线性回归和BP神经网络在噪声监测中的应用
作者:
基金项目:

福建省自然科学基金(2020J01699);福建省科技计划(2019H0021);福建省教育厅基金(JAT170326)


Application of Linear Regression and BP Neural Network in Noise Monitoring
Author:
  • 摘要
  • | |
  • 访问统计
  • |
  • 参考文献 [16]
  • |
  • 相似文献 [20]
  • | | |
  • 文章评论
    摘要:

    噪声监测系统能够自动测量噪声分贝值, 并实时处理系统监测到的各种声音环境信息, 但是在噪声监测系统的实际应用中, 噪声的分贝值受到温度、湿度和大气压力等多个因素影响, 与实际值存在误差. 为了提高噪声的测量精度, 必须使用相关技术进行校正, 系统采用了线性回归和BP神经网络技术, 研究了预测模型的因素和系数, 分析了模型中因素的相关性, 获得了噪声监测的自动校正模型. 从线性回归和BP神经网络自动校正数据的测试效果看, 优化了测量数据的容错性并改进了数据校正的精度, 使预测模型的判定系数R2的值有了较大提升.

    Abstract:

    Noise monitoring systems can automatically measure decibel level and process various sound environment information in real time. However, in their practical application, the noise decibel is affected by many factors such as temperature, humidity and atmospheric pressure, which leads to the errors between measured and actual values. In view of this, the correction based on relevant technologies becomes a necessity for the accuracy improvement of noise measurement. This study adopts linear regression and Back Propagation (BP) neural network to investigate the factors and coefficients of the prediction model and analyzes the correlation of factors in the model. As a result, the automatic correction model of noise monitoring is obtained. The test effect of automatic data correction by linear regression and BP neural network indicates that the fault tolerance of measurement data is optimized and the accuracy of data correction is improved. Further, the determination coefficient (R2) of the prediction model is greatly increased.

    参考文献
    [1] 孟苏北. 环境噪声自动连续监测系统在噪声监测中的作用. 现代仪器, 2006, 12(5):38-41
    [2] 钟国策. 声级计的工作原理. 电声技术, 2002, (1):65-66.[doi:10.3969/j.issn.1002-8684.2002.01.024
    [3] 陈剑林, 白滢, 牛锋, 等. 声级计的频率计权特性. 计量技术, 2008, (6):47-50
    [4] 浦云明, 汪志华, 乔峰, 等. ENS3000噪声监测系统研究与实现. 集美大学学报(自然科学版), 2015, 20(3):236-240
    [5] 牛滨, 孙晶华, 丁新心. 噪声监测系统的设计与实现. 哈尔滨理工大学学报, 2009, 14(3):131-134.[doi:10.3969/j.issn.1007-2683.2009.03.033
    [6] 蒋渭鑫. 测量声级校准器产生的声压级对温度和气压依赖关系的方法. 电声技术, 1995, (7):28-30
    [7] 何龙标, 白滢, 裘剑敏, 等. 实验室标准传声器静压和温度修正系数的测量. 计量学报, 2012, 33(4):336-339.[doi:10.3969/j.issn.1000-1158.2012.04.11
    [8] 桂桂, 姚小兵, 鄂治群, 等. 噪声监测系统传声器的温度特性实验研究. 中国测试, 2017, 43(10):123-126.[doi:10.11857/j.issn.1674-5124.2017.10.024
    [9] 王松桂. 线性统计模型:线性回归与方差分析. 北京:高等教育出版社, 1999.
    [10] Groemping U. Relative importance for linear regression in R:The package relaimpo. Journal of Statistical Software, 2006, 17(1):1-27.[doi:10.1360/jos170001
    [11] 田垅, 刘宗田. 最小二乘法分段直线拟合. 计算机科学, 2012, 39(S1):482-484
    [12] 谢明文. 关于协方差、相关系数与相关性的关系. 数理统计与管理, 2004, 23(3):33-36.[doi:10.3969/j.issn.1002-1566.2004.03.008
    [13] Zeng HP, Li YT, Xu HY, et al. The noise monitoring system and automatic correction algorithm. International Journal of Multimedia and Ubiquitous Engineering, 2016, 11(9):265-276
    [14] Bishop CM. Neural networks for pattern recognition. Oxford:Oxford University Press, 1995.
    [15] Le Cun Y, Boser B, Denker JS, et al. Handwritten digit recognition with a back-propagation network. Proceedings of the 2nd International Conference on Neural Information Processing Systems. Denver, CO, USA. 1989. 396-404.
    [16] Hecht-Nielsen R. Theory of the backpropagation neural network. Proceedings of International 1989 Joint Conference on Neural Networks. Washington, DC, USA. 2002. 593-605.
    引证文献
    网友评论
    网友评论
    分享到微博
    发 布
引用本文

曾华朴,尤志宁,黄兴旺,浦云明.线性回归和BP神经网络在噪声监测中的应用.计算机系统应用,2021,30(8):317-323

复制
分享
文章指标
  • 点击次数:869
  • 下载次数: 1941
  • HTML阅读次数: 1528
  • 引用次数: 0
历史
  • 收稿日期:2020-11-30
  • 最后修改日期:2021-01-18
  • 在线发布日期: 2021-08-03
文章二维码
您是第11202155位访问者
版权所有:中国科学院软件研究所 京ICP备05046678号-3
地址:北京海淀区中关村南四街4号 中科院软件园区 7号楼305房间,邮政编码:100190
电话:010-62661041 传真: Email:csa (a) iscas.ac.cn
技术支持:北京勤云科技发展有限公司

京公网安备 11040202500063号