[發明專利]基于預分類結果的類交叉熵加權的智能施工噪聲評估方法

在審

• 申請號: 202110056719.7
• 申請日: 2021-01-15
• 公開（公告）號: CN112837696A
• 公開（公告）日: 2021-05-25
• 發明（設計）人: 李飄
• 申請（專利權）人: 廣州高元信息科技有限公司
• 主分類號: G10L21/0216
• 分類號: G10L21/0216;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

本申請涉及智慧建筑領域下的智能噪聲影響評估，其具體地公開了一種基于預分類結果的類交叉熵加權的智能施工噪聲評估方法，基于深度神經網絡的統計學習方法來建立基于向量的分類函數，從而對噪聲影響進行評估。具體地，在分類過程中，通過深度神經網絡提取所采集到的噪聲數據的高維空間特征以獲得噪聲特征向量，采用基于預分類結果的類交叉熵加權系數來對各個特征向量進行加權，從而使得權重能夠相對準確地表達各個特征向量在融合過程當中對于最終分類結果的貢獻，以提高分類的準確性。

技術領域

本發明涉及智慧建筑領域下的智能噪聲影響評估，且更為具體地，涉及一種基于預分類結果的類交叉熵加權的智能施工噪聲評估方法、基于預分類結果的類交叉熵加權的智能施工噪聲評估系統和電子設備。

背景技術

裝配式建筑是指把傳統建造方式中的大量現場作業工作轉移到工廠進行，在工廠加工制作好建筑用構件和配件(如樓板、墻板、樓梯、陽臺等)，運輸到建筑施工現場，通過可靠的連接方式在現場裝配安裝而成的建筑。由于裝配式建筑在施工過程中，工期短，大多用于搭建臨時的板房、活動房等，因此不會設立專門的隔音墻，但是在裝配過程中，切割、焊接等操作又會產生較大的噪音，會對周圍居民生活工作產生影響。

因此，期望提供一種能夠智能評估噪聲影響的方法。

目前，深度學習以及神經網絡已經廣泛應用于計算機視覺、自然語言處理、文本信號處理等領域。此外，深度學習以及神經網絡在圖像分類、物體檢測、語義分割、文本翻譯等領域，也展現出了接近甚至超越人類的水平。

深度學習以及神經網絡的發展為智能評估噪聲影響提供了新的解決思路和方案。

發明內容

為了解決上述技術問題，提出了本申請。本申請的實施例提供了一種基于預分類結果的類交叉熵加權的智能施工噪聲評估方法、基于預分類結果的類交叉熵加權的智能施工噪聲評估系統和電子設備，基于深度神經網絡的統計學習方法來建立基于向量的分類函數，從而對噪聲影響進行評估。具體地，在分類過程中，通過深度神經網絡提取所采集到的噪聲數據的高維空間特征以獲得噪聲特征向量，采用基于預分類結果的類交叉熵加權系數來對各個特征向量進行加權，從而使得權重能夠相對準確地表達各個特征向量在融合過程當中對于最終分類結果的貢獻，以提高分類的準確性。

根據本申請的一個方面，提供了一種基于預分類結果的類交叉熵加權的智能施工噪聲評估方法，其包括：

通過部署于施工現場的多個聲音采集裝置獲取每個噪聲源產生的噪聲數據；

將每個噪聲源對應的所述噪聲數據分別轉化為噪聲向量，以獲得多個噪聲向量；

將所述多個噪聲向量分別通過深度神經網絡，以獲得多個特征向量；

獲取每個噪聲源的標簽并將所述標簽轉化為標簽值；

對所述多個特征向量，將每個特征向量輸入通過獨立訓練的具有所述特征向量對應的噪聲源的標簽的分類器中，以獲得對應于所述特征向量的預分類結果，所述預分類結果為所述特征向量屬于所述標簽的概率值，以獲得多個概率值；

對所述多個概率值，計算每個所述概率值的以2為底的對數值并乘以所述標簽的標簽值以獲得所述特征向量的基于預分類結果的類交叉熵加權系數，以獲得多個類交叉熵加權系數；

對所述多個特征向量，以每個所述特征向量對應的類交叉熵加權系數對其進行加權，以獲得多個加權特征向量；以及

將所述多個加權特征向量級聯后通過分類器，以獲得分類結果，所述分類結果用于表示噪聲數據是否會造成引起人的不適的評估結果。

在上述基于預分類結果的類交叉熵加權的智能施工噪聲評估方法中，將所述多個噪聲向量分別通過深度神經網絡，以獲得多個特征向量，包括：將所述多個噪聲向量分別進行一維卷積處理，以獲得多個特征向量。