【技术实现步骤摘要】
本专利技术属于环境噪声监测领域，具体涉及基于贝叶斯推理的环境噪声源定位及分类方法。
技术介绍
1、当前，随着环境噪声的复杂性逐年提高，现有噪声源定位与识别分类技术，在面临复杂的环境噪声时，可能会存在误判噪声超标的问题，或仅能提供噪声强度而无法进一步分类噪声源的具体种类和位置；此外，现有的噪声定位及识别分类技术多是独立的，即定位和识别分类没有关联性，在某种程度上会导致噪声源分类准确率较低。
技术实现思路
1、针对现有技术中存在的上述问题，本专利技术提出了基于贝叶斯推理的环境噪声源定位及分类方法，设计合理，解决了现有技术的不足，具有良好的效果。
2、本专利技术的技术方案如下所示：
3、基于贝叶斯推理的环境噪声源定位及分类方法，包括以下步骤：
4、s1、设定动态噪声阈值；
5、s2、通过噪声时频域联合检测噪声是否超标；
6、s3、采用球形声学阵列进行噪声源定位；
7、s4、基于噪声目标分类网络进行噪声源的识别分类，得到各个噪声类别的概率；
8、s5、基于贝叶斯推理将s3的定位结果和s4的分类结果进行融合，得到最终的噪声分类结果。
9、进一步地，所述s1具体为：
10、首先在时间窗口[t,t+δt]内，采集噪声信号x(t)；将该噪声信号分割成n个帧，每帧长度为l；
11、计算每一帧的能量值为：
12、
13、其中，en为第n帧的能量值，xn(i)为
14、计算平均能量值e为：
15、
16、计算标准差σe为：
17、
18、设定动态噪声阈值t为：
19、
20、其中，k为调节系数。
21、进一步地，所述s2包括以下子步骤：
22、s2.1、首先进行初步检测，使用时域能量检测筛选出可能的超标音频帧，具体为：
23、将连续的声信号b(t)以帧长l和帧移r进行分割，得到一系列帧bn(i)，其中n为帧序号，bn(i)为第n帧的第i个采样点的值；
24、对每一帧bn(i)乘以窗函数ω(i)，表达式为：
25、cn(i)＝bn(i)*ω(i)； (5)
26、其中，cn(i)为加窗后的信号；
27、计算短时能量e′n为：
28、
29、对短时能量进行一阶递归平滑，表达式为：
30、
31、其中，为平滑后的短时能量，α为常数，0<α<1；
32、若则继续执行频域能量检测，若则判定噪声正常；
33、s2.2、频域能量检测具体为：
34、对符合的每一帧进行快速傅里叶变换，得到频谱xn(k)，计算频谱幅值为：
35、
36、其中，xn(k)为第n帧的频谱，|xn(k)|为第n帧的频谱幅值；
37、计算频谱能量，对噪声目标频率范围[k1,k2]进行能量累加，表达式为：
38、
39、其中，为第n帧的频谱能量；
40、若则判定当前噪声超标，若则判定噪声正常。
41、进一步地，所述s3包括以下子步骤：
42、s31、在半径为r的球面上均匀分布m个麦克风，构成球形声学阵列结构，以阵列中心为原点，建立三维直角坐标系(x,y,z)和对应的球坐标系其中r为径向距离；θ为方位角，取值范围为[0,2π)；为俯仰角，取值范围为[0,π)；
43、设声源位于未知位置ps＝(xs,ys,zs)，第m个麦克风的位置为pm＝(xm,ym,zm)，则声源到第m个麦克风的距离dm为：
44、dm＝‖ps-pm‖；(10)
45、第m个麦克风接收到的信号xm(t)为：
46、xm(t)＝ams(t-τm)+nm(t)；(11)
47、其中，am为衰减系数，dm为声源信号与麦克风之间的距离；s(t-τm)为源信号经过传播时延τm后到达第m个麦克风的信号，c为声速，nm(t)为第m个麦克风的噪声；
48、s32、进行时差估计，首先选定一个麦克风为参考麦克风，记参考麦克风为第m0个麦克风，计算第m个麦克风与参考麦克风接收信号的互相关函数为：
49、
50、计算互相关函数的最大值对应的时延，即为相对时差表达式为：
51、
52、构建时差矩阵，每个麦克风与参考麦克风构成一个麦克风对，收集所有麦克风对的时差，形成时差矩阵δτ；
53、s33、时差与距离差之间的关系为：
54、
55、对于每个麦克风对，建立以下方程：
56、
57、其中，m＝1,2,…,m且m≠m0；构建非线性方程组；
58、最后采用线性化方法进行位置估计，对于远场近似，假设声源距离远大于球形声学阵列结构的直径，将非线性方程组线性化，使用最小二乘法求解声源位置ps；
59、声源位置向量为：
60、d＝ps-p0；(17)
61、其中，p0为阵列中心位置，通常为原点；
62、方位角θ为：θ＝arctan2(dy,dx)，其中dx,dy分别为d的x和y分量；
63、俯仰角为：其中dz为d的z分量。
64、进一步地，构建包含多种噪声类别的训练集，利用训练集对噪声目标识别分类网络进行训练和测试，
65、所述噪声目标识别分类网络包括输入层、预处理层、特征提取层、序列建模层、全连接单元和输出层；
66、所述输入层输入为经过噪声时频域联合检测后判定的噪声超标的信号q(t)，设长度尺寸为(fn,1)，其中fn为音频信号的采样点数；
67、所述预处理层对音频信号进行去噪和归一化处理，通过梅尔频率倒谱系数将时间域信号转换为倒谱特征；
68、所述特征提取层依次包括卷积层1、最大池化层1、卷积层2、最大池化层2、残差块1和残差块2；
69、所述卷积层1为1d卷积层，包含64个滤波器，卷积核大小为3，激活函数为relu；
70、所述最大池化层1和最大池化层2的大小均为2；
71、所述卷积层2为1d卷积层，包含128个滤波器，卷积核大小为3，激活函数为relu；
72、所述残差块1包括卷积层3和卷积层4，所述卷积层3和卷积层4为1d卷积层，包含256个滤波器，卷积核大小为3，激活函数为relu；
73、所述残差块2包括卷积层5和卷积层6，所述卷积层5和卷积层6为1d卷积层，包含512个滤波器，卷积核大小为3，激活函数为relu；
74、所述序列建模层包括双向lstm层1和双向lstm层2，所述双向lstm层1包括128本文档来自技高网...
【技术保护点】
1.基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述S1具体为：
3.根据权利要求2所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述S2包括以下子步骤：
4.根据权利要求3所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述S3包括以下子步骤：
5.根据权利要求4所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，构建包含多种噪声类别的训练集，利用训练集对噪声目标识别分类网络进行训练和测试，
6.根据权利要求5所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述S5包括以下子步骤：
【技术特征摘要】
1.基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述s1具体为：
3.根据权利要求2所述的基于贝叶斯推理的环境噪声源定位及分类方法，其特征在于，所述s2包括以下子步骤：
4.根据权利要求3所述的基于贝叶斯推理的...
【专利技术属性】
技术研发人员：卢涛，于繁千惠，毕研庚，成林全，王太浩，杨崇新，铁小鹏，田相芸，于凯，刘小龙，刘霞，张林林，白彬，
申请(专利权)人：青岛明德环保仪器有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。