噪声评价预测方法、系统、终端设备及可读存储介质.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114283834A(43)申请公布日2022.04.05(21)申请号202111368191.3G10L21/0264(2013.01)(22)申请日2021.11.18G10L25/18(2013.01)G10L25/30(2013.01)(71)申请人广东电网有限责任公司G10L25/60(2013.01)地址510000广东省广州市越秀区东风东G06N3/04(2006.01)路757号G06N3/08(2006.01)申请人广东电网有限责任公司电力科学研究院(72)发明人李林勇李丽樊小鹏褚志刚杨洋王一凡李华亮范圣平邹庄磊马存仁熊超琳王琪如(74)专利代理机构广州三环专利商标代理有限公司44202代理人郭浩辉颜希文(51)Int.Cl.G10L21/0232(2013.01)权利要求书2页说明书7页附图2页(54)发明名称噪声评价预测方法、系统、终端设备及可读存储介质(57)摘要本发明公开了一种噪声评价预测方法、系统、终端设备及可读存储介质，该模型包括：将采集的声音数据作为待测样本，获取待测样本的频谱图；利用语义细分法对待测样本进行主观评价，生成主观评价结果；将待测样本的频谱图作为输入，评价结果作为输出，构建第一评价预测模型；将待测样本按预设比例分为训练集和测试集，利用训练集对第一评价预测模型进行训练直至训练集收敛，生成第二评价预测模型；根据测试集，利用均方根误差和损失函数对第二评价预测模型的网络参数进行优化，生成目标评价预测模型；利用所述目标评价预测模型进行噪声评价预测。本发明通过从图像或信号中自动提取并学习特征，避免了手动提取特征繁琐，提高了噪声评价预测的准确性。CN114283834ACN114283834A权利要求书1/2页1.一种噪声评价预测方法，其特征在于，包括：将采集的声音数据作为待测样本，获取所述待测样本的频谱图；利用语义细分法对待测样本进行主观评价，生成主观评价结果；将所述待测样本的频谱图作为输入，所述主观评价结果作为输出，构建第一评价预测模型；将所述待测样本按预设比例分为训练集和测试集，利用所述训练集对所述第一评价预测模型进行训练直至所述训练集收敛，生成第二评价预测模型；根据所述测试集，利用均方根误差和损失函数对第二评价预测模型的网络参数进行优化，生成目标评价预测模型；利用所述目标评价预测模型进行噪声评价预测。2.根据权利要求1所述的噪声评价预测方法，其特征在于，所述获取所述待测样本的频谱图，包括：利用快速傅立叶变换算法获取所述待测样本的频谱图。3.根据权利要求1所述的噪声评价预测方法，其特征在于，所述构建第一评价预测模型，包括：基于AlexNet网络构建所述第一评价预测模型。4.根据权利要求1所述的噪声评价预测方法，其特征在于，所述利用均方根误差和损失函数对第二评价预测模型的网络参数进行优化，包括：以均方根误差小于或等于第一预设阈值，以及损失小于或等于第二预设阈值为优化条件，对所述第二评价预测模型的网络参数进行优化，并利用优化后的网络参数确定目标评价预测模型；其中，所述网络参数包括最小批样本数、学习率及迭代轮次。5.一种噪声评价预测系统，其特征在于，包括：样本采集单元，用于将采集的声音数据作为待测样本，获取所述待测样本的频谱图；评价单元，用于利用语义细分法对待测样本进行主观评价，生成主观评价结果；模型构建单元，用于将所述待测样本的频谱图作为输入，所述主观评价结果作为输出，构建第一评价预测模型；训练单元，用于将所述待测样本按预设比例分为训练集和测试集，利用所述训练集对所述第一评价预测模型进行训练直至所述训练集收敛，生成第二评价预测模型；优化单元，用于根据所述测试集，利用均方根误差和损失函数对第二评价预测模型的网络参数进行优化，生成目标评价预测模型；评价预测单元，用于利用所述目标评价预测模型进行噪声评价预测。6.根据权利要求5所述的噪声评价预测系统，其特征在于，所述样本采集单元，还用于：利用快速傅立叶变换算法获取所述待测样本的频谱图。7.根据权利要求5所述的噪声评价预测系统，其特征在于，所述模型构建单元，还用于：基于AlexNet网络构建所述第一评价预测模型。8.根据权利要求5所述的噪声评价预测系统，其特征在于，所述优化单元，还用于：以均方根误差小于或等于第一预设阈值，以及损失小于或等于第二预设阈值为优化条件，对所述第二评价预测模型的网络参数进行优化，并利用优化后的网络参数确定目标评2CN114283834A权利要求书2/2页价预测模型；其中，所述网络参数包括最小批样本数、学习率及迭代轮次。9.一种终端设备，其特征在于，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个