CN118822459B 基于在线监测数据的企业未落实停产措施核查方法及系统 （中国环境科学研究院）

基于在线监测数据的企业未落实停产措施本申请公开了一种基于在线监测数据的企一声音传感器实时采集的环境声信号以及由第二声音传感器实时采集的被监控企业对象附近理和分析算法来对所述环境声信号和所述被监基于滤除环境声的附近声信号时频特征来智能2获取由第一声音传感器采集的环境声信号以及由第二声音传感器采集的被监控企业对所述被监控企业对象附近声信号和所述环境声信号进行小波变换以得到附近声信对所述附近声信号时频图像和所述环境声信号时频图像分别进行声信号时频特征提计算所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的差分以得将所述环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤除附2.根据权利要求1所述的基于在线监测数据的企业未落实停产措施核查方法，其特征时频图像和所述环境声信号时频图像分别通过基于GoogLeNet模型的声信号时频特征提取器以得到所述附近声信号时频特征矩阵和所述环3.根据权利要求2所述的基于在线监测数据的企业未落实停产措施核查方法，其特征环境声信号时频特征矩阵之间的按位置差分以得到所述环境声滤除附近声信号时频特征4.根据权利要求3所述的基于在线监测数据的企业未落实停产措施核查方法，其特征显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤除附对所述环境声滤除附近声信号时频特征矩阵进行特征表征以得到环境声滤除附近声将所述环境声滤除附近声信号时频表征矩阵进行掩码化处理以得到环境声滤除附近将所述环境声滤除附近声信号时频掩码权重矩阵和所述环境声滤除附近声信号时频特征矩阵进行按位置点乘以得到所述显著化环境声滤5.根据权利要求4所述的基于在线监测数据的企业未落实停产措施核查方法，其特征以所述环境声滤除附近声信号时频特征矩阵的各个位置特征值的负数作为自然常数的指数以计算按位置的以自然常数为底的指数函数值以得到环境声滤除附近声信号时频3计算所述环境声滤除附近声信号时频类支持特征矩阵中各个位置特征值与常数一之6.根据权利要求5所述的基于在线监测数据的企业未落实停产措施核查方法，其特征7.根据权利要求6所述的基于在线监测数据的企业未落实停产措施核查方法，其特征8.根据权利要求7所述的基于在线监测数据的企业未落实停产措施核查方法，其特征意力机制的重要成分显著化模块和所述基于9.根据权利要求8所述的基于在线监测数据的企业未落实停产措施核查方法，其特征获取训练数据，所述训练数据包括由第一声音传感器采对所述被监控企业对象训练附近声信号和所述训练环境声信号进行小波变换以得到将所述训练附近声信号时频图像和所述训练环境声信号时频图像分别通过所述基于GoogLeNet模型的声信号时频特征提取器以得到训练附近声信号时频特征矩阵和训练环境计算所述训练附近声信号时频特征矩阵和所述训练环境声信号时频特征矩阵之间的按位置差分以得到训练环境声滤除附近声信号将所述训练环境声滤除附近声信号时频特征矩阵通过所述基于类前景注意力机制的重要成分显著化模块以得到训练显著化环境声滤除附将所述训练显著化环境声滤除附近声信号时频特征矩阵通过所述基于分类器的稽查基于所述分类损失函数值并通过梯度下降的反向传播来对所述基于GoogLeNet模型的声音信号采集模块，用于获取由第一声音传感器采集的环境小波变换模块，用于对所述被监控企业对象附近声信号和声信号时频特征提取模块，用于对所述附近声信号时频图像和4像分别进行声信号时频特征提取以得到附近声信号时频特征矩阵和环境声信号时频特征声音信号差分计算模块，用于计算所述附近声信号时频特征频特征矩阵之间的差分以得到环境声滤除附近声重要成分显著化模块，用于将所述环境声滤除附近声信号时频特景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵稽查结果生成模块，用于基于所述显著化环境声滤除附近声5确保企业在面临环境风险时采取适当的应对措施，以减少对环境的影响并保护公众健康，习神经网络的信号处理和分析算法来对所述环境声信号和所述被监控企业对象附近声信[0007]获取由第一声音传感器采集的环境声信号以及由第二声音传感器采集的被监控[0008]对所述被监控企业对象附近声信号和所述环境声信号进行小波变换以得到附近[0009]对所述附近声信号时频图像和所述环境声信号时频图像分别进行声信号时频特征提取以得到附近声信号时频特征矩阵和环境[0010]计算所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的差分[0011]将所述环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要6成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤时频图像和所述环境声信号时频图像分别进行声信号时频特征提取以得到附近声信号时信号时频图像分别通过基于GoogLeNet模型的声信号时频特征提取器以得到所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的差分以得到环境声滤除附近声信阵之间的按位置差分以得到所述环境声滤除附附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤除附近声信号时频特征，包矩阵和所述环境声滤除附近声信号时频特征矩阵进行按位置点乘以得到所述显著化环境附近声信号时频特征矩阵进行特征表征以得到环境声滤除附近声信号时频表征矩阵，包指数以计算按位置的以自然常数为底的指数函数值以得到环境声滤除附近声信号时频类征值与常数一之和的倒数以得到所述环境声滤除附近声附近声信号时频表征矩阵进行掩码化处理以得到环境声滤除附近声信号时频掩码权重矩[0019]在上述基于在线监测数据的企业未落实停产措施核查方法中还包括用于对所述基于GoogLeNet模型的声信号时频特征提取器、所述基于类前景注意力机制的重要成分显7声信号时频图像和所述训练环境声信号时频图像分别通过所述基于GoogLeNet模型的声信号时频特征提取器以得到训练附近声信号时频特征矩阵和训练环境声信号时频特征矩阵；计算所述训练附近声信号时频特征矩阵和所述训练环境声信号时频特征矩阵之间的按位号时频特征矩阵通过所述基于类前景注意力机制的重要成分显著化模块以得到训练显著数值并通过梯度下降的反向传播来对所述基于GoogLeNet模型的声信号时频特征提取器、所述基于类前景注意力机制的重要成分显著化模块和所述基于分类器频图像分别进行声信号时频特征提取以得到附近声信号时频特征矩阵和环境声信号时频号时频特征矩阵之间的差分以得到环境声滤类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征[0029]通过结合附图对本申请实施例进行更详细的描述，本申请的上述以及其他目的、8[0030]图1为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法的[0031]图2为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法的[0032]图3为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法中将所述环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤除附近声[0033]图4为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法中对所述基于GoogLeNet模型的声信号时频特征提取器、所述基于类前景注意力机制的重要成分显著化模块和所述基于分类器的稽查器进行训练[0034]图5为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查系统的里阐述的实施例,相反提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的[0036]应当理解,本公开的方法实施方式中记载的各个步骤可以按照不同的顺序执行，9深度学习神经网络的信号处理和分析算法来对所述环境声信号和所述被监控企业对象附[0042]图1为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法的流程图。图2为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法的器采集的被监控企业对象附近声信号；S120,对所述被监控企业对象附近声信号和所述环境声信号进行小波变换以得到附近声信号时频图像和环境声信号时频图像；S130,对所述附近声信号时频图像和所述环境声信号时频图像分别进行声信号时频特征提取以得到附近声信号时频特征矩阵和环境声信号时频特征矩阵；S140,计算所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的差分以得到环境声滤除附近声信号时频特征矩阵；S150,将所述环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声取由第一声音传感器采集的环境声信号以及由第二声音传感器采集的被监控企业对象附被监控企业对象附近声信号和所述环境声信号进行小波变换以得到附近声信号时频图像声信号时频特征提取以得到附近声信号时频特征矩阵和环境声信号时频特征矩阵。具体声信号时频特征提取以得到附近声信号时频特征矩阵和环境声信号时频特征矩阵，包括：将所述附近声信号时频图像和所述环境声信号时频图像分别通过基于GoogLeNet模型的声信号时频特征提取器以得到所述附近声信号时频特征矩阵和所述环境声信号时频特征矩境声信号时频图像分别通过基于GoogLeNet模型的声信号时频特征提取器以分别捕捉和挖在结构和特征信息的附近声信号时频特征矩阵和环境声[0046]在步骤S140中,计算所述附近声信号时频特征矩阵和算所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的差分以得到环境算所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的按位置差分以得[0047]在步骤S150中,将所述环境声滤除附近声信号时频特力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显征矩阵是通过所述附近声信号时频特征矩阵和所述环境声信号时频特征矩阵之间的按位的是，所述类前景注意力机制可以帮助模型更好地区分信号中的前景(目标)和背景(环留与目标信号相关的附近声信号中重要显著特征，减少环境声对附近声信号分析的干扰，[0048]图3为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法中将所述环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特征矩阵作为显著化环境声滤除附近声信号时频特征矩阵通过基于类前景注意力机制的重要成分显著化模块以得到显著化环境对所述环境声滤除附近声信号时频特征矩阵进行特征表征以得到环境声滤除附近声信号时频表征矩阵；S220,将所述环境声滤除附近声信号时频表征矩阵进行掩码化处理以得到掩码权重矩阵和所述环境声滤除附近声信号时频特征矩阵进行按位置点乘以得到所述显时频特征矩阵的各个位置特征值的负数作为自然常数的指数以计算按位置的以自然常数境声滤除附近声信号时频类支持特征矩阵中各个位置特征值与常数一之和的倒数以得到于类前景注意力机制的重要成分显著化模块以得到显著化环境声滤除附近声信号时频特力公式对所述环境声滤除附近声信号时频特征矩阵进行处理以得到所述显著化环境声滤环境声滤除附近声信号时频特征矩阵，S表示所述环境声滤除附近声信号时频掩码权重矩所述环境声滤除附近声信号时频特征矩阵进行重要成分显著化得到的显著化环境声滤除[0058]图4为根据本申请实施例的基于在线监测数据的企业未落实停产措施核查方法中对所述基于GoogLeNet模型的声信号时频特征提取器、所述基于类前景注意力机制的重要成分显著化模块和所述基于分类器的稽查器进行训练的流程图。如图4所示，所述训练步对戏是否未落实停产措施的真实值；S320,对所述被监控企业对象训练附近声信号和所述训练环境声信号进行小波变换以得到训练附近声信号时频图像和训练环境声信号时频图像；S330,将所述训练附近声信号时频图像和所述训练环境声信号时频图像分别通过所述基于GoogLeNet模型的声信号时频特征提取器以得到训练附近声信号时频特征矩阵和训练环境声信号时频特征矩阵；S340,计算所述训练附近声信号时频特征矩阵和所述训练环境声信号时频特征矩阵之间的按位置差分以得到训练环境声滤除附近声信号时频特征矩阵；S350,将所述训练环境声滤除附近声信号时频特征矩阵通过所述基于类前景注意力机制的重要成分显著化模块以得到训练显著化环境声滤除附近声信号时频特征矩阵；S360,将所述训练显著化环境声滤除附近声信号时频特征矩阵通过所述基于分类器的稽查器以得到述基于GoogLeNet模型的声信号时频特征提取器、所述基于类前景注意力机制的重要成分[0060]首先计算所述训练显著化环境声滤除附近声信号时频特征矩阵展开后得到的训练显著化环境声滤除附近声信号时频特征向量，例如记为V的任意两个位置的特征值之间的均值和方差以获得均值权重矩阵Mμ和方差权重矩阵Mσ,再将所述训练显著化环境声滤除附近声信号时频特征向量V分别与所述均值权重矩阵Mμ和所述方差权重矩阵Mσ进行查询式环境声滤除附近声信号时频特征向量V的自关联矩阵的Frobenius范数与作为超参数的权[0063]其中，V表示所述训练显著化环境声滤除附近声信号时频特征矩阵展开后得到的表示向量的转置，表示矩阵乘法运算，α为作为超参数的权重，‖·‖F表示矩阵的[0065]其中，vi表示所述训练显著化环境声滤除附近声信号时频特征向量的第i个特征之间的图像差分语义由于基于类前景注意力机制的重要成分显著化导致的局部图像差分[0067]