南京农业大学学报  2020, Vol. 43 Issue (5): 808-819   PDF    
http://dx.doi.org/10.7685/jnau.201912055
0

文章信息

刘野, 舒磊, 霍志强, 郭宣辰, 韩光洁
LIU Ye, SHU Lei, HUO Zhiqiang, GUO Xuanchen, HAN Guangjie
基于无线传感器网络的环境噪声感知研究进展
Research progress of wireless sensor networks for noise monitoring
南京农业大学学报, 2020, 43(5): 808-819
Journal of Nanjing Agricultural University, 2020, 43(5): 808-819.
http://dx.doi.org/10.7685/jnau.201912055

文章历史

收稿日期: 2019-12-27
基于无线传感器网络的环境噪声感知研究进展
刘野1 , 舒磊1,2 , 霍志强2 , 郭宣辰1 , 韩光洁1     
1. 南京农业大学工学院, 江苏 南京 210031;
2. 林肯大学工学院, 英国 林肯 LN67TS
摘要:环境噪声已经成为仅次于空气污染的第二大生态环境污染源,其持续危害人类健康、畜禽发育和农作物生长,严重阻碍生态环境的可持续发展。为获得详细噪声分布信息,世界各国陆续启动噪声地图战略计划。本文首先对我国环境噪声感知技术研究发展历程进行总结,并对研究现状进行分析。然后,从系统架构、低成本噪声传感器节点设计、噪声分类学与声源识别、能量捕获和移动噪声感知5个方面综述基于无线传感器网络的环境噪声感知国际研究发展动态。在此基础上,分析能量高效感知、轻量级多元噪声识别、无线多媒体可靠传输和噪声感知节点优化部署4个尚未解决的核心科学问题。最后,对未来研究方向进行展望。
关键词环境噪声   绿色生态   无线传感器网络   噪声地图   智慧农业   
Research progress of wireless sensor networks for noise monitoring
LIU Ye1, SHU Lei1,2 , HUO Zhiqiang2, GUO Xuanchen1, HAN Guangjie1    
1. College of Engineering, Nanjing Agricultural University, Nanjing 210031, China;
2. School of Engineering, University of Lincoln, Brayford Pool, Lincoln LN67TS, UK
Abstract: Noise pollution has become the second major environmental issue after the air pollution. It negatively affects public health, animal and plant growth, that therefore seriously hinders the sustainable development of ecological environment. To obtain detailed noise distribution information, several countries have launched the noise mapping strategic action. This paper first summarizes the development roadmap of environmental noise sensing technologies in China, and discusses its current state. Then, a comprehensive survey of recent developments on acoustic sensor networks is provided in terms of system architecture, low-cost sensor node design, sound taxonomy and classification, as well as energy harvesting and mobile sound sensing. Based on that analysis, four open issues regarding energy-efficient sensing, lightweight sound noise identification, dependable wireless multimedia transmission and node deployment are identified. Finally, some insights for future research directions are presented.
Keywords: environmental noise    green ecology    wireless sensor networks    noise mapping    smart agriculture   

随着社会的不断发展, 环境噪声问题日益凸显。它与水污染、空气污染和固体废物污染并称为当代社会四大污染[1]。其主要来源于各类交通、工农业生产、施工建设及社会活动。世界卫生组织和欧盟委员会联合发布的《噪声污染导致的疾病负担》[2]报告指出, 噪声污染不仅让人烦躁、睡眠紊乱, 还会引发心血管病、学习障碍和耳鸣等疾病, 进而减少人类寿命。在农业生产方面, 噪声污染对猪、牛、鸡等畜禽危害也非常大。例如, 养殖场内部机械运转和车辆发出的噪声会使猪受到惊吓发生狂奔、撞伤甚至破坏养殖设备[3]; 养殖场周围长期施工, 导致生猪食欲不佳、抵抗力下降并感染各种疾病; 受噪声刺激, 母鸡卵巢发育受到阻碍, 肉鸡生长速度减缓且肉质下降[4]; 牛舍噪声过大致使牛奶产量下降和牛奶酸度过高等问题[5]; 此外, 强噪声导致植物细胞破裂, 从而影响农业经济作物产量[6]。由此可见, 噪声污染对人类健康、动物发育繁殖和作物生长均有危害, 严重阻碍生态环境可持续发展。

环境噪声可视化是关乎国民健康及生态环境可持续发展的关键需求之一, 具有重要研究意义和应用前景。其作用在于:1)使无形的噪声问题显示化, 以此详细确定噪声分布情况; 2)环境噪声信息公开化, 使公众深度了解所处区域情况, 提高主动降噪意识; 3)为农业生产、交通规划、市政建设提供科学决策依据; 4)是实现智慧农业及数字化社会的重要环节, 通过收集环境噪声数据, 不仅为噪声治理及动植物健康研究提供基础, 还可为社会生活、公共安全等分析提供间接信息。

环境噪声可视化受到各国高度重视。2002年欧盟发布《Directive 2002/49/EC》[7], 正式启动“噪声地图”战略行动。该文件要求各成员国绘制噪声地图, 每5年更新1次, 并制定相应的治理规划。随后, 英国在2005年出版了《伦敦道路交通噪声地图》。德国绘制了500多个城镇的噪声地图, 并基于此建设噪音墙来减少交通噪声。瑞士、西班牙、葡萄牙、土耳其和北欧4国等国家也相继颁布相关法案及措施。目前, 此战略行动已经完成3轮, 并在第1386/2013/EU决议中指出到2020年把噪声污染问题降低到世界卫生组织推荐的合理水平。世界卫生组织在2018年发布更新版本的《Environmental Noise Guidelines for the European Region》[8]引领噪声地图绘制及健康研究工作。

在学术研究方面, 欧盟第7科技框架计划、地平线2020计划以及欧盟环境与气候行动计划(LIFE)都将生态环境噪声污染问题研究列为重要主题, 并资助重大科研项目超过50个[9]。典型代表有HOSANNA、ACOUTRAIN、Open-PSTD研究项目专注于噪声预测工具的研发, HARMONOISE和IMAGINE项目研究噪声传播模型及可视化方法, DYNAMAP项目研究基于低成本无线传感器网络的实时噪声监测系统, 并在米兰和罗马进行实际部署, 成功完成性能验证。

基于大量调研, 我们归纳出环境噪声感知技术研究从3个方向并行发展, 即基于模型的噪声计算与预测、基于无线传感器网络的噪声数据获取和基于群智感知的噪声监测。3种技术互相补充, 并将最终形成信息物理融合系统, 提供实时可视化、分析与智能决策。在感知层, 通过无线传感器网络和群智感知进行噪声获取, 可直接完成实时噪声可视化, 避免基于模型方法的巨大计算量。此外, 真实数据可用于计算模型的校准与修正, 提高预测精确度。未来, 基于模型的噪声计算与预测将在计算层发挥重要作用。最终, 实时噪声感知对农业生产、城市建设和交通规划提供科学指导。

总体来讲, 以上3类噪声感知技术研究在国际学术界齐头并进。在我国, 基于模型的噪声计算方法比较成熟, 基于群智感知技术的噪声监测处于起步阶段。然而, 基于无线传感器网络的噪声数据获取研究相对停滞。因此, 本文旨在综述国际学术界近些年在无线噪声传感器网络研究的进展, 并在此基础上分析尚未解决的核心科学问题。最后, 展望未来研究方向。

1 国内研究现状

我国在环境噪声感知技术研究方面同欧洲各国及美国等国家相比起步较晚。2008年, 深圳洛赛声学技术有限公司采用凯纳声学仿真模拟技术绘制了深圳市福田区域噪声地图, 中国第1张噪声地图就此诞生。此后国内各科研机构积极开展研究, 目前正处于方兴未艾时期。

表 1总结了国内代表性研究工作。2009年, 北京市科学技术研究院对国际预测模型进行修正, 提出适用于北京道路的噪声预测模型, 并计算得到第1张北京城区噪声地图[10]。2012年, 中山大学自主研发“城市环境噪声模拟与评估系统—中大声图”[11], 自动从地理信息系统中获取道路及建筑物等属性信息计算道路交通噪声。2016年, 清华大学结合预测模型、神经网络和群智感知技术, 研究基于大数据的城市噪声感知方法, 并在大连和北京开展试点[12]。2014—2017年, 上海交通大学与微软亚洲研究院合作开展基于移动感知的城市噪声监测系统研究[13]。2017年, 广东省前沿与关键技术创新专项资助基于群智感知的高精度工业噪声地图核心问题研究, 旨在攻克海量工业噪声数据云存储及处理问题。2018年, 上海市环境科学研究院研发出首个基于模型计算的动态噪声地图管理系统, 通过获取实时的道路交通信息等间接参数, 利用计算模型得出噪声情况, 该系统成功绘制了第1张上海城区实时噪声地图。

表 1 环境噪声感知技术研究的国内代表性工作 Table 1 Summary of related work for environmental noise mapping in China
年份Year 采用技术Adopted technology 研究对象Research object 研究重点Research focus 研究机构Institute
2009 预测模型+GIS 北京市 模型修正与系统研发 北京市科学技术研究院[10]
2012 预测模型+GIS 电子科技大学校园 软件系统研发 电子科技大学[14]
2012 预测模型+GIS 高速铁路 预测模型改进 中南大学[15]
2012 预测模型+GIS 公路交通 预测模型修正 长安大学[16]
2012 预测模型+GIS+GPS 广州道路交通 软件系统研发 中山大学[11]
2015 预测模型+GIS 通用 噪声图像化表征方法 东北石油大学[17]
2016 预测模型+神经网络+群智感知 大连市、北京市 物联网及大数据分析 清华大学[12]
2017 预测模型+GIS 露天矿山 矿山声环境影响评估 南京大学[18]
2018 预测模型+GIS 城市 布点方法 中山大学[19]
2018 预测模型+GIS 上海市 实时噪声显示 上海市环境科学研究院
2014 群智感知 城市 系统研发与压缩感知 西北工业大学[20]
2016 群智感知 通用 系统研发与情景感知 中国地质大学[21]
2017 群智感知 上海市 数据校正与稀疏补全 上海交通大学[13]
2017 群智感知 工厂 海量数据存储与处理 广东石油化工学院
2009 无线传感器网络 通用 路由协议 哈尔滨工程大学[22]
2012 无线传感器网络 机场 路由协议 南京航空航天大学[23]
2012 无线传感器网络 科研单位园区 系统设计 中科院城市环境研究所[24]
2013 无线传感器网络 城市 系统设计 西北工业大学[25]
2014 无线传感器网络 城市 节点部署与路由 浙江工业大学[26]
2014 无线传感器网络 机场 节点部署 南京航空航天大学[27]
2014 无线传感器网络 机场 网络连通性与路由 中国民航大学[28]
2018 噪声频谱分析仪 中国石油大学校园 环境噪声评估 中国石油大学[29]
2019 噪声频谱分析仪 高校校园 环境噪声评估 滨州学院[30]

通过汇总和对比近些年的代表性研究工作可以发现, 在基于预测模型和地理信息系统相结合的环境噪声感知技术方面, 国内研究进展与国际研究已经同步, 并在道路交通、机场和露天矿山等场景得到应用。基于群智感知的噪声监测研究同时正在兴起, 并在系统研发、数据校正、稀疏时空数据补全、压缩感知、情景感知和大数据存储等领域进行探索。然而, 基于无线传感器网络的噪声获取研究在2012至2014年达到高潮后, 近些年停滞不前, 并且研究方向仍停留在传统无线传感器网络研究领域, 如节点部署、多跳路由和网络连通性等。更值得关注的是, 基于无线传感器网络的噪声数据获取研究在国际学术界持续蓬勃发展, 研究方向与时俱进并且特色鲜明。因此, 通过对国际学术界在该领域的研究现状进行综述并分析其发展动态, 从而启示国内研究, 是一项刻不容缓的任务。

2 国际研究发展动态

图 1描述了基于无线传感器网络的环境噪声感知研究发展历程。苏黎世联邦理工学院在2008年历史性首次将无线传感器网络技术引入环境噪声感知应用[31-32]。该研究使用传感器节点搭建噪声监测系统进行室内和户外噪声采集。此外, 还开发了基于Matlab工具用于实时数据处理与可视化。该研究首次证明利用无线传感器网络进行实时数据获取的可行性, 同时开启这一崭新研究方向。

图 1 基于无线传感器网络的环境噪声感知技术研究的发展历程 Fig. 1 The research roadmap of wireless sensor networks for environmental noise mapping

此后, 各国学术机构陆续开展无线噪声传感器网络研究。近几年, 示范性研究成果越来越多。例如, 2015年, 英国纽卡斯尔大学研制开发eMote低成本传感器节点, 并将其部署在纽卡斯尔道路进行噪声数据采集[33]。欧盟环境与气候行动计划资助的DYNAMAP项目中, 西班牙、意大利和德国科研机构合作开发实时噪音地图系统平台。该平台结合定制低成本无线传感器节点和基于地理信息系统(GIS)的软件工具完成实时噪声可视化。2016年, 该示范性系统部署在米兰市和罗马市, 覆盖城区和主要道路[34]。2017年至2019年, 纽约大学城市科学研究中心在纽约曼哈顿地区陆续部署55个传感器节点, 用于记录该地区的声压情况及收集原始噪声音频[35]

通过大量的文献查阅, 我们归纳出目前基于无线传感器网络的实时环境噪声数据获取研究, 分为5个主要研究方向, 即系统架构研究、低成本噪声传感器节点设计、噪声分类学与声源识别、能量捕获和移动噪声感知。我们对这些相关工作及研究发展动态进行详细分析。

2.1 系统架构

2013年, Gubbi等[36]提出一种多层次无线噪声传感器网络架构。该架构包含3种基础设施, 即具有高通信能力和低处理能力的骨干节点、具有低通信能力和高处理能力的传感节点及移动节点。多个骨干节点形成多跳网络, 将数据汇报到云服务中心。高密度部署的普通传感器节点负责采集环境噪声及数据预处理, 并与骨干节点直接连接。由于固定的传感器节点存在感知盲区, 将车载传感器节点和智能移动设备作为时域和空间域的补充感知源。

2017年, Granda Cantuña等[37]提出将体域网和无线传感器网络整合的系统架构。无线传感器网络负责监测环境噪声, 体域网负责记录暴露在噪声下人们的身体健康反应, 如心率变化和血氧水平等。一方面, 人们可以通过直接的健康状况显示及时做出对策。另一方面, 在云服务器端将身体健康数据和噪声数据进行整合, 有助于噪声污染问题研究。Goetze等[38]研发了基于MQTT协议的开源平台。该平台包括智能传感器节点、运算服务器和可视化组件。MQTT代理作为中转节点提供消息发布订阅功能。从2018年3月起, 该系统平台部署在德国图林根州耶拿市进行示范性测试。其开源和易扩展性特点有助于基于传感网络的环境噪声监测技术推广。

2019年, Bello等[39]设想了一种未来环境噪声污染监测系统架构, 即SONYC信息物理融合系统。SONYC架构中“感知-分析-执行-感知”形成闭环网络, 通过部署低成本传感器网络和群智感知完成噪声采集。在分析层, 利用噪声预测模型、3D可视化互动和新型信息检索工具实现大规模智能噪声分析; 在执行层, 基于数据驱动的策略制定可以更高效地降低噪声污染及城市合理规划。

由此可见, 基于无线传感器网络的环境噪声监测系统架构正在逐渐进化和完善, 最终将会形成如图 2所示的智慧物联环境噪声感知系统, 并成为未来“城市大脑”的重要组成部分。

图 2 基于物联网的环境噪声感知系统架构[39] Fig. 2 System architecture for environmental noise mapping with Internet of Things[39]
2.2 低成本噪声传感器节点设计

早期, 基于无线传感器网络的噪声监测研究发展相对缓慢。其原因之一就是部署和维护成本过高。为了实现大范围细粒度噪声监测, 需要部署大量传感器节点。然而, 由于芯片模块价格较高、专业噪声表价格昂贵以及总体定制出货量较少等原因, 每个传感器节点的价格都在几千元人民币以上。此外, 传统传感器节点通常采用电池供电, 大规模频繁的电池更换导致人工成本巨大。基于以上原因, 低成本无线传感器节点设计研究成为该领域的核心问题之一。

2010年, Hakala等[40]首次详细讨论了低成本噪声采集传感器节点功能设计问题。在硬件设计方面, 文中指出超过85 dB噪声导致听力损伤, 高速公路的噪声在70 dB左右。典型环境噪声则在30~80 dB内。为了保证全噪声范围覆盖, 传感器节点需能够采集[30 dB, 90 dB]区间的噪声, 动态范围在60 dB以上。然而, ATmegal128等微控制器能处理的动态范围在此之下, 所以需要考虑前端噪声采集放大电路研究与设计。在软件设计方面, 由于噪声存在频段多样化特征, 所以需要研究采样频率的自适应调节算法。此外, 噪声数据校准同样是设计时考虑的关键问题。在上述工作基础上, 2011年Kivelä等[41]讨论了低成本噪声采集传感器节点的网络和通信设计问题。通过树形拓扑和全局同步来形成网络。基于链路状态的路由及网络同步降低了多跳传输的开销。同时, 周期性的通信调度机制降低能耗开销。

2016年, Wessels等[42]对学术界和产业界已提出的环境噪声监测系统进行归类, 具体分为基于专用设备的监测系统网络、适中价格噪声传感器网络、低成本噪声传感器网络和移动感知网络4类, 并以硬件成本、可扩展性、灵活性、准确度和可靠性为5个关键指标。上述4类在这5个关键指标上各有优势, 同时也决定了每类系统的适用噪声监测场景。

2017年, Mydlarz等[43]对大规模噪声监测应用场景进行详细分析, 然后得出高质量可扩展噪声传感器网络需满足以下几点特征:1)声压值计算需符合国际标准; 2)足够的计算能力用于智能网络内信息处理与原始声信号无线传输; 3)自治的网络运行; 4)每个传感器节点的成本需低于100美元。

2018年, Risojević等[44]讨论了低功耗低成本室内噪声传感器节点设计方法, 指出在资源受限传感器节点上进行数据处理面临挑战, 有限的能量、微处理器性能和内存资源严重影响本地处理能力。

表 2列举了近些年相关研究工作的具体芯片模块选择及节点价格。Kivelä等[45]在EuroNoise 2015国际会议上展示了CiNetNoise无线环境噪声监测系统。该系统传感器节点设计采用Zigbit900无线微处理器和驻极体麦克风, 从而降低节点成本。同年, Hughes等[46]提出基于蓝牙低功耗的传感器节点设计方案。同Wi-Fi、传统蓝牙和ZigBee相比, 蓝牙低功耗芯片的能耗较低, 而且传输距离远。在数据传输率方面, 蓝牙低功耗可达到1 Mb · s-1。虽然距Wi-Fi的54 Mb · s-1有较大差距, 但是适用于噪声信号传输, 同时芯片价格也较低。传感器选择上, 基于MEMS的微型低功耗麦克风用作噪声采集。Segura-Garcia等[47]研究对比了基于Tmote-Invent和Raspberry Pi这2类传感器节点平台在噪声采集监测应用的适用性问题。结果表明在面向噪声数据采集时, Tmote-Invent平台存在内存容量和噪声校准问题。

表 2 低成本无线噪声传感节点设计相关工作 Table 2 The designs of low-cost wireless acoustic sensor nodes
年份
Year
微控制器
Microcontroller
收发机
Transceiver
传感器
Sensor
价格/美元
Cost
文献
References
2015 ZigBit 900
ATmegal1281V
ZigBit900
(IEEE 802.15.4)
驻极体麦克风
Electret microphone
< 80 [45]
2015 nFR51822
ARM Cortex-M0
nFR51822
(Bluetooth LE)
MEMS麦克风
MEMS microphone
< 80 [46]
2015 Raspberry Pi
BCM2835 SoC
TL-WN725n
(IEEE 802.11)
驻极体麦克风
Electret microphone
< 100 [47]
2016 Raspberry Pi 2
BCM2836 SoC
以太网
Ethernet
USB麦克风
USB microphone
121 [48]
2017 Tronsmart MK908ii
ARM Cortex-A9
MK908ii
(IEEE 802.11)
MEMS麦克风
MEMS microphone
81 [43]
2018 STM32F050K6U6A
ARM Cortex-M0
ETRX357
(IEEE 802.15.4)
MEMS麦克风
MEMS microphone
48 [44]
2018 Teensy 3.2
ARM Cortex-M4
XBee Pro
(IEEE 802.15.4)
PUI音频麦克风
PUI audio microphone
135 [49]
2019 Raspberry Pi 2
BCM2836 SoC
USB WiFi适配器
(IEEE 802.11)
定制麦克风电路
Customized microphone
80 [35]

基于Raspberry Pi平台的节点设计是低成本无线传感器网络的可行途径。Noriega-Linares等[48]在2016年使用Raspberry Pi平台进行噪声传感器节点设计, 以获得高质量的声音信号处理能力; 同时, 将传感器节点互联到云服务器端提供实时的结果分享。Mydlarz等[43]在2017年设计了一种基于迷你PC机的传感器节点, 利用Tronsmart MK908ii mini PC来提供4核的处理能力、2GB DDR3和8GB高容量存储以及Wi-Fi无线通信, 从而实现本地噪声源分类等信号处理任务。2019年, 该团队又设计了一款低成本噪声传感器节点用于纽约城区的环境噪声监测[35]。Peckens等[49]关注长时期城市噪声监测的无线传感器节点设计问题, 并于2018年研究设计了基于Teensy 3.2微处理器平台和XBee Pro无线收发机的传感器节点, 外设电路用于噪声信号的过滤处理。

总体来讲, 噪声传感器节点设计研究的发展动态为采用基于片上系统和MEMS麦克风等大规模量产芯片设计来降低节点成本, 并研究睡眠调度算法及网络协议机制降低节点能耗, 从而实现长时期环境噪声数据获取。

2.3 噪声分类学与声源识别

噪声分类学与声源识别是近几年刚刚兴起的一个研究发展方向。2014年, 纽约大学音乐声音研究实验室和城市科学研究中心的Salamon等[50]提出面向噪声监测应用的噪声分类与识别问题的重要性, 从此开启环境噪声分类与识别研究的序幕。目前, 学术界正在积极开展此问题的研究, 现对相关工作进行了分析总结(表 3)。

表 3 噪声分类学与声源识别研究概况 Table 3 Summary of research studies for sound taxonomy and source classification
年份
Year
关注问题
Research focus
学术贡献
Scientific contribution
文献
References
2014 噪声分类学 研究设计针对噪声污染的声源分类学, 构建开源数据集 [50]
2015 特征学习 引入球面k均值算法进行城市噪声分类的无监督特征学习 [51]
2015 特征提取 引入散射变换作为声信号表达, 与声谱表达相比减少训练量 [52]
2017 分类器算法 引入深度卷积神经网络和数据增强方法进行噪声分类识别 [53]
2017 二元声源判断 提出一种二元声源判断算法来标记是否为异常噪声事件 [54]
2018 二元声源判断 提出一种适用于低成本传感器节点的简化二元声源判断算法 [55]
2018 二元声源判断 提出面向工厂和机场应用场景的二元声源判断算法 [56]
2019 分类器算法 在Raspberry Pi平台上搭建基于监督学习的分类算法 [57]

2014—2017年, Salamon及其团队发表了一系列文章。首先, 为了应对城市噪声污染研究面临的无分类标准和缺乏真实噪声标注数据的2个挑战, 他们研究设计了一种声源分类参考体系, 并且建立了2个开源数据集URBANSOUND和URBANSOUND8K。随后, 对基于机器学习的噪声识别进行了多项研究工作。例如, 研究讨论球面k均值算法在城市噪音分类的特征学习应用[51]、噪声信号的特征表达方法[52]和深度卷积神经网络在噪声分类的应用问题[53]

Salamon团队的研究工作集中在理论层面。在实践工程研究层面, Socoró和Alsina-Pagès团队开展基于传感器节点的异常噪声事件识别研究。2017年, Socoró等[54]提出了一种二元分类方法并进行了计算开销的分析。2018年, Alsina-Pagès等[55]在此工作基础之上研究了面向低成本传感器节点的二元分类方法问题, 并提出一种简化算法, 可在原来的算法基础上减少5/6计算开销, 但识别准确率性能略微下降。Maijala等[56]对工厂和机场噪音监测场景进行研究, 并提出了适用于传感器节点计算的二元分类方法。近期, Alsouda等[57]在Raspberry Pi Zero W平台上搭建了基于监督学习的声源识别系统, 图 3描述了其基本工作原理。首先, 选取梅尔倒谱系数(Mel frequency cepstrum coefficient, MFCC)作为噪声特征进行提取。其次, 采用基于k近邻、支持向量机、引导聚合及随机森林监督算法进行分类器设计和训练。最后, 通过测试噪声集进行系统性能评估。该工作对3 042个声音样本进行多元分类识别, 测试识别率达85%以上。

图 3 基于机器学习技术的环境噪声来源识别与分类 Fig. 3 Ambient sound noise identification and classification based on machine learning

可以看出, 噪音分类学与声源识别研究正在从理论层面和工程实践层面同步进行。从产业角度讲, 形成环境噪声分类学标准和构建大数据样本库是2个未来需求。从学术角度讲, 完善噪声识别机器学习理论和适用于传感器节点的机器学习算法是未来的发展方向。

2.4 能量捕获

尽管能量捕获无线传感器网络是近些年的热点研究领域, 但是面向环境噪声监测的能量捕获无线传感器节点设计及网络的研究工作屈指可数, 目前只检索到2篇文献, 均来自英国华威大学的Tan等[58-59]。Tan等[58]指出噪声数据采集是一项高能量消耗工作, 这给传统电池供电的传感器节点带来很大负担。能量捕获技术可以缓解这一问题, 通过将外界的环境能量转化为电能储存并对节点进行供给。但是, 高频率的噪声监测给能量捕获无线传感器节点设计带来诸多挑战。首先, 在进行不同分贝值的噪声采样时, 节点的计算开销变化显著, 这给能耗评估及预测带来很大挑战。其次, 由于背景噪声的存在, 传感器节点会持续采样, 导致能量一直消耗。如果外界环境能量密度不够, 就会导致节点死亡。最后, 基于太阳能捕获的传感器节点在夜晚会中断噪声采样与数据传输, 因此需要进行能量管理优化。Tan等[59]提出具体节点电路设计方案, 并且讨论了针对多脉冲负载任务下的充电时间分配机制。此外, 文中还讨论了多节点共存和多路能量捕获复用电路系统方法来提高噪声采集在时间域和空间域的连续性, 系统原理如图 4所示。

图 4 多节点共存(A)和多路能量捕获复用(B)电路系统 Fig. 4 Machine node co-location schematic(A)and power supply multiplexing schematic(B)
2.5 移动噪声感知

由于固定传感器网络在覆盖度的局限性, 许多学者开展了移动噪声传感器网络的研究工作。2012年, Radu等[60]提出了一种面向城市噪声监测的车载自组网方法。首先, 带有GPS的移动电话作为采集器进行噪声数据收集, 然后将数据发送给附近的车辆节点, 城市道路车辆组成车联网络来传递数据, 最终汇报给中心节点。2015年, Zhao等[61]从理论上进行了利用小规模车辆完成大范围高密度城市噪声采集的算法研究。文中提出了基于多点稀疏约束的反卷积噪声源映射方法和基于多点协方差矩阵拟合的噪声源位置及噪声水平估计。2017年, Alsina-Pagès等[62]研究设计了基于城市公交的低成本实时噪声采集移动传感网络, 并分析了基于城市公交的移动感知方法所面临的挑战。首先, 由于传感器节点挂载在公交车上, 其引擎噪声对数据的准确性影响很大, 因此, 需要研究在引擎噪声影响下的环境噪声信号处理与准确性分析。其次, 为保证覆盖度, 感知路径规划是一项挑战。最后, 低成本低功耗且具有机器学习能力的节点设计是一项挑战。

从上述研究可以看出, 群智噪声感知和车联网噪声感知能够大幅度减少传统噪声传感器节点个数, 降低部署成本。未来, 传统噪声传感器网络可以只部署在城市热点或重要区域进行长期实时监测, 其他区域则可以通过人群、车辆等参与性感知完成噪声记录。另一方面, 无人机已经在军事、农业等领域广泛应用, 在未来, 三维实时环境噪声数据采集将是无人机的又一重要应用领域。

3 尚未解决的核心科学问题

经过学术界和工业界多年努力, 基于无线传感器网络的环境噪声感知技术已经取得重要突破。但是, 通过对国内外相关研究工作总结和分析可以发现, 到目前为止尚有以下核心科学问题未得到有效解决:

1) 环境采样过程中延长网络寿命与有效信息量的矛盾问题。为降低网络维护成本, 延长网络寿命是重要途径。由于噪声采样任务消耗能量非常大, 现有研究工作通过能量捕获对传感器节点补给电能, 并采用周期性睡眠调度降低能量浪费。然而, 异常噪声事件往往是关键信息且具有突发性。周期性睡眠调度采样大概率错失对这些异常噪声事件的记录, 严重影响噪声感知有效性和准确性。因此, 如何使“有效信息量/能量消耗”比率最大化是亟待解决的问题之一。

2) 资源受限传感器节点的多元噪声识别问题。尽管面向环境噪声识别的机器学习理论正在快速发展, 目前能达到适用于低成本资源受限传感器节点的噪声识别算法还处于是非判断阶段。依据现有相关研究工作来看, 从“二元判断”到“多元识别”的轻量级噪声识别算法研究必定是未来的发展方向之一。

3) 环境噪声数据的鲁棒性传输问题。目前研究工作中无线传感器网络系统的信息汇报主要是:位置信息、等效噪声值、二元声源判断标记, 传输的数据量较小。在未来的噪声可视化应用中, 关键环境噪声的原始信号将会是非常重要的数据, 不仅可以实现丰富的信息反馈, 而且是农业生产、医学研究和社会问题分析的重要数据源。然而, 噪声监测场景环境复杂, 存在各种干扰。在低成本无线传感器网络中, 节点的发射功率、接收灵敏度和缓存容量等性能都有一定限制。因此, 无线传输可靠性受到挑战。尽管多媒体无线传感器网络研究已经发展多年, 但是针对环境噪声信号鲁棒性无线传输问题还鲜有研究。

4) 噪声感知节点的优化部署问题。节点部署是无线传感器网络研究中的一项核心问题, 其结果对网络服务质量、部署成本和日常维护开销起决定性作用。在环境噪声感知应用中, 这一核心科学问题需足够重视。首先, 经过多年的发展, 无线传感器网络节点部署基础理论已相对成熟, 但是针对环境噪声感知这一特定应用的节点优化部署研究还严重不足。目前, 只检索到一项有关对噪声感知节点部署问题进行的专门论述并提出基于区域权重的优化部署算法[63]。其次, 基于无线传感器网络的环境噪声感知目前还处于功能性验证及小规模示范阶段, 其节点数量通常在60个节点以下。学术界的关注重心在体系架构、低成本节点硬件设计和声源识别等研究方面。然而, 随着功能有效性及可行性论证的完成, 节点部署将会成为未来大规模应用的一个关键性环节及瓶颈。最后, 无线传感器网络从部署方式上可划分为随机部署和手工部署两大类。在环境感知应用中, 后者占主导地位, 节点布局方案的优劣直接影响网络性能及成本。由此可见, 面向环境噪声感知应用的传感节点优化部署问题必须得到有效解决。

4 未来研究方向

为进一步完善基于无线传感器网络的环境噪声感知理论与技术研究, 解决所面临的核心科学问题, 我们展望如下3个未来研究方向:

1) 环境自适应的高能效信息熵感知调度。城市区域噪声采集场景具有明显的环境特征。首先, 在监测事件方面, 普通背景噪声水平值比较低且相对稳定。典型的背景噪声有道路上正常行驶车辆产生的噪声、室内空调运转等发出的声音。而异常噪声事件往往噪声水平值较高且具有突发性, 例如车辆堵塞时频繁鸣笛、道路及工厂周围施工等。周期性噪声采样可以在节省能量的情况下高效记录普通背景噪声。然而, 这种固定感知调度会大概率丢失对异常事件噪声的记录。更加重要的是, 异常噪声事件是生态环境污染和危害人类及动、植物健康的主要因素。以上原因导致固定感知调度采集的有效数据量较少, 无法准确表达噪声水平。其次, 在能量捕获方面, 外界环境(如太阳能、射频能等)本身就具有动态性, 而且在城市环境中受遮挡或衰减, 导致传感器节点能量存储表现出不稳定特征。因此, 环境自适应的高能效信息熵感知调度亟待解决, 具体研究内容包括:低功耗异常噪声事件感知方法、环境能量特征分析和保证网络生命周期的自适应调度算法等。

2) 资源受限平台下的轻量级多元噪声识别算法。目前学术界及产业界提出的无线传感器网络系统还都处于传输等效噪声水平值的阶段, 满足单纯的噪声可视化需求, 对噪声污染问题的大数据分析及治理帮助甚微。传输原始噪声信号到云服务器端进行噪声来源分析是一种改进方法。但是, 传感器节点会消耗巨大能量, 导致节点时常离开网络或过早死亡。通过本地的噪声识别, 发送等效噪声水平值数据的同时标注噪声来源, 可以大大降低传感器网络通信能耗和云计算负担。然而, 低成本无线传感器节点在计算资源和存储资源上都十分有限。因此, 资源受限平台下的轻量级多元噪声识别算法研究至关重要, 具体研究内容包括:噪声特征提取选择与资源需求量分析、多元噪声识别分类器设计与资源需求量分析和轻量级噪声识别算法等。

3) 低成本传感节点通信可靠性及鲁棒传输。主城范围和工厂是噪声的2个主要来源。首先, 在无线通信链路方面, 城区及工厂内大量的无线设备造成无线频谱十分拥挤甚至是互相干扰。其次, 在环境方面, 如室内外温度情况、雨水天气、建筑物遮挡等因素, 低成本传感器节点硬件性能受环境影响较大, 无线通信可靠性将会受到更大挑战。最后, 关键原始噪声信号会发送给云端, 多媒体数据传输加大了鲁棒无线传输需求。因此, 低成本节点通信可靠性分析及鲁棒传输方法研究是保证服务质量的关键一环。具体研究内容包括:城市热点区域和工厂环境的无线通信可靠性分析、多媒体噪声信息的鲁棒无线传输机制等。

4) 基于多目标优化的噪声感知节点部署。首先, 与其他单一应用场景不同, 在环境噪声感知应用中, 区域复杂性和噪声源多样性决定了必须要选择及确定覆盖模型, 并研究不同覆盖模型下(区域监测、目标监测或栅栏监测)噪声感知质量问题。其次, 不同级别的声音传感器感知能力及方向性均有所不同。因此, 在传统理论感知模型(圆盘模型、概率模型和有向模型)基础上, 进行实测研究并建立不同传感器的声感知模型是一个关键研究点, 对后续网络部署起到指导性作用。最后, 针对特定的网络部署指标(覆盖性、连通性、节点数量)和约束条件(通信范围、节点成本、能量消耗)研究面向特定噪声感知区域的多目标优化节点部署方案将是未来的研究重点方向。

5) 5G通信、智能计算及大数据在环境噪声感知的应用。随着工信部正式发放5G商用牌照, 我国于2019年进入5G商用元年。行业与5G通信技术深度融合是重要趋势, 对工业制造、农业生产、物流供应链等领域的数字化转型起到关键性作用。近几年, 工业界及学术界正在持续不断探索基于5G的行业应用。例如, 海尔集团的5G智慧园区、中国商飞的5G大飞机智能制造系统和大湾区5G智慧港口等。然而, 目前还鲜有学术研究及应用实践对基于5G的环境噪声感知进行探索。本文对面临的机遇进行展望。首先, 5G通信网络的低功耗大连接特性将很好地支持大范围细粒度环境噪声数据的采集。狭义无线噪声传感器网络是指人工部署的传感器节点。而未来广义无线噪声传感器网络包含所有具有声音感知的智能设备, 如可穿戴设备、无人机、自动驾驶车辆等。百万级单位面积连接密度为万物噪声感知互联提供了高效的基础设施。其次, 热点高容量特性给多模态环境噪声感知提供了可能性。传感节点不仅可以记录噪声水平值, 还可以上传原始噪声音频及视频数据。最后, 低时延和高可靠特性可以大幅度降低复杂环境干扰带来的丢包问题, 以提升无线传输鲁棒性。

海量环境噪声感知终端提供了万物感知的基础, 5G、ZigBee、Bluetooth、NB-IoT和LoRaWAN等多元化的无线通信网络提供了万物互联的基础。在这种情况下, 多模态海量环境噪声数据统一汇总并传输到云中心管理平台进行数据分析和存储, 这极大地增加网络传输和计算负担。随着边缘计算、雾计算、联邦学习、深度学习等系统架构及技术的成熟, 面向环境噪声感知的“云中心-边缘-传感节点”全栈全场景智能计算将成为可能, 从而提供大规模细粒度噪声源识别、动态环境噪声显示及以用户为中心的可视化等服务功能。

尽管万物环境噪声感知能够采集海量的相关数据, 但是仍会存在时间维度和空间维度的数据稀疏性隐患。利用大数据分析和人工智能算法进行噪声数据补全及预测将是一种可行的方法, 并为环境治理措施的制定及先验评估提供依据。此外, 利用车辆、人数、机器等间接大数据进行环境噪声关系建模与分析将会成为重要方向之一。最后, 利用大数据、知识挖掘等技术对环境噪声数据进行分析, 并与其他大数据信息进行关联将有助于社会行为、公共安全等研究, 从而促进智慧城市发展。

5 结束语

噪声污染可视化及治理是构建绿色生态环境与可持续发展社会的关键途径。因此, 环境噪声感知技术是影响国民经济和社会发展的关键技术, 并具有广阔的应用前景。本文归纳总结了基于无线传感器网络的环境噪声感知研究发展历程, 从系统架构、低成本噪声传感器节点设计、噪声分类学与声源识别、能量捕获和移动噪声感知5个角度对国内外研究发展动态进行综述。在此基础上, 分析得出延长网络生命周期与增加有效信息量矛盾问题、资源受限节点多元噪声识别问题、噪声数据可靠传输问题和噪声感知节点优化部署问题尚未得到有效解决。最后, 以上述关键科学问题为导向, 展望了以高能效信息熵、实现本地轻量级多元噪声识别和鲁棒性多媒体传输为目标的未来研究方向。同时, 对5G通讯网络、智能计算和大数据等新兴技术在环境噪声感知的应用进行了展望。本文旨在明确无线噪声传感器网络尚未大规模应用背后的核心科学问题, 启示学术界研究和工业界产品开发。最终, 促使无线传感器网络基础理论研究成果和技术成果可以更好更快地走向环境噪声治理应用并服务于社会。

参考文献(References)
[1]
朱月.我国城市环境噪声污染防治法律制度完善研究[D].大连: 东北财经大学, 2017.
Zhu Y. Prevention and control of environmental noise pollution legal system research in the city of our country[D]. Dalian: Dongbei University of Finance and Economics, 2017(in Chinese with English abstract).
[2]
Nilsson M. Biological mechanisms related to cardiovascular and metabolic effects by environmental noise[EB/OL].[2019-12-05] http://www.euro.who.int/en/health-topics/environment-and-health/noise/publications/2018/biological-mechanisms-related-to-cardiovascular-and-metabolic-effects-by-environmental-noise.
[3]
王艳唯. 猪舍朝向及噪音对猪群的影响[J]. 畜牧兽医科技信息, 2016(11): 87.
Wang Y W. The effects of the orientation of house and noise for hog[J]. Technology Information for Livestock and Veterinarian, 2016(11): 87 (in Chinese).
[4]
吴懿.噪声对鸡的行为、心率变异性和卵巢组织形态的影响[D].南京: 南京农业大学, 2009.
Wu Y. The influence of noise on the behavior heart rate variability and morphology of ovarian tissue of chicken[D]. Nanjing: Nanjing Agricultural University, 2009(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10307-2010173368.htm
[5]
王黎虹, 王康英, 姬全褔, 等. 奶牛舍噪声测量与分析[J]. 畜牧与兽医, 2014, 46(1): 94.
Wang L H, Wang K Y, Ji Q F, et al. Measurement and analysis of noise in cow house[J]. Animal Husbandry & Veterinary Medicine, 2014, 46(1): 94 (in Chinese).
[6]
Collins M E, Foreman J E K. The effect of sound on the growth of plants[J]. Canadian Acoustics, 2001, 29(2): 3-8.
[7]
European Commission. Directive 2002/49/EC of the European parliament and the council of 25 June 2002 relating to the assessment and management of environmental noise[R]. Official Journal of the European Communities, 2002.
[8]
World Health Organization. Environmental Noise Guidelines for the European Region[R]. World Health Organization, 2018.
[9]
Alves S, Scheuren J, Altreuther B. Review of recent EU funded research projects from the perspective of urban sound planning:do the results cope with the needs of Europe's noise policy?[J]. Noise Mapping, 2016. DOI:10.1515/noise-2016-0007
[10]
北京市首张噪声地图即将绘制完成[J].城市问题, 2009(10): 100.
The first noise map of Beijing will be completed soon[J]. Urban Problems, 2009(10): 100(in Chinese). http://www.cqvip.com/Main/Detail.aspx?id=31858125
[11]
蔡铭, 邹竞芳, 李锋, 等. 城市环境噪声模拟与评估系统:"中大声图"的研究与应用[J]. 中山大学学报(自然科学版), 2012, 51(1): 39-44.
Cai M, Zou J F, Li F, et al. Research and application of the urban environment noise simulation and evaluation system named "Zhong Da Sheng Tu"[J]. Acta Scientiarum Naturalium Universitatis Sunyatseni, 2012, 51(1): 39-44 (in Chinese with English abstract).
[12]
彭帆.基于大数据建模的城市噪声地图研制方法与案例研究[D].北京: 清华大学, 2016.
Peng F. Methods and case study of mapping urban noise via big data analysis[D]. Beijing: Tsinghua University, 2016(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10003-1017817748.htm
[13]
覃兆坤.基于群智感知的城市噪声地图构建方法的设计与实现[D].上海: 上海交通大学, 2017.
Qin Z K. Design and implement of the method of constructing noise MAP based on crowed sensing[D]. Shanghai: Shanghai Jiaotong University, 2017(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10248-1019655366.htm
[14]
陶沛.基于GIS的噪声地图研究与系统实现[D].成都: 电子科技大学, 2012.
Tao P. GIS-based city noise mapping research and system development[D]. Chengdu: University of Electronic Science and Technology of China, 2012(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10614-1012472869.htm
[15]
袁湘华.基于GIS的高速铁路噪声预测方法研究[D].长沙: 中南大学, 2012.
Yuan X H. Research on the prediction method for the noise of high-speed railway based on GIS[D]. Changsha: Central South University, 2012(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10533-1012477199.htm
[16]
刘明.基于GIS的公路交通噪声预测技术研究[D].西安: 长安大学, 2012.
Liu M. Study on the technology of GIS based road traffic noise prediction[D]. Xi'an: Chang'an University, 2012(in Chinese with English abstract). http://d.wanfangdata.com.cn/thesis/D235583
[17]
朱桐.基于GIS的环境噪声数据分析及图形化处理技术研究[D].大庆: 东北石油大学, 2015.
Zhu T. The research about data analysis and graphical processing technology of environmental noise based on GIS[D]. Daqing: Northeast Petroleum University, 2015(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10220-1015362249.htm
[18]
贾莹.基于GIS的露天开采矿噪声环境影响评价研究[D].南京: 南京大学, 2017.
Jia Y. Research on noise environmental impact assessment for open-pit mine based on GIS[D]. Nanjing: Nanjing University, 2017(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10284-1017096608.htm
[19]
余芳芹, 万伟, 蔡铭. 城市噪声自动联网监测的布点方法研究[J]. 黑龙江交通科技, 2018, 41(10): 215-216.
Yu F Q, Wan W, Cai M. Research on the deployment of automatic network monitoring system for city noise[J]. Communications Science and Technology Heilongjiang, 2018, 41(10): 215-216 (in Chinese).
[20]
吴文乐, 郭斌, 於志文. 基于群智感知的城市噪声检测与时空规律分析[J]. 计算机辅助设计与图形学学报, 2014, 26(4): 638-643.
Wu W L, Guo B, Yu Z W. Crowd sensing based urban noise map and temporal-spatial feature analysis[J]. Journal of Computer-Aided Design & Computer Graphics, 2014, 26(4): 638-643 (in Chinese with English abstract).
[21]
霍志强.基于群智感知的噪声地图平台的研究与实现[D].北京: 中国地质大学, 2016.
Huo Z Q. Research and implementation of a crowdsensing-based noise map platform[D]. Beijing: China University of Geosciences, 2016(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-11415-1016068242.htm
[22]
王志伟.基于ZigBee技术的噪声监测系统的设计与研究[D].哈尔滨: 哈尔滨工程大学, 2009.
Wang Z W. Design and research on noise monitoring system based on zigbee technology[D]. Harbin: Harbin Engineering University, 2009(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10217-2009058696.htm
[23]
虞月.基于物联网的机场噪声监测平台及组网研究[D].南京: 南京航空航天大学, 2012.
Yu Y. Study of airport noise monitoring platform and networking based on internet of things[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2012(in Chinese with English abstract). http://cdmd.cnki.com.cn/article/cdmd-10287-1014059823.htm
[24]
全元, 王翠平, 王豪伟, 等. 基于无线传感器网的噪声监测系统设计及应用[J]. 环境科学与技术, 2012, 35(S2): 255-258.
Quan Y, Wang C P, Wang H W, et al. The design and application of noise monitoring system based on the wireless sensor network[J]. Environmental Science & Technology, 2012, 35(S2): 255-258 (in Chinese with English abstract).
[25]
曹晓欢, 杨建华, 陈立伟. 基于WSN的分布式城市噪声监测系统设计[J]. 传感技术学报, 2013, 26(8): 1159-1162.
Cao X H, Yang J H, Chen L W. Design of distributed city noise monitoring system based on wireless sensor network[J]. Chinese Journal of Sensors and Actuators, 2013, 26(8): 1159-1162 (in Chinese with English abstract).
[26]
陈炎.基于无线传感器网络的噪声监测系统的设计与实现[D].杭州: 浙江工业大学, 2014.
Chen Y. Design and implementation of noise monitoring system based on WSN[D]. Hangzhou: Zhejiang University of Technology, 2014(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10337-1015502542.htm
[27]
徐晶晶.基于WSN的机场噪声监测点布局优化算法的研究[D].南京: 南京航空航天大学, 2014.
Xu J J. Research on layout algorithm of airport noise monitoring points based on WSN[D]. Nanjing: Nanjing University of Aeronautics and Astronautics, 2014(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10287-1014061975.htm
[28]
蒿培培.面向机场噪声监测的无线传感网络能耗均衡研究[D].天津: 中国民航大学, 2014.
Hao P P. Research on wireless sensor network energy consumption balance for airport noise monitoring[D]. Tianjin: Civil Aviation University of China, 2014(in Chinese with English abstract). http://cdmd.cnki.com.cn/Article/CDMD-10059-1016918040.htm
[29]
王志伟, 郭朝阳, 乔恒源. 中国石油大学(华东)校园噪声监测与评价研究[J]. 环境科学与管理, 2018, 43(11): 127-131.
Wang Z W, Guo C Y, Qiao H Y. Noise monitoring and analysis of China university of petroleum(East China)[J]. Environmental Science and Management, 2018, 43(11): 127-131 (in Chinese with English abstract).
[30]
苏美珺, 单长青. 基于噪声地图的校园噪声污染与评价[J]. 能源与环境, 2019(1): 98, 100.
Su M J, Shan C Q. The pollution and evaluation of noise in campus based on noise map[J]. Energy and Environment, 2019(1): 98, 100 (in Chinese).
[31]
Santini S, Ostermaier B, Vitaletti A. First experiences using wireless sensor networks for noise pollution monitoring[C]//Proceedings of the workshop on Real-world wireless sensor networks-REALWSN'08. April 1, 2008. Glasgow, Scotland. New York, USA: ACM Press, 2008: 61-65. https://www.researchgate.net/publication/228350909_First_experiences_using_wireless_sensor_networks_for_noise_pollution_monitoring
[32]
Filipponi L, Santini S, Vitaletti A. Data collection in wireless sensor networks for noise pollution monitoring[M]. Berlin, Heidelberg: Springer Berlin Heidelberg, 2008: 492-497.
[33]
Marouf S, Bell M C, Goodman P, et al. Pervasive wireless sensors:a new monitoring tool for road traffic noise evaluation[J]. Applied Acoustics, 2018, 135: 48-59. DOI:10.1016/j.apacoust.2018.01.017
[34]
Bellucci P, Peruzzi L, Zambon G. LIFE DYNAMAP project:the case study of Rome[J]. Applied Acoustics, 2017, 117: 193-206. DOI:10.1016/j.apacoust.2016.04.022
[35]
Mydlarz C, Sharma M, Lockerman Y, et al. The life of a New York City noise sensor network[J]. Sensors, 2019, 19(6): 1415. DOI:10.3390/s19061415
[36]
Gubbi J, Marusic S, Rao A S, et al. A pilot study of urban noise monitoring architecture using wireless sensor networks[C]//2013 International Conference on Advances in Computing, Communications and Informatics(ICACCI). August 22-25, 2013. Mysore. IEEE, 2013: 1047-1052. https://www.researchgate.net/publication/261554151_A_pilot_study_of_urban_noise_monitoring_architecture_using_wireless_sensor_networks
[37]
Granda Cantuña J, Solorzano S, Clairand J M. Noise pollution measurement system using wireless sensor network and BAN sensors[C]//2017 Fourth International Conference on eDemocracy & eGovernment(ICEDEG). April 19-21, 2017. Quito, Ecuador. IEEE, 2017: 125-131. https://www.researchgate.net/publication/317098915_Noise_Pollution_Measurement_System_Using_Wireless_Sensor_Network_and_BAN_Sensors
[38]
Goetze M, Peukert R, Hutschenreuther T, et al. An open platform for distributed urban noise monitoring[C]//201725th Telecommunication Forum(TELFOR). November 21-22, 2017. Belgrade. IEEE, 2017: 1-4. https://www.researchgate.net/publication/322321983_An_open_platform_for_distributed_urban_noise_monitoring
[39]
Bello J P, Silva C, Nov O, et al. SONYC:a system for the monitoring, analysis and mitigation of urban noise pollution[J]. Communication of the ACM, 2018, 62(2): 68-77.
[40]
Hakala I, Kivela I, Ihalainen J, et al. Design of low-cost noise measurement sensor network: sensor function design[C]//2010 First International Conference on Sensor Device Technologies and Applications. July 18-25, 2010. Venice, Italy. IEEE, 2010: 172-179. https://www.researchgate.net/publication/228655741_Design_of_Low-Cost_Noise_Measurement_Sensor_Network_Sensor_Function_Design
[41]
Kivelä I, Gao C, Luomala J, et al. Design of noise measurement sensor network: Networking and communication part[C]//Proceedings of the 5th International Conference on Sensor Technologies and Applications. Côte d'Azur, France. 2011: 21-27. https://www.researchgate.net/publication/257932535_Design_of_Noise_Measurement_Sensor_Network_Networking_and_Communication_Part
[42]
Wessels P W, Basten T G H. Design aspects of acoustic sensor networks for environmental noise monitoring[J]. Applied Acoustics, 2016, 110: 227-234. DOI:10.1016/j.apacoust.2016.03.029
[43]
Mydlarz C, Salamon J, Bello J P. The implementation of low-cost urban acoustic monitoring devices[J]. Applied Acoustics, 2017, 117: 207-218. DOI:10.1016/j.apacoust.2016.06.010
[44]
Risojević V, Rozman R, Pilipović R, et al. Accurate indoor sound level measurement on a low-power and low-cost wireless sensor node[J]. Sensors, 2018, 18(7): 2351. DOI:10.3390/s18072351
[45]
Kivelä I, Hakala I. Area-based environmental noise measurements with a wireless sensor network[C]//Proceedings of the Euronoise. June 1-3, 2015, Maastricht. 2015: 218-220. https://www.researchgate.net/publication/278549317_Area-based_Environmental_Noise_Measurements_With_a_Wireless_Sensor_Network
[46]
Hughes J, Yan J Z, Soga K. Development of wireless sensor network using bluetooth low energy(ble)for construction noise monitoring[J]. International Journal on Smart Sensing and Intelligent Systems, 2015, 8(2): 1379-1405. DOI:10.21307/ijssis-2017-811
[47]
Segura-Garcia J, Felici-Castell S, Perez-Solano J J, et al. Low-cost alternatives for urban noise nuisance monitoring using wireless sensor networks[J]. IEEE Sensors Journal, 2015, 15(2): 836-844. DOI:10.1109/JSEN.2014.2356342
[48]
Noriega-Linares J E, Navarro-Ruiz J M. On the application of the raspberry Pi as an advanced acoustic sensor network for noise monitoring[J]. Electronics, 2016, 5(4): 74. DOI:10.3390/electronics5040074
[49]
Peckens C, Porter C, Rink T. Wireless sensor networks for long-term monitoring of urban noise[J]. Sensors, 2018, 18(9): 3161. DOI:10.3390/s18093161
[50]
Salamon J, Jacoby C, Bello J P. A dataset and taxonomy for urban sound research[C]//Proceedings of the ACM International Conference on Multimedia-MM'14. November 3-7, 2014. Orlando, Florida, USA. New York, USA: ACM Press, 2014: 1041-1044. https://www.researchgate.net/publication/267269056_A_Dataset_and_Taxonomy_for_Urban_Sound_Research
[51]
Salamon J, Bello J P. Unsupervised feature learning for urban sound classification[C]//2015 IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP). April 19-24, 2015. South Brisbane, Queensland, Australia. IEEE, 2015: 171-175. https://www.researchgate.net/publication/272787135_Unsupervised_Feature_Learning_for_Urban_Sound_Classification
[52]
Salamon J, Bello J P. Feature learning with deep scattering for urban sound analysis[C]//201523rd European Signal Processing Conference(EUSIPCO). August 31-September 4, 2015. Nice, France. IEEE, 2015: 724-728. https://www.researchgate.net/publication/278019931_Feature_Learning_with_Deep_Scattering_for_Urban_Sound_Analysis
[53]
Salamon J, Bello J P. Deep convolutional neural networks and data augmentation for environmental sound classification[J]. IEEE Signal Processing Letters, 2017, 24(3): 279-283. DOI:10.1109/LSP.2017.2657381
[54]
Socoró J, Alías F, Alsina-Pagès R. An anomalous noise events detector for dynamic road traffic noise mapping in real-life urban and suburban environments[J]. Sensors, 2017, 17(10): 2323. DOI:10.3390/s17102323
[55]
Alsina-Pagès R, Alías F, Socoró J, et al. Detection of anomalous noise events on low-capacity acoustic nodes for dynamic road traffic noise mapping within an hybrid WASN[J]. Sensors, 2018, 18(4): 1272. DOI:10.3390/s18041272
[56]
Maijala P, Zhao S Y, Heittola T, et al. Environmental noise monitoring using source classification in sensors[J]. Applied Acoustics, 2018, 129: 258-267. DOI:10.1016/j.apacoust.2017.08.006
[57]
Alsouda Y, Pllana S, Kurti A. IoT-based urban noise identification using machine learning[C]//Proceedings of the International Conference on Omni-Layer Intelligent Systems-COINS'19. May 5-7, 2019. Crete, Greece. New York, USA: ACM Press, 2019: 62-67.
[58]
Tan W M, Jarvis S A. Energy harvesting noise pollution sensing WSN mote: survey of capabilities and limitations[C]//2013 IEEE Conference on Wireless Sensor(ICWISE). December 2-4, 2013. Kuching, Sarawak, Malaysia. IEEE, 2013: 53-60. https://www.researchgate.net/publication/269331337_Energy_harvesting_noise_pollution_sensing_WSN_mote_Survey_of_capabilities_and_limitations
[59]
Tan W M, Jarvis S A. On the design of an energy-harvesting noise-sensing WSN mote[J]. EURASIP Journal on Wireless Communications and Networking, 2014, 2014(1): 167.
[60]
Radu D, Avram C, Astilean A, et al. Acoustic noise pollution monitoring in an urban environment using a VANET network[C]//Proceedings of 2012 IEEE International Conference on Automation, Quality and Testing, Robotics. May 24-27, 2012. Cluj-Napoca, Romania. IEEE, 2012: 244-248. https://www.researchgate.net/publication/254045073_Acoustic_noise_pollution_monitoring_in_an_urban_environment_using_a_VANET_network
[61]
Zhao S K, Nguyen T N T, Jones D L. Large region acoustic source mapping using movable arrays[C]//2015 IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP). April 19-24, 2015. South Brisbane, Queensland, Australia. IEEE, 2015: 2589-2593. Large region acoustic source mapping using movable arrays
[62]
Alsina-Pagès R, Hernandez-Jayo U, Alías F, et al. Design of a mobile low-cost sensor network using urban buses for real-time ubiquitous noise monitoring[J]. Sensors, 2016, 17(12): 57. DOI:10.3390/s17010057
[63]
Zheng Q L. Design and application of residential area noise monitoring based on wireless sensor[J]. International Journal of Online Engineering, 2017, 13(7): 14. DOI:10.3991/ijoe.v13i07.7276