CN117872273B - 基于人工智能的多环境声场声线识别方法和*** - Google Patents
基于人工智能的多环境声场声线识别方法和*** Download PDFInfo
- Publication number
- CN117872273B CN117872273B CN202410269030.6A CN202410269030A CN117872273B CN 117872273 B CN117872273 B CN 117872273B CN 202410269030 A CN202410269030 A CN 202410269030A CN 117872273 B CN117872273 B CN 117872273B
- Authority
- CN
- China
- Prior art keywords
- sound
- target
- sound wave
- test
- acoustic wave
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 27
- 238000012360 testing method Methods 0.000 claims abstract description 180
- 238000012937 correction Methods 0.000 claims abstract description 56
- 238000001514 detection method Methods 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims description 82
- 230000004807 localization Effects 0.000 claims description 20
- 230000007613 environmental effect Effects 0.000 claims description 18
- 238000012549 training Methods 0.000 claims description 12
- 241000764238 Isis Species 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 238000004364 calculation method Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 230000005855 radiation Effects 0.000 description 8
- 238000005259 measurement Methods 0.000 description 7
- 230000008859 change Effects 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 230000002195 synergetic effect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S5/00—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations
- G01S5/18—Position-fixing by co-ordinating two or more direction or position line determinations; Position-fixing by co-ordinating two or more distance determinations using ultrasonic, sonic, or infrasonic waves
- G01S5/20—Position of source determined by a plurality of spaced direction-finders
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Measurement Of Velocity Or Position Using Acoustic Or Ultrasonic Waves (AREA)
Abstract
本发明提供一种基于人工智能的多环境声场声线识别方法和***，涉及声波处理技术领域。所述方法包括：获取预设区域中的多个声波传感器的位置信息；在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波；确定当前检测周期的环境校正系数；在当前检测周期中，检测所述预设区域内的声波信号；确定目标声波信号在所述预设区域内的声场函数；确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；确定所述目标声波信号的声源的目标位置信息。根据本发明，提高了在变化的环境中识别声场和定位声源的准确性。
Description
技术领域
本发明涉及声波处理技术领域，尤其涉及一种基于人工智能的多环境声场声线识别方法和***。
背景技术
在相关技术中，CN109883532A提供一种声源识别与声场预报方法。利用基于单元辐射叠加法的声传递建模思想，将目标等效源面划分成若干与目标结构共形的规则活塞；采用规则活塞的辐射声场去近似等效源的辐射声场，根据规则共形活塞辐射声场的解析表达式建立等效源源强到辐射声场的声传递矩阵Germ(r,rE)；通过阵列接收数据以及对等效源源强到测量基阵的声传递矩阵Germ(rH,rE)进行正则化处理，获得共形活塞等效源源强W的分布信息；利用等效源源强W和等效源源面到声源表面的法向振速传递矩阵Germ_v(rS,rE)，重构结构声源表面法向振速分布vS；利用等效源源强W和等效源源面到辐射声场的声压传递矩阵Germ_p(rF,rE)、振速传递矩阵Germ_v(rF,rE)，分别预报声源辐射声场的声压分布pF和振速分布vF。该发明可应用于结构噪声源识别与辐射声场预报。
CN103776524A公开了一种测量强聚焦超声非线性声场分布的***及其方法，属于超声声场测量技术领域。该方法步骤为：一、获得球壳换能器轴向及其焦平面径向的声压分布曲线；二、根据瑞利积分计算球壳换能器轴向及焦平面径向的声压分布曲线，将计算结果与测量结果比较，获得有效参数；三、将有效参数代入非线性声传播模型，计算R21，再改变P0，计算不同P0对应的R21，得R21与P0的关系曲线；四、对球壳换能器施加激励，测量焦点波形，计算得R21′，插值得到R21′对应的P0′；五、将P0′带入非线性声传播模型，得到非线性声场分布。该方法有效解决了水听器在测量强非线性声场带宽不足的问题，使用相对值R21作为判断依据，消除了水听器灵敏度不高带来的测量隐患。
因此，相关技术中，虽然可以识别声场和定位噪声源，但相关技术仅用于单一环境，在环境发生变化时，对于环境变化的情况，声场可能受到环境的影响，造成相关技术的适用性降低，从而造成识别和定位精度下降。
公开于本申请背景技术部分的信息仅仅旨在加深对本申请的一般背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。
发明内容
本发明提供一种基于人工智能的多环境声场声线识别方法和***，能够解决变化的环境中难以准确识别声场和声线，也难以准确定位声源技术问题。
根据本发明的第一方面，提供一种基于人工智能的多环境声场声线识别方法,包括：
获取预设区域中的多个声波传感器的位置信息；
在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息。
根据本发明的第二方面，提供一种基于人工智能的多环境声场声线识别***，所述***包括：
位置信息模块，用于获取预设区域中的多个声波传感器的位置信息；
生成测试声波模块，用于在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
环境校正系数模块，用于根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
检测声波信号模块，用于在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
声场函数模块，用于在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
定位距离和方向角模块，用于根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
目标位置信息模块，用于根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息。
根据本发明的第三方面，提供一种基于人工智能的多环境声场声线识别设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述基于人工智能的多环境声场声线识别方法。
根据本发明的第四方面，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述基于人工智能的多环境声场声线识别方法。
技术效果：根据本发明，通过声波传感器和测试设备在不同位置的协同作用，实现对多环境声场和声线的准确识别和声源定位。通过环境校正系数的计算和声场函数的建立，结合声线定位模型，能更精确地确定目标声波信号的声源位置，可在变化的环境中提升声场识别的准确性以及声源定位的准确性，提升对于变化的环境的适应性，为声源监测、定位和识别提供了一种高效准确的解决方案。在确定环境校正系数时，可通过对声波待拟合方程的系数进行求解，使环境校正系数能够准确体现环境对于声波传播的影响，进而可获得更准确的理论震幅，为声源的定位提供更准确的数据基础。并且，可通过在每个检测周期中动态调整环境校正系数，可适应变化的环境的声场识别和声源定位需求，提升识别的准确性和稳定性。在确定理论震幅时，可通过环境校正系数对实际测量数据进行调整，获得更准确的理论震幅，从而可建立声源与声波传感器之间的距离关系，为后续的声源定位提供更准确的数据基础。在确定声场函数时，可通过理论震幅建立声波的震幅与传播距离之间的关系，进而通过该关系设置声场函数的待拟合方程组，从而求解获得声场函数，以更准确描述目标声波信号在预设区域内的传播情况和震幅的变化情况。为声源定位提供更准确的数据基础。在训练声线定位模型时，可通过样本定位距离、样本方向角、计算定位距离和计算方向角等关键信息，合理设计损失函数，在训练过程中使损失函数最小化，从而降低生源定位的误差，并可使基于多个声波传感器的位置信息计算得到的声源的位置更集中，可使模型更准确地定位声源，提高声线定位模型的精度。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，而非限制本发明。根据下面参考附图对示例性实施例的详细说明，本发明的其它特征及方面将更清楚。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的实施例；
图1示例性地示出根据本发明实施例的基于人工智能的多环境声场声线识别方法的流程示意图；
图2示例性地示出根据本发明实施例的基于人工智能的多环境声场声线识别***的框图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。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前提下所获得的所有其他实施例，都属于本发明保护的范围。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
图1示例性地示出根据本发明实施例的基于人工智能的多环境声场声线识别方法的流程示意图，所述方法包括：
步骤S101，获取预设区域中的多个声波传感器的位置信息；
步骤S102，在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
步骤S103，根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
步骤S104，在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
步骤S105，在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
步骤S106，根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
步骤S107，根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息。
根据本发明的实施例的基于人工智能的多环境声场声线识别方法，通过声波传感器和测试设备在不同位置的协同作用，实现对多环境声场和声线的准确识别和声源定位。通过环境校正系数的计算和声场函数的建立，结合声线定位模型，能更精确地确定目标声波信号的声源位置，可在变化的环境中提升声场识别的准确性以及声源定位的准确性，提升对于变化的环境的适应性，为声源监测、定位和识别提供了一种高效准确的解决方案。
根据本发明的一个实施例，在步骤S101中，收集预设区域中多个声波传感器的位置信息，可确定声波传感器在环境中的位置布局，比如，设置于楼顶、道路口、草坪中等，为后续声线识别和声源定位提供必要的参考数据。其中，预设区域可以是学校、办公区域和疗养院等需要安静的区域，或科研场所等需要避免外界噪声干扰的区域。
根据本发明的一个实施例，在步骤S102中，每个检测周期可设定为一个小时，一个半小时等，本发明对此不作限制。测试声波的第一预设震幅和第一预设频率参数的设定可保证测试信号的可追溯性，即，第一预设频率可设定为比周围环境中的噪声频率更高的频率，有助于声波传感器检测到具有第一预设频率的测试声波，从而在后续的声场分析和声源定位中能准确地进行分析和计算。测试声波的震幅会随着传播距离越远而变小，但测试声波的频率基本不变，因此，在声波传感器检测到具有第一预设频率的声波时，可确定声波传感器检测到测试声波。
根据本发明的一个实施例，在步骤S103中，通过各个声波传感器检测到的测试声波信号的时刻和震幅数据，结合传感器位置信息和测试位置的关系，对环境校正系数进行计算和调整。环境校正系数的确定是为了在声场中考虑环境因素的影响，进一步提高声波信号的准确性和可靠性。其中，震幅在无环境因素的影响下，声波传感器检测到的测试声波的震幅是遵从特定的物理规律下降的震幅，即，声波传感器检测到的测试声波的震幅随着声波传感器与声波测试设备之间的距离增大而按照一定物理规律下降，而在有环境因素（例如，环境中的其他噪声）的影响下，声波传感器检测到的震幅与上述按照物理规律计算的理论上的震幅存在一定差异。因此，可确定环境校正系数，从而降低环境干扰，确定出更准确的理论震幅，为声源的定位提供更准确的数据基础。
根据本发明的一个实施例，步骤S103包括：根据多个声波传感器的位置信息和所述测试位置，确定各个声波传感器的位置信息与各个测试位置之间的测试距离；根据所述测试距离，确定各个声波传感器检测到的测试声波信号的时刻，与所述声波测试设备之间的第一对应关系；根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数。
根据本发明的一个实施例，测试距离可作为后续计算的基础数据。第一对应关系为声波传感器接收到的声波信号对应的声波测试设备之间的对应关系，即，第一对应关系可用于表明某个测试声波信号是由哪个声波测试设备发出的。
根据本发明的一个实施例，根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数，包括：根据所述第一对应关系，确定声波传感器检测到的测试声波信号的发射源，其中，所述发射源为所述声波测试设备中的一个；根据公式（1）确定声波待拟合方程，
（1）
其中，为第i个声波传感器检测到的第j个声波测试设备发出的测试声波信号的震幅，/>为所述第一预设震幅，/>为第i个声波传感器与第j个声波测试设备之间的测试距离，/>、/>和/>为所述声波待拟合方程的声波待拟合系数；根据多个声波传感器检测到的多个测试声波信号的震幅、各个声波传感器与检测到的测试声波信号的发射源之间的测试距离，以及所述第一预设震幅，对所述声波待拟合系数进行求解，获得所述声波待拟合系数的求解值；将所述声波待拟合系数的求解值，确定为当前检测周期的环境校正系数。
根据本发明的一个实施例，在公式（1）中，表示测试声波信号传播过程中经历距离衰减后的理论震幅，随着距离增加，理论震幅会按照指数函数进行衰减，声波待拟合系数/>可用于表示声波的震幅随距离增加的下降速度。在周围环境的影响下，声波传感器实际检测到的震幅/>，与上述理论震幅存在一定差异，因此，可通过设置声波待拟合系数，从而通过理论震幅来拟合声波传感器实际检测到的震幅，使得声波待拟合系数可反映出环境的影响，例如，将声波待拟合系数/>和/>分别设置为乘数和常数项，从而进行拟合，以反映环境对声波传播的影响。进而，可根据传感器检测到的震幅数据和测试距离，对上述声波待拟合系数进行求解，从而获得声波待拟合系数的求解值，即，当前检测周期的环境校正系数。从而可使用环境校正系数来求解理论震幅，降低环境对于声波的干扰。
通过这种方式，可通过对声波待拟合方程的系数进行求解，使环境校正系数能够准确体现环境对于声波传播的影响，进而可获得更准确的理论震幅，为声源的定位提供更准确的数据基础。并且，可通过在每个检测周期中动态调整环境校正系数，可适应变化的环境的声场识别和声源定位需求，提升识别的准确性和稳定性。
根据本发明的一个实施例，在步骤S104中，通过部署在预设区域内的多个声波传感器实时监测并捕获环境中的声波信号。通过多个传感器的协同作用，收集并分析预设区域内的声波信号，以便后续的声源定位和声场识别。
根据本发明的一个实施例，在步骤S105中，目标频率的目标声波信号可设定为比正常交流声、音乐声等声波的频率更高的噪声声波信号，本发明对此不作限制。目标声波传感器为检测到目标声波信号的声波传感器。当目标频率的目标声波信号被一个或多个目标声波传感器检测到时，可根据目标声波传感器的位置信息、环境校正系数、目标时刻和目标震幅确定目标声波信号在预设区域内的声场函数，即，预设区域内每个目标声波传感器的位置的目标声波信号的大小。
根据本发明的一个实施例，步骤S105包括：根据所述目标声波传感器检测到的目标声波信号的目标震幅，以及所述环境校正系数，确定目标声波传感器检测到的目标声波信号的理论震幅；根据所述理论震幅、所述目标声波传感器的位置信息和所述目标时刻，确定目标声波信号在所述预设区域内的声场函数。
根据本发明的一个实施例，理论震幅即为声波随着距离增加而按照特定物理规律下降的震幅，亦为不受环境因素的影响下的震幅。在考虑环境因素的情况下，可使用环境校正系数对实际检测到的震幅进行了调整，以降低环境因素的影响，获得更准确的理论震幅，从而可基于理论震幅与传播距离的关系确定更准确的传播距离，进而可更准确地定位声源。声场函数描述了目标声波信号在预设区域内的传播情况和震幅的变化情况。
根据本发明的一个实施例，根据所述目标声波传感器检测到的目标声波信号的目标震幅，以及所述环境校正系数，确定目标声波传感器检测到的目标声波信号的理论震幅，包括：根据公式（2）获得第k个目标声波传感器检测到的目标声波信号的理论震幅，
（2）
其中，为第k个目标声波传感器检测到的目标声波信号的目标震幅，/>为的求解值，/>为/>的求解值。
根据本发明的一个实施例，在公式（2）中，表示第k个目标声波传感器检测到的目标声波信号的目标震幅减去环境校正系数/>并除以/>来得到目标声波传感器检测到的目标声波信号的理论震幅。即，利用上述环境校正系数来降低环境因素的干扰，确定目标声波信号传播到目标声波传感器的位置时的理论值，即，理论震幅。
通过这种方式，可通过环境校正系数对实际测量数据进行调整，获得更准确的理论震幅，从而可建立声源与声波传感器之间的距离关系，为后续的声源定位提供更准确的数据基础。
根据本发明的一个实施例，根据所述理论震幅、所述目标声波传感器的位置信息和所述目标时刻，确定目标声波信号在所述预设区域内的声场函数，包括：根据公式（3）和（4）获得声场函数的待拟合方程组，
（3）
（4）
其中，为第k个目标声波传感器的位置信息，/>为第k个目标声波传感器检测到目标声波信号的目标时刻，/>为第k+1个目标声波传感器检测到目标声波信号的目标时刻，/>为第k个目标声波传感器检测到的目标声波信号的理论震幅，为第k+1个目标声波传感器检测到的目标声波信号的理论震幅，/>为/>的求解值，/>、/>、/>、/>和/>为声场函数的待拟合方程组的待拟合系数，k≤N，N为目标声波传感器的数量，且k和N均为正整数；根据多个目标声波传感器测到的目标声波信号的理论震幅、多个目标声波传感器的位置信息和多个目标声波传感器检测到目标声波信号的目标时刻，对所述声场函数的待拟合方程组的待拟合系数进行求解，获得声场函数的待拟合方程组的待拟合系数的求解值；根据所述声场函数的待拟合方程组的待拟合系数的求解值，以及声场函数的待拟合方程组，获得所述声场函数。
根据本发明的一个实施例，在公式（3）中，可作为目标声波信号的声源的位置信息，/>表示第k个目标声波传感器的位置信息与目标声波信号的声源的距离。/>表示在声场函数中时间变量的线性关系函数，用于表示声波传播的时间与距离之间关系，换言之，通过目标声波传感器检测到目标声波的时刻来表示声波传播的距离。
根据本发明的一个实施例，在公式（4）中，为第k个目标声波传感器检测到目标声波信号的声源的震幅，/>为第k+1个目标声波传感器检测到目标声波信号的声源的震幅。不同目标声波传感器检测到目标声波信号的声源为同一声源，因此，通过不同的目标传感器检测到的目标声波信号确定的声源的震幅是相等的。
根据本发明的一个实施例，可通过多个目标声波传感器检测到的目标声波信号的理论震幅、时刻等数据对上述待拟合系数、/>、/>、/>和/>进行求解，获得待拟合系数的求解值，将上述求解值代入公式（3）和（4），即可获得描述目标声波信号在预设区域内的传播情况和震幅的变化情况的声场函数。
通过这种方式，可通过理论震幅建立声波的震幅与传播距离之间的关系，进而通过该关系设置声场函数的待拟合方程组，从而求解获得声场函数，以更准确描述目标声波信号在预设区域内的传播情况和震幅的变化情况。为声源定位提供更准确的数据基础。
根据本发明的一个实施例，在步骤S106中，声线定位模型可以是神经网络模型，通过声场函数、目标时刻和目标震幅数据，可对目标声波信号在声场中的传播情况进行建模和分析。进而确定声源与各个声波传感器的位置信息之间的定位距离，以及声源与各个声波传感器的位置信息之间的连线的方向角。其中，定位距离为声源与声波传感器之间的距离，方向角，即目标声波信号的声源与声波传感器之间的相对方向，可指示目标声波信号的声源相对于声波传感器的位置方向，从而可基于定位距离和方向角，确定声源与声波传感器之间的相对位置关系，进而基于声波传感器的位置信息以及上述相对位置关系精确定位声源位置。进一步地，虽然以上进行声场函数的求解时，使用的坐标为三维坐标，即，使用三维坐标求解声波的实际传播距离，从而进行上述运算。但后续在进行声源定位时，确定出的定位距离和方向角可以是二维平面上的距离和角度，从而便于通过二维的电子地图等方式对声源进行定位，即，可确定声源在二维的电子地图中的目标位置信息。
根据本发明的一个实施例，所述声线定位模型的训练步骤包括：通过所述声波测试设备，生成具有所述目标频率和目标震幅的样本声波；确定检测到具有目标频率的样本声波信号的样本声波传感器；根据样本声波传感器的位置信息、样本声波传感器检测到样本声波信号的样本时刻，以及样本声波传感器检测到的样本声波信号的样本震幅，确定样本声波信号在所述预设区域内的样本声场函数；将所述样本声场函数的待拟合方程组的待拟合系数的求解值、所述样本震幅和所述样本时刻输入所述声线定位模型，获得声波测试设备与各个声波传感器之间的样本定位距离，以及声波测试设备与各个声波传感器的连线的样本方向角；根据所述声波测试设备的测试位置，与各个声波传感器的位置信息，确定声波测试设备与各个声波传感器之间的计算定位距离，以及声波测试设备与各个声波传感器的连线的计算方向角；根据所述样本定位距离、所述样本方向角、所述计算定位距离和所述计算方向角，确定所述声线定位模型的损失函数；根据所述损失函数对所述声线定位模型进行训练，获得已训练的声线定位模型。
根据本发明的一个实施例，通过损失函数对声线定位模型进行训练，可不断调整模型参数以最小化损失函数，最终获得已训练的声线定位模型，该模型能准确预测声源与各个声波传感器之间的定位距离和方向角，从而实现声线的准确定位。在训练时，可使用已知位置的声波测试设备发出的具有目标频率和目标震幅的样本声波进行训练，声波测试设备的位置可与上述确定环境校正系数时的测试位置一致，也可与测试位置不一致，本发明对此不做限制。获得样本声场函数的方式与上述获得声场函数的方式类似，在此不再赘述。
根据本发明的一个实施例，根据所述样本定位距离、所述样本方向角、所述计算定位距离和所述计算方向角，确定所述声线定位模型的损失函数，包括：根据公式（5）确定所述声线定位模型的损失函数Loss，
（5）
其中，为声波测试设备与第s个声波传感器之间的样本定位距离，/>为声波测试设备与第s个声波传感器之间的计算定位距离，/>为声波测试设备与第s个声波传感器的连线的样本方向角，/>为声波测试设备与第s个声波传感器的连线的计算方向角，M为声波传感器的数量，max为取最大值函数，min为取最小值函数，/>、/>、/>和/>为预设权重，s≤M，且s和M均为正整数，/>为第s个声波传感器的位置信息。
根据本发明的一个实施例，在公式（5）中，表示声波测试设备与每个声波传感器之间的样本定位距离与计算定位距离之间的误差的绝对值的总和。表示声波测试设备与每个声波传感器之间的样本方向角与计算方向角之间的误差的绝对值的总和，在训练过程中，上述两种误差的绝对值的总和降低，使得样本定位距离和样本方向角的误差减小，从而提升对于声波测试设备的定位准确性，在实际使用中，也可提升声源的定位准确性。/>为通过声线定位模型输出的样本定位距离和样本方向角确定的声波测试设备横坐标。表示声波测试设备在x轴方向上位置的最大值与最小值之间的差值。/>为通过声线定位模型输出的样本定位距离和样本方向角确定的声波测试设备纵坐标。表示声波测试设备在y轴方向上位置的最大值与最小值之间的差值。在训练过程中，使上述差值缩小，从而使基于M个声波传感器的位置信息计算得到的声源的位置更集中。根据预设权重参数，将上述四项相加，即为声线定位模型的损失函数。通过损失函数对声线定位模型的参数进行调整，使损失函数最小化，在进行多次训练后，可获得已训练的声线定位模型，并可应用于对声源的定位过程中。
通过这种方式，可通过样本定位距离、样本方向角、计算定位距离和计算方向角等关键信息，合理设计损失函数，在训练过程中使损失函数最小化，从而降低生源定位的误差，并可使基于多个声波传感器的位置信息计算得到的声源的位置更集中，可使模型更准确地定位声源，提高声线定位模型的精度。
根据本发明的一个实施例，在步骤S107中，目标位置信息可以是二维空间坐标，用来精确定位声源的具***置，在精确定位声源后，可对声源进行有针对性地处理，以降低噪声。可通过声源与每个声波传感器之间的定位距离和方向角，来确定声源与每个声波传感器之间的相对位置关系，从而基于每个声波传感器的位置信息来确定声源的位置，即，利用每个声波传感器的位置信息，均可获得声源的位置，进一步地，可将基于每个声波传感器的位置信息确定的声源的位置进行平均，获得声源的目标位置信息。
根据本发明的实施例的基于人工智能的多环境声场声线识别方法，通过声波传感器和测试设备在不同位置的协同作用，实现对多环境声场和声线的准确识别和声源定位。通过环境校正系数的计算和声场函数的建立，结合声线定位模型，能更精确地确定目标声波信号的声源位置，可在变化的环境中提升声场识别的准确性以及声源定位的准确性，提升对于变化的环境的适应性，为声源监测、定位和识别提供了一种高效准确的解决方案。在确定环境校正系数时，可通过对声波待拟合方程的系数进行求解，使环境校正系数能够准确体现环境对于声波传播的影响，进而可获得更准确的理论震幅，为声源的定位提供更准确的数据基础。并且，可通过在每个检测周期中动态调整环境校正系数，可适应变化的环境的声场识别和声源定位需求，提升识别的准确性和稳定性。在确定理论震幅时，可通过环境校正系数对实际测量数据进行调整，获得更准确的理论震幅，从而可建立声源与声波传感器之间的距离关系，为后续的声源定位提供更准确的数据基础。在确定声场函数时，可通过理论震幅建立声波的震幅与传播距离之间的关系，进而通过该关系设置声场函数的待拟合方程组，从而求解获得声场函数，以更准确描述目标声波信号在预设区域内的传播情况和震幅的变化情况。为声源定位提供更准确的数据基础。在训练声线定位模型时，可通过样本定位距离、样本方向角、计算定位距离和计算方向角等关键信息，合理设计损失函数，在训练过程中使损失函数最小化，从而降低生源定位的误差，并可使基于多个声波传感器的位置信息计算得到的声源的位置更集中，可使模型更准确地定位声源，提高声线定位模型的精度。
图2示例性地示出根据本发明实施例的基于人工智能的多环境声场声线识别***的框图，所述***包括：
位置信息模块，用于获取预设区域中的多个声波传感器的位置信息；
生成测试声波模块，用于在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
环境校正系数模块，用于根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
检测声波信号模块，用于在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
声场函数模块，用于在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
定位距离和方向角模块，用于根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
目标位置信息模块，用于根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息。
根据本发明的一个实施例，提供一种基于人工智能的多环境声场声线识别设备，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行所述基于人工智能的多环境声场声线识别方法。
根据本发明的一个实施例，提供一种计算机可读存储介质，其上存储有计算机程序指令，所述计算机程序指令被处理器执行时实现所述基于人工智能的多环境声场声线识别方法。
本发明可以是方法、装置、***和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本发明的各个方面的计算机可读程序指令。
本领域的技术人员应理解，上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的目的已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明，在没有背离所述原理下，本发明的实施方式可以有任何变形或修改。
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (8)
1.一种基于人工智能的多环境声场声线识别方法，其特征在于，包括：
获取预设区域中的多个声波传感器的位置信息；
在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息；
根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数，包括：
根据多个声波传感器的位置信息和所述测试位置，确定各个声波传感器的位置信息与各个测试位置之间的测试距离；
根据所述测试距离，确定各个声波传感器检测到的测试声波信号的时刻，与所述声波测试设备之间的第一对应关系；
根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数；
根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数，包括：
根据所述第一对应关系，确定声波传感器检测到的测试声波信号的发射源，其中，所述发射源为所述声波测试设备中的一个；
根据公式
确定声波待拟合方程，其中，为第i个声波传感器检测到的第j个声波测试设备发出的测试声波信号的震幅，/>为所述第一预设震幅，/>为第i个声波传感器与第j个声波测试设备之间的测试距离，/>、/>和/>为所述声波待拟合方程的声波待拟合系数；
根据多个声波传感器检测到的多个测试声波信号的震幅、各个声波传感器与检测到的测试声波信号的发射源之间的测试距离，以及所述第一预设震幅，对所述声波待拟合系数进行求解，获得所述声波待拟合系数的求解值；
将所述声波待拟合系数的求解值，确定为当前检测周期的环境校正系数。
2.根据权利要求1所述的基于人工智能的多环境声场声线识别方法，其特征在于，在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数，包括：
根据所述目标声波传感器检测到的目标声波信号的目标震幅，以及所述环境校正系数，确定目标声波传感器检测到的目标声波信号的理论震幅；
根据所述理论震幅、所述目标声波传感器的位置信息和所述目标时刻，确定目标声波信号在所述预设区域内的声场函数。
3.根据权利要求2所述的基于人工智能的多环境声场声线识别方法，其特征在于，根据所述目标声波传感器检测到的目标声波信号的目标震幅，以及所述环境校正系数，确定目标声波传感器检测到的目标声波信号的理论震幅，包括：
根据公式
获得第k个目标声波传感器检测到的目标声波信号的理论震幅，其中，/>为第k个目标声波传感器检测到的目标声波信号的目标震幅，/>为/>的求解值，/>为/>的求解值。
4.根据权利要求2所述的基于人工智能的多环境声场声线识别方法，其特征在于，根据所述理论震幅、所述目标声波传感器的位置信息和所述目标时刻，确定目标声波信号在所述预设区域内的声场函数，包括：
根据公式
获得声场函数的待拟合方程组，其中，为第k个目标声波传感器的位置信息，/>为第k个目标声波传感器检测到目标声波信号的目标时刻，/>为第k+1个目标声波传感器检测到目标声波信号的目标时刻，/>为第k个目标声波传感器检测到的目标声波信号的理论震幅，/>为第k+1个目标声波传感器检测到的目标声波信号的理论震幅，/>为/>的求解值，/>、/>、/>、/>和/>为声场函数的待拟合方程组的待拟合系数，k≤N，N为目标声波传感器的数量，且k和N均为正整数；
根据多个目标声波传感器测到的目标声波信号的理论震幅、多个目标声波传感器的位置信息和多个目标声波传感器检测到目标声波信号的目标时刻，对所述声场函数的待拟合方程组的待拟合系数进行求解，获得声场函数的待拟合方程组的待拟合系数的求解值；
根据所述声场函数的待拟合方程组的待拟合系数的求解值，以及声场函数的待拟合方程组，获得所述声场函数。
5.根据权利要求1所述的基于人工智能的多环境声场声线识别方法，其特征在于，所述声线定位模型的训练步骤包括：
通过所述声波测试设备，生成具有所述目标频率和目标震幅的样本声波；
确定检测到具有目标频率的样本声波信号的样本声波传感器；
根据样本声波传感器的位置信息、样本声波传感器检测到样本声波信号的样本时刻，以及样本声波传感器检测到的样本声波信号的样本震幅，确定样本声波信号在所述预设区域内的样本声场函数；
将所述样本声场函数的待拟合方程组的待拟合系数的求解值、所述样本震幅和所述样本时刻输入所述声线定位模型，获得声波测试设备与各个声波传感器之间的样本定位距离，以及声波测试设备与各个声波传感器的连线的样本方向角；
根据所述声波测试设备的测试位置，与各个声波传感器的位置信息，确定声波测试设备与各个声波传感器之间的计算定位距离，以及声波测试设备与各个声波传感器的连线的计算方向角；
根据所述样本定位距离、所述样本方向角、所述计算定位距离和所述计算方向角，确定所述声线定位模型的损失函数；
根据所述损失函数对所述声线定位模型进行训练，获得已训练的声线定位模型。
6.根据权利要求5所述的基于人工智能的多环境声场声线识别方法，其特征在于，根据所述样本定位距离、所述样本方向角、所述计算定位距离和所述计算方向角，确定所述声线定位模型的损失函数，包括：
根据公式
确定所述声线定位模型的损失函数Loss，其中，为声波测试设备与第s个声波传感器之间的样本定位距离，/>为声波测试设备与第s个声波传感器之间的计算定位距离，为声波测试设备与第s个声波传感器的连线的样本方向角，/>为声波测试设备与第s个声波传感器的连线的计算方向角，M为声波传感器的数量，max为取最大值函数，min为取最小值函数，/>、/>、/>和/>为预设权重，s≤M，且s和M均为正整数，/>为第s个声波传感器的位置信息。
7.一种基于人工智能的多环境声场声线识别***，其特征在于，包括：
位置信息模块，用于获取预设区域中的多个声波传感器的位置信息；
生成测试声波模块，用于在当前检测周期的开始时刻，通过设置在预设区域外的多个测试位置处的声波测试设备生成测试声波，其中，测试声波的震幅为第一预设震幅，测试声波的频率为第一预设频率；
环境校正系数模块，用于根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数；
检测声波信号模块，用于在当前检测周期中，通过所述多个声波传感器，检测所述预设区域内的声波信号；
声场函数模块，用于在所述声波传感器检测到具有目标频率的目标声波信号的情况下，根据检测到所述目标声波信号的目标声波传感器的位置信息、所述环境校正系数、目标声波传感器检测到目标声波信号的目标时刻，以及所述目标声波传感器检测到的目标声波信号的目标震幅，确定目标声波信号在所述预设区域内的声场函数；
定位距离和方向角模块，用于根据所述声场函数、所述目标时刻和所述目标震幅，以及已训练的声线定位模型，确定所述目标声波信号的声源与各个声波传感器的位置信息之间的定位距离，以及所述目标声波信号的声源与各个声波传感器的位置信息之间的连线的方向角；
目标位置信息模块，用于根据所述定位距离和所述方向角，确定所述目标声波信号的声源的目标位置信息；
根据各个声波传感器检测到的具有第一预设频率的测试声波信号的时刻，所述测试声波信号的震幅，以及多个声波传感器的位置信息和所述测试位置，确定当前检测周期的环境校正系数，包括：
根据多个声波传感器的位置信息和所述测试位置，确定各个声波传感器的位置信息与各个测试位置之间的测试距离；
根据所述测试距离，确定各个声波传感器检测到的测试声波信号的时刻，与所述声波测试设备之间的第一对应关系；
根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数；
根据所述第一对应关系、所述测试距离以及所述测试声波信号的震幅，确定当前检测周期的环境校正系数，包括：
根据所述第一对应关系，确定声波传感器检测到的测试声波信号的发射源，其中，所述发射源为所述声波测试设备中的一个；
根据公式
确定声波待拟合方程，其中，为第i个声波传感器检测到的第j个声波测试设备发出的测试声波信号的震幅，/>为所述第一预设震幅，/>为第i个声波传感器与第j个声波测试设备之间的测试距离，/>、/>和/>为所述声波待拟合方程的声波待拟合系数；
根据多个声波传感器检测到的多个测试声波信号的震幅、各个声波传感器与检测到的测试声波信号的发射源之间的测试距离，以及所述第一预设震幅，对所述声波待拟合系数进行求解，获得所述声波待拟合系数的求解值；
将所述声波待拟合系数的求解值，确定为当前检测周期的环境校正系数。
8.一种基于人工智能的多环境声场声线识别设备，其特征在于，包括：处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为调用所述存储器存储的指令，以执行权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269030.6A CN117872273B (zh) | 2024-03-11 | 2024-03-11 | 基于人工智能的多环境声场声线识别方法和*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410269030.6A CN117872273B (zh) | 2024-03-11 | 2024-03-11 | 基于人工智能的多环境声场声线识别方法和*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117872273A CN117872273A (zh) | 2024-04-12 |
| CN117872273B true CN117872273B (zh) | 2024-05-31 |
Family
ID=90579618
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410269030.6A Active CN117872273B (zh) | 2024-03-11 | 2024-03-11 | 基于人工智能的多环境声场声线识别方法和*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117872273B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776524A (zh) * | 2014-02-21 | 2014-05-07 | 南京大学 | 一种测量强聚焦超声非线性声场分布的***及其方法 |
| CN104980859A (zh) * | 2014-04-07 | 2015-10-14 | 哈曼贝克自动***股份有限公司 | 声波场产生 |
| CN109001679A (zh) * | 2018-06-14 | 2018-12-14 | 河北工业大学 | 一种基于卷积神经网络的室内声源区域定位方法 |
| CN109883532A (zh) * | 2019-03-14 | 2019-06-14 | 哈尔滨工程大学 | 一种声源识别与声场预报方法 |
| RU2694846C1 (ru) * | 2018-12-25 | 2019-07-17 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ формирования системы морского мониторинга с программируемым нейросетевым комплексом управления |
| CN113176609A (zh) * | 2021-04-29 | 2021-07-27 | 中北大学 | 一种基于地声场的地下浅层目标定位方法 |
| CN114779170A (zh) * | 2022-06-05 | 2022-07-22 | 哈尔滨理工大学 | 一种浅海近场声源定位方法 |
| WO2022237708A1 (zh) * | 2021-05-10 | 2022-11-17 | 国网湖北省电力有限公司电力科学研究院 | 一种变电站可听噪声预测的声波干涉修正方法及*** |
| CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、***及电子设备 |
| CN117232518A (zh) * | 2023-09-01 | 2023-12-15 | 中国电信股份有限公司技术创新中心 | 基于因子图模型的定位方法、装置、电子设备及介质 |
-
2024
- 2024-03-11 CN CN202410269030.6A patent/CN117872273B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103776524A (zh) * | 2014-02-21 | 2014-05-07 | 南京大学 | 一种测量强聚焦超声非线性声场分布的***及其方法 |
| CN104980859A (zh) * | 2014-04-07 | 2015-10-14 | 哈曼贝克自动***股份有限公司 | 声波场产生 |
| CN109001679A (zh) * | 2018-06-14 | 2018-12-14 | 河北工业大学 | 一种基于卷积神经网络的室内声源区域定位方法 |
| RU2694846C1 (ru) * | 2018-12-25 | 2019-07-17 | Федеральное Государственное Казенное Военное Образовательное Учреждение Высшего Образования "Тихоокеанское Высшее Военно-Морское Училище Имени С.О. Макарова" Министерства Обороны Российской Федерации (Г. Владивосток) | Способ формирования системы морского мониторинга с программируемым нейросетевым комплексом управления |
| CN109883532A (zh) * | 2019-03-14 | 2019-06-14 | 哈尔滨工程大学 | 一种声源识别与声场预报方法 |
| CN113176609A (zh) * | 2021-04-29 | 2021-07-27 | 中北大学 | 一种基于地声场的地下浅层目标定位方法 |
| WO2022237708A1 (zh) * | 2021-05-10 | 2022-11-17 | 国网湖北省电力有限公司电力科学研究院 | 一种变电站可听噪声预测的声波干涉修正方法及*** |
| CN114779170A (zh) * | 2022-06-05 | 2022-07-22 | 哈尔滨理工大学 | 一种浅海近场声源定位方法 |
| CN117232518A (zh) * | 2023-09-01 | 2023-12-15 | 中国电信股份有限公司技术创新中心 | 基于因子图模型的定位方法、装置、电子设备及介质 |
| CN117198330A (zh) * | 2023-11-07 | 2023-12-08 | 国家海洋技术中心 | 一种声源识别方法、***及电子设备 |
Non-Patent Citations (2)
| Title |
|---|
| Source localization using deep neural networks in a shallow water environment;Huang, Zhaoqiong等;《Journal of the Acoustical Society of America》;20180516;第143卷(第5期);第2922-2932页 * |
| 无线室内定位中的环境适应方法研究与实现;侯缓缓;《中国优秀硕士学位论文全文数据库 信息科技辑》;20200815(第8期);第I136-166页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117872273A (zh) | 2024-04-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP2297556B1 (en) | Method for reconstructing an acoustic field | |
| Schillebeeckx et al. | Biomimetic sonar: Binaural 3D localization using artificial bat pinnae | |
| US20190331522A1 (en) | Compact system and method for vibration and noise mapping | |
| CN103999151A (zh) | 计算上有效的宽带滤波和相加阵列聚焦 | |
| Grobler et al. | Sound based localization and identification in industrial environments | |
| CN102508204A (zh) | 基于波束形成和传递路径分析的室内噪声源定位方法 | |
| CN104730495A (zh) | 便携式声源定位装置及其采用的定位方法 | |
| CN104471359A (zh) | 噪声识别装置及噪声识别方法 | |
| CN1659926B (zh) | 表示声场的方法和*** | |
| JPWO2016208173A1 (ja) | 信号検知装置、信号検知方法およびプログラム | |
| CN117872273B (zh) | 基于人工智能的多环境声场声线识别方法和*** | |
| Zhu et al. | Sound source localization in three-dimensional space in real time with redundancy checks | |
| CN116929539A (zh) | 一种基于可视化声源技术的电抗器故障诊断方法与*** | |
| CN115436881B (zh) | 一种定位方法、***、计算机设备及可读存储介质 | |
| US6525990B2 (en) | Target simulation system and method | |
| CN115856532A (zh) | 基于超声波传播路径识别的变压器局部放电源定位方法 | |
| Janů et al. | Intelligent distance measuring module using ultrasonic piezoelectric ceramic transducers | |
| CN204649957U (zh) | 便携式声源定位装置 | |
| CN111449681B (zh) | 一种剪切波成像方法、装置、设备及可读存储介质 | |
| Chen et al. | A sound source localization device based on rectangular pyramid structure for mobile robot | |
| Moschioni et al. | Sound source identification using coherence-and intensity-based methods | |
| Szwoch et al. | Detection of the incoming sound direction employing MEMS microphones and the DSP | |
| Rizzo et al. | Localization of sound sources by means of unidirectional microphones | |
| CN116220667B (zh) | 基于超声兰姆波测井的直达波与反射波分离方法及装置 | |
| CN111505582B (zh) | 基于差分进化算法的水听器阵列定位方法 |
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 |