CN116052452A - 一种无线通信的数据处理方法及车道预警方法 - Google Patents
一种无线通信的数据处理方法及车道预警方法 Download PDFInfo
- Publication number
- CN116052452A CN116052452A CN202310339669.2A CN202310339669A CN116052452A CN 116052452 A CN116052452 A CN 116052452A CN 202310339669 A CN202310339669 A CN 202310339669A CN 116052452 A CN116052452 A CN 116052452A
- Authority
- CN
- China
- Prior art keywords
- wireless communication
- communication device
- function
- wave
- data processing
- 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
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/09—Arrangements for giving variable traffic instructions
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种无线通信的数据处理方法及车道预警方法,本发明采用wave‑u‑net神经网络架构、ReLU函数、L损失函数、窗函数h(t)等技术组合,其中wave‑u‑net神经网络架构采用的是Encoder‑Decoder结构。本发明还采用声波替代无信号区域远距离通信功能作用,可以与上述wave‑u‑net神经网络架构、ReLU函数、L损失函数、窗函数h(t)等技术组合结合,同时进行快速运算,减少训练时间,缩短电数字信息的转化时间。本发明可以对外界干扰声波进行筛除,对主要预警信息进行特征增强,这也是人工智能训练的优势所在。
Description
技术领域
本发明涉及无线通信的数据处理领域,尤其涉及一种无线通信的数据处理方法,并将其应用在高速公路上的车道预警方法。
背景技术
目前,我国高速公路总里程已不断突破,随着我国国民经济的快速发展和汽车保有量的不断激增。在道路交通中,对道路预警的实现方式有很多种。
例如提示前方有急转弯的固定提示牌。例如提示前方在修路,车道变窄的临时移动的提示牌。这些以图像为主的提示牌预警在大多数情况下有一定效果,但是对于少数的疲劳驾驶、开车分神的司机,会因为疲劳而忽视图像的预警,他们在经过提示牌附近的时候以图像为主的提示牌的预警效果不够,这时候声音预警作为补充提示效果会更佳。
如果在2个提前位置有2次左右的声音预警,对疲劳驾驶、开车分神的司机有良好提示作用,对集中精力开车的司机也有在图像指示牌之外的加强提示的作用。
虽然在汽车经过的地方提前进行声音预警是有意义的,但是以提前录制声音的方式提示前方在修路,车道变窄,受提前录制方式的限制,能传达的信息不适合多变。
需要预警的场景可以是多种形式,例如泥石流滑坡造成的道路变窄或堵塞,道路维修长度距离是在动态变化而造成的道路变窄或改道,交通事故造成的道路变窄或堵塞。这些需要预警的信息是随时间而动态变化的,或随场景的变化而变化提示内容,有时候需要现场指挥人员根据情况适时变动声音预警播放的内容。这些都无法采用提前录制精准信息的方式。
当现场指挥人员根据情况适时变动,声音预警播放的内容在现场录制信息,再发送至提前地点用于声音预警,在现场录制的时候可能会受到来自现场的打雷、机器施工,汽车来往喇叭的干扰,而影响声音提示效果。这时候需要过滤噪声保障声音提示的效果。
另外因重大自然灾害引发的道路安全管制,可能破坏事故地段的电信和移动通讯组网,导致常规预警方法无法对驾驶员进行有效的预警,这时候在常规通讯之外,建立独立的声音预警***非常有必要。
发明内容
本发明的目的是为了提供一种无线通信的数据处理方法及车道预警方法。
采用的技术方案如下:
一种无线通信的数据处理方法,包括以下步骤:
S1:第一高频无线通信装置对需要发送的声波的信号采用wave-u-net神经网络架构进行特征提取、特征过滤、特征增强,将提取到的所有特征转换为数字化信号,对所获取的电数字信号进行数据处理;
S2:wave-u-net神经网络架构采用ReLU函数激活,ReLU函数通过将相应的活性值设为0,保留正元素并丢弃所有负元素;
S3:使用L1Loss损失函数与L2Loss损失函数加权求和,作为损失函数L,以减小所述wave-u-net神经网络架构处理后的误差,计算公式为:
其中 为L1Loss损失函数的权重, 为L2Loss损失函数的权重,n为信号个数,yi为预测值,ŷi为真实值,由于相差值可能为负,通过绝对值以及平方取正;
S4:第一高频无线通信装置将数据处理后的声波定向发送至第二高频无线通信装置。
一种无线通信的数据处理方法,其中,S3中所述预测值与所述真实值在做傅里叶变换之前乘以一个时间有限的窗函数h(t),非平稳信号在分析窗的短时间隔内是平稳的,通过窗函数 h(t)在时间轴上的移动,对信号进行逐段分析得到信号的一组局部频谱,计算公式为:
其中为预测值,为真实值,为短时傅里叶变换表示t时刻的频谱,t为帧数即时间点,f为第t帧的语音采样点频率,为信号在时间点t的切片。
一种车道预警方法,采用无线通信的数据处理方法,包括以下步骤:
步骤1:根据交通管制道路情况,现场指挥人员在现场对第一高频无线通信装置录入预警声波信息,现场附近的噪音也被录入,第一高频无线通信装置对需要发送的声波的信号采用wave-u-net神经网络架构进行特征提取、过滤、特征增强,将提取到的所有特征转换为数字化,对所获取的电数字信号进行数据处理;
步骤2:第一高频无线通信装置将数据处理后的声波定向发送至第二高频无线通信装置;
步骤3:第二高频无线通信装置将接受的声波信号,穿透汽车玻璃传递到驾驶员耳中;
其中:第一高频无线通信装置随交通管制道路情况变化而移动,所述第二高频无线通信装置固定在需要预警之处;
所述第一高频无线通信装置与第二高频无线通信装置之间无线通信距离在500-3000m。
本发明的有益效果:
采用wave-u-net神经网络架构电数字处理,对所接收到的声波信息进行快速转换、去干扰、特征增强,再采用L1Loss损失函数与L2Loss损失函数处理对信号进行进一步的修正,还原度高,增强了音频的高保真性质。
ReLU函数激活wave-u-net神经网络架构可以有效缩短训练周期,缩短反应时间,提高通信效率。L1Loss损失函数与L2Loss损失函数可以将处理后的电数字信息进一步修正,同时使用窗函数 h(t)使其与原电数字信息相似度达99%。
L1Loss损失函数与L2Loss损失函数的组合算法简单明了,有利于噪音数据的快速处理和过滤,不需要复杂的硬件配置,有利于设备的生产普及化和推广应用。
在信号做电数字处理之前乘一个时间有限的窗函数 h(t),并假定非平稳信号在分析窗的短时间隔内是平稳的,通过窗函数 h(t)在时间轴上的移动,对信号进行逐段分析得到信号的一组局部“频谱”,可以将时域和频域相联系,使得时域内的音频信号可以转换为频域信号,以进行后续过滤及特征增强。
采用两台高频无线通信装置实施,解决了自然灾害下的无信号复杂多变的地理环境中无法正常通信的问题,实现了即使现场无信号亦可对前方道路实施实时预警,将前方所需要传递的信号信息几乎无损且高效的传递到驾驶员耳中,且高频无线通信装置发出的声波信息具备优异的透窗效果,可以避免因行驶中司机关闭车窗隔绝外面音频信号的问题。
通过现场设置两台高频无线通信装置,结合安全管制道路现场情况,进行道路预警语音播报,避免因自然灾害引发的道路安全管制导致常规预警方法及装置无法对驾驶员进行有效的无线通信预警的事件发生。
采用高频无线通信技术,将管制现场需传播的预警信息,从一台高频无线通信装置传送到数百米至数公里外的另一台高频无线通信装置,经过卷积神经网络架构深度学习过滤外界杂音及增强通信信息,并通过损失函数对所获得的无线通信信息进行收敛,声音相似度为99%以上,经过计算后将高保真的预警信息传输给行驶中的车辆,同时在高频无线通信装置的作用下,穿透汽车玻璃,将所需传输的10-40字内的预警信息传递给高速行驶的汽车驾驶员,驾驶员在听到预警信息后,快速做出反应,提前制动,合理避险。
附图说明
图1为本发明的基本工作原理图。
图2为本发明中ReLU函数修正线性示意图。
图3为本发明中带有噪音背景的A地男声甲播报第二高频无线通信装置收到的声波的波形图。
图4为本发明中在无干扰的高保真安静环境中男声甲播报原声波波形图。
图5为本发明中B地男声甲播报第二高频无线通信装置收到的经过干扰过滤、特征增强后的声波的波形图。
图6为本发明中无干扰的高保真安静环境中A地女声乙播报“前方1500米道路管制,请驶来车辆注意停靠避让”的波形图。
图7为本发明中B地女声乙播报“前方1500米道路管制,请驶来车辆注意停靠避让”的经过干扰过滤、特征增强后的波形图;其中中间最高的特征峰高于图6中的中间最高的特征峰,属于信号加强。
图8为本发明中带有噪音背景的A地女声乙播报“前方1500米道路管制,请驶来车辆注意停靠避让”的波形图。
图9为本发明中一种无线通信的方法的流程示意图。
图10为本发明中一种车道预警方法的流程示意图。
图11为本发明中有噪音干扰的女声丙“前方800米处有交通事故,800米处3车道转2车道,注意安全”的波形图;其中噪音覆盖了中间的特征峰。
图12为本发明中女声丙“前方800米处有交通事故,800米处3车道转2车道,注意安全”的经过干扰过滤、特征增强后的波形图。噪音经过算法去除后,中间的特征峰信号独特,图形清晰。且听众听觉舒适。
附图解读如下:
图4与图5的波形图高度相似。B地男声甲播报第二高频无线通信装置收到的经过干扰过滤、特征增强后的声波在实际播放时,清晰。听众听不见有干扰的不舒适的声音。
图7的中间最高的特征峰高于图6中的中间最高的特征峰,属于信号加强。
具体实施方式
下面结合说明书附图对本发明进一步清楚完整说明,但本发明的保护范围并不仅限于此。
实施例1
先设置下列场景进行训练:需要现场指挥人员来根据情况动态的发出不同信息,比如:
A、上午8点在2235公桩处放置播放器Q0,根据维修柏油路的拓展情况动态的播放:“前方1500米至1800米在维修柏油路,注意安全。”
B、中午12点在2235公桩处放置播放器Q0,根据维修柏油路的拓展情况动态的播放:“前方1100米至1800米在维修柏油路,注意安全。”
C、下午13点在2235公桩处放置播放器Q0,根据维修柏油路的拓展情况动态的播放:“前方900米至1800米在维修柏油路,注意安全。”
共性是:需要现场指挥人员来根据情况动态的发出不同信息,比如:
D1、汽车开至D1处附近0-100米,D1处放置播放器Q1,循环播放:“前方1750米处有小型交通事故,1750米处3车道转为2车道,注意安全。”
D2、汽车开至D2处附近0-100米,D2处放置播放器Q2,循环播放:“前方800米处有小型交通事故,800米处3车道转为2车道,注意安全。”。
共性是:需要现场指挥人员来根据情况动态的发出不同信息,比如:
E1、汽车开至E1处附近0-100米,E1处放置播放器Q3,循环播放:“前方4200米处有严重交通事故,4200米处3车道转为1车道,注意安全。”
E2、汽车开至E2处附近0-100米,E2处放置播放器Q4,循环播放:“前方2500米处有严重交通事故,2500米处3车道转为1车道,注意安全。”
F1、汽车开至F1处955公桩处附近0-100米,F1处放置播放器Q5,循环播放:“前方20公里处有泥石流阻断,建议提前至12公里处下高速,绕道而行。”
F2、汽车开至F2处960公桩处附近0-100米,F1处放置播放器Q5,循环播放:“前方15公里处有泥石流阻断,建议提前至7公里处下高速,绕道而行。”
在设置训练模型的时候,采用了年龄跨度从20岁至55岁的100名男性和100名女性的声音进行训练。再将风声、雨声、建筑工地的机器施工声音、汽车喇叭声音等作为噪音进行训练。进过训练模型的多次训练,设备已经可以大致分辨声音洪亮的播报人的播报信息是正常信息。其余为干扰信息。
由于上述场景变换较多,在现场录制现场指挥人员的声音的时候,受到的干扰来自现场的打雷、机器施工,汽车来往喇叭,而影响声音提示效果。这时候需要过滤噪声保障声音提示的效果。
如果只采用一次损失函数对单一的干扰信号的处理效果较好,但是对有多种干扰信号同时干扰时,处理后播放的声音则仍会不清晰。而打雷、机器施工,汽车来往喇叭的干扰信号复杂,我们采用L1Loss损失函数与L2Loss损失函数加权求和,应对多种干扰信号,同时过滤后,最终播放的的声音清晰。
实施例2
当高速公路因泥石流引发该路段无通讯信号时,将对整段道路进行临时管控,同时发出预警信息,提示驶来车辆,则需采用该无线通信的方法及车道预警方法。
如图1至图6所示,一种无线通信的方法及车道预警方法,其中一种无线通信的方法,包括以下步骤:
S1:第一高频无线通信装置将声波“前方1500米道路管制,请驶来车辆注意停靠避让”定向发送至第二高频无线通信装置;
S2:所述wave-u-net神经网络架构采用ReLU函数激活,所述ReLU函数通过将相应的活性值设为0,仅保留正元素并丢弃所有负元素,如图2所示;
S3:对接收到的所述声波采用wave-u-net神经网络架构转化为电数字信号,如图3所示,将提取到的所有特征转换为数字化信号,横轴坐标表示该段音频周期时间,纵轴坐标表示该段音频随时间变化的信噪比,此时图3中波形图因传递过程中与环境声结合被所述第二高频无线通信装置获取,故对所获取的电数字信号进行特征提取、特征过滤、特征增强,即对图3波形图中杂乱尖锐部分去除,从而得到清晰、保真的音频波形图,如图4所示;
S4:使用L1Loss损失函数与L2Loss损失函数加权求和,作为损失函数L,以减小所述wave-u-net神经网络架构处理后的误差,计算公式为:
其中 为L1Loss损失函数的权重, 为L2Loss损失函数的权重,n为信号个数,yi为预测值,ŷi为真实值,由于相差值可能为负,通过绝对值以及平方取正;
S5:所述另一台高频无线通信装置将处理后的电数字信号转换为声波发出。
上述步骤S3中所述wave-u-net神经网络架构采用Encoder-Decoder 结构,所述Encoder-Decoder 结构的Encoder负责特征提取,从所述电数字信号中提取出干净的电数字信息通过四个下采样,使所获取的电数字信号变小,去除环境中传播的杂质音波,在下采样过程中,通道数翻倍由64升至128,所述Encoder-Decoder 结构的Decoder恢复原始大小,通过拼接融合特征信息,使深层与浅层信息相融合,然后通过上采样部分up-conv扩张网络使经所述Encoder处理后的电数字信号恢复原始大小,通道数由128恢复至64;
上述步骤S4中所述预测值与所述真实值在做傅里叶变换之前乘以一个时间有限的窗函数h(t),并假定非平稳信号在分析窗的短时间隔内是平稳的,通过窗函数 h(t)在时间轴上的移动,对信号进行逐段分析得到信号的一组局部频谱,计算公式为:
其中为预测值,为真实值,为短时傅里叶变换表示t时刻的频谱,t为帧数即时间点,f为第t帧的语音采样点频率,为信号在时间点t的切片。
其中一种车道预警方法,预警方法采用上述的一种数据识别方法,如图9所示,包括以下步骤:
步骤1:根据交通管制道路情况,对第一高频无线通信装置输入指令,本实施例中采用“前方1500米道路管制,请驶来车辆注意停靠避让”作为指令进行说明,将第一声波定向发送至第二高频无线通信装置;
步骤2:对所述第二高频无线通信装置所接收到的所述第一声波进行数字化转换、干扰过滤、特征增强,去除环境中传播的杂质音波,再转换为第二声波信号输出,其中所述数字化转换、干扰过滤、特征增强通过上述的一种无线通信的方法进行无线通信;
步骤3:所述声波信号穿透汽车玻璃传递到驾驶员耳中。
在本实施例中,所述第一高频无线通信装置随所述交通管制道路情况变化而移动,所述第二高频无线通信装置固定于原管制道路前方850m处;
在本实施例中,所述第一高频无线通信装置与第二高频无线通信装置之间无线通信距离为500-3000m;
在本实施例中,所述步骤2中所述数字化转换将所接收到的所述第一声波经wave-u-net神经网络架构处理转换为电数字信息,所述第一电数字信息经过L2范数函数处理,进行所述干扰过滤、特征增强,处理后的第二电数字信息经过所述wave-u-net神经网络架构处理转换为第二声波信号输出;
在本实施例中,所述步骤3中所述声波信号穿透高速行驶的汽车玻璃。
本发明的实施例公布的是较佳的实施例,但并不局限于此,本领域的普通技术人员,极易根据上述实施例,领会本发明的精神,并做出不同的引申和变化,但只要不脱离本发明的精神,都在本发明的保护范围内。
本发明建立良好的无线通信的方法,再结合实际运用场景根据自身经验建立的多个训练模型,当训练完毕后,可以做到即使临时接到自然灾害产生的道路交通管制通知,依然可以保持良好的无线通信的质量以及效率,很好的为驾驶员提供道路预警信息,进而保障交通安全。
高速路上,因为自然灾害引起的道路维修临时交通管制,需要对行驶中车辆进行预警信息发送,此时需求无线通信,但是自然灾害有时同样会形成磁场紊乱,有可能导致该区域无法实现常规的无线通信技术,采用一种可以在无网络环境下的一种无线通信的数据处理方法及车道预警方法,采用常规的网络架构与损失函数组合,效果仍不理想,经过多次人工智能训练,在采用L1损失函数及L2损失函数进行加权求和,再采用窗函数对其进行时域与频域之间的转换,可以很好的提高预警信息传递的保真度及传递效率。
Claims (5)
1.一种无线通信的数据处理方法,其特征在于,包括以下步骤:
S1:第一高频无线通信装置对需要发送的声波的信号采用wave-u-net神经网络架构进行特征提取、过滤、特征增强,将提取到的所有特征转换为数字化,对所获取的电数字信号进行数据处理;
S2:wave-u-net神经网络架构采用ReLU函数激活,ReLU函数通过将相应的活性值设为0,保留正元素并丢弃所有负元素;
S3:使用L1Loss损失函数与L2Loss损失函数加权求和,作为损失函数,以减小所述wave-u-net神经网络架构处理后的误差,计算公式为:
,其中 为L1Loss损失函数的权重,为L2Loss损失函数的权重,n为信号个数,yi为预测值,ŷi为真实值,由于相差值可能为负,通过绝对值以及平方取正;
S4:第一高频无线通信装置将数据处理后的声波定向发送至第二高频无线通信装置。
2. 根据权利要求1所述的一种无线通信的数据处理方法,其特征在于,S3中所述预测值与所述真实值在做傅里叶变换之前乘以一个时间有限的窗函数h(t),非平稳信号在分析窗的短时间隔内是平稳的,通过窗函数 h(t)在时间轴上的移动,对信号进行逐段分析得到信号的一组局部频谱,计算公式为:
,,其中为预测值,为真实值,为短时傅里叶变换表示t时刻的频谱,t为帧数即时间点,f为第t帧的语音采样点频率,为信号在时间点t的切片。
3.根据权利要求1所述的一种无线通信的数据处理方法,其特征在于,所述wave-u-net神经网络架构采用Encoder-Decoder 结构。
4.根据权利要求3所述的一种无线通信的数据处理方法,其特征在于,所述Encoder-Decoder 结构的Encoder负责特征提取,从所述电数字信号中提取出干净的电数字信息通过四个下采样,使所获取的电数字信号变小,去除环境中传播的杂质音波。
5.一种车道预警方法,其特征在于,采用如权利要求1-4中任一项所述的一种无线通信的数据处理方法,包括以下步骤:
步骤1:根据交通管制道路情况,现场指挥人员在现场对第一高频无线通信装置录入预警声波信息,现场附近的噪音也被录入,第一高频无线通信装置对需要发送的声波的信号采用wave-u-net神经网络架构进行特征提取、过滤、特征增强,将提取到的所有特征转换为数字化,对所获取的电数字信号进行数据处理;
步骤2:第一高频无线通信装置将数据处理后的声波定向发送至第二高频无线通信装置;
步骤3:第二高频无线通信装置将接受的声波信号,穿透汽车玻璃传递到驾驶员耳中;
其中:第一高频无线通信装置随交通管制道路情况变化而移动,所述第二高频无线通信装置固定在预警之处;
所述第一高频无线通信装置与第二高频无线通信装置之间无线通信距离在500-3000m。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339669.2A CN116052452B (zh) | 2023-04-03 | 2023-04-03 | 一种无线通信的数据处理方法及车道预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310339669.2A CN116052452B (zh) | 2023-04-03 | 2023-04-03 | 一种无线通信的数据处理方法及车道预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116052452A true CN116052452A (zh) | 2023-05-02 |
CN116052452B CN116052452B (zh) | 2023-06-20 |
Family
ID=86131761
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310339669.2A Active CN116052452B (zh) | 2023-04-03 | 2023-04-03 | 一种无线通信的数据处理方法及车道预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116052452B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017066121A1 (en) * | 2015-10-12 | 2017-04-20 | Toth, Landy | Controlled and precise treatment of cardiac tissues |
CN107545890A (zh) * | 2017-08-31 | 2018-01-05 | 桂林电子科技大学 | 一种声音事件识别方法 |
US20190188562A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Deep Neural Network Hardening Framework |
KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
CN112183675A (zh) * | 2020-11-10 | 2021-01-05 | 武汉工程大学 | 一种基于孪生网络的针对低分辨率目标的跟踪方法 |
WO2021064752A1 (en) * | 2019-10-01 | 2021-04-08 | INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) | System and method for interpreting real-data signals |
CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警***及方法 |
CN114141256A (zh) * | 2021-12-08 | 2022-03-04 | 国家电网有限公司 | 基于小波神经网络的声纹特征提取模型构建方法及*** |
CN114203184A (zh) * | 2021-12-01 | 2022-03-18 | 厦门快商通科技股份有限公司 | 一种多状态声纹特征识别方法及装置 |
CN114242110A (zh) * | 2021-12-17 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 模型训练方法、音频处理方法、装置、设备、介质及产品 |
US11334807B1 (en) * | 2017-06-23 | 2022-05-17 | Virginia Tech Intellectual Properties, Inc. | Learning approximate estimation networks for communication channel state information |
-
2023
- 2023-04-03 CN CN202310339669.2A patent/CN116052452B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2017066121A1 (en) * | 2015-10-12 | 2017-04-20 | Toth, Landy | Controlled and precise treatment of cardiac tissues |
US11334807B1 (en) * | 2017-06-23 | 2022-05-17 | Virginia Tech Intellectual Properties, Inc. | Learning approximate estimation networks for communication channel state information |
CN107545890A (zh) * | 2017-08-31 | 2018-01-05 | 桂林电子科技大学 | 一种声音事件识别方法 |
US20190188562A1 (en) * | 2017-12-15 | 2019-06-20 | International Business Machines Corporation | Deep Neural Network Hardening Framework |
KR20190118387A (ko) * | 2018-04-10 | 2019-10-18 | 배재대학교 산학협력단 | 합성곱 신경망 기반 이미지 처리 시스템 및 방법 |
WO2021064752A1 (en) * | 2019-10-01 | 2021-04-08 | INDIAN INSTITUTE OF TECHNOLOGY MADRAS (IIT Madras) | System and method for interpreting real-data signals |
CN112183675A (zh) * | 2020-11-10 | 2021-01-05 | 武汉工程大学 | 一种基于孪生网络的针对低分辨率目标的跟踪方法 |
CN113888873A (zh) * | 2021-10-27 | 2022-01-04 | 李振宇 | 基于短时交通流的高速公路事故检测、预警***及方法 |
CN114203184A (zh) * | 2021-12-01 | 2022-03-18 | 厦门快商通科技股份有限公司 | 一种多状态声纹特征识别方法及装置 |
CN114141256A (zh) * | 2021-12-08 | 2022-03-04 | 国家电网有限公司 | 基于小波神经网络的声纹特征提取模型构建方法及*** |
CN114242110A (zh) * | 2021-12-17 | 2022-03-25 | 北京达佳互联信息技术有限公司 | 模型训练方法、音频处理方法、装置、设备、介质及产品 |
Non-Patent Citations (2)
Title |
---|
JIENAN CHEN ET.AL: "Millimeter wave beam tracking scheme with neural network embedded kalman filter", 2022 IEEE 22ND INTERNATIONAL CONFERENCE ON COMMUNICATION TECHNOLOGY, pages 1 - 6 * |
张强 等: "高噪声环境下电厂设备声音融合特征生成方法研究与实现", 热力发电, vol. 51, no. 12, pages 39 - 47 * |
Also Published As
Publication number | Publication date |
---|---|
CN116052452B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102020113756A1 (de) | Systeme und verfahren zur akustischen steuerung eines fahrzeuginnenraums | |
JP5598484B2 (ja) | 音声出力装置 | |
CN106846803B (zh) | 基于音频的交通事件检测装置及方法 | |
CN110758235B (zh) | 一种行人警示器***及行人警示方法 | |
CN105489063A (zh) | 一种具有主动预警功能的新能源汽车行人声音警示装置 | |
US20180165964A1 (en) | Apparatus and method of providing visualization information of rear vehicle | |
CN109977908B (zh) | 一种基于深度学习的车辆行车车道检测方法 | |
US11282383B1 (en) | Deploying an emergency vehicle | |
CN109703455A (zh) | 一种环境自适应的电动汽车低速行驶警示***及方法 | |
CN116052452B (zh) | 一种无线通信的数据处理方法及车道预警方法 | |
CN101856993A (zh) | 一种机动车驾驶室内其他机动车告警声音监测装置 | |
CN102722983A (zh) | 一种基于音频和视频的机动车违章鸣喇叭检测***和方法 | |
DE102020100736A1 (de) | Betrieb eines akustischen wandlers eines fahrzeugs | |
CN111882866A (zh) | 一种智慧交通管理*** | |
DE112017006291T5 (de) | Übertragungsvorrichtung, übertragungsverfahren und kommunikationssystem | |
WO2001020578A1 (en) | Passive pavement-mounted acoustical drive alert device | |
CN102700459A (zh) | 新能源汽车用多功能警示*** | |
CN116597856B (zh) | 基于蛙人对讲的语音质量增强方法 | |
CN106510988A (zh) | 一种支持智能终端机械结构的智能轮椅 | |
CN116160955B (zh) | 一种车辆主动声浪增强方法、装置、存储介质及设备 | |
CN107292263A (zh) | 一种机动、电动车辆自动驾驶识别*** | |
WO2023016924A1 (de) | Verfahren und system zum erzeugen von geräuschen in einem innenraum basierend auf extrahierten und klassifizierten realen geräuschquellen und für spezifische zielgeräusche akustisch transparentes fahrzeug umfassend ein derartiges system | |
CN114633779A (zh) | 一种列车超视距防护***及方法 | |
DE102020103163A1 (de) | Verfahren und Vorrichtung zur Erzeugung von simulierten Motorgeräuschen in einem Kraftfahrzeug | |
CN117172424B (zh) | 一种增强道路安全警示信息传递有效性的方法 |
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 |