 레벨 이하가 된 사이의 시간), 암소음(소정 시간에서의, 암소음의 신호 레벨의 평균값), 확률값(예측 모델식에 그 음원 미지 데이터에 의해 구해진 x1~x7의 값을 대입하여 얻어진 값), 음원(실제로, 각각의 음원 미지 데이터에 관해, 측정원이 실음 청취 데이터나 기타 데이터를 토대로, 소음의 종류를 판단, 판정하여 검증한 결과)을 나타낸다.
이 표에 의하면, 실제로, 구해진 확률값이 50% 이상인 경우는, 측정원의 판정과 같이 바르게 항공기 소음이라고 판정할 수 있는 것을 알 수 있다.
반대로 50% 이하인 경우에는, 실제로 측정원이 소음의 종류를 판정하면, 항공기 소음이 아닌 것을 알 수 있다. 예를 들면, 발생시각 12:00:26의 소음의 확률값은 0.1% 미만이다. 측정원이 실음을 듣고 판정하면, 실제로 방재 무선의 소음이었다.
이와 같이, 최대 소음 레벨이나 계속시간만으로는, 다른 종류의 소음과 구별이 되지 않는 소음이라도, 소음의 신호 레벨 등의 데이터를 예측 모델식에 대입하여 확률값을 산출함으로써, 소음판정을 행할 수 있다.
도 12에 나타낸 바와 같이, 소음의 신호강도의 시계열 데이터와 최대 소음 레벨 데이터를 사용한 것만으로도, 실음 청취 데이터와의 차가 거의 없는 예측 모델식을 제작할 수 있다. 실제로, 측정원이 실음 청취 데이터를 소음판정한 결과와, 본 발명의 실시형태의 소음판정의 결과를 비교하면, W값(「시끄러움 지수」)으로 1 이내에 들어가는 예측 모델식의 제작이 가능하다.
W값은, Weighted Equivalent Continuous Perceived Noise Level(WECPNL, 가중 등가 평균 감각 소음 레벨, 가중 등가 계속 감각 소음 기준)의 약자로, 특히 야간의 소음을 중시하고 음향의 강도, 빈도, 계속시간에 관한 요소를 추가하여, 사람의 생활에 미치는 영향을 평가하는 항공기의 소음기준이다. W값은, 일본의 환경기준에 관한 계산에도 사용되고 있다.
이와 같이, 본 발명의 제1 실시형태의 예측 모델식과 확률값의 산출방법은 정도가 높기 때문에, 이것을 사용한 소음판정에 대해서도 정도를 올리는 것이 가능해진다.
또한, 예측 인자에 시계열 데이터만을 사용한 경우이더라도, 후술하는 전계강도와 최대 신호 레벨만을 사용해도, 항공기 소음으로 판정하는 것도 가능하다. 이와 같이, 그 측정/분석 대상에 딱 들어맞는 예측 인자를 자유롭게 선택하여, 보다 측정/분석하는 상황에 적합한 예측 모델식을 사용할 수 있다.
이상과 같이 구성함으로써, 이하와 같은 효과를 얻을 수 있다.
먼저, 종래기술 1의 소음의 자동측정장치의 경우, 식별조건을 잘 설정하지 못하고, 측정/분석 대상 이외의 데이터를 삽입하거나, 반대로 빠뜨리는 경우가 있으면, 소음측정의 데이터 정리의 단계에서 쓸데없이 수고가 들어, 측정값의 신뢰성 그 자체를 손상시킨다는 우려가 있었다.
이 때문에, 종래기술 1의 소음의 자동측정장치의 경우, 운용개시 후에 있어서도 식별결과의 타당성을 확인하는 경우, 측정원이 직접, 모든 데이터에 관한 수록된 실음을 듣고 체크할 필요가 있어, 방대한 수고가 든다는 문제가 있었다.
또한, 종래기술 2의 소음측정방법의 경우는, 측정/분석 대상과 그 이외의 소음이 동시에 관측되고 있는 경우나, 소음과 암소음의 차가 작은 경우는, 종종 잘못된 식별이 이루어진다는 문제가 있었다.
이에, 종래기술 1과 2에 있어서는, 소음을 자동측정하기 위한 식별조건을 설정하기 위해, 측정원이 체재하며 장기간의 현장 조정이 필요해진다는 문제가 있었다.
또한, 측정 장소의 환경에 따라서는, 잘못된 식별이 행해지고 있는지 여부를 결국에는 측정원이 확인할 필요가 있어, 다대한 시간이 걸린다는 문제가 있었다.
이에 대해, 본 발명의 제1 실시형태에 관계되는 소음판정을 사용하면, 전술한 바와 같은 데이터로부터 통계적으로 최적의 예측식이 얻어지기 때문에, 식별조건을 측정원이 조정하지 않아도 신뢰성이 높은 소음판정방법을 제공할 수 있다.
또한, 본 발명의 실시형태에 관계되는 소음판정에서는, 측정/분석 대상(특정 사상)에 관한 신호판정을 행한다. 따라서, 예를 들면, 측정/분석 대상이 아닌 시계열 데이터에 대해 소음판정한 경우, 출력값이 낮아지기 때문에, 측정/분석 대상이 아니라고 높은 정도로 식별하는 것이 가능하다.
이것에 의해, 신호식별 시스템의 운용개시 후에, 미지 음원 데이터에 대해 예측 모델식을 적용하여 확률값을 산출함으로써, 확률값이 소정 범위 내의 데이터에 대해서만 측정원에 의해 소음의 식별을 행하여 확인하면 되게 된다.
따라서, 소음판정에 걸리는 수고(비용)를 대폭 삭감하는 것이 가능해진다는 효과가 얻어진다.
또한, 종래기술 1 또는 2의 소음판정에서는, 계절적인 요인 등의 환경조건에 따라 변동하는 경우가 있기 때문에, 측정원이 주기적으로 현장에서 소음을 측정하여 식별조건을 다시 설정할 필요가 있었다.
이것에 대해, 본 발명의 제1 실시형태의 소음판정방법에서는, 운용 후에도 음원 기지 데이터를 축적하여, 그 축적된 데이터를 토대로 자동적으로 예측 모델식을 다시 산출(제작)하도록 할 수 있다.
이 때문에, 음원 기지 데이터가 축적됨으로써, 예측 모델식의 정도를 추가적으로 높일 수 있다. 즉, 운용 후에도 데이터가 축적되기 때문에, 보다 소음판정의 예측 정도를 높일 수 있다는 효과가 얻어진다.
물론, 소정 기간을 경과한 후에, 측정원이 식별조건을 현장에서 다시 조정할 필요가 없어진다는 효과도 얻어진다.
또한, 계절적인 요인에 맞추어 예측 모델식을 설정하는 것도 가능하여, 이것에 의해 계절에 맞는(예를 들면 개구리의 산란계절이나, 벌레가 우는 계절) 예측 모델식을 사용함으로써, 추가적으로 정도를 높이는 것이 가능해진다.
또한, 종래기술 1에 있어서는, 식별조건을, 그 측정환경마다 일일이 설정해야만 했었다.
이에 대해, 본 발명의 제1 실시형태의 소음판정방법에서는, 일단 예측 모델식을 제작해버리면, 동일한 측정/분석 대상에 대처할 수 있다는 효과가 얻어진다.
이것에 의해, 다른 장소에서 동일한 측정/분석 대상에 대해 소음판정을 행할 때, 다시 한번 기지 음원 데이터를 수집하여 예측 모델식을 다시 제작할 필요가 최저한으로 억제된다.
즉, 예를 들면, 사전에 제작한 항공기 소음의 예측 모델식을 사용하여, 어디서든 소음판정을 행할 수 있다는 효과가 얻어진다.
또한, 그와 같은 사전에 제작한 예측 모델식으로는, 측정/분석 대상 이외의 소음원이 상이한 경우나 각종 환경조건의 차이에 의해 정도가 낮아지는 경우에도, 전술한 바와 같이, 음원 기지 데이터를 축적하여 예측 모델식을 다시 제작함으로써, 정도를 높일 수 있다.
또한, 본 발명의 실시형태에 관계되는 소음판정에 있어서는, 시계열 데이터를 사용하여, 객관적으로 소음에 대해 평가하는 것이 가능하다.
따라서, 시계열 데이터에 의해, 표준적인 소음판정의 모델(표준 모델)의 구축이 가능해진다는 효과도 얻어진다.
즉, 지금까지는 경험적으로 구해지고 있던 식별조건에 대해, 예측 모델식에 의해 일반화된 모델의 파라미터의 증감으로서 객관적인 평가가 가능해진다.
<제2 실시형태>
다음으로, 도 13을 참조하여, 본 발명의 제2 실시형태의 소음판정시스템의 서버(101)에 대해 설명한다.
서버(101)를 사용한 소음판정시스템의 구성은, 도 1에 나타낸 제1 실시형태에 관계되는 소음판정시스템(X)과 동일하고, 서버(101)의 제어구성만이 상이하다.
이 서버(101)에 있어서는, 데이터 통합부(170)(데이터 통합수단)가 추가되어 있는 점이 서버(100)와 상이하다.
또한, 그 외의 동일한 부호의 구성요소에 대해서는, 서버(100)와 동일하다.
데이터 통합부(170)는, 예측 인자를 추가했을 때의 계산이나, 예측 모델식을 복수 사용한 경우의 계산을 행하기 위한 DSP나 CPU 등의 연산기이다. 또한, 전술한 예측 모델식 산출부(130)나 확률값 산출부(140)와 마찬가지로, 제어부(150)의 연산기능을 사용하여 실현해도 된다.
본 발명의 제2 실시형태의 서버(101)에 있어서는, 이 데이터 통합부(170)를 사용하여, 예측 인자를 각각 추가한 복수의 예측 모델식을 제작하고, 음원 미지 데이터를 복수의 예측 모델식에 적용한 경우의 데이터를 평가할 수 있다. 이것에 의해, 예측 모델(확률 모델)의 신뢰성을 추가적으로 향상시키는 것이 가능해진다.
추가하는 신호로서는, 소음계의 신호 이외에는, 예를 들면, 예측 모델이 항공기 소음인 경우는, 전파 식별정보 데이터, 음원탐사 식별장치(SBM) 등의 데이터를 생각할 수 있다. 그 결과, 항공기 이외의 데이터를 항공기로 잘못 식별할 확률을 작게 할 수 있다.
이것에 의해, W값을 유인측정결과 또는 사람이 실음 청취한 판정결과에 의한 값에 가깝게 하는 것이 가능해진다. 즉, 출력결과의 신뢰성이 향상된다는 효과가 얻어진다.
또한, 이들의 추가하는 예측 인자에 관계되는 신호의 데이터는, 서버(101)가, 센서(200-1~200-n)에 의해 검출된 데이터를 취득해도 되고, 별도의 센서 등이나 정보사이트 등의 정보를 직접 네트워크(5)로부터 취득하도록 해도 되며, 기억매체를 매개로 하여 직접 취득하도록 해도 된다.
(신호를 추가했을 때의 예측 모델식군의 제작의 흐름)
여기에서, 도 14를 참조하여, 본 발명의 제2 실시형태에 관계되는 측정·분석 대상이 되는 신호를 추가했을 때의, 예측 모델식군의 제작처리의 흐름에 대해 설명한다.
(스텝 S301~S302)
스텝 S301은 스텝 S101과, 스텝 S302는 스텝 S102와, 각각 동일한 처리를 행한다.
(스텝 S303)
다음으로, 스텝 S303에 있어서, 제어부(150)는, 추가한 데이터 xi에 관계되는 예측 모델식의 제작이 종료되었는지에 대해 판정한다.
Yes인 경우는, 제어부(150)는, 예측 모델식의 제작처리를 종료한다.
No인 경우는, 제어부(150)는, 처리를 스텝 S302로 되돌려 나머지의 추가한 데이터 xi에 관계되는 예측 모델식의 제작을 계속한다.
여기에서, 본 발명의 제2 실시형태에 관계되는 서버(101)에 있어서는, 추가한 예측 인자에 관계되는 데이터를 설명 변수 xi로서 추가하고, 데이터를 추가할 때마다 예측 모델식을 제작한다.
먼저, 전술한 제1 실시형태의 서버(100)와 같이, 예를 들면, 항공기 소음의 경우는, 먼저 소음계의 데이터만을 사용하는(파형+최대 레벨) 예측 모델식을 x1~x7의 설명 변수를 사용하여 제작한다(a0~a7의 계수를 사용한다).
이 각 예측 모델식에 대해서는, 제어부(150)가 기억부(120)에 기억한다.
또한, 설명 변수로서 질적인 지표에 관한 데이터를 사용하기 위해서는, 전술한 카테고리 분류 더미 변수화와 같이, 더미 변수를 사용할 수 있다.
예를 들면, 전파 식별신호의 정보를 설명 변수의 하나로서 추가하는 경우는, 스텝 S302로 처리가 되돌려진 경우는, i를 8로 하고, x1~x8의 설명 변수를 사용하여 예측 모델식을 제작한다(a0~a8의 계수를 사용한다).
마찬가지로, 다음에 처리가 스텝 S302로 되돌려진 경우는, 음원의 주파수의 i를 9로 하여 x1~x9의 예측 모델식을 제작한다(a0~a9의 계수를 사용한다). 이 주파수로서는, 특징적인 주파수의 값을 사용할 수 있다.
마찬가지로, 음원의 앙각 데이터를 추가하는 경우에 대해서도, 그것을 포함한 예측 모델식을 제작한다.
또한, 음원의 각속도(角速度)에 대해서도, 동일하게 예측 모델식을 제작한다.
즉, 음원의 앙각 데이터나 각속도에 관한 지표에 대해서도, 각각 설명 변수를 준비할 수 있다.
앙각 데이터에 대해서는, 라디안 등의 각도로 1축 1변수로서 사용할 수 있다.
각속도에 대해서는 수평회전각도와 수직회전각도 중 어느 하나를 사용하여 나타낼 수 있다.
또한, XYZ축 방향에서, 이것에 벡터의 크기를 추가하는 등 앙각 데이터를 표시하는 것도 가능하다.
또한 수직각속도와 수평각속도에 대해, 각각에 설명 변수로 사용해도 된다. 또한, 수직각속도와 수평각속도를 통합하여 하나의 지표를 마련하는 것도 가능하다.
또한, 주파수에 관해서는, 몇 개의 주파수 대역의 신호 레벨 등을 사용하는 것도 가능하다. 그 경우는, 주파수의 대역별로, 설명 변수를 복수 사용하는 것도 당연히 가능하다.
이와 같이, 측정/분석 대상에 대응하는 특정 사상별 예측 모델식의 정도를 향상시키기 위해, 어떠한 예측 요인에 관한 설명 변수라도 삽입하는 것도 가능하다.
(신호를 추가했을 때의 확률값 산출처리)
다음으로, 도 15를 참조하여, 본 발명의 제2 실시형태에 관계되는, 신호를 추가했을 때의, 확률값 산출처리의 흐름에 대해 설명한다.
이하의 처리에 있어서는, 초기값을 i=1로 하여, 각각의 예측 모델식을 사용하여 확률값(p)을 구한다.
(스텝 S401)
먼저, 스텝 S401에 있어서는, xi에 있어서, 스텝 S201~S207까지와 마찬가지로 예측 모델식을 사용하여 확률값을 산출한다.
이때, 산출한 확률값(p)을, 각각, 기억부(120)에 기억한다.
(스텝 S402)
여기에서, 스텝 S402에 있어서, 제어부(150)는, 추가한 데이터 xi에 관계되는 예측 모델식의 확률값의 산출이 종료되었는지에 대해 판정한다.
Yes인 경우는, 제어부(150)는, 처리를 스텝 S403으로 진행시킨다.
No인 경우는, 제어부(150)는, 처리를 스텝 S401로 되돌려 나머지의 추가한 데이터 xi에 관계되는 확률값의 산출처리를 계속한다.
(스텝 S403)
스텝 S403에 있어서, 데이터 통합부(170)는, 데이터 통합처리를 행한다.
구체적으로는, 먼저, 데이터 통합부(170)는, 전술한 설명 변수별 각 예측 모델식과 각 확률값에 대해, 그 설명 변수를 사용한 예측 모델식이 확실한지, 대수우도를 확인하거나, 각종 통계 검정을 하여, 예측 모델식의 유효성의 평가를 행할 수 있다.
이 평가에 의해, 데이터 통합부(170)는, 설명 변수의 추가가 적절하지 않은 경우(예를 들면, 설명 변수의 계수가 95% 신뢰구간에서 유의(有意)해지지 않는 경우)는, 출력부(160)로부터 경고를 행할 수 있다. 이것에 의해, 예측 인자의 선택이나, 이 예측 인자에 관계되는 적절한 설명 변수의 추가에 대해 측정자가 평가하는 것이 가능해진다.
또한, 데이터 통합부(170)는, 설명 변수를 추가했을 때에는, 오버피팅이 될 가능성이 있기 때문에, 적절히, 데이터를 늘려 재차 검정 등을 행하거나, 크로스 벨리데이션(cross validation) 등으로 확인하도록 하는 것도 가능하다.
이들의 처리를 행하여, 최종적인 출력값을 통합한다.
이것에 의해, 측정/분석 대상별로 적절한 예측 인자를 선택할 수 있다는 효과가 얻어진다.
따라서, 보다 좋은 예측 모델을 제작할 수 있기 때문에, 소음판정의 확률값을 보다 확실하게 하여, 신뢰성을 향상시킬 수 있다.
또한, 스텝 S403에 있어서는, 제어부(150)는, 이 평가를 추가하여, 전술한 설명 변수별 각 예측 모델식과 각 확률값에 대해 정리하여, 출력부(160)로부터 출력한다.
또한, 이것에 더하여, 제어부(150)는, 확률값이 소정 범위 이외(예를 들면, 30%~70%인 경우)의 파형 데이터와 음성 데이터를 출력하는 것도 가능하다. 이것에 의해, 측정원이 「의심스러운」 데이터에 대해 체크하는 것이 가능해진다.
추가적으로, 특정 소음의 데이터만을 기억부(120)에 기억하는 것도 가능하다.
이것에 의해, 본 발명의 제2 실시형태에 관계되는 소음판정을 종료한다.
실시예
2
여기에서, 도 16~도 18을 참조하여, 본 발명의 제2 실시형태에 관계되는 소음판정의 실제의 예에 대해 설명한다.
도 16과 도 17은, 측정분석 결과예(예측예)이고, 실제로, 예측 인자에 관계하는 설명 변수를 추가하여 예측 모델식을 제작한 경우의, 얻어지는 확률의 소위 신뢰성에 관한 그래프이다.
도 16의 「결과(1)」은, 오식별률을 나타내는 그래프이다. 이 그래프는, 가로축은 설명 변수 xi의 수, 세로축은 오식별률(%)을 나타낸다.
가로축은, 왼쪽에서부터, 각각, 제1 실시형태에 관계되는 소음계의 데이터만을 사용한 예측 모델식(i=8)의 경우, 표준 모델에 전파 식별신호의 정보를 추가한 경우, 또한 음원의 피크 주파수를 추가한 경우, 또한 음원 앙각 데이터를 추가한 경우, 또한 음원의 각속도를 추가한 경우에 대해 나타낸다.
세로축은, 음원 미지 데이터군에 대한 오식별률(%)을 나타낸다.
즉, (a) 측정/분석 대상이 항공기인 예측 모델식에 의해 얻어진 확률값이 50% 이상이었던 경우에, 당해 음원 미지 데이터가 항공기 소음이 아니었던 경우(위양성)와, (b) 얻어진 확률값이 50% 미만이었던 경우에, 당해 음원 미지 데이터가 항공기 소음이었던 경우(위음성)는, 오식별로 하였다. 이 오식별한 미지 음원 데이터의 비율을, 오식별률로 하였다. 오식별인지 여부의 판단은, 측정원이 당해 음원 미지 데이터의 실음 데이터를 청음하여, 항공기 소음인지 여부를 판정하였다.
이 그래프와 같이, 설명 변수 xi를 첨가할 때마다, 오식별률이 낮아져 가는 것을 알 수 있다.
도 17의 「결과(2)」의 그래프는, 전술한 결과(1)과 동일한 예측 모델식에 의해, W값(WECPNL) 기준에서의 예측과 실측값의 차에 대해 검토한 결과를 나타낸다. 세로축은 예측과 실측값의 레벨차(W값), 가로축은 설명 변수 xi의 수를 나타낸다.
여기에서는, 전술한 (1)의 경우와 마찬가지로, 확률값이 50% 이상인 음원 미지 데이터를, 항공기라고 소음판정한 경우의 W값의 예측과 실측값의 차에 대해 나타낸다.
제1 실시형태와 동일한 표준 모델을 사용한 경우, 전술한 바와 같이 예측과 실측값의 차는 1 이내이므로 실용적으로 사용할 수 있다.
또한, 설명 변수 xi를 추가함으로써, 보다 예측과 실측값의 차를 낮게 억제할 수 있는 것을 알 수 있다.
도 18은, 도 16과 도 17의 예의 분석 데이터의 일부를 발생시각의 순으로 표로 정리한 것으로, 각각의 열이, 당해 음원 미지 데이터에 관계되는 소음의 발생시각, 소음값, 표준 모델에서의 확률값, 표준 모델에 전파 식별신호의 정보를 추가했을 때의 확률값, 측정원에 의한 소음판정 결과(○: 항공기 소음, ×: 항공기 소음 이외), 측정원이 식별한 소음의 종류에 대해 나타낸다.
분석 데이터의 두꺼운 사각으로 둘러싼 부분은, 본 발명의 실시형태에 관계되는 신호판정방법에 의한 소음판정에서 잘못이 있었던 개소이다.
그러나, 표준 모델에 전파 식별신호를 예측 모델식에 추가하여 소음판정을 행함으로써, 예측 정도가 올라가 있는 것을 알 수 있다.
이상과 같이 구성함으로써, 이하와 같은 효과를 얻을 수 있다.
종래기술 1에 의하면, 소음판정의 식별조건에, 다양한 데이터를 객관적으로 추가하는 방법은 알려져 있지 않았다.
즉, 종래부터, 소음의 주파수 등을 측정원이 체크하여, 소음판정 하기 위해 경험적으로 사용하는 경우는 있었으나, 이것을 수치화하여 사용하는 방법은 알려져 있지 않았다.
이것에 대해, 본 발명의 제2 실시형태에 관계되는 소음측정에 의하면, 예측 모델식에, 지금까지는 경험적으로 사용하고 있던 값(예를 들면, 전파 식별정보 데이터, 음원탐사 식별장치의 데이터(음원의 앙각 데이터), 상기 소음의 주파수의 데이터 등)을 추가함으로써, 보다 예측 정도가 올라간 예측 모델식을 제작할 수 있다.
또한, 예측 모델식의 유효성의 평가에 대해서도 적절히 행할 수 있기 때문에, 필요한 데이터만을 첨가하여 보다 정도가 높은 예측 모델식을 제작할 수 있다.
이것에 의해, 보다 소음판정의 예측 정도를 올릴 수 있다는 효과가 얻어진다.
또한, 거리적으로 가까운 복수의 센서로부터의 신호를, 복수의 설명 변수로서 동시에 사용하여 예측 모델식을 제작하는 것도 가능하다.
이것에 의해, 하나의 센서 근처에서 까마귀가 울었다는 등의 돌발적인 노이즈에 대해, 소음판정의 예측 정도를 향상시키는 것이 가능해진다.
또한, 본 발명의 제2 실시형태에 관계되는 소음판정은, 소음계 이외의 예측 인자를 사용하고 있고, 또한 복수의 예측 모델식을 사용한다는 특징이 있다.
이 때문에, 센서(200-1~200-n)에서, 특정 측정기가 고장나 있는 것이 존재한 경우에도, 그 측정기에 관계되는 데이터를 예측 인자로서 사용하지 않는 예측 모델식으로 예측 확률을 얻도록 설정할 수 있다.
이 경우는, 모든 예측 인자를 사용하는 경우에 비해 예측 확률의 정도가 떨어진다고 생각되나, 전혀 데이터를 얻을 수 없는 것은 아니다. 예를 들면, 전계강도계나 그 안테나가 고장나 있어도, 소음계의 데이터만으로 충분한 소음판정을 행할 수 있다.
따라서, 센서가 고장난 후, 수리, 교환에 의해 복구하는 동안의 데이터가 결측(缺測) 취급되지 않아, 장기간의 무인자동측정에 자주 있는 센서의 고장에 의한 결측기간을 대폭 줄이는 것이 가능해진다. 이것에 의해, 사람의 손으로 하나하나의 데이터를 수복, 또는 실음 청취에 의해 식별하는 수고와 비용을 삭감할 수 있다.
또한, 본 발명의 제1과 제2 실시형태에 관계되는 소음판정에 있어서는, 최대 소음 레벨을 카테고리 분류하여 사용하는 예에 대해 설명하였다. 그러나, 시계열 데이터만을 사용하는 것도 가능하고, 충분한 정도가 얻어진다. 또한, 측정/분석 대상 이외의 시계열 데이터를 전혀 사용하지 않고 판정하는 것도 가능하다. 즉, 전술한 바와 같이, 「상기 기지 데이터와 상기 측정/분석 대상 이외의 공시 데이터의 차이」와 「상기 기지 데이터의 소정 기간의 최대 신호강도」는 필수는 아니고, 그러한 차이나 강도의 지표를 설명 변수로서 예측 모델식에 넣으면, 보다 정도를 올릴 수 있다는 성질의 것이다.
또한, 공시 데이터를 제작하기 위해 클러스터 분석처리를 행하는 것도 필수는 아니다. 즉, 클러스터 분석에 의해, 보다 정확한 공시 데이터를 선택할 수 있다. 또한, 공시 데이터 중, 전형적인 데이터는, 측정원이 선택하여 준비하는 것도 가능하다.
또한, 전술한 복수의 예측 모델식에 관해서는, 예측 인자별로 설명 변수 xi의 수를 늘려 예측 모델식을 제작하도록 설명하였으나, 각 예측 인자의 조합별로 예측 모델식을 준비하는 것도 당연히 가능하다. 이것에 의해, 전술한 바와 같이 특정 측정기가 고장났을 때의 용장성(冗長性)을 향상시킬 수 있다.
<제3 실시형태>
전술한 제1과 제2 실시형태에 관계되는 소음판정에 있어서는, 측정/분석 대상을 항공기 소음으로 하고, 주로 항공기의 소음의 신호에 대한 소음판정에 대해 설명하였다.
그러나, 자동차 소음이나 공장의 소음 등의 다른 소음원에 대해, 측정/분석 대상이 되는 특정 사상으로서 예측 모델식을 제작하면, 이들에도 적용 가능하다.
또한, 소음 이외에도, 진동에 대해서도, 철도 진동, 공장 진동, 공사 진동 등의 각종 진동에 대해서도, 측정/분석 대상의 예측 모델식을 제작하여 적용할 수 있다.
예를 들면, 공사 진동에 대해, 환경성의 고시「특정 건설작업에 수반하여 발생하는 소음의 규제에 관한 기준」에 대해(「http://www.env.go.jp/hourei/syousai.php?id=7000008」을 참조)라는 환경기준에 기초한 모델을 제작하여, 신호판정(이 경우는, 진동판정)을 행할 수 있다.
이 경우는, 예측 모델식에, 진동계의 시계열 데이터 등의 기지 데이터나 미지 데이터를 적용하는 것만으로, 전술한 제1과 제2 실시형태에 관계되는 소음판정과 완전히 동일하게 진동판정을 행할 수 있다. 그때, 당연히, 이 측정/분석 대상에 바람직한 설명 변수나 목적 변수를 사용하는 것이 필요하다.
또한, 본 발명의 제3 실시형태에 관계되는 신호판정시스템에서는, 복수의 측정/분석 대상과, 그 측정/분석 대상별로 예측 모델식을 전환하여 사용할 수 있다.
본 발명의 제3 실시형태에 관계되는 신호판정 시스템에 관해서는, 기기의 구성과 제어구성은, 도 1에 나타낸 제1 실시형태에 관계되는 소음판정시스템(X)과 동일하다.
그러나, 도 19를 참조해서 설명하면, 본 발명의 제3 실시형태에 관계되는 신호판정시스템의 서버(102)는, 각종 진동이나 소음에 관한 측정/분석 대상별로 예측 모델식이나 예측 모델식 산출에 사용하는 데이터를 취사 선택하기 위한, 복수 측정/분석 대상 선택부(180)를 구비하고 있다.
복수 측정/분석 대상 선택부는, www 브라우저 등을 탑재하고 있어, 네트워크(5)로부터 도시하지 않는 대조용 PC(퍼스널·컴퓨터)의 지시를 받으면, 측정/분석 대상을 변경할 수 있다. 또한, 타이머를 내장하고 있어, 소정 시간에는 항공기 소음을 측정/분석 대상으로 하고, 다른 시간에는 자동차 소음을 측정/분석 대상으로 하는 등의 어레인지를 행할 수 있다. 또한, 기억부(120)에 축적된 데이터에 대해, 다른 측정/분석 대상에 대한 신호판정을 행하는 것도 가능하다.
또한, 서버(102)는, 복수 접속한 센서(200-1~200-n)의 각 센서에 대해, 어느 예측 인자에 관계되는 신호를 취득할 지에 대해, 설정을 행할 수 있다.
이것에 의해, 동일한 시스템을 사용하여, 동일 지점의 다른 측정/분석 대상에 대한 신호판정을 행할 수 있다.
여기에서, 도 20a~도 20d를 참조하여, 측정/분석 대상별로, 소음판정이나 진동판정(신호판정)에 사용하기 위한 기지 데이터나 미지 데이터의 종류의 일례를, 각 측정/분석 대상별로 정리하여 나타낸다. 또한, 각 데이터의 설명과 예에 대해서도 나타낸다.
또한, 이들의 각 데이터는, 당연히, 제1 실시형태나 제2 실시형태에 관계되는 예측 모델식에 있어서도 사용할 수 있다. 단, 그 경우는, 예측 모델식의 측정/분석 대상별로 사용된다.
상기 측정/분석 대상이 항공기 소음인 경우는, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 소음 데이터, 최대 소음 레벨, 최대 소음 레벨 발생시각, 트랜스폰더 응답 전파 전계강도 레벨, 전파고도계 전파 전계강도 레벨, 기체 식별번호, 비행고도, 이착륙의 구별, 암소음 레벨, 단발 소음 폭로 레벨, 소음 계속시간, 음원 도래방향, 이동 음원 플래그, 주파수 특성, 음원 강도 레벨의 시계열 데이터, 음압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 도로교통 소음인 경우는, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 소음 데이터, 최대 소음 레벨, 최대 소음 레벨 발생시각, 통과속도, 암소음 레벨, 단발 소음 폭로 레벨, 소음 계속시간, 음원 도래방향, 이동 음원 플래그, 주파수 특성, 음원 강도 레벨의 시계열 데이터, 음압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압, 노면상황, 날씨 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 도로교통 진동인 경우는, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 진동 데이터, 최대 진동 레벨, 최대 진동 레벨 발생시각, 통과속도, 암진동 레벨, 단발 진동 폭로 레벨, 진동 계속시간, 진동원 도래방향, 이동 진동원 플래그, 주파수 특성, 진동원 강도 레벨의 시계열 데이터, 진동압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압, 노면상황, 날씨 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 철도 소음인 경우는, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 소음 데이터, 최대 소음 레벨, 최대 소음 레벨 발생시각, 전계강도 레벨, 통과속도, 상행·하행의 구별, 암소음 레벨, 단발 소음 폭로 레벨, 소음 계속시간, 음원 도래방향, 이동 음원 플래그, 주파수 특성, 음원 강도 레벨의 시계열 데이터, 음압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 철도 진동인 경우는, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 진동 데이터, 최대 진동 레벨, 최대 진동 레벨 발생시각, 전계강도 레벨, 통과속도, 상행·하행의 구별, 암진동 레벨, 단발 진동 폭로 레벨, 진동 계속시간, 진동원 도래방향, 이동 진동원 플래그, 주파수 특성, 진동원 강도 레벨의 시계열 데이터, 진동압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 사업장 소음, 공사 소음, 또는 기타 환경 소음이고, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 소음 데이터, 최대 소음 레벨, 최대 소음 레벨 발생시각, 암소음 레벨, 단발 소음 폭로 레벨, 소음 계속시간, 음원 도래방향, 이동 음원 플래그, 주파수 특성, 음원 강도 레벨의 시계열 데이터, 음압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압, 날씨 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
상기 측정/분석 대상이 사업장 진동 또는 공사 진동이고, 상기 측정/분석 대상의 모델은, 예를 들면, 시계열 진동 데이터, 최대 진동 레벨, 최대 진동 레벨 발생시각, 암진동 레벨, 단발 진동 폭로 레벨, 진동 계속시간, 진동원 도래방향, 이동 진동원 플래그, 주파수 특성, 진동원 강도 레벨의 시계열 데이터, 진동압 파형의 시계열 데이터, 풍향, 풍속, 온도, 습도, 대기압, 날씨 중 어느 하나의 속성에 관한 데이터를 사용하는 측정/분석 대상의 모델이어도 된다.
물론, 이들에 한정되지 않고, 각 측정/분석 대상을 특정하기 위해 관련된 데이터라면 무엇이든 사용할 수 있다.
이상과 같이 구성함으로써, 소음계 등, 복수의 측정/분석 대상에 대해 공통으로 사용되는 것을 구비한 센서(200-n)로부터의 신호를 사용하여, 복수의 측정/분석 대상에 대한 신호판정을 행할 수 있다.
이 때문에, 센서를 하나 설치하면, 동일 지점에서의 복수의 소음원에 대해 객관적으로 평가하는 것이 가능해진다.
이것에 의해, 소음원의 특정이나, 신체에 영향을 미치는 소음이나 진동의 종류에 대해, 보다 상세하게 분석하는 것이 가능해진다.
또한, 동일한 센서를 사용함으로써, 비용을 삭감할 수 있다.
또한, 예를 들면, 측정/분석 대상이 항공기 소음일 때에도, 자동차 소음용 센서(200-n)로부터의 신호를 사용할 수 있다.
즉, 원래 설치되어 있는 센서를, 그 상태로, 다른 신호판정에 사용하는 것도 가능하기 때문에, 비용을 삭감할 수 있다는 효과가 얻어진다.
또한, 항공기 소음이 측정/분석 대상이고, 그 예측 확률이 예를 들면 30~70%였을 때, 그 소음이 다른 측정/분석 대상(예를 들면, 자동차 소음)에 적용되는지에 대해, 다른 예측 모델식에 의해 산출한 확률값과의 비교 등을 행하는 등의 것이 가능해진다.
이 예의 경우는, 자동차 소음을 검출하는 센서는, 전계강도의 센서 등은 포함하고 있지 않기 때문에, 전술하는 바와 같이, 신호강도의 파형 데이터만을 사용하여 판정하는 것도 가능하다.
또한, 다른 종류의 시계열 데이터를 사용하여 신호의 판별을 한다는 문제 해결을 위해, 본 발명의 예측 모델이나 출력값의 산출방법을 사용할 수 있다.
예를 들면, 하수도의 수량의 변화로부터, 복수 있는 댐의 방출 타이밍을 아는 등의 용도로 사용할 수 있다.
또한, 이 신호강도의 경시변화에 관한 데이터, 시계열 데이터라면, 어떠한 것이라도 사용할 수 있다. 예를 들면, 수량의 변화와 같은 환경 데이터, 게놈 염기서열의 AT/GC 함유량의 변화나 단백질의 이차구조(α헬릭스도) 등의 생물 데이터, 재고 출하량의 변화나 주가의 변화와 같은 경제적 데이터 등도 사용할 수 있다.
그 경우에도, 「공시 데이터」와 「기지 데이터」의 시계열 데이터를 사용하여, 「미지 데이터」의 주로 종류나 특징을 특정하는 신호판정을 할 수 있다.
또한, 본 발명의 제1 또는 제2 실시형태에 있어서는, 로지스틱 회귀분석을 사용하는 예에 대해 설명하였으나, 이것에 한정되지 않고, 각종 논파라메트릭법이나 각종 시계열 해석수법 등의 통계 수법을 사용할 수 있다.
또한, 퍼셉트론이나 뉴럴 네트워크나 SVM(서포트·벡터·머신) 등의 인공지능적인 수법을 사용하여, 소음판정을 행하는 것도 가능하다.
그 경우는, 상이한 예측 모델과 학습 수법을 사용할 수 있다.
예를 들면, 3층 뉴럴 네트워크를 사용하는 경우에는, 전술한 설명 변수(x0~xn)의 값을 각각 제1층에 입력하고, 제2층의 숨김 레이어를 몇 개 준비하여, 제3층의 출력 레이어로부터 출력하도록 한다.
그 후, 각 레이어로부터의 입력에 대해, 예를 들면, 시그모이드 함수 등으로 「발화」(다음의 뉴런에 정보를 전파)시키는 구조로 할 수 있다.
출력 레이어로부터의 출력은 0~1의 값이 된다. 이 출력에 대해, 백·프러퍼게이션(오차 역전달법) 학습 등의 학습에 의해, 뉴런의 동작을 최적화할 수 있다.
이 학습이 종료된 3층 뉴럴 네트워크에 미지 음원 데이터를 적용하고, 제3층의 출력 레이어로부터 출력되는 출력값을 사용하여, 소음판정을 행할 수 있다.
이 뉴럴 네트워크로부터의 출력값은, 소정 값(예를 들면, 0.5) 이상의 경우는 측정/분석 대상, 예를 들면, 항공기의 소음 등이라고 판정할 수 있다.
이와 같은 출력값은, 통계적인 의미에서의 확률값은 아니다. 그러나, 본 발명에 있어서는, 「확률값」이란, 이와 같은 0~1의 값을 취하는 출력값에 대해서도 포함하는 것으로 한다.
또한, 출력값이 0~1 사이에 들어가지 않는 수법을 사용한 경우에는, 미식별 데이터를 입력했을 때의 출력값을 0.0~0.1에서 정규화하고, 이 정규화한 출력값의 값에 의해 소음판정을 행한다.
또한, 상기 실시형태의 구성 및 동작은 예로서, 본 발명의 취지를 벗어나지 않는 범위에서 적절히 변경하여 실행할 수 있는 것은 물론이다.
도면의 간단한 설명
도 1은 본 발명의 제1 실시형태에 관계되는 소음판정시스템(X)의 시스템 구성도이다.
도 2는 본 발명의 제1 실시형태에 관계되는 서버(100)의 제어 블록도이다.
도 3은 본 발명의 제1 실시형태에 관계되는 소음판정의 개략을 나타내는 개념도이다.
도 4는 본 발명의 제1 실시형태에 관계되는 예측 모델 제작의 플로차트이다.
도 5는 본 발명의 제1 실시형태에 관계되는 공시 데이터군 제작처리의 플로차트이다.
도 6은 본 발명의 제1 실시형태에 관계되는 클러스터 분석처리의 예를 나타내는 도면이다.
도 7은 본 발명의 제1 실시형태에 관계되는 항공기 소음의 공시 데이터군의 시계열 데이터의 그래프이다.
도 8은 본 발명의 제1 실시형태에 관계되는 항공기 소음 이외의 공시 데이터군의 시계열 데이터의 그래프이다.
도 9는 본 발명의 제1 실시형태에 관계되는 예측 모델식 제작처리의 플로차트이다.
도 10은 본 발명의 제1 실시형태에 관계되는 클래스 분류 더미 변수화의 개념도이다.
도 11은 본 발명의 제1 실시형태에 관계되는 확률값 산출처리의 플로차트이다.
도 12는 본 발명의 제1 실시형태에 관계되는 측정분석 결과예를 나타내는 표이다.
도 13은 본 발명의 제2 실시형태에 관계되는 서버(101)의 제어 블록도이다.
도 14는 본 발명의 제2 실시형태에 관계되는 예측 모델식군 제작의 플로차트이다.
도 15는 본 발명의 제2 실시형태에 관계되는 확률값 산출처리의 플로차트이다.
도 16은 본 발명의 제2 실시형태에 관계되는 오식별률을 나타내는 그래프이다.
도 17은 본 발명의 제2 실시형태에 관계되는 WECPNL의 예측값과 실측값의 차를 나타내는 그래프이다.
도 18은 본 발명의 제2 실시형태에 관계되는 측정분석 결과예를 나타내는 표이다.
도 19는 본 발명의 제3 실시형태에 관계되는 서버(102)의 제어 블록도이다.
도 20a는 본 발명의 제1~3의 실시형태에 관계되는 각 측정/분석 대상의 모델에 사용하는 기지 데이터 또는 미지 데이터의 종류를 나타내는 표(항공기 소음)이다.
도 20b는 본 발명의 제1~3의 실시형태에 관계되는 각 측정/분석 대상의 모델에 사용하는 기지 데이터 또는 미지 데이터의 종류를 나타내는 표(도로교통 소음, 도로교통 진동)이다.
도 20c는 본 발명의 제1~3의 실시형태에 관계되는 각 측정/분석 대상의 모델에 사용하는 기지 데이터 또는 미지 데이터의 종류를 나타내는 표(철도 소음, 철도 진동)이다.
도 20d는 본 발명의 제1~3의 실시형태에 관계되는 각 측정/분석 대상의 모델에 사용하는 기지 데이터 또는 미지 데이터의 종류를 나타내는 표(사업장·공사 소음, 환경 소음, 사업장·공사 진동)이다.
부호의 설명
5 네트워크
11~15, 21~26 공시 데이터
100, 101, 102 서버
110 입력부
120 기억부
130 예측 모델식 산출부
140 확률값 산출부
150 제어부
160 출력부
170 데이터 통합부
180 복수 측정/분석 대상 선택부
200-1~200-n 센서
X 소음판정시스템
Claims (19)
- 컴퓨터에 의해 소음분석 대상을 판정하는 신호판정방법으로서,
소음 또는 진동에 관계되는 측정분석 대상의 모델에, 측정분석 대상인지가 미지인 미지 데이터를 입력하고,
상기 측정분석 대상의 모델의 출력값을, 상기 미지 데이터가 측정분석 대상인지의 확률값으로서 얻는
것을 특징으로 하는 신호판정방법으로서,
상기 측정분석 대상의 모델은, 실측된 기지 데이터를 사용하여 제작하고,
상기 실측된 기지 데이터를 사용하여 상기 측정분석 대상의 모델을 예측 모델식 산출수단에 의해 제작하고,
상기 측정분석 대상의 모델을 사용한 출력값 산출수단에 의한 계산의 출력값을, 상기 미지 데이터가 측정분석 대상인지의 확률값으로서 얻고,
상기 측정분석 대상의 모델에 관계되는 예측 인자를 설명 변수로서 사용하는
것을 특징으로 하는 신호판정방법. - 제1항에 있어서,
상기 설명 변수 중, 최대 신호 레벨의 데이터 값 및 그 이외의 값을, 카테고리 분리하여, 상기 예측 모델식에 적용하고,
상기 카테고리 분류를 수치화하기 위하여, 더미 변수를 이용하며,
상기 더미 변수는, 상기 카테고리에 대응하는 기억부에 1을, 그 이외의 기억부에는 0을 대입하는
것을 특징으로 하는 신호판정방법. - 제1항에 있어서,
상기 측정분석 대상이, 생활환경에 관계되는 소음 또는 진동에 관련된 데이터를 이용하는 측정분석 대상의 모델이고,
제작된 소음 또는 진동에 관계되는 측정분석 대상의 모델에 미지 데이터를 입력하는
것을 특징으로 하는 신호판정방법. - 제1항에 있어서,
상기 측정분석 대상의 모델에 관계되는 예측 모델식에, 로지스틱 회귀식을 사용하고,
상기 로지스틱 회귀식은,
상기 측정분석 대상인지 여부를 목적 변수로서 사용하고,
상기 로지스틱 회귀식에, 상기 미지 데이터를 적용해서 입력하여, 확률값을 산출하는,
것을 특징으로 하는 신호판정방법. - 제2항에 있어서,
상기 측정분석 대상의 모델에 관계되는 예측 모델식에, 로지스틱 회귀식을 사용하고,
상기 로지스틱 회귀식은,
상기 측정분석 대상인지 여부를 목적 변수로서 사용하고,
상기 로지스틱 회귀식에, 상기 미지 데이터를 적용해서 입력하여, 확률값을 산출하는,
것을 특징으로 하는 신호판정방법. - 제5항에 있어서,
복수의 상기 미지 데이터와, 측정분석 대상이 되는 신호의 공시 데이터의 유사도를 사용하고, 상기 예측 모델식에 적용하여, 확률값을 산출하는
것을 특징으로 하는 신호판정방법. - 제5항에 있어서,
복수의 상기 미지 데이터와, 측정분석 대상이 아닌 신호의 공시 데이터의 비유사도를 사용하고, 상기 예측 모델식에 적용하여, 확률값을 산출하는
것을 특징으로 하는 신호판정방법. - 제6항에 있어서,
복수의 상기 미지 데이터와, 측정분석 대상이 아닌 신호의 공시 데이터의 비유사도를 사용하고, 상기 예측 모델식에 적용하여, 확률값을 산출하는
것을 특징으로 하는 신호판정방법. - 제8항에 있어서,
상기 측정분석 대상이 아닌 신호의 공시 데이터는, 사전에 상기 측정분석 대상의 신호로 특정되고, 또한, 잘못하여 상기 측정분석 대상으로 판정된 경우에 평가량에 영향을 미치는 종류의 데이터를 사용하는
것을 특징으로 하는 신호판정방법. - 제6항에 있어서,
상기 공시 데이터는, 샘플링된 소정 기간의 시계열 데이터로부터 통계적인 수법을 사용하여 제작하는,
것을 특징으로 하는 신호판정방법. - 제5항에 있어서,
실측된 기지 데이터를 사용하여, 상기 로지스틱 회귀식의 설명 변수의 계수를 구함으로써, 측정분석 대상의 모델식을 제작하는
것을 특징으로 하는 신호판정방법. - 제5항에 있어서,
추가적으로 상기 예측 모델의 예측 모델식이나 설명 변수의 검정이나 타당성의 검토나 검정을 행하는
것을 특징으로 하는 신호판정방법. - 제5항에 있어서,
상기 기지 데이터를 축적하여, 축적된 데이터를 토대로 상기 예측 모델식을 다시 제작하는
것을 특징으로 하는 신호판정방법. - 제1항에 있어서,
복수의 측정분석 대상을 전환하고, 그 전환한 측정분석 대상용 상기 예측 모델식에 상기 미지 데이터를 적용하여, 그 전환한 측정분석 대상인지의 확률값을 얻는
것을 특징으로 하는 신호판정방법. - 제1항에 있어서,
복수의 상기 측정분석 대상의 모델을 구비하고, 일부의 데이터를 취득하지 않는 경우에는, 복수의 상기 측정분석 대상의 모델 중 그 데이터를 적용하지 않는 상기 측정분석 대상의 모델을 사용하는
것을 특징으로 하는 신호판정방법. - 제1항 내지 제15항 중 어느 한 항의 신호판정방법을 실행하기 위한 프로그램을 기록한 기록매체.
- 소음 또는 진동에 관계되는 측정분석 대상의 모델의 예측식과, 기지 데이터와, 미지 데이터와, 판정 대상이 되는 신호의 공시 데이터와, 판정 대상이 아닌 신호의 공시 데이터를 기억하는 기억수단과,
상기 기지 데이터와, 측정분석 대상이 되는 신호의 공시 데이터, 측정분석 대상이 아닌 신호의 공시 데이터, 또는 측정분석 대상이 되는 신호의 공시 데이터 및 측정분석 대상이 아닌 신호의 공시 데이터의, 유사도 또는 비유사도를 사용하여, 설명 변수의 계수를 구하여 예측 모델식을 제작하는 예측 모델식 산출수단과,
상기 기억수단에 입력하는 값을 입력하는 입력수단과,
상기 측정분석 대상의 모델의 상기 예측 모델식에, 상기 미지 데이터의 각 값을 적용하여 계산하는 출력값 산출수단과,
상기 출력값을 출력하는 출력수단과,
상기 출력값에 의해, 상기 미지 데이터의 종류의 측정, 분석, 또는 측정 및 분석을 행하는 판정수단
을 구비하는 것을 특징으로 하는 신호판정장치. - 제17항에 있어서,
상기 기억수단은, 상기 설명 변수를 추가했을 때, 복수의 상기 예측 모델식을 기억하는 기억수단으로,
복수의 상기 예측 모델식의 출력값을 통합하는 데이터 통합수단을 추가적으로 구비하며,
상기 출력값 산출수단은, 상기 설명 변수에 관한 데이터를 상기 데이터 통합수단에 의해 복수의 상기 예측 모델식에 적용하여 계산하는
것을 특징으로 하는 신호판정장치. - 제17항 또는 제18항의 신호판정장치와,
상기 미지 데이터를 상기 입력수단에 송신하는 센서
를 구비하는 것을 특징으로 하는 신호판정시스템.
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/JP2008/058825 WO2009139052A1 (ja) | 2008-05-14 | 2008-05-14 | 信号判定方法、信号判定装置、プログラム、信号判定システム |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20110013390A KR20110013390A (ko) | 2011-02-09 |
KR101493552B1 true KR101493552B1 (ko) | 2015-02-13 |
Family
ID=41318435
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020107025205A KR101493552B1 (ko) | 2008-05-14 | 2008-05-14 | 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템 |
Country Status (5)
Country | Link |
---|---|
US (1) | US8712740B2 (ko) |
JP (1) | JP5145417B2 (ko) |
KR (1) | KR101493552B1 (ko) |
CN (1) | CN102027338B (ko) |
WO (1) | WO2009139052A1 (ko) |
Families Citing this family (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5678620B2 (ja) * | 2010-12-03 | 2015-03-04 | 株式会社日立製作所 | データ処理方法、データ処理システム、及びデータ処理装置 |
US8990217B2 (en) * | 2011-07-13 | 2015-03-24 | International Business Machines Corporation | Lossless compression of high nominal-range data |
GB201204925D0 (en) * | 2012-01-24 | 2012-05-02 | Airbus Operations Ltd | System and method for providing an aircraft noise advisory during departure and arrival of an aircraft |
US9805143B2 (en) | 2013-01-25 | 2017-10-31 | International Business Machines Corporation | Composite simulation modeling and analysis |
US9607067B2 (en) * | 2013-01-25 | 2017-03-28 | International Business Machines Corporation | Synchronization of time between different simulation models |
US9201989B2 (en) * | 2013-01-25 | 2015-12-01 | Globalfoundries Inc. | Interpolation techniques used for time alignment of multiple simulation models |
CN103337248B (zh) * | 2013-05-17 | 2015-07-29 | 南京航空航天大学 | 一种基于时间序列核聚类的机场噪声事件识别方法 |
GB201510032D0 (en) * | 2015-06-09 | 2015-07-22 | Kp Acoustics Ltd | Integrated sensor system |
JP6599727B2 (ja) * | 2015-10-26 | 2019-10-30 | 株式会社Screenホールディングス | 時系列データ処理方法、時系列データ処理プログラム、および、時系列データ処理装置 |
US10565513B2 (en) * | 2016-09-19 | 2020-02-18 | Applied Materials, Inc. | Time-series fault detection, fault classification, and transition analysis using a K-nearest-neighbor and logistic regression approach |
JP6740157B2 (ja) * | 2017-03-13 | 2020-08-12 | 株式会社東芝 | 解析装置、解析方法、及び、プログラム |
CN108133706B (zh) * | 2017-12-21 | 2020-10-27 | 深圳市沃特沃德股份有限公司 | 语义识别方法及装置 |
CN108021772B (zh) * | 2017-12-26 | 2020-04-24 | 南京航空航天大学 | 一种基于射流的降低旋翼噪声的方法及系统 |
JP2019191851A (ja) * | 2018-04-24 | 2019-10-31 | 株式会社日立製作所 | 振動騒音対策プラン推奨システム |
US11120694B2 (en) * | 2018-12-19 | 2021-09-14 | Honeywell International Inc. | Systems and methods for providing thrust guidance related to flight path angle |
JP7502849B2 (ja) * | 2019-01-23 | 2024-06-19 | オムロン株式会社 | 動作分析装置、動作分析方法、動作分析プログラム及び動作分析システム |
CN109816173B (zh) * | 2019-01-30 | 2023-06-02 | 华强方特文化科技集团股份有限公司 | 一种基于区间用时的滑行类载人游乐设备数据预测方法 |
JP2020160680A (ja) * | 2019-03-26 | 2020-10-01 | キヤノン株式会社 | 電子機器、電子機器を制御するための制御方法、コンピュータプログラム及び記憶媒体 |
CN111461438B (zh) * | 2020-04-01 | 2024-01-05 | 中国人民解放军空军93114部队 | 一种信号检测方法、装置、电子设备和存储介质 |
CN112348270B (zh) * | 2020-11-12 | 2021-12-03 | 国网山东省电力公司聊城市茌平区供电公司 | 一种异常用电客户检测方法及装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287010A (ja) * | 2003-03-20 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | 波形認識方法及び装置、並びにプログラム |
JP2007086703A (ja) * | 2005-09-19 | 2007-04-05 | Research Organization Of Information & Systems | 音声認識装置及び音声認識方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP3283024B2 (ja) | 1999-12-07 | 2002-05-20 | 京都府 | 騒音測定管理システム及び該システム用記録媒体 |
CN1320372C (zh) * | 2004-11-25 | 2007-06-06 | 上海交通大学 | 基于小波域的水声噪声的检测与识别方法 |
CN101598809A (zh) * | 2008-06-04 | 2009-12-09 | 中国石油天然气集团公司 | 一种自适应消除线性规则噪声以及多次波干扰的方法 |
-
2008
- 2008-05-14 JP JP2010511815A patent/JP5145417B2/ja active Active
- 2008-05-14 WO PCT/JP2008/058825 patent/WO2009139052A1/ja active Application Filing
- 2008-05-14 US US12/992,382 patent/US8712740B2/en not_active Expired - Fee Related
- 2008-05-14 KR KR1020107025205A patent/KR101493552B1/ko active IP Right Grant
- 2008-05-14 CN CN2008801291717A patent/CN102027338B/zh not_active Expired - Fee Related
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2004287010A (ja) * | 2003-03-20 | 2004-10-14 | National Institute Of Advanced Industrial & Technology | 波形認識方法及び装置、並びにプログラム |
JP2007086703A (ja) * | 2005-09-19 | 2007-04-05 | Research Organization Of Information & Systems | 音声認識装置及び音声認識方法 |
Also Published As
Publication number | Publication date |
---|---|
US8712740B2 (en) | 2014-04-29 |
KR20110013390A (ko) | 2011-02-09 |
JP5145417B2 (ja) | 2013-02-20 |
WO2009139052A1 (ja) | 2009-11-19 |
CN102027338A (zh) | 2011-04-20 |
JPWO2009139052A1 (ja) | 2011-09-15 |
CN102027338B (zh) | 2013-06-19 |
US20110066411A1 (en) | 2011-03-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR101493552B1 (ko) | 신호판정방법, 신호판정장치, 프로그램, 신호판정시스템 | |
Maijala et al. | Environmental noise monitoring using source classification in sensors | |
Knight et al. | Recommendations for acoustic recognizer performance assessment with application to five common automated signal recognition programs | |
Chen et al. | Semi-automatic classification of bird vocalizations using spectral peak tracks | |
CN108900725B (zh) | 一种声纹识别方法、装置、终端设备及存储介质 | |
CN102163427B (zh) | 一种基于环境模型的音频异常事件检测方法 | |
CA2125095C (en) | Automated intelligent monitoring system | |
CN109034046B (zh) | 一种基于声学检测的电能表内异物自动识别方法 | |
CN101976564A (zh) | 昆虫声音识别方法 | |
WO2012003523A1 (en) | Emotional and/or psychiatric state detection | |
Venter et al. | Automatic detection of African elephant (Loxodonta africana) infrasonic vocalisations from recordings | |
US8990081B2 (en) | Method of analysing an audio signal | |
CN114373452A (zh) | 基于深度学习的嗓音异常识别和评价的方法及系统 | |
CN112331208B (zh) | 人身安全监控方法、装置、电子设备和存储介质 | |
CN116978408B (zh) | 基于语音预训练模型的抑郁症检测方法及系统 | |
CN113963719A (zh) | 基于深度学习的声音分类方法和装置、存储介质和计算机 | |
Xie et al. | Acoustic feature extraction using perceptual wavelet packet decomposition for frog call classification | |
Maniak et al. | Automated sound signalling device quality assurance tool for embedded industrial control applications | |
CN116230018A (zh) | 一种用于语音合成系统的合成语音质量评估方法 | |
CN111599345B (zh) | 语音识别算法评估方法、系统、移动终端及存储介质 | |
Clink et al. | GIBBONFINDR: An R package for the detection and classification of acoustic signals | |
CN115223584A (zh) | 音频数据处理方法、装置、设备及存储介质 | |
Kanrar | Robust threshold selection for environment specific voice in speaker recognition | |
CN116092519A (zh) | 车辆故障检测方法及系统 | |
Estrebou et al. | Voice recognition based on probabilistic SOM |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
FPAY | Annual fee payment |
Payment date: 20180202 Year of fee payment: 4 |
|
FPAY | Annual fee payment |
Payment date: 20190201 Year of fee payment: 5 |