用于新风系统的风机噪声的降噪方法、系统和电子设备与流程

1.本发明涉及风机智能降噪的领域，且更为具体地，涉及一种用于新风系统的风机噪声的降噪方法、系统和电子设备。


背景技术：

2.新风空调是具有新风功能的一种健康舒适的空调，其利用离心风扇，实现房间空气和室外空气之间的流通、换气，还有净化空气的作用。新风空调与普通空调相比具有以下优势，第一，新风空调能将室外富氧空气通过净化引入室内，增加室内空气含氧量和新鲜度；第二，新风空调能够全时监测室内空气环境，通过季节识别、室内环境识别等判断每个人的舒适度并通过分区送风的方式向不同人推送不同的舒适模式；第三，新风空调多有舒适使用功能，在使用期间舒适度明显要优于普通空调。
3.但是，新风空调系统包括风机、出风口以及延伸于风机和出风口之间的风道，在风道确定的前提下，新风空调系统的噪声与风机的工作功率密切相关。应可以理解，降低风机的功率可以降低噪声，提高风机的功率会增大噪声，但与此同时，风机的功率大小和出风口的位置决定了出风情况，在实际情况下，往往会发生虽然噪声够小但出风情况却无法满足要求，或者，出风情况满足要求但噪声过大的情况。
4.因此，为了对新风系统的风机噪声进行更好地降噪且同时满足用户对于出风的需求，期望一种用于新风系统的风机噪声的降噪方案。


技术实现要素：

5.为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种用于新风系统的风机噪声的降噪方法、系统和电子设备，其通过对输出风在复平面上进行建模，以使用复平面两点之间的距离公式来表示输出风的变化，从而准确地表达由于输出风的变化导致的风机工作产生的噪声，因此，当使用距离矩阵进行高维特征提取时，也就等效于对于由风机的工作产生的噪声进行高维特征提取，从而能够有效地基于提取出的特征来控制风机的工作功率。
6.根据本技术的一个方面，提供了一种用于新风系统的风机噪声的降噪方法，其包括：
7.通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角；
8.对所述多个输出风的数据进行在复平面上的建模；
9.计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化；
10.使用卷积神经网络从所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关联特征；
11.对所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r；
12.将多个所述上三角矩阵r排列为分类特征图；以及
13.将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
14.在上述用于新风系统的风机噪声的降噪方法中，对所述多个输出风的数据进行在复平面上的建模，包括：设定所述输出风的俯仰角为方位角为θ，则所述输出风的数据在所述复平面上可表示为其中，|p0|为所述输出风的复向量的模，所述模对应于所述输出风的风速。
15.在上述用于新风系统的风机噪声的降噪方法中，计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，包括：以如下公式计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离；所述公式为：
[0016][0017]
其中，p0和p1表示相邻两个时间点的所述输出风的数据在所述复平面上的建模表示；表示相邻两个时间点的所述输出风的俯仰角之差；δθ表示相邻两个时间点的所述输出风的方位角之差。
[0018]
在上述用于新风系统的风机噪声的降噪方法中，使用卷积神经网络从所述距离矩阵获得距离特征图，包括：所述卷积神经网络以如下公式从所述距离矩阵获得所述距离特征图；所述公式为：
[0019]
f
i
＝tanh(n
i
×
f
i
‑1 b
i
)
[0020]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的滤波器，且b
i
为第i层卷积神经网络的偏置向量，tanh表示非线性激活函数。
[0021]
在上述用于新风系统的风机噪声的降噪方法中，将所述分类特征图通过分类器以获得分类结果，包括：使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于风机的功率应增大的第一概率和所述分类特征向量归属于风机的概率应减小的第二概率；以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果，所述分类结果用于表示所述风机的功率应增大或应减小。
[0022]
根据本技术的另一方面，提供了一种用于新风系统的风机噪声的降噪系统，其包括：
[0023]
数据获取单元，用于通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角；
[0024]
建模单元，用于对所述数据获取单元获得的所述多个输出风的数据进行在复平面上的建模；
[0025]
距离矩阵构造单元，用于计算相邻两个时间点的所述建模单元获得的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化；
[0026]
卷积神经网络处理单元，用于使用卷积神经网络从所述距离矩阵构造单元获得的所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关联特征；
[0027]
分解单元，用于对所述卷积神经网络处理单元获得的所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r；
[0028]
排列单元，用于将多个所述分解单元获得的所述上三角矩阵r排列为分类特征图；以及
[0029]
分类器处理单元，用于将所述排列单元获得的所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
[0030]
在上述用于新风系统的风机噪声的降噪系统中，所述建模单元，进一步用于：设定所述输出风的俯仰角为方位角为θ，则所述输出风的数据在所述复平面上可表示为其中，|p0|为所述输出风的复向量的模，所述模对应于所述输出风的风速。
[0031]
在上述用于新风系统的风机噪声的降噪系统中，所述距离矩阵构造单元，进一步用于：以如下公式计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离；所述公式为：
[0032][0033]
其中，p0和p1表示相邻两个时间点的所述输出风的数据在所述复平面上的建模表示；表示相邻两个时间点的所述输出风的俯仰角之差；δθ表示相邻两个时间点的所述输出风的方位角之差。
[0034]
在上述用于新风系统的风机噪声的降噪系统中，所述卷积神经网络处理单元，进一步用于：所述卷积神经网络以如下公式从所述距离矩阵获得所述距离特征图；所述公式为：
[0035]
f
i
＝tanh(n
i
×
f
i
‑1 b
i
)
[0036]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的滤波器，且b
i
为第i层卷积神经网络的偏置向量，tanh表示非线性激活函数。
[0037]
在上述用于新风系统的风机噪声的降噪系统中，所述分类器处理单元，包括：全连接编码子单元，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；概率生成子单元，用于将所述全连接编码子单元获得的所述分
类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于风机的功率应增大的第一概率和所述分类特征向量归属于风机的概率应减小的第二概率；以及，比较子单元，用于基于所述概率生成子单元获得的所述第一概率和所述概率生成子单元获得的所述第二概率之间的比较，确定所述分类结果，所述分类结果用于表示所述风机的功率应增大或应减小。
[0038]
根据本技术的再一方面，提供了一种电子设备，包括：处理器；以及，存储器，在所述存储器中存储有计算机程序指令，所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的用于新风系统的风机噪声的降噪方法。
[0039]
根据本技术的再又一方面，提供了一种计算机可读介质，其上存储有计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的用于新风系统的风机噪声的降噪方法。
[0040]
与现有技术相比，本技术提供的用于新风系统的风机噪声的降噪方法、系统和电子设备，其通过对输出风在复平面上进行建模，以使用复平面两点之间的距离公式来表示输出风的变化，从而准确地表达由于输出风的变化导致的风机工作产生的噪声，因此，当使用距离矩阵进行高维特征提取时，也就等效于对于由风机的工作产生的噪声进行高维特征提取，从而能够有效地基于提取出的特征来控制风机的工作功率。
附图说明
[0041]
通过结合附图对本技术实施例进行更详细的描述，本技术的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本技术实施例的进一步理解，并且构成说明书的一部分，与本技术实施例一起用于解释本技术，并不构成对本技术的限制。在附图中，相同的参考标号通常代表相同部件或步骤。
[0042]
图1为根据本技术实施例的用于新风系统的风机噪声的降噪方法的应用场景图；
[0043]
图2为根据本技术实施例的用于新风系统的风机噪声的降噪方法的流程图；
[0044]
图3为根据本技术实施例的用于新风系统的风机噪声的降噪方法的系统架构示意图；
[0045]
图4为根据本技术实施例的用于新风系统的风机噪声的降噪方法中，将所述分类特征图通过分类器以获得分类结果的流程图；
[0046]
图5为根据本技术实施例的用于新风系统的风机噪声的降噪系统的框图；
[0047]
图6为根据本技术实施例的用于新风系统的风机噪声的降噪系统中分类器处理单元的框图；
[0048]
图7为根据本技术实施例的电子设备的框图。
具体实施方式
[0049]
下面，将参考附图详细地描述根据本技术的示例实施例。显然，所描述的实施例仅仅是本技术的一部分实施例，而不是本技术的全部实施例，应理解，本技术不受这里描述的示例实施例的限制。
[0050]
场景概述
[0051]
如前所述，现有的新风空调系统在满足人们满意的预设降噪功能的同时，并不能
确保输出风的工作效果，这样就会使得降噪效果与输出风的工作效果并不能得到很好的兼顾。并且由于新风空调需要经常性地通过季节识别、室内环境识别等判断每个人的舒适度并通过分区送风的方式向不同人推送不同的舒适模式，因此风机的工作状态需要经常性地进行调整，这是产生噪声的最主要因素。因此，为了对新风系统的风机噪声进行更好地降噪，期望一种用于新风系统的风机噪声的降噪方案。
[0052]
也就是，为了能够对新风系统的风机噪声进行降噪，需要根据风机噪声与风机功率的关系，以及风机功率与输出风的关系，来对于输出风的特征进行准确地表达，以使得输出风的特征包含能够充分实现新风效果的风向和风速信息，并以此特征进行有效回归以得到风机功率的控制结果。
[0053]
基于此，首先，由于新风系统的风机噪声直接与风机功率有关，而风机功率又直接与风机的输出风有关，本技术的申请人考虑到当输出风发生变化时，由于风机的工作状态需要进行调整，是产生噪声的最主要因素。因此，假设风机的风口的两个朝向分别以和θ表示，其中为俯仰角，θ为方位角，则对输出风的建模可以在复平面上进行，即且p0|为输出风的复向量的模，其对应于风速，即风的传播最远距离。由此，风的变化可以以复平面上的另一点表示，即最远距离。由此，风的变化可以以复平面上的另一点表示，即并且，两点之间的距离d可以表示为
[0054][0055]
这样，当需要对风机进行降噪时，就可以采样沿着时间序列的多个输出风的数据时，基于以上公式得到每两个输出风之间的距离，从而获得输出风的距离矩阵。然后，将所述距离矩阵输入卷积神经网络以获得距离特征图，就可以得到输出风变化数据之间的高维隐藏关联特征，且每个特征值中均包含了风速和风向的相关变化信息。
[0056]
另外，考虑到距离矩阵实质上是沿对角线对称的矩阵，因此为了在回归过程中避免过拟合，对距离特征图中的每个特征矩阵进行qr分解，即分解为一个正交矩阵q和一个上三角矩阵r，由于该运算过程实质上等效于求解线性最小二乘问题，因此可以显著加速神经网络的参数的收敛。
[0057]
最后，将上三角矩阵r组成的分类特征图输入分类器，以得到风机功率的调整结果。
[0058]
基于此，本技术提出了一种用于新风系统的风机噪声的降噪方法，其包括：通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角；对所述多个输出风的数据进行在复平面上的建模；计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化；使用卷积神经网络从所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关
联特征；对所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r；将多个所述上三角矩阵r排列为分类特征图；以及，将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
[0059]
图1图示了根据本技术实施例的用于新风系统的风机噪声的降噪方法的应用场景图。如图1所示，在该应用场景中，首先，通过设置于新风系统的出风口(例如，如图1中所示意的o)的风向风速传感器(例如，如图1中所示意的p)获得沿着时间序列的新风系统的多个输出风(例如，如图1中所示意的w)的数据，其中，所述输出风的数据包括输出风的俯仰角和方位角。在别的应用场景中，还可以通过其他的传感器来获得沿着时间序列的新风系统的多个输出风的数据，对此并不为本技术所局限。相应地，如图1所示，所述新风系统还包括风机(例如，如图1中所示意的m)，以及，延伸于风机和所述出风口之间的风管道(例如，如图1中所示意的t)。
[0060]
然后，将获取的所述输出风的数据输入至部署有用于新风系统的风机噪声的降噪算法的服务器(例如，如图1中所示意的s)中，其中，所述服务器能够以用于新风系统的风机噪声的降噪算法对获取的所述输出风的数据进行处理，以生成用于表示新风系统的风机功率的调整结果的分类结果。
[0061]
在介绍了本技术的基本原理之后，下面将参考附图来具体介绍本技术的各种非限制性实施例。
[0062]
示例性方法
[0063]
图2图示了用于新风系统的风机噪声的降噪方法的流程图。如图2所示，根据本技术实施例的用于新风系统的风机噪声的降噪方法，包括：s110，通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角；s120，对所述多个输出风的数据进行在复平面上的建模；s130，计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化；s140，使用卷积神经网络从所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关联特征；s150，对所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r；s160，将多个所述上三角矩阵r排列为分类特征图；以及，s170，将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
[0064]
图3图示了根据本技术实施例的用于新风系统的风机噪声的降噪方法的架构示意图。如图3所示，在所述用于新风系统的风机噪声的降噪方法的网络架构中，首先，对获得的所述多个输出风的数据(例如，如图3中所示意的p1)进行在复平面上的建模；接着，计算相邻两个时间点的所述输出风的数据(例如，如图3中所示意的p2)在所述复平面上的距离作为两者之间的距离(例如，如图3中所示意的d)并将多个所述距离构造为距离矩阵(例如，如图3中所示意的m)；然后，使用卷积神经网络(例如，如图3中所示意的cnn)从所述距离矩阵获得距离特征图(例如，如图3中所示意的f1)；接着，对所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q(例如，如图3中所示
意的m1)和一个上三角矩阵r(例如，如图3中所示意的m2)；然后，将多个所述上三角矩阵r排列为分类特征图(例如，如图3中所示意的fc)；以及，最后，将所述分类特征图通过分类器(例如，如图3中所示意的分类器)以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
[0065]
在步骤s110和步骤s120中，通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角，并对所述多个输出风的数据进行在复平面上的建模。如前所述，由于所述新风系统的风机噪声直接与风机功率有关，而所述风机功率又直接与风机的输出风有关，并且考虑到当输出风发生变化时，由于风机的工作状态需要进行调整，是产生噪声的最主要因素。因此，在本技术的技术方案中，为了能够对新风系统的风机噪声进行降噪，需要根据风机噪声与风机功率的关系，以及风机功率与输出风的关系，来对于输出风的特征进行准确地表达，以使得输出风的特征包含能够充分实现新风效果的风向和风速信息。
[0066]
相应地，在此之前，也就是，首先就需要获取所述多个输出风数据；然后再把获取的所述多个输出风数据进行在复平面上的建模，以便于后续计算。应可以理解，在一个具体示例中，可以通过部署在所述新风空调本体的新风出口处的风向风速传感器来获得沿着时间序列的新风系统的多个输出风的数据，其中，所述输出风的数据包括输出风的俯仰角和方位角。值得一提的是，在别的具体示例中，还可以通过其他的传感器来获得沿着时间序列的新风系统的多个输出风的数据，对此并不为本技术所局限。
[0067]
具体地，在本技术实施例中，对所述多个输出风的数据进行在复平面上的建模的过程，包括：设定所述输出风的俯仰角为方位角为θ，则所述输出风的数据在所述复平面上可表示为其中，|p0|为所述输出风的复向量的模，所述模对应于所述输出风的风速，也就是，风的传播最远距离。
[0068]
在步骤s130中，计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化。应可以理解，由于对所述输出风的建模在复平面上表示为因此，在本技术的技术方案中，输出风的变化可以以复平面上的另一点表示，也就是，这样，就可以表示出两点之间的距离d。当需要对所述风机进行降噪时，就可以采样沿着时间序列的多个所述输出风的数据，并基于如上所述方法得到每两个所述输出风之间的距离，从而获得输出风的距离矩阵。
[0069]
具体地，在本技术的实施例中，计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵的过程，包括：以如下公式计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离；
[0070]
所述公式为：
[0071][0072]
其中，p0和p1表示相邻两个时间点的所述输出风的数据在所述复平面上的建模表示；表示相邻两个时间点的所述输出风的俯仰角之差；δθ表示相邻两个时间点的所述输出风的方位角之差。值得一提的是，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化。
[0073]
在步骤s140中，使用卷积神经网络从所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关联特征。也就是，将所述距离矩阵输入卷积神经网络中进行处理以获得距离特征图，值得一提的是，所述距离特征图用于表示所述输出风变化数据之间的高维隐含关联特征，且每个所述特征值中均包含了风速和风向的相关变化信息。
[0074]
具体地，在本技术实施例中，使用卷积神经网络从所述距离矩阵获得距离特征图，包括：所述卷积神经网络以如下公式从所述距离矩阵获得所述距离特征图；
[0075]
所述公式为：
[0076]
f
i
＝tanh(n
i
×
f
i
‑1 b
i
)
[0077]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的滤波器，且b
i
为第i层卷积神经网络的偏置向量，tanh表示非线性激活函数。
[0078]
在步骤s150中，对所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r。应可以理解，考虑到所述距离矩阵实质上是沿对角线对称的矩阵，因此在本技术的技术方案中，为了在回归过程中避免过拟合，选择对所述距离特征图中的每个特征矩阵进行qr分解，也就是，将所述距离特征图中的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r，并且由于该运算过程实质上等效于求解线性最小二乘的问题，因此可以显著加速所述神经网络的参数的收敛，以便于更有效地基于提取出的特征来控制风机的工作功率。
[0079]
相应地，在一个具体示例中，可以设定所述距离特征图的每个特征矩阵为a
i
，则a
i
＝q
i
r
i
，其中，q
i
为该所述特征矩阵所对应的一个正交矩阵，r
i
为该所述特征矩阵所对应的一个上三角矩阵。
[0080]
在步骤s160和步骤s170中，将多个所述上三角矩阵r排列为分类特征图，并将所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。应可以理解，考虑到所述距离矩阵实质上是沿对角线对称的矩阵，而为了在回归过程中避免过拟合的问题出现，在本技术的技术方案中，首先，将得到多个所述上三角矩阵r
i
排列为分类特征图；然后，再将所述分类特征图通过分类器以得到用于表示新风系统的风机功率的调整结果的分类结果。
[0081]
具体地，在本技术实施例中，将所述分类特征图通过分类器以获得分类结果的过程，包括：首先，使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量。将所述分类特征向量输入所述分类器的softmax分类函数以获得所
述分类特征向量归属于风机的功率应增大的第一概率和所述分类特征向量归属于风机的概率应减小的第二概率。以及，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果，所述分类结果用于表示所述风机的功率应增大或应减小。具体地，当所述第一概率大于所述第二概率时，所述分类结果为所述新风系统的风机的功率应增大；当所述第一概率小于所述第二概率时，所述分类结果为所述新风系统的风机的功率应减小。
[0082]
图4图示了根据本技术实施例的将所述分类特征图通过分类器以获得分类结果的流程图。如图4所示，将所述分类特征图通过分类器以获得分类结果，包括：s210，使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；s220，将所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于风机的功率应增大的第一概率和所述分类特征向量归属于风机的概率应减小的第二概率；以及，s230，基于所述第一概率和所述第二概率之间的比较，确定所述分类结果，所述分类结果用于表示所述风机的功率应增大或应减小。
[0083]
综上，本技术实施例的用于新风系统的风机噪声的降噪方法被阐明，其通过对输出风在复平面上进行建模，以使用复平面两点之间的距离公式来表示输出风的变化，从而准确地表达由于输出风的变化导致的风机工作产生的噪声，因此，当使用距离矩阵进行高维特征提取时，也就等效于对于由风机的工作产生的噪声进行高维特征提取，从而能够有效地基于提取出的特征来控制风机的工作功率。
[0084]
示例性系统
[0085]
图5图示了根据本技术实施例的用于新风系统的风机噪声的降噪系统的框图。如图5所示，根据本技术实施例的用于新风系统的风机噪声的降噪系统500，包括：数据获取单元510，用于通过传感器获得沿着时间序列的新风系统的多个输出风的数据，所述输出风的数据包括输出风的俯仰角和方位角；建模单元520，用于对所述数据获取单元510获得的所述多个输出风的数据进行在复平面上的建模；距离矩阵构造单元530，用于计算相邻两个时间点的所述建模单元520获得的所述输出风的数据在所述复平面上的距离作为两者之间的距离并将多个所述距离构造为距离矩阵，其中，相邻两个时间点的所述输出风的数据在所述复平面上的距离用于表示相邻两个时间点的所述输出风的数据在时间维度上的变化；卷积神经网络处理单元540，用于使用卷积神经网络从所述距离矩阵构造单元530获得的所述距离矩阵获得距离特征图，所述距离特征图用于表示所述输出风的变换数据之间的高维隐含关联特征；分解单元550，用于对所述卷积神经网络处理单元540获得的所述距离特征图的每个特征矩阵进行qr分解以将所述距离特征图的每个特征矩阵分解为一个正交矩阵q和一个上三角矩阵r；排列单元560，用于将多个所述分解单元550获得的所述上三角矩阵r排列为分类特征图；以及，分类器处理单元570，用于将所述排列单元560获得的所述分类特征图通过分类器以获得分类结果，其中，所述分类结果用于表示新风系统的风机功率的调整结果。
[0086]
在一个示例中，在上述用于新风系统的风机噪声的降噪系统500中，所述建模单元520，进一步用于：设定所述输出风的俯仰角为方位角为θ，则所述输出风的数据在所述复平面上可表示为其中，|p0|为所述输出风的复向量的模，所述模对应于所述输出风的风速。
[0087]
在一个示例中，在上述用于新风系统的风机噪声的降噪系统500中，所述距离矩阵
构造单元530，进一步用于：以如下公式计算相邻两个时间点的所述输出风的数据在所述复平面上的距离作为两者之间的距离；所述公式为：
[0088][0089]
其中，p0和p1表示相邻两个时间点的所述输出风的数据在所述复平面上的建模表示；表示相邻两个时间点的所述输出风的俯仰角之差；δθ表示相邻两个时间点的所述输出风的方位角之差。
[0090]
在一个示例中，在上述用于新风系统的风机噪声的降噪系统500中，所述卷积神经网络处理单元540，进一步用于：所述卷积神经网络以如下公式从所述距离矩阵获得所述距离特征图；所述公式为：
[0091]
f
i
＝tanh(n
i
×
f
i
‑1 b
i
)
[0092]
其中，f
i
‑1为第i层卷积神经网络的输入，f
i
为第i层卷积神经网络的输出，n
i
为第i层卷积神经网络的滤波器，且b
i
为第i层卷积神经网络的偏置向量，tanh表示非线性激活函数。
[0093]
在一个示例中，在上述用于新风系统的风机噪声的降噪系统500中，如图6所示，所述分类器处理单元570，包括：全连接编码子单元571，用于使用所述分类器的一个或多个全连接层对所述分类特征图进行全连接编码以获得分类特征向量；概率生成子单元572，用于将所述全连接编码子单元571获得的所述分类特征向量输入所述分类器的softmax分类函数以获得所述分类特征向量归属于风机的功率应增大的第一概率和所述分类特征向量归属于风机的概率应减小的第二概率；以及，比较子单元573，用于基于所述概率生成子单元572获得的所述第一概率和所述概率生成子单元572获得的所述第二概率之间的比较，确定所述分类结果，所述分类结果用于表示所述风机的功率应增大或应减小。
[0094]
这里，本领域技术人员可以理解，上述用于新风系统的风机噪声的降噪系统500中的各个单元和模块的具体功能和操作已经在上面参考图1到图4的用于新风系统的风机噪声的降噪方法的描述中得到了详细介绍，并因此，将省略其重复描述。
[0095]
如上所述，根据本技术实施例的用于新风系统的风机噪声的降噪系统500可以实现在各种终端设备中，例如用于新风系统的风机噪声的降噪算法的服务器等。在一个示例中，根据本技术实施例的用于新风系统的风机噪声的降噪系统500可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该用于新风系统的风机噪声的降噪系统500可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该用于新风系统的风机噪声的降噪系统500同样可以是该终端设备的众多硬件模块之一。
[0096]
替换地，在另一示例中，该用于新风系统的风机噪声的降噪系统500与该终端设备也可以是分立的设备，并且该用于新风系统的风机噪声的降噪系统500可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。
[0097]
示例性电子设备
[0098]
下面，参考图7来描述根据本技术实施例的电子设备。如图7所示，电子设备包括10
包括一个或多个处理器11和存储器12。所述处理器11可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电子设备10中的其他组件以执行期望的功能。
[0099]
存储器12可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器11可以运行所述程序指令，以实现上文所述的本技术的各个实施例的用于新风系统的风机噪声的降噪方法的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如距离特征图、分类特征图等各种内容。
[0100]
在一个示例中，电子设备10还可以包括：输入系统13和输出系统14，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
[0101]
该输入系统13可以包括例如键盘、鼠标等等。
[0102]
该输出系统14可以向外部输出各种信息，包括分类结果等。该输出系统14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
[0103]
当然，为了简化，图7中仅示出了该电子设备10中与本技术有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电子设备10还可以包括任何其他适当的组件。
[0104]
示例性计算机程序产品和计算机可读存储介质
[0105]
除了上述方法和设备以外，本技术的实施例还可以是计算机程序产品，其包括计算机程序指令，所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本技术各种实施例的用于新风系统的风机噪声的降噪方法中的功能中的步骤。
[0106]
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本技术实施例操作的程序代码，所述程序设计语言包括面向对象的程序设计语言，诸如java、c 等，还包括常规的过程式程序设计语言，诸如“c”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
[0107]
此外，本技术的实施例还可以是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在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的用于新风系统的风机噪声的降噪方法中的步骤。
[0108]
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件，或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(ram)、只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑盘只读存储器(cd
‑
rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。
[0109]
以上结合具体实施例描述了本技术的基本原理，但是，需要指出的是，在本技术中
提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本技术的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本技术为必须采用上述具体的细节来实现。
[0110]
本技术中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
[0111]
还需要指出的是，在本技术的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本技术的等效方案。
[0112]
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本技术。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本技术的范围。因此，本技术不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
[0113]
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本技术的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。