[發(fā)明專利]識別問題噪聲源的噪聲數(shù)據(jù)人工智能裝置和預(yù)處理方法

在審

• 申請?zhí)枺?/td>: 201911153630.1
• 申請日: 2019-11-22
• 公開（公告）號: CN111325313A
• 公開（公告）日: 2020-06-23
• 發(fā)明（設(shè)計(jì)）人: 李東喆;鄭仁秀;張埈赫;魯炅真
• 申請（專利權(quán)）人: 現(xiàn)代自動(dòng)車株式會(huì)社;起亞自動(dòng)車株式會(huì)社;漢陽大學(xué)校產(chǎn)學(xué)協(xié)力團(tuán)
• 主分類號: G06N3/04
• 分類號: G06N3/04;G06K9/62;G06F30/15;G06F30/20;G06F30/27
• 代理公司: 北京尚誠知識產(chǎn)權(quán)代理有限公司 11322
• 代理人: 龍淳;彭益群

1.一種用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，所述方法包括：

用于識別問題噪聲的來源的噪聲數(shù)據(jù)預(yù)處理方法，該預(yù)處理方法包括：

在隨時(shí)間采樣的噪聲中選擇問題噪聲的單位幀；

將所述單位幀劃分為N個(gè)片段；

分析N個(gè)片段中每個(gè)片段的頻率特性，并通過應(yīng)用對數(shù)梅爾濾波器提取每個(gè)片段的頻率分量；和

通過平均N個(gè)片段的信息，作為一個(gè)代表幀，輸出特征參數(shù)，

其中，通過噪聲數(shù)據(jù)預(yù)處理方法基于隨時(shí)間變化提取的特征參數(shù)進(jìn)行的人工智能學(xué)習(xí)應(yīng)用雙向RNN。

2.根據(jù)權(quán)利要求1所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，所述采樣被配置為在有問題的頻帶的兩倍的范圍內(nèi)采樣。

3.根據(jù)權(quán)利要求1所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，根據(jù)時(shí)間的單位幀和下一單位幀之間設(shè)置重疊。

4.根據(jù)權(quán)利要求1所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，所述人工智能學(xué)習(xí)還被配置為應(yīng)用深度神經(jīng)網(wǎng)絡(luò)(DNN)。

5.根據(jù)權(quán)利要求4所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，所述人工智能學(xué)習(xí)被配置為額外地應(yīng)用注意力機(jī)制。

6.根據(jù)權(quán)利要求5所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，所述人工智能學(xué)習(xí)被配置為額外地應(yīng)用早期集成算法。

7.根據(jù)權(quán)利要求6所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，當(dāng)以一定的時(shí)間軸收集問題噪聲學(xué)習(xí)數(shù)據(jù)時(shí)，

額外地應(yīng)用RNNs算法的集成模型，所述RNNs算法的集成模型為了提高精度而聯(lián)合使用時(shí)間頻率圖和發(fā)動(dòng)機(jī)RPM-頻率圖。

8.一種噪聲數(shù)據(jù)人工智能診斷裝置，其用于實(shí)現(xiàn)根據(jù)權(quán)利要求7所述的用于識別問題噪聲的來源的噪聲數(shù)據(jù)人工智能學(xué)習(xí)方法，

其中，通過所述裝置的輸入設(shè)備直接測量車輛或動(dòng)力傳動(dòng)的噪聲，或者通過存儲介質(zhì)提供存儲的噪聲數(shù)據(jù)。