CN110362789B - 一种基于gpr模型的自适应声掩蔽***及方法 - Google Patents

Abstract

本发明涉及一种基于GPR模型的自适应声掩蔽***及方法，***包括由各种间歇性的虫类鸣叫声、鸟类鸣叫声以及水流声等自然声构成的掩蔽声数据库、由高斯过程回归算法建模的声满意度代理模型以及基于数据库和代理模型建立的自适应掩蔽声筛选子***，其功能是针对不同的中低频背景噪声，基于统一的声满意度代理模型，在数据库中筛选出最优的掩蔽声，同时得到对应的组合声及其满意度值，该***对各种中低频噪声环境均达到良好的声掩蔽效果。与现有技术相比，本发明首次将人工智能方法应用于声掩蔽技术，并构建了一个完整的自适应声掩蔽***，提升了声掩蔽技术的可行性和普适性，并且节省了掩蔽声筛选时间，降低了传统声掩蔽技术中依靠人工调整的成本。

Description

一种基于GPR模型的自适应声掩蔽***及方法

技术领域

本发明涉及环境噪声控制技术领域，尤其是涉及一种基于GPR模型的自适应声掩蔽***及方法。

背景技术

随着城市化高速发展，环境噪声污染问题越来越被公众关注。传统降噪技术集中在声源降噪、传播途径过程的吸隔声以及噪声接受者环境的隔声处理，一定程度上降低了城市环境噪声声级，改善了居民的生活环境。但是，由于传统降噪措施在交通噪声和固定设备噪声治理中的局限性以及中低频噪声不易衰减的特性，城市环境噪声常以中低频特征为主，特别在密集型城市出现声级达标但仍扰民的问题。在对城市主干道沿线居住小区腹地及城市公共绿地区域内噪声进行跟踪监测发现，该类区域的声级水平大多维持在55-60dBA的稳态水平，然而公众身处如此环境，满意度仍然偏低，声级更高的区域满意度则更低。

近年来研究发现，公众对声环境的满意度不单单取决于声压级，令人愉悦的声音即使声压级较高，也能够提高人对声环境的满意度。实际上，这是心理声学在环境声学中的应用。有研究发现，水声(如喷泉、流水等)以及鸟鸣声等有助于改善交通噪声带来的烦恼。因此，研究者们开始考虑利用声掩蔽技术来改善公众对其所处声环境的满意度，该方法具有良好的应用前景和市场需求。目前，关于声掩蔽方法的环境噪声控制技术还停留在起步阶段，***的声掩蔽方法的相关专利尚未见报道。当前唯一较为完整的声掩蔽方法是环境科学研究院在2018年研究的“一种基于声掩蔽提高声环境满意度的方法”，其主要功能是针对环境背景噪声的个体有效特征，人工选择具有相同有效特征的自然声，再通过人工迭代调整该自然声的对应有效特征值得到最优掩蔽声。该方法没有确定出各背景声的统一有效特征，更没有建立出一个统一的依赖于有效特征参量声满意度模型，并且，对于最优掩蔽声的选择和调整还停留在人工试验的阶段。事实上，由于影响满意度的特征参数众多，声满意度模型是一个复杂的高维、非线性***，研究者们难以辨识出该复杂***的内在物理机制，因此，传统的声掩蔽技术最大的难点就在于声满意度机理模型的建立。

当前人工智能技术已经被广泛的应用于互联网、工业、农业、交通等等各个领域，均取得优越的成效。近年来，在环境领域也逐渐引起研究者的高度关注。在环境噪声控制领域，研究者们纷纷开始尝试将人工智能技术应用于传统噪声控制方法。事实上，利用人工智能技术中的大数据技术可以很好的解决传统噪声技术中机理特性难以得到的问题。因此，将人工智能技术应用于声掩蔽方法，利用人工智能方法中数据库、代理模型以及免疫记忆机制，建立一个具有普适性的提高声环境满意度的自适应声掩蔽***，能够将传统方法一直难以实现的声掩蔽技术构建成一个完整可行的声掩蔽***，提升声掩蔽技术的可行性和实用性，并且避免声掩蔽技术的人工成本和降低时间耗费。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于GPR模型的自适应声掩蔽***及方法，该***结合数据库技术和代理模型方法，能够提升声掩蔽技术的可行性和普适性，并降低该技术实施的人工和时间成本。

本发明的创新点是确定了声环境满意度的有效特征，采集足量的自然声样本构建掩蔽声数据库，利用代理模型近似普适的声满意度模型，将免疫***中的记忆机制引入掩蔽声筛选子***。它可以直接基于满意度代理模型在掩蔽声数据库中搜索最优的掩蔽声，同时产生该掩蔽响应行为的记忆细胞，使得***下次对重复背景声能够直接掩蔽。该发明有效地提高了声掩蔽技术的可行性和实用性，并大程度地节省了依靠人工迭代掩蔽声所产生的大量的成本和时间耗费。

本发明的目的可以通过以下技术方案来实现：

一种基于GPR模型的自适应声掩蔽***，该***由掩蔽声数据库、声满意度代理模型以及自适应掩蔽声筛选子***建立而成，所述掩蔽声数据库由大量的间歇性的虫类鸣叫声、鸟类鸣叫声、水流声和其他多种自然声构成，所述声满意度代理模型由高斯过程回归算法建模构成，所述自适应掩蔽声筛选子***是基于所述掩蔽声数据库和所述声满意度代理模型，并引入免疫记忆机制建立而成。

本发明还提供了一种针对所述的一种基于GPR模型的自适应声掩蔽***的构建方法，该方法包括以下步骤：

步骤1：采集背景声样本和自然声样本并利用采集的样本数据建立掩蔽声数据库；

步骤2：利用GPR模型回归组合声满意度代理模型；

步骤3：基于声满意度代理模型在掩蔽声数据库上构建自适应掩蔽声筛选子***。

进一步地，所述步骤1包括以下分步骤：

步骤11：采集不同场景、季节和时段的环境背景声样本，通过主观评价实验得到背景噪声的基本特征，并利用主成分分析法得到影响声环境满意度的有效特征参量；

步骤12：根据有效特征参量采集间歇性的虫类鸣叫声、鸟类鸣叫声、水流声和其他多种自然声的数据，利用采集的自然声数据及其对应的有效特征参量值建立掩蔽声数据库。

进一步地，所述步骤11中的有效特征参量指影响背景声满意度的主要特征，它们由噪声的基本物理特征A声级、特征频率声压级、响度、粗糙度、锐度、抖晃度和音调度等经过主成分分析得到。

进一步地，所述步骤2包括以下分步骤：

步骤21：采取均匀采样方法在掩蔽声数据库中采集足量的掩蔽声样本；

步骤22：将采集的环境背景声样本与掩蔽声样本组合得到组合声样本，并得到组合声的有效特征参量值；

步骤23：对组合声样本中的所有组合声进行满意度主观评价试验并得到对应的满意度观测值；

步骤24：将组合声样本中的所有组合声和对应的满意度观测值作为训练样本；

步骤25：考虑组合声满意度代理模型，并采用高斯过程回归算法建模该代理模型。

进一步地，所述步骤24中的代理模型，其描述公式为：

式中，组合声样本表示由组合声有效特征量构成的d维输入变量，表示潜在(真实)满意度函数，y(·)表示对应于组合声样本/>的满意度观测函数，随机偏差变量ε表示真实声满意度值受不同个体主观差异的影响。

进一步地，所述步骤25中的高斯过程回归算法，其预测公式为：

式中，分别表示任一组合声/>的满意度的预测值和预测方差，表示满意度观测向量，K_*,mn、K_mn和K_**均表示函数协方差矩阵，/>表示偏差协方差矩阵，Ι_mn表示mn级单位矩阵。

进一步地，所述步骤3包括以下分步骤：

步骤31：识别新到来的背景声并同时激活记忆细胞；

步骤32：若对新背景声识别结果为重复背景声，则在自适应声掩蔽***的掩蔽声数据库中直接匹配记忆最优掩蔽声；

步骤33：若对新背景声识别结果为全新背景声，则利用组合声满意度的预测公式，逐个计算该背景声与掩蔽声数据库的组合声满意度值，在数据库中筛选得到最大满意度值对应的最优掩蔽声，并同时产生记忆细胞；

步骤04：输出该最优掩蔽声并对此背景声进行控制干预。

与现有技术相比，本发明具有以下优点：

一、基于掩蔽效应的声掩蔽技术：本发明将心理声学中掩蔽效应的思路引入噪声控制领域，提出了一种以改善人群主观感受为目的的声掩蔽技术。在环境声级难以降低，且人群的声环境满意度较低时，不需要再考虑如何竭力降低噪声，而是通过加入有效掩蔽声来提升人群对声环境的满意度，考虑心理声学的掩蔽效益，从人的主观感受角度出发，利用声掩蔽技术改善公众对其所处声环境的满意度。

二、具有普适性的声掩蔽***：本发明利用数据库、代理模型及人工免疫等人工智能技术建立一个完整的自适应掩蔽声***，有效地提高了声掩蔽技术的可行性和普适性，提升了声掩蔽技术的应用前景。人工智能方法的应用，将传统方法一直难以实现的声掩蔽技术构建成一个完整可行的声掩蔽***，其中，数据库的应用，为掩蔽声自动筛选奠定了数据基础；高斯过程回归算法的应用，实现了掩蔽声***高精度、高效率的筛选。

三、组合声满意度模型：本发明统一了背景声的有效特征，并根据有效特征建立掩蔽声数据库，进一步，基于有效特征参量提出了组合声满意度模型，可以大程度的简化声掩蔽***建模的复杂性，其中，有效特征数据库，一是根据不同环境、季节、时段具有代表意义的环境背景噪声样本确定了影响声环境的有效特征；二是基于有效特征建立了足量的、适用于不同中低频背景声的掩蔽声数据库。该数据库的构建为声满意度代理模型的建立和掩蔽声的自动筛选提供了数据基础。

四、GPR(高斯过程回归)模型回归声满意度模型：本发明基于代理模型思想，利用了GPR模型回归组合声满意度模型，有效地辨识了机理模型难以得到的高纬度、非线性复杂***。采用GPR算法回归组合声满意度代理模型，推导出组合声满意度的预测公式，为掩蔽声筛选子***提供了高精度的筛选机制。并且，GPR模型中考虑了个体主观偏差对声满意度值的影响，进一步提升了满意度预测的精度和可靠性。

五、基于免疫机制的声掩蔽***：本发明设计了基于掩蔽声数据库、组合声满意度代理模型的掩蔽声筛选子***，并在筛选子***中引入了免疫记忆机制，可以增强子***筛选的自适应性，提升掩蔽声匹配效率，节省筛选时间，一方面体现在以组合声满意度预测公式为筛选机制，在掩蔽声数据库中进行的自动筛选，实现背景声的最优匹配；另一方面体现在将免疫记忆机制引入筛选子***，实现对重复背景声的直接匹配，进一步增强了掩蔽声筛选子***的自适应性，提升了声掩蔽***筛选效率。

附图说明

图1为本发明的基于GPR模型的自适应声掩蔽***的构建方法流程图；

图2为本发明的自适应声掩蔽***的原理组织结构图；

图3为本发明的自适应声掩蔽***的掩蔽声筛选流程图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

有研究表明，当环境背景噪声低于70dB(A)时，声掩蔽技术能够提高声环境满意度，声级高于70dB(A)时应首先采取降噪措施进行处理。本发明针对低于70dB(A)的背景噪声，提供了一种提高声环境满意度的智能化声掩蔽技术。它的基本原理是基于心理声学上的掩蔽效应思想，选取合适的掩蔽声调整背景声的物理和心理声学特性，进而提高人群对声环境的满意度。

由于不同的背景声有不同的物理特征和感知特征，且各自然声的特征也是不尽相同。确定出背景噪声影响满意度的统一特征，基于这些特征有针对性加入掩蔽声，即可调整背景声的特征值，进而起到调整声环境满意度的效果。为了在尽可能减少成本的情况下，高效筛选出背景声对应的最优掩蔽声，本发明设计了具有高精度和普适性的自适应声掩蔽***，如图1所示，首先，通过主观评价实验以及主成分分析法，确定背景噪声的有效特征，根据有效特征建立掩蔽声数据库；然后，利用GPR算法建模声满意度代理模型；最后，基于GPR模型预测公式，在掩蔽声数据库上构建自适应的掩蔽声筛选子***。具体方法步骤如下：

首先，确定环境背景噪声的有效特征。研究表明，决定声环境满意度的主要因素是声压级和响度，考虑到加入掩蔽声可以在响度适当增加的情况下改善声环境满意度，因此需要确定其他参量对声环境满意度的影响。具体地，采集不同环境、季节、时段具有代表意义的m个环境背景噪声样本进行主观评价实验。实验采用多路扬声器回放，尽可能还原实际环境的声场，采用多级奇数范畴的语义细分法获取人群对噪声样本的满意度评价结果，确定影响声满意度的基本物理特征：A声级特征频率声压级/>响度/>粗糙度R、锐度S、抖晃度F以及音调度K。利用主成分分析法对上述主要特征参量进行降维，得到影响声环境满意度的d(≤7)个有效特征参量：/>

然后，构建掩蔽声数据库。根据d维的有效特征参量采集间歇性的虫类鸣叫声、鸟类鸣叫声以及水流声等大量自然声数据(或在网上下载各种自然声数据库)。进一步，通过调整自然声样本中各有效特征的值扩大数据量，构建一个掩蔽声数据库该数据库由上述自然声的有效参量构成，且包含自然声数据量为N。

其后，利用GPR模型回归组合声满意度模型。采用均匀取样，在掩蔽数据库中采集n个掩蔽声样本与m个背景声样本/>进行组合，得到mn个组合声/>通过主观评价实验，得到组合声的满意度观测值y₁,y₂,…y_mn。由于这些观测值受到不同个体主观差异的影响，因此，假设y₁,y₂,…y_mn受一个均值为0，方差为/>的随机偏差ε的影响。由于声满意度的真实机理模型/>难以得到，基于代理模型思想，利用数据建模方法近似潜在的(真实)满意度模型。利用mn个组合声样本训练满意度的代理模型。通过分析mn个训练样本的数据分布趋势，可以知道潜在满意度模型/>是一个高纬度、非线性的复杂函数，因此，采用GPR算法建模代理模型。可以推导出任一新组合声样本的预测模型，它满足均值为/>方差为/>的高斯分布：

最后，建立自适应掩蔽声筛选子***。利用式(1)的组合声预测模型，对任意新到来的背景声在掩蔽声数据库/>中进行自动筛选，计算出组合声满意度的最大值/>此点即为该背景声/>的最优掩蔽声/>进一步，在筛选子***中引入免疫记忆机制，在每一次的掩蔽声匹配成功的同时生成记忆细胞，以便下一次重复背景声来临时，自动激活记忆细胞，达到即时直接匹配。

如图2所示为本发明的自适应声掩蔽***的原理组织结构图，建立***具体原理步骤如下：

1、采集背景声样本、自然声样本，建立掩蔽声数据库

1)采集背景声样本采集不同场景、不同季节及不同时段具有代表意义的m个环境背景声样本(各样本时长相同)，通过主观评价试验分析出背景噪声的特征：A声级/>特征频率声压级/>以及响度/>粗糙度R、锐度S、抖晃度F以及音调度K。进一步，采用主成分分析法，得到影响不同背景声满意度的主要特征，确定d(≤7)个主要特征参量，记为：/>定义这d个主要特征量为影响声环境满意度的有效特征参量；

2)构建掩蔽声数据库根据有效特征参量采集间歇性的虫类鸣叫声、鸟类鸣叫声以及水流声等大量自然声数据(或者通过调整自然声样本中各有效特征的值扩大样本量)。利用采集的N个自然声数据及其对应的有效特征值建立掩蔽声数据库/>

2、利用代理模型近似组合声满意度模型

1)均匀采样：采用均匀取样方法在掩蔽声数据库中采集n个掩蔽声样本/>

2)采集组合声样本将采集的m个背景声分别与n个掩蔽声样本进行组合，得到mn个组合声样本及对应的mn组有效特征参量值

3)主观评价实验：对mn个组合声进行满意度主观评价实验，得到mn个满意度观测值y₁,y₂,…y_mn，每个观测值y_k(k＝1,…,mn)表示真实满意度值/>和主观个体偏差值ε_k的和。

4)训练组合声满意度代理模型：考虑代理模型其中是由组合声的有效特征量构成的d维输入变量，/>表示潜在(真实)满意度函数，y(·)表示对应于组合声样本的满意度观测函数，它受一个随机偏差ε的影响。这里的ε表示声满意度值受不同个体主观差异的影响，假定ε满足高斯分布：

5)GPR建模：由于组合声满意度模型是一个高维度的连续非线性复杂***，利用GPR模型建立代理模型，假定mn个潜在(真实)满意度值/>服从一个高斯过程：/>其中，/>表示/>的均值函数，/>表示样本和/>之间的协方差函数，i,j＝1…,mn。为了简化模型，考虑零均值高斯过程先验，即令/>因此，mn个满意度函数值/>满足高斯过程先验：进而，mn个观测值Y＝[y₁,…,y_mn]^T满足高斯分布/>最终，可以推导出任意一个新组合声样本/>的预测模型，它的满意度值/>满足均值为/>方差为/>的高斯分布：

式中，分别表示任一组合声/>的满意度的预测值和预测方差，表示满意度观测向量，K_*,mn、K_mn和K_**均表示函数协方差矩阵，/>表示偏差协方差矩阵，Ι_mn表示mn级单位矩阵。

这里，协方差矩阵K_*,mn、K_mn和K_**由协方差函数值构成，具体表达式如下：

这里采用平方指数函数作为协方差函数，即的计算公式如下：

3、建立基于免疫记忆机制的自适应掩蔽声筛选子***

自适应掩蔽声筛选：识别新来背景声激活记忆细胞，判断/>是否全新背景声：若是重复背景声，直接匹配记忆掩蔽声；若是全新背景声，利用预测公式(1)分别计算/>与数据库中N个掩蔽声/>的组合声满意度/>搜寻到最大满意度值/>对应的掩蔽声即为/>的最优掩蔽声/>并产生记忆细胞。掩蔽声筛选算法流程图如图3。

进一步归纳，得出采用基于GPR模型的自适应声掩蔽***的噪声控制方法，该方法包括以下步骤：

步骤01：处理新来背景声，得到其有效参量值；

步骤02：将该背景声输入自适应掩蔽声筛选子***，对背景声进行识别并同时激活记忆细胞；

步骤03：若对该背景声识别结果为重复背景声，则在掩蔽声数据库中直接匹配记忆最优掩蔽声；

步骤04：若对该背景声识别结果为全新背景声，则利用组合声满意度的预测公式，逐个计算该背景声与数据可库中N个掩蔽声的组合声满意度值，在掩蔽声数据库中筛选得到最大满意度值对应的最优掩蔽声，并同时产生记忆细胞；

步骤05：输出该最优掩蔽声并对背景声进行控制干预。

实施例1：

在交通繁忙的路口及城市干道沿线，针对低中高频段的交通噪声，通过数据处理确定其噪声有效参量然后，利用自适应掩蔽声***进行筛选，在掩蔽声数据库/>中匹配出最优的掩蔽声/>同时得到对应的最优组合声/>在该环境中，采用最优掩蔽声/>对该交通噪声/>进行干预，使处于该环境的人群感受到交通声与掩蔽声的组合声音/>提升了该环境中人群的主观满意度，降低了人群因交通噪声引起的烦恼感受。

实施例2：

在轨道交通露天站台，针对列车进出站产生的轮轨噪声在自适应掩蔽声***中进行筛选，匹配出最优掩蔽声/>及其组合声/>在此站台，采用该掩蔽声/>对/>进行干预，得到该环境下的最优组合声/>使环境声的频谱更均衡，降低了人群受到的干扰，配合站内投放的相应的风景海报或视频，让公众仿佛置身自然之中，缓解噪声带来的烦恼。

本发明基于心理声学的相关规律，从人的主观感受角度出发改善人居环境，提升人群对声环境的满意度，契合了以人为本的理念；利用人工智能相关技术，提出噪声主观感受的代理模型，构建了智慧化的自适应声掩蔽***，实现了智能化的声掩蔽技术，将人工智能技术融合于噪声控制领域。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (3)

1.一种基于GPR模型的自适应声掩蔽***的构建方法，其特征在于，该***由掩蔽声数据库、声满意度代理模型以及自适应掩蔽声筛选子***构建而成，所述掩蔽声数据库由间歇性的虫类鸣叫声、鸟类鸣叫声、水流声和其他多种自然声构成，所述声满意度代理模型由高斯过程回归算法建模构成，所述自适应掩蔽声筛选子***是基于所述掩蔽声数据库和所述声满意度代理模型，并引入免疫记忆机制构建而成；

该方法包括以下步骤：

步骤1：采集背景声样本和自然声样本并利用采集的样本数据建立掩蔽声数据库；

步骤2：利用GPR模型回归组合声满意度代理模型；

步骤3：基于声满意度代理模型在掩蔽声数据库上构建自适应掩蔽声筛选子***；

所述步骤2包括以下分步骤：

步骤21：采取均匀采样方法在掩蔽声数据库中采集掩蔽声样本；

步骤22：将环境背景声样本与掩蔽声样本组合得到组合声样本和对应的多组有效特征参量值；

其中，步骤21和步骤22中采集掩蔽声样本后与环境背景声样本进行组合的具体过程为：采用均匀取样，在掩蔽数据库中采集n个掩蔽声样本与m个背景声样本进行组合，得到mn个组合声/>

步骤23：对组合声样本中的所有组合声进行满意度主观评价试验并得到对应的满意度观测值；

步骤24：将组合声样本中的所有组合声有效特征值及其对应的满意度观测值作为训练样本；

步骤25：利用高斯过程回归算法建模声满意度代理模型；

所述代理模型，其描述公式为：

式中，组合声样本表示由组合声有效特征量构成的d维输入变量，表示真实满意度函数，/>表示对应于组合声样本/>的满意度观测函数，随机偏差ε表示真实声满意度值受不同个体主观差异的影响；

所述步骤25中的高斯过程回归模型，推导出满意度预测公式为：

式中，分别表示任一组合声/>的满意度的预测值和预测方差，表示满意度观测向量，K_*,mn、K_mn和K_**均表示函数协方差矩阵，/>表示偏差协方差矩阵，I_mn表示mn级单位矩阵；

所述步骤3包括以下分步骤：

步骤31：自适应掩蔽声筛选子***对任意新背景声进行识别并同时激活记忆细胞；

步骤32：若对新背景声识别结果为重复背景声，则在自适应掩蔽声***的掩蔽声数据库中直接匹配记忆最优掩蔽声；

步骤33：若对新背景声识别结果为全新背景声，则利用组合声满意度的预测公式，逐个计算该背景声与掩蔽声数据库的组合声满意度值，在数据库中筛选得到最大满意度值对应的最优掩蔽声，并同时产生记忆细胞；

步骤34：输出该最优掩蔽声并对新背景声进行控制干预。

2.根据权利要求1所述的一种基于GPR模型的自适应声掩蔽***的构建方法，其特征在于，所述步骤1包括以下分步骤：

步骤11：采集不同场景、季节和时段的环境背景声样本，并利用主成分分析法得到多个影响声环境满意度的有效特征参量；

步骤12：基于有效特征参量采集间歇性的虫类鸣叫声、鸟类鸣叫声、水流声和其他多种自然声的数据，利用采集的数据及其对应的有效特征参量建立掩蔽声数据库。

3.根据权利要求2所述的一种基于GPR模型的自适应声掩蔽***的构建方法，其特征在于，所述步骤11中的有效特征参量为影响背景声满意度的主要特征，其具体通过对噪声物理特征：A声级、特征频率声压级、响度、粗糙度、锐度、抖晃度及音调度进行主成分分析获得。