噪声事件检测和表征的制作方法

1.本公开涉及噪声事件检测和表征。公开内容尤其与复杂环境相关，在这类环境中可能出现不同起源的噪声，并且对于这类环境，期望识别各种噪声事件类型中可能已经出现的那些类型。


背景技术：

2.控制过程对输入变量作出响应，这些输入变量时常包括感测到的值。在复杂环境中，通常会有多个传感器来检测事件，其中控制过程对这些事件作出响应。如图1所示，这种复杂环境可以例如是地理位置1或一组相关联的建筑物，其中各种各样不同的传感器3可以用于测定该环境内的行为，例如用在预测电源管理的控制系统中，以预期和响应未来的需求。控制系统5被示为远离位置1，该控制系统使用来自传感器3的数据确定供电系统4向位置1中的电力用户2供电的行为。
3.尽管一组数量庞大的传感器即便在复杂环境中也能够为现实世界事件提供唯一的签名(诸如家电开启、正确的泵操作等)，但是在同一类型的多个事件之间或者在相似的现实世界事件之间进行区分可能极具挑战性。当噪声是要获得的事件的最直接证据时，这尤其棘手。麦克风是相对便宜的传感器，其提供丰富的数据输出，然而，可能难以通过其噪声分布来区分相似的事件，也难以区分在不同位置发生的相似类型的事件。希望更有效地做到这一点。


技术实现要素：

4.在第一方面，本公开提供一种表征噪声事件的方法，包括：将多个麦克风定位在环境中；在该环境中的某个位置处生成训练事件，作为噪声事件的参照；在多个麦克风中的每个麦克风处记录声音样本；确定多个麦克风中的不同麦克风的声音样本之间的相位差；以及根据所确定的与多个麦克风中的不同麦克风处的训练事件相关联的声音之间的相位差，建立针对该位置处的事件的噪声事件签名。
5.使用这种方法，通过使用多径效应(位置紧密靠近的麦克风将发现由多径信号的组合决定的不同相消效应和相长效应)可以利用麦克风之间的位置差异，从而在每个麦克风处产生不同的信号，并且有可能通过使用两个麦克风之间的这种差异来建立噪声事件签名。
6.在某些具体的情况下，已经使用声学签名来识别特定类型的事件，例如，can等人在2016年的多媒体理解计算智能国际研讨会(iwcim)中发表的“recognition of vessel acoustic signatures using non-linear teager energy based features”描述了使用水下声信号识别技术来识别不同类别的船舶；kandpal等人的“classification of ground vehicles using acoustic signal processing and neural network classifier”使用时域特征提取和神经网络分类器来识别不同的车辆类型。然而，这些方法不涉及以这样的方式使用多个传感器：即，可以使用多个声学路径的存在来将同一类型的事件彼此区分。
7.事件可以只是特定位置处的一种特定类型的事件。替代性地，事件可以是在特定位置处的预定类型的事件，并且可以在多个位置处记录多个噪声事件类型的噪声事件签名。能够以这种方式使用训练事件来表征已知在特定环境中发生的一系列噪声事件类型。
8.该方法还可以包括：确定声音样本之间的相位差是否满足用于建立噪声事件签名的质量阈值；如果相位差不满足该质量阈值，则在该位置处生成另外的训练事件；以及根据初始训练事件和另外的训练事件来建立噪声事件签名。如果需要，可以进一步重复该操作，这样能够确保噪声事件签名具有足够高的质量。
9.确定相位差可以包括首先将声音样本变换为频域样本，例如通过快速傅里叶变换(fft)。可以使用任何适当类型的滑动窗口来执行fft。使用这种方法，确定相位差可以包括建立特征向量，该特征向量包括所述多个麦克风中的一对麦克风跨多个频率箱之间的相位差。这可以扩展到可分解成多个所述特征向量的特征矩阵，其中每个特征向量涉及所述多个麦克风中的不同麦克风对之间的相位差。
10.在第二方面，本公开提供一种识别噪声事件的方法，其特征在于，噪声事件已经通过与定位在环境中的多个麦克风中的不同麦克风处的噪声事件类型相关联的声音之间的相位差来表征，该方法包括：将多个麦克风中的不同麦克风处的声音样本识别为与噪声事件相关联；确定多个麦克风中的不同麦克风处的声音样本之间的相位差，以建立噪声事件的签名；以及将噪声事件的签名与先前表征的噪声事件类型签名进行匹配，以识别噪声事件。
11.先前表征的签名指示噪声事件位置、噪声事件类型，或这两者。
12.确定相位差可以包括首先将声音样本变换为频域样本，例如通过快速傅里叶变换(fft)。可以使用任何适当类型的滑动窗口来执行fft。至少一些先前表征的签名可以包括特征向量，该特征向量包括所述多个麦克风中的一对麦克风跨多个频率箱之间的相位差；或者可以包括可分解成多个所述特征向量的特征矩阵，其中每个特征向量涉及所述多个麦克风中的不同麦克风对之间的相位差。然后，匹配可以包括：确定已经为其识别了噪声事件的多个麦克风、确定先前表征的签名中与已经为其识别了噪声事件的多个麦克风相关的那些部分，以及在匹配中仅使用先前表征的签名的那些部分。
13.在第三方面，本公开提供一种被适配为识别环境中的噪声事件的计算系统，其中该计算系统被配置为从定位在环境中的多个麦克风中的每个麦克风接收声音样本，其中该计算系统被适配为根据所确定的与多个麦克风中的不同麦克风处的噪声事件相关联的声音之间的相位差，建立多个噪声事件签名，并且进一步被适配为确定对应于来自多个麦克风的噪声事件的信号，以及通过将来自多个麦克风的信号与多个噪声事件签名进行匹配来识别噪声事件。
14.这种计算系统可以被适配为使用上述第一方面来建立多个噪声事件签名，并且可以被适配为使用上述第二方面来识别噪声事件。
15.在第四方面，本公开提供一种电源管理系统，其包括从多个本地计算系统接收事件数据的控制系统，以及一个或多个本地计算系统，这些本地计算系统是根据上述第三方面的计算系统，并且被适配为向控制系统报告所识别的噪声事件。
具体实施方式
16.现在参考附图以举例的方式描述本公开的具体实施方案，其中：
17.图1示出了控制系统，该控制系统使用多个传感器基于检测到的事件来确定动作；
18.图2示出了多个麦克风用于表征不同类型的现实世界事件的示例性用途；
19.图3示出了根据本公开的一个实施方案的使用噪声相位差对事件进行分类的方法；
20.图4展示了对来自不同麦克风的fft的比较，以示出这些麦克风之间的相位差；并且
21.图5示出了根据本公开的一个实施方案的使用噪声相位差签名对事件进行检测的方法。
22.在本公开的一个实施方案中，首先使用多个麦克风来表征不同的事件类型，然后将现实世界事件识别为这些事件类型中的一种。各个麦克风可以彼此相对靠近地定位，从而在用于表征不同事件类型的信号之间只有微小的差异。在建立这些差异时，由不同路径在事件起源与任何单个来源麦克风之间获取声音所作出的贡献可能非常显著，因此这些路径是多径签名。这与大多数处理声音的方式形成对比，在后者中，通常经过一定的长度，以抑制来自间接路径的贡献。在此，多径信息可能非常有用，原因例如：特定路径类型的存在与否在指示事件起源、因而事件的来源方面可能非常重要。
23.相隔相对小的距离定位的两个麦克风可以提供明显不同的信号。示例性布置在图2中示出，两个麦克风21和22被放置在彼此相当靠近的位置
–
靠得足够近以避免空间混叠，并且使得相位信息将是相关的(可听到的声音具有介于约0.015m与15m之间的波长)。这些麦克风独立地记录声音并且捕获具有高带宽(比如20hz至20khz)的噪声频谱。这提供了时域中的信号，这类信号可以通过傅里叶变换(通常使用fft)转换成频域信号，然后针对每个频率箱计算相位差。这样，如果使用两个麦克风，则提供相位差向量(如果使用更多麦克风，则提供矩阵)，由于多径效应，不仅对于噪声来源类型、而且对于噪声位置，该向量或矩阵都具有高度特异性。多径信号将导致相长干涉与相消干涉，这些干涉由房间的布局、形状和大小确定。这在图2中示出，其中噪声来源咖啡机23和穿孔机24各自提供直接信号231、241，以及由表面25的反射产生的间接信号232、242。直接信号231、241与间接信号232、242之间的干涉图形在第一麦克风21处的形态将不同于在第二麦克风22处的形态，因为路径差在每个麦克风处是不同的，所以对于例如咖啡机23事件，所记录的信号在每个麦克风处将是不同的。
24.该方法的具体实施包括两个过程：将不同噪声类型表征为事件签名，如图3所示；以及使用噪声事件的事件签名来检测和表征噪声事件，如图5所示。
25.在图3中直观示出的用于表征事件签名的步骤如下：
26.发现301有多少麦克风可用。这可以经由读取数据存储记录，或者通过使用常规传感器连接协议在一个或多个网络上发现麦克风的活动进程来实现。适当的协议包括以下各项：内置集成电路(i2c)、串行外围设备接口(spi)、互联网协议ipv4和ipv6、modbus、串行接口rs232，以及opc ua。
27.为您想要表征的现实世界事件生成302训练事件，并将其记录在所有麦克风上。这可以仅仅是在没有对任何相关麦克风处的信号作出显著贡献的其他噪声事件的情况下，相
关现实世界事件的表现。
28.针对每个麦克风，使用快速傅里叶变换fft将时域样本转换303为频域样本。这可以通过应用具有可配置重叠的滑动窗口来完成，例如，通过包括来自前一个所选择样本范围的n个样本。对于每个麦克风，fft将被执行多次，具体取决于窗口的大小。可以使用任何适当的窗口函数(hamming、hann、blackman-harris等)。对所有麦克风的所有数据样本重复该过程。
29.当每个麦克风的样本处于频域中时，下一步是为每个训练事件生成304特征向量或矩阵。在有两个麦克风的情况下，基于不同频率向量之间的相位差生成特征向量。图4中示出了示例性的特征向量，其包括fft之间差异的独特模式。在有多于两个麦克风的情况下，将存在特征矩阵，其可以被分解成表示特定麦克风之间的相位差的多个特征向量。
30.此时，可以为该特定噪声事件提供305唯一的特异性特征向量或矩阵，其被存储为候选事件签名。现在有必要确定该候选事件签名是否具有足够高的质量来用作该噪声事件的事件签名。
31.现在通过执行多个另外的事件来测试306该候选事件签名，这些另外的事件是测试事件而非训练事件，用于测试候选事件签名是否将它们识别出来。如果识别的准确度超过关于假肯定识别和假否定识别的阈值，则接受该候选事件签名作为事件签名。如果识别的准确度不满足该阈值，则需要302另外的训练事件，重复训练步骤，并且通过将候选事件签名与从新的训练事件获得的数据组合来更新该候选事件签名。然后，如前所述评价更新的候选事件签名，该过程直到候选事件签名超过阈值并且可以被识别为噪声事件的实际事件签名才成功。
32.所得到的事件签名是用于该特定事件的唯一的特异性特征向量或矩阵，其具有足够高的质量，使得该事件在将来被识别具有合理的置信度。
33.为了继续进行该校准过程，需要针对另一种噪声事件类型重复307这些步骤，直到要检测的所有噪声事件类型均已经建立特异性特征向量或矩阵。
34.在图5中直观示出的事件签名检测步骤是类似的，但有以下细微差别：
35.发现301有多少麦克风可用
–
这与生成签名的过程可以是相同的过程。需要说明的是，这组麦克风可能与生成签名的麦克风不完全相同。
36.从每个可用麦克风读取302数据流。
37.使用滑动窗口精确地计算303每个麦克风的fft，以便生成签名。当然，应当使用与签名相同的过程来建立来自要检测的事件的信号，因为意图是将检测到的事件与签名进行匹配。
38.如前所述，获取304当前样本的特征向量或矩阵，作为多个频域向量之间的相位差。
39.下一步有区别，其涉及将潜在事件的特征向量或矩阵与已知事件签名进行匹配305。这里需要考虑以下问题：
40.匹配可以潜在地针对所有记录的签名进行，不过也可能发生的是，这些签名可以用创建它们所需的麦克风来加标签，因而可能不与在检测到潜在事件的麦克风与用于为该事件生成签名的麦克风之间存在明显不一致的情况下的签名匹配；
[0041]“按类型分类(like-by-like)”必须匹配，以便确定该潜在事件是否与已知事件签
名匹配；
[0042]
为此，该匹配需要跨既用于确定签名也用于测量潜在事件的麦克风对进行；以及
[0043]
不能匹配的数据不应在该匹配过程中使用(例如，与在生成签名和检测潜在事件之一中使用而非同时在两者中使用的麦克风相关的数据)，这可能意味着，例如，不是特征矩阵的每一行或每一列都可以用于匹配。
[0044]
两个数据集之间的匹配过程是本领域技术人员所熟知的，这里不进一步论述，只是要注意，将存在为签名和事件的特征向量/矩阵之间的足够大的接近程度而建立的阈值，以便确定是否接受存在匹配。
[0045]
如果检测到506事件，则随后是适用于该事件的事件处理过程507。这可以用于监控(例如，以建立与电力运用的特定简档相关联的使用模式)，或者可以用于启动控制动作。
[0046]
然后，该过程简单地继续进行，直到检测到另一个潜在事件。
[0047]
在诸如图1所示的布置中，这些过程的步骤(创建签名和检测事件两者)可以在控制系统5处发生，不过也可以有利地在地理位置(环境)1本身内的中间点(诸如边缘计算系统6)处发生。该布置可以同时担当起两种角色，使得仅从边缘计算系统将检测到和经分类的事件传送到控制系统5(其可以接收来自多个地理位置的输入)。
[0048]
然后，控制系统5可以使用所分类的事件来分析地理位置1和别处的活动，并且该分析可以用于管理供电系统4，该供电系统在这里被示为通过本地配电系统7向环境1供电。在一些布置中，本地配电系统7可以与边缘计算系统6直接通信，或以其他方式与该边缘计算系统相关联，不过这在图1中未直接示出。
[0049]
以这种方式将事件分类使得能够进行更复杂的分析，因此还使得能够实施更复杂的控制策略。例如，环境中的电力需求增加可能由多种原因引起，但是对事件类型的检测也许能够区分这些原因，比方说，将加热系统激活(可能指示在该环境中存在长期需求)与清洁设备跨整个环境激活(以更加有限的效果指示存在清洁人员)区分开。该知识可以用作控制策略中有关资源分配的一部分。
[0050]
如本领域技术人员将理解的，以上描述的实施方案是示例性的，落入本公开的实质和范围内的另外的实施方案可以由本领域技术人员根据以上阐述的原理和实施例来开发。