【技術實現步驟摘要】
本專利技術涉及聲音識別。更具體地，本專利技術涉及環境噪聲污染智能實時識別與定位監測系統及方法。
技術介紹
1、環境監測自動化已成為環境監測的主要技術手段，這也對環境監測信息化工作提出了更高要求。同時，環境質量領域，尤其是環境噪聲問題也愈加凸顯。噪聲污染來源復雜，源頭類型多樣，針對工業噪聲、建筑工地施工噪聲、交通噪聲、社會生活噪聲不同類來源。噪聲事件發生之后，噪聲分類若無法盡快準確判定，會影響通知責任部門處理進程。
2、相關技術中，例如公開號為cn109767785a的中國專利申請文件，公開了一種基于卷積神經網絡的環境噪聲識別分類方法，公開了將聲音片段輸入，聲音特征信息（頻率）被提取，輸出的是分類結果，可以實現自動提取聲音特征信息，并克服了現有傅立葉變換不能反映時間維度局部區域上的特征，缺少時間信息的標號不足的問題。
3、基于上述神經網絡的噪聲分類算法，對于目前的神經網絡的噪聲分類算法的分類結果的準確率存在偏差，因為對聲音提取中只采用了頻率特征進行識別，但對于一些噪聲來說，只靠頻率特征進行分類會存在部分難以界定的噪聲，從而導致使用神經網絡分類結果的準確性出現偏差。
技術實現思路
1、本專利技術提供一種環境噪聲污染智能實時識別與定位監測系統及方法，旨在解決相關技術中對于一些噪聲來說，只靠頻率特征進行分類會存在部分難以界定的噪聲，從而導致使用神經網絡分類結果的準確性出現偏差的問題。
2、在第一方面中，本專利技術提供了環境噪聲污染智能實時識別與定位監測方
3、其效果在于：根據目標音頻數據與歷史數據中各個類型標簽對應的特征向量和響度，采用了音頻的另一特性（響度），計算目標音頻數據所屬的各個類型標簽的第二概率值。然后通過對第一概率值和第二概率值進行加權求和得到第三概率值，考慮到了音頻本身較多的因素對聲音分類的影響，進而提高了對噪聲的分類結果準確性。
4、在一實施例中，得到所述第幀音頻數據所屬的各個類型標簽的第一概率值，包括：將所述對數梅爾頻譜圖和波譜圖輸入訓練好的cnn網絡分類模型中，輸出為所述第幀音頻數據所屬的各個類型標簽的第一概率值。
5、其效果在于，采用cnn網絡分類模型，能夠自動學習和提取數據中的特征，可以有效地捕獲圖像、音頻等數據中的空間和時間特征，提高分類效率。
6、在一實施例中，得到第幀音頻數據的特征向量，包括：在訓練好的cnn網絡分類模型中獲取數梅爾頻譜圖對應的第一特征圖和波譜圖對應的第二特征圖，根據所述第一特征圖和第二特征圖提取出特征向量。
7、其效果在于：采用cnn網絡分類模型本身的計算過程，可以快速獲取特征向量。
8、在一實施例中，得到所述第幀音頻數據對應各個類型標簽的第二概率值，包括：；其中，表示所述第幀音頻數據屬于第類型標簽的第二概率值，表示所述第幀音頻數據與第類型標簽之間的偏差值，表示所述第幀音頻數據與第一類型標簽之間的偏差距離值。
9、其效果在于：通過該技術手段，能夠不通過cnn網絡分類模型的分類結果，但采用音頻的響度特征，得到第幀音頻數據與各個類型標簽的第二概率值。
10、在一實施例中，所述第三概率值的計算公式為：；其中，表示所述第幀音頻數據屬于第類型標簽的第三概率值，表示cnn網絡分類模型分類得到的第一概率值對應的權重，表示所述第幀音頻數據經過cnn網絡分類模型分類后屬于第類型標簽的第一概率值，表示所述第幀音頻數據屬于第類型標簽的第二概率值。
11、其效果在于：結合兩種分類器的分類結果，并采用加權的方式對第一概率值和第二概率值進行處理，使得最后分類的結果更加準確。
12、在一實施例中，包括：采用所述cnn網絡分類模型分類得到的第一概率值對應的權重的值為0.8。
13、在一實施例中，按照各個類型標簽的第三概率值的大小，確定所述第幀音頻數據所屬的類型標簽，包括：統計所述第幀音頻數據對應的各個類型標簽的第三概率值；將每個類型標簽的第三概率值按大小排列，將最大的第三概率值對應的類型標簽標識為所述第幀音頻數據的類型標簽。
14、其效果在于：采用對各個類型標簽的第三概率值按大小排列，便于對數據進行運算，提高了處理數據的效率。
15、在一實施例中，對所述偏差距離值進行歸一化處理，得到第二概率值，包括：對所述第幀音頻數據與各個類型標簽之間的偏差距離值進行歸一化處理，得到所述第幀音頻數據對應各個類型標簽的第二概率值；其效果在于：對偏差距離值進行歸一化處理，可以消除由于量綱和單位差異所帶來的影響，并便于對數據進行分析和處理。
16、本專利技術第二方面，還提供了一種環境噪聲污染智能實時識別與定位監測系統，包括處理器和存儲器，所述存儲器存儲有計算機程序，所述處理器執行所述計算機程序以實現以上任一項所述的環境噪聲污染智能實時識別與定位監測方法。
17、本專利技術的有益效果
18、（一）通過訓練好的cnn網絡分類模型，并利用音頻的特征向量（頻率）得到目標音頻數據所屬的各個類型標簽的第一概率值，而采用cnn網絡分類模型，能夠自動學習和提取數據中的特征，可以有效地捕獲圖像、音頻等數據中的空間和時間特征，提高分類效率。
19、（二）根據目標音頻數據與歷史數據中各個類型標簽對應的特征向量和其它的音頻特性（響度）進行分類，利用多個音頻本身具有的因素，對噪聲進行分類，從而提高分類結果的準確性。
20、（三）由于計算第二概率值中的部分數據來自于網絡分類模型中，因此根據此特性合理的賦予第一概率值和第二概率值相應的權重，進而通過兩個分類器的分類結果并加權求和，得到第三概率值，通過加權求和的方式，使得計算出的第三概率值更準確，因此本專利技術考慮到了音頻本身較多的因素對其分類的影響，并采用兩種分類器的分類結果，并賦予對應的權重，使得最終計算的第三概率值更加準確，因此提高了對噪聲的分類結果得準確性。
本文檔來自技高網...【技術保護點】
1.一種環境噪聲污染智能實時識別與定位監測方法，其特征在于，包括：
2.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到所述第幀音頻數據所屬的各個類型標簽的第一概率值，包括：
3.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到第幀音頻數據的特征向量，包括：
4.根據權利要求3所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到所述第幀音頻數據對應各個類型標簽的第二概率值，包括：
5.根據權利要求4所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，所述第三概率值的計算公式為：
6.根據權利要求5所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，包括：
7.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，按照各個類型標簽的第三概率值的大小，確定所述第幀音頻數據所屬的類型標簽，包括：
8.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，對所述偏差距離值進行歸一化處理，得到第
9.一種環境噪聲污染智能實時識別與定位監測系統，包括處理器和存儲器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執行所述計算機程序以實現如權利要求1-8任一項所述的環境噪聲污染智能實時識別與定位監測方法。
...【技術特征摘要】
1.一種環境噪聲污染智能實時識別與定位監測方法，其特征在于，包括：
2.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到所述第幀音頻數據所屬的各個類型標簽的第一概率值，包括：
3.根據權利要求1所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到第幀音頻數據的特征向量，包括：
4.根據權利要求3所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，得到所述第幀音頻數據對應各個類型標簽的第二概率值，包括：
5.根據權利要求4所述的環境噪聲污染智能實時識別與定位監測方法，其特征在于，所述第三概率值的計算公式為：
6...
【專利技術屬性】
技術研發人員：呂文杰，丁曉曉，黃廣，付志明，井傳發，李虹杰，
申請(專利權)人：武漢天虹環保產業股份有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。