一种基于聚类和机器学习的城市噪声地图构建方法与流程

1.本发明涉及城市噪声监测领域，更具体地说，涉及一种基于聚类和机器学习的城市噪声地图构建方法。


背景技术：

2.随着城市化进程的加速，城市噪声污染问题越来越受到人们的关注。传统的噪声监测方式多依赖于固定的噪声监测点，但这种方法由于监测点数量有限，很难全面、准确地获取城市各个区域的噪声数据。此外，这种监测方式也无法对噪声的类型进行识别，为噪声治理带来了一定的困难。
3.解决这种方法的途径包括增加监测点数量、采用移动监测等，但这些方法要么成本较高、要么实际操作起来困难。因此，如何在保证监测准确性的同时，降低成本，成为了噪声监测领域亟待解决的问题。同时，如何能够智能化识别噪声的类别，也是一个待解决的问题。


技术实现要素：

4.本发明要解决的技术问题是提供一种基于聚类和机器学习的城市噪声地图构建方法，以解决背景技术中提到的问题。
5.为了达到上述目的，本发明采取以下技术方案：
6.一种基于聚类和机器学习的城市噪声地图构建方法，包括如下步骤：
7.s1：将城市平面图划分为一系列三角形区域，每个三角形区域的三个顶端处均设置有噪声传感器，每个噪声传感器均包含麦克风；形成三角形的三个噪声传感器用于检测该三角形区域内形成的噪声；
8.s2：任一三角形区域内，根据三个噪声传感器对同一噪声的检测时间，利用声源定位法确定噪声源的位置，并基于所述位置和检测到的分贝数计算噪声的实际分贝数；
9.s3：选取一个或多个特定时刻检测到的所有噪声，并对这些噪声进行聚类；
10.s4：对聚类后的每种类型的噪声进行人工识别，确定并标记每一类噪声的类型；
11.s5：采用s3中的噪声作为输入，采用s4中人工识别的标记作为标签，训练一个机器学习模型，使其能够根据噪声内容识别出噪声的类型；
12.s6：对于任意时刻检测到的所有噪声，首先执行聚类，然后将噪声输入到s5中的机器学习模型中进行类型识别；
13.s7：对于任一时刻的任一噪声，根据s2中计算出的该噪声的位置将其标记在城市地图上，根据s6中机器学习模型识别的噪声类型采取对应的标记颜色，根据s2中得到的该噪声实际分贝数采取对应的颜色深度，最终得到一张随着时间变化的城市噪声分布地图；
14.其中，同一类型的噪声采用相同的颜色标记；
15.其中，噪声的实际分贝数越大，对应的标记颜色深度越深。
16.在一些实施例中，s2中所述声源定位法具体包括以下步骤：
17.计算三个噪声传感器对同一噪声检测到的时间差，包括第一噪声传感器与第二噪声传感器检测到的时间差δt1，以及第一噪声传感器与第三传感器检测到的时间差δt2；
18.将对应时间差乘以声速得到对应的距离差δd1和δd2；
19.以δd1为双曲线距离差，以第一噪声传感器和第二噪声传感器为双曲线焦点，画出一条双曲线；
20.以δd2为双曲线距离差，以第一噪声传感器和第三噪声传感器为双曲线焦点，画一条双曲线；
21.取两条双曲线的交点作为该噪声对应的位置。
22.在一些实施例中，所述实际分贝数定义为在距离声源为参考距离ds下测量到的分贝数。
23.在一些实施例中，所述参考距离设为1米。
24.在一些实施例中，所述实际分贝数la的计算公式为：
[0025][0026]
其中，l
t
是噪声传感器检测到的分贝数；
[0027]ds
为参考距离；
[0028]
da是噪声源到噪声传感器的实际距离；
[0029]
log表示对数。
[0030]
在一些实施例中，发生于一个三角形区域内的噪声的实际分贝数，由该三角形区域顶点处的三个噪声传感器对应计算的三个实际分贝数平均后获得。
[0031]
在一些实施例中，对噪声数据进行聚类的过程包括：
[0032]
从每一个噪声样本中提取特征；所述特征包括时域特征、频域特征和mel频率倒谱系数；
[0033]
对所有特征进行标准化和归一化操作；
[0034]
选择聚类算法；
[0035]
选择类簇数量；
[0036]
使用所选的聚类算法和参数对提取的特征进行聚类。
[0037]
本发明相对于现有技术的优点在于，首先通过城市平面图的三角形划分，结合设置于每个三角形顶点上的噪声传感器，能够精确地捕捉到每个区域内的噪声源及其噪声级别。这一方法的应用，只需要采用三个噪声传感器，就可以测量一整块区域内的噪声，这使得噪声传感器的分布数量无需太多即可对声源位置进行准确定位。随后，利用聚类技术和人工识别的组合，将不同类型的噪声进行分类和标记，从而为噪声地图上的噪声类型提供了明确的依据。最后，通过机器学习模型的训练，能够实现对实时检测到的噪声的自动分类，提高了噪声地图更新的效率。最终形成的城市噪声地图，不仅展示了噪声的分布情况，还能准确地标注出各种噪声的类型、分贝数，为城市管理者提供了更为详细和准确的噪声数据，有助于制定更有针对性的噪声治理策略。
附图说明
[0038]
图1是本发明方法的流程示意图。
[0039]
图2是本发明对城市平面图进行三角形区域切割的示意图。
具体实施方式
[0040]
下面结合附图对本发明的具体实施方式作描述。
[0041]
如图1所示为本发明总体流程图，本发明一种基于聚类和机器学习的城市噪声地图构建方法，包括如下步骤：
[0042]
s1：如图2所示，将城市平面图划分为一系列三角形区域，每个三角形区域的三个顶端处均设置有噪声传感器，每个噪声传感器均包含麦克风；形成三角形的三个噪声传感器用于检测该三角形区域内形成的噪声；
[0043]
s2：任一三角形区域内，根据三个噪声传感器对同一噪声的检测时间，利用声源定位法确定噪声源的位置，并基于所述位置和检测到的分贝数计算噪声的实际分贝数；
[0044]
s3：选取一个或多个特定时刻检测到的所有噪声，并对这些噪声进行聚类；
[0045]
s4：对聚类后的每种类型的噪声进行人工识别，确定并标记每一类噪声的类型； 类型可以包括施工声音、车流声音、飞机飞行声音等等。根据聚类结果可以更加精细地进行分类。
[0046]
s5：采用s3中的噪声作为输入，采用s4中人工识别的标记作为标签，训练一个机器学习模型，使其能够根据噪声内容识别出噪声的类型；
[0047]
s6：对于任意时刻检测到的所有噪声，首先执行聚类，然后将噪声输入到s5中的机器学习模型中进行类型识别；
[0048]
s7：对于任一时刻的任一噪声，根据s2中计算出的该噪声的位置将其标记在城市地图上，根据s6中机器学习模型识别的噪声类型采取对应的标记颜色，根据s2中得到的该噪声实际分贝数采取对应的颜色深度，最终得到一张随着时间变化的城市噪声分布地图；
[0049]
其中，同一类型的噪声采用相同的颜色标记；
[0050]
其中，噪声的实际分贝数越大，对应的标记颜色深度越深。
[0051]
在一些实施例中，s2中所述声源定位法具体包括以下步骤：
[0052]
计算三个噪声传感器对同一噪声检测到的时间差，包括第一噪声传感器与第二噪声传感器检测到的时间差δt1，以及第一噪声传感器与第三传感器检测到的时间差δt2；
[0053]
将对应时间差乘以声速得到对应的距离差δd1和δd2；
[0054]
以δd1为双曲线距离差，以第一噪声传感器和第二噪声传感器为双曲线焦点，画出一条双曲线；
[0055]
以δd2为双曲线距离差，以第一噪声传感器和第三噪声传感器为双曲线焦点，画一条双曲线；
[0056]
取两条双曲线的交点作为该噪声对应的位置。
[0057]
在一些实施例中，所述实际分贝数定义为在距离声源为参考距离ds下测量到的分贝数。
[0058]
在一些实施例中，所述参考距离设为1米。
[0059]
在一些实施例中，所述实际分贝数la的计算公式为：
[0060]
[0061]
其中，l
t
是噪声传感器检测到的分贝数；
[0062]ds
为参考距离；
[0063]
da是噪声源到噪声传感器的实际距离；
[0064]
log表示对数。
[0065]
在一些实施例中，发生于一个三角形区域内的噪声的实际分贝数，由该三角形区域顶点处的三个噪声传感器对应计算的三个实际分贝数平均后获得。
[0066]
在一些实施例中，对噪声数据进行聚类的过程包括：
[0067]
从每一个噪声样本中提取特征；所述特征包括时域特征、频域特征和mel频率倒谱系数；
[0068]
对所有特征进行标准化和归一化操作；
[0069]
选择聚类算法；k均值、层次聚类、dbscan等均可；
[0070]
选择类簇数量；这可以通过方法如肘部法则、轮廓系数等来确定；
[0071]
使用所选的聚类算法和参数对提取的特征进行聚类。
[0072]
以上所述，仅为本发明较佳的具体实施方式，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披露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

技术特征：
1.一种基于聚类和机器学习的城市噪声地图构建方法，其特征在于，包括如下步骤：s1：将城市平面图划分为一系列三角形区域，每个三角形区域的三个顶端处均设置有噪声传感器，每个噪声传感器均包含麦克风；形成三角形的三个噪声传感器用于检测该三角形区域内形成的噪声；s2：任一三角形区域内，根据三个噪声传感器对同一噪声的检测时间，利用声源定位法确定噪声源的位置，并基于所述位置和检测到的分贝数计算噪声的实际分贝数；s3：选取一个或多个特定时刻检测到的所有噪声，并对这些噪声进行聚类；s4：对聚类后的每种类型的噪声进行人工识别，确定并标记每一类噪声的类型；s5：采用s3中的噪声作为输入，采用s4中人工识别的标记作为标签，训练一个机器学习模型，使其能够根据噪声内容识别出噪声的类型；s6：对于任意时刻检测到的所有噪声，首先执行聚类，然后将噪声输入到s5中的机器学习模型中进行类型识别；s7：对于任一时刻的任一噪声，根据s2中计算出的该噪声的位置将其标记在城市地图上，根据s6中机器学习模型识别的噪声类型采取对应的标记颜色，根据s2中得到的该噪声实际分贝数采取对应的颜色深度，最终得到一张随着时间变化的城市噪声分布地图；其中，同一类型的噪声采用相同的颜色标记；其中，噪声的实际分贝数越大，对应的标记颜色深度越深。2.根据权利要求1所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，s2中所述声源定位法具体包括以下步骤：计算三个噪声传感器对同一噪声检测到的时间差，包括第一噪声传感器与第二噪声传感器检测到的时间差δt1，以及第一噪声传感器与第三传感器检测到的时间差δt2；将对应时间差乘以声速得到对应的距离差δd1和δd2；以δd1为双曲线距离差，以第一噪声传感器和第二噪声传感器为双曲线焦点，画出一条双曲线；以δd2为双曲线距离差，以第一噪声传感器和第三噪声传感器为双曲线焦点，画一条双曲线；取两条双曲线的交点作为该噪声对应的位置。3.根据权利要求1所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，所述实际分贝数定义为在距离声源为参考距离d
s
下测量到的分贝数。4.根据权利要求3所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，所述参考距离设为1米。5.根据权利要求3或4所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，所述实际分贝数l
a
的计算公式为：，其中，l
t
是噪声传感器检测到的分贝数；d
s
为参考距离；d
a
是噪声源到噪声传感器的实际距离；log表示对数。
6.根据权利要求5所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，发生于一个三角形区域内的噪声的实际分贝数，由该三角形区域顶点处的三个噪声传感器对应计算的三个实际分贝数平均后获得。7.根据权利要求1所述基于聚类和机器学习的城市噪声地图构建方法，其特征在于，对噪声数据进行聚类的过程包括：从每一个噪声样本中提取特征；所述特征包括时域特征、频域特征和mel频率倒谱系数；对所有特征进行标准化和归一化操作；选择聚类算法；选择类簇数量；使用所选的聚类算法和参数对提取的特征进行聚类。

技术总结
本发明公开了一种基于聚类和机器学习的城市噪声地图构建方法，涉及城市噪声监测领域，包括如下步骤：城市平面图被划分成三角形区域，每个区域的顶端都设置有噪声传感器；通过声源定位法确定噪声源位置并计算噪声的实际分贝数；对指定时刻的噪声进行聚类并通过人工进行识别；这些数据被用于训练机器学习模型，从而实现噪声的自动识别；噪声及其类型被标记在城市地图上，形成动态的噪声分布地图，其中，不同类型的噪声以不同颜色表示，而噪声的分贝数通过颜色深度来展现。本发明有效整合了声学和机器学习技术，实现了对城市噪声的高效和准确监测。效和准确监测。效和准确监测。


技术研发人员：刘君 李永 李静林
受保护的技术使用者：北京圣传创世科技发展有限公司
技术研发日：2023.09.01
技术公布日：2023/10/7