一种基于云平台的智能漏水声识别方法技术

一种基于云平台的智能漏水声识别方法，包括如下步骤：步骤1：从预警平台中提取声特征信息；步骤2：选择出对分类判别分析有用的声特征后作为机器学习模型的输入；步骤3：对机器学习模型进行训练，得到优化后的识别模型，并保存模型；步骤4：使用保存后的模型，并根据漏水识别算法进行目标噪声音频的分类计算以判定声特征是否为漏水声，并在确认为噪声后，将噪声文存入云平台噪声数据库中并归入对应类别；步骤5：在噪声数据库更新后，对机器学习模型再次训练以优化模型。该发明专利技术，机器学习模型基于噪声数据库学习，可不断优化模型，形成反馈式训练模式，随着数据库的丰富，漏水声识别的准确率会不断提高。

【技术实现步骤摘要】
一种基于云平台的智能漏水声识别方法
本专利技术涉及漏水声识别领域，尤其涉及一种基于云平台的智能漏水声识别方法。
技术介绍
漏损是每个城市供水管网都会面临的重要挑战，而通过漏水识别能够及时发现漏损现象。常见的检测手段主要是人工巡视的方法，根据肉眼观察结果进行判断，受人为因素影响较大，存在着效率低、准确性差的问题。也有一些漏水识别装置或者漏水监测系统，通过检测仪根据接收到的采集装置的声音信号自动进行判断，无需依靠人员经验进行判断，提高了监测的准确性及可靠性，如申请号CN201320051823.8的管道漏水检测仪及具有该检测仪的管道网络漏水监测系统。但是，往往存在着以下问题：检测仪中无法自动更新以及学习，在识别的准确性以及客观性上还有待提高。
技术实现思路
针对现有技术的不足，本专利技术旨在提供一种基于云平台的智能漏水声识别方法，由机器学习模型基于噪声数据库学习，实现不断优化模型并形成反馈式训练模式，随着数据库的丰富，漏水声识别的准确率会不断提高。一种基于云平台的智能漏水声识别方法，包括如下步骤：步骤1：本文档来自技高网...

【技术保护点】
1.一种基于云平台的智能漏水声识别方法，其特征在于，包括如下步骤：/n步骤1：从预警平台中提取声特征信息；/n步骤2：选择出对分类判别分析有用的声特征后作为机器学习模型的输入；/n步骤3：对机器学习模型进行训练，得到优化后的识别模型，并保存模型；/n步骤4：使用保存后的模型，并根据漏水识别算法进行目标噪声音频的分类计算以判定声特征是否为漏水声，并在确认为噪声后，将噪声文存入云平台噪声数据库中并归入对应类别；/n步骤5：在噪声数据库更新后，对机器学习模型再次训练以优化模型。/n

【技术特征摘要】
1.一种基于云平台的智能漏水声识别方法，其特征在于，包括如下步骤：
步骤1：从预警平台中提取声特征信息；
步骤2：选择出对分类判别分析有用的声特征后作为机器学习模型的输入；
步骤3：对机器学习模型进行训练，得到优化后的识别模型，并保存模型；
步骤4：使用保存后的模型，并根据漏水识别算法进行目标噪声音频的分类计算以判定声特征是否为漏水声，并在确认为噪声后，将噪声文存入云平台噪声数据库中并归入对应类别；
步骤5：在噪声数据库更新后，对机器学习模型再次训练以优化模型。


2.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤2中，通过ReliefF算法进行声特征选择，该算法包括如下步骤：
步骤2-1：对步骤1中提取的声特征信息进行降维处理，并形成多个特征子集；
步骤2-2：利用分类器对特征子集进行分类以评估出分类准确率最优的特征子集；
步骤2-3：通过交叉验证方式来验证最优特征子集的有效性，在验证结果为有效的情况下将最优特征子集确定为机器学习模型的输入特征子集。


3.根据权利要求2所述的一种基于云平台的智能漏水声识别方法，其特征在于，其特征在于，步骤2-2，在分类时利用贝叶斯分类器进行分类，其中，贝叶斯分类器是基于高斯模型中的计算每个特征的概率密度函数并以分类准确率-方差建立。


4.根据权利要求1所述的一种基于云平台的智能漏水声识别方法，其特征在于，步骤3中，机器学习模型包括SVM分类模型，对SVM分类模型的训练具体包括如下步骤：
步骤3-1：选择核函数，其表达式为；
步骤3-2：计算与核函数相关的超参数...

【专利技术属性】
技术研发人员：杨海峰，颜伟敏，刘斌，
申请(专利权)人：浙江和达科技股份有限公司，
类型：发明
国别省市：浙江;33