基于群智感知的噪音收集展示系統(tǒng)

劉魯濱，朱燕民

（上海交通大學(xué)電子信息與電氣工程學(xué)院，上海200240）

基于群智感知的噪音收集展示系統(tǒng)

劉魯濱，朱燕民

（上海交通大學(xué)電子信息與電氣工程學(xué)院，上海200240）

針對(duì)已有噪音地圖繪制方法的人力和時(shí)間開(kāi)銷(xiāo)較大的問(wèn)題，設(shè)計(jì)并實(shí)現(xiàn)一種基于群智感知建立的噪音地圖系統(tǒng)。該系統(tǒng)包括移動(dòng)端和服務(wù)器端，移動(dòng)端的智能手機(jī)通過(guò)麥克風(fēng)收集所在位置的噪音程度，校正后上傳服務(wù)器，服務(wù)器端匯總噪音數(shù)據(jù)，恢復(fù)缺失數(shù)據(jù)并供用戶查詢。實(shí)驗(yàn)結(jié)果表明，當(dāng)該系統(tǒng)將移動(dòng)端校正的數(shù)據(jù)與標(biāo)準(zhǔn)測(cè)量?jī)x的誤差控制在3 dB以內(nèi)時(shí)，能以較小的人力和時(shí)間開(kāi)銷(xiāo)建立實(shí)時(shí)細(xì)粒度的噪音地圖。

參與式感知；智能手機(jī)；校正模塊；數(shù)據(jù)恢復(fù)；矩陣分解

DO I：10.3969/j.issn.1000-3428.2015.10.030

1 概述

凡是不需要的聲音就叫作噪音，當(dāng)噪音對(duì)人及其周?chē)h(huán)境產(chǎn)生不良影響時(shí)就形成了噪音污染［1］。長(zhǎng)時(shí)間暴露于噪音污染中可能會(huì)對(duì)人的身心都產(chǎn)生危害，例如煩躁、高血壓、過(guò)度緊張、耳鳴、聽(tīng)力損失、睡眠障礙等［2-4］。眾所周知，過(guò)度緊張和高血壓是許多嚴(yán)重健康問(wèn)題的起因［3-5］。因此，人們能夠得知他們關(guān)心區(qū)域的實(shí)時(shí)噪音水平是很有意義的。

噪音地圖是一種能很好展示實(shí)時(shí)噪音的途徑［6-8］。噪音地圖上表示出了每個(gè)地理位置的噪音等級(jí)。當(dāng)前建立噪音地圖的方法主要有以下2種：第1種是通過(guò)分析路況信息等得到的［6］；第2種是布置大量專(zhuān)用的傳感器節(jié)點(diǎn)來(lái)收集噪聲再分析［7］。這2種方式都有非常嚴(yán)重的不足，第1種方法要得到原始的分析數(shù)據(jù)，代價(jià)很大，而且這樣計(jì)算出的噪音地圖更新非常慢（例如5年左右），第2種方法布置專(zhuān)用節(jié)點(diǎn)的代價(jià)太大。

隨著科技的發(fā)展，智能手機(jī)成為幾乎每個(gè)人生活中必不可少的一部分［9］。 報(bào)道稱，到 2015年，智能手機(jī)的出貨量會(huì)超過(guò)12億［10］。每個(gè)智能手機(jī)都裝備有一個(gè)高質(zhì)量的麥克風(fēng)，可以感知到周?chē)曇舻膹?qiáng)度。因此，很自然想到可以用智能手機(jī)來(lái)測(cè)量噪音等級(jí)，即智能手機(jī)是一種潛在的便攜式噪音計(jì)。用智能手機(jī)作噪音計(jì)有個(gè)突出的優(yōu)點(diǎn)，即它可以在不產(chǎn)生任何額外代價(jià)的情況下測(cè)量噪音等級(jí)，沒(méi)有任何硬件方面的開(kāi)銷(xiāo)，也不需要攜帶一個(gè)額外的設(shè)備。

基于群智感知［11］的思想來(lái)建立噪音地圖是不錯(cuò)的選擇。使攜帶智能手機(jī)的用戶為系統(tǒng)提供數(shù)據(jù)可以大大減少任務(wù)開(kāi)銷(xiāo)。

然而，使用群智感知的方法來(lái)建立噪音地圖是

一件很有挑戰(zhàn)性的事情，挑戰(zhàn)主要來(lái)源于以下方面：首先，智能手機(jī)在測(cè)量噪音時(shí)，有非常大的誤差。因?yàn)橹悄苁謾C(jī)主要是用來(lái)通話的，它的麥克風(fēng)與標(biāo)準(zhǔn)的噪音測(cè)量?jī)x之間有較大差異；其次，所考慮的地理范圍是比較大的，很有可能出現(xiàn)數(shù)據(jù)稀疏性的問(wèn)題，針對(duì)這些問(wèn)題并沒(méi)有現(xiàn)成的方法可以解決。

雖然現(xiàn)在已經(jīng)有了利用智能手機(jī)來(lái)幫助建立噪音地圖的工作［12-13］，但是都存在一些不足。 比如，都沒(méi)有考慮智能手機(jī)測(cè)量到的數(shù)據(jù)存在較大誤差的問(wèn)題。文獻(xiàn)［12］只考慮了道路上噪音地圖的建立，不夠細(xì)粒度，文獻(xiàn)［13］并沒(méi)有考慮數(shù)據(jù)稀疏性和數(shù)據(jù)恢復(fù)的問(wèn)題。

針對(duì)上述問(wèn)題，本文設(shè)計(jì)一種基于群智感知的噪音收集展示系統(tǒng)，用來(lái)收集用戶上傳的數(shù)據(jù)并恢復(fù)缺失的數(shù)據(jù)，從而對(duì)智能手機(jī)的測(cè)量值進(jìn)行校正。

2 相關(guān)工作

2.1 智能手機(jī)建立噪音地圖的情況

關(guān)于使用智能手機(jī)來(lái)建立噪音地圖的工作，沒(méi)有很好地解決智能手機(jī)測(cè)量存在誤差的問(wèn)題。文獻(xiàn)［12］將智能手機(jī)的測(cè)量值與標(biāo)準(zhǔn)噪音儀之間讀數(shù)的誤差看作是一個(gè)常數(shù)，但是并沒(méi)有解釋是怎樣得出這個(gè)結(jié)論的。文獻(xiàn)［13］有關(guān)于怎樣使用智能手機(jī)來(lái)代替標(biāo)準(zhǔn)噪音儀的描述，但是并沒(méi)有給出細(xì)節(jié)，一些針對(duì)與特定智能手機(jī)的結(jié)果也沒(méi)有說(shuō)服力。文獻(xiàn)［12］在建立噪音地圖時(shí)，只考慮了道路附近的情況，雖然交通噪音是環(huán)境噪音一個(gè)很重要的來(lái)源，但是并不是全部，很多其他來(lái)源，比如工廠、建筑工地等是不能忽略的。文獻(xiàn)［13］更多關(guān)注的是系統(tǒng)的實(shí)現(xiàn)層面，并沒(méi)有很好地解釋當(dāng)數(shù)據(jù)稀疏的時(shí)候如何解決。

2.2 智能手機(jī)感知環(huán)境信息的情況

很多相關(guān)工作利用智能手機(jī)來(lái)感知環(huán)境中的一些參數(shù)，因?yàn)橹悄苁謾C(jī)本身帶有豐富的傳感器，也可以通過(guò)外置一些設(shè)備來(lái)增強(qiáng)功能。文獻(xiàn)［14］通過(guò)將智能手機(jī)與外置的污染相關(guān)的傳感器相連，測(cè)量城市中的一氧化碳和臭氧的濃度等空氣指標(biāo)。在文獻(xiàn)［15］中，利用智能手機(jī)中裝備的傳感器，例如加速度、麥克風(fēng)、GPS，或者GSM天線來(lái)檢測(cè)和定位交通和道路狀況。

3 背景知識(shí)和研究目的

3.1 A計(jì)權(quán)噪音等級(jí)

A計(jì)權(quán)是用來(lái)將噪音轉(zhuǎn)化為跟人耳相近的噪音等級(jí)，這是因?yàn)槿硕鷮?duì)低頻的聲音不太敏感［16］。一段連續(xù)時(shí)間T內(nèi)的A計(jì)權(quán)噪音，用LAT表示，與人耳的感覺(jué)最相近。

接下來(lái)介紹怎樣計(jì)算 A計(jì)權(quán)的噪音等級(jí)。為了使用智能手機(jī)來(lái)測(cè)量噪音，首先從麥克風(fēng)傳感器中得到感應(yīng)電壓 ν（t），在經(jīng)過(guò)一個(gè) A計(jì)權(quán)數(shù)字濾波器之后，ν（t）被轉(zhuǎn)化成了 A計(jì)權(quán)的感應(yīng)電壓νA（t）。A計(jì)權(quán)噪音等級(jí)與A計(jì)權(quán)感應(yīng)電壓之間的關(guān)系如下：

其中，ν0是基礎(chǔ)感應(yīng)電壓，可以認(rèn)為是 1；PA（T）是T時(shí)間內(nèi)的平均功率。

在實(shí)際系統(tǒng)中，ν（t）和 νA（t）都是離散的，用 f代表采樣頻率，并且定義W=f T-1，可以得到：

3.2 研究目的

實(shí)驗(yàn)證明未校正的智能手機(jī)得到的噪音的等級(jí)與在同樣環(huán)境下標(biāo)準(zhǔn)噪音儀的讀數(shù)有很大差別。在實(shí)驗(yàn)時(shí)，將智能手機(jī)的麥克風(fēng)與標(biāo)準(zhǔn)噪音的頭放得很近，近似同時(shí)收集噪音。由于標(biāo)準(zhǔn)噪音儀的采樣速率比較低，每秒鐘只有幾次，因此很難在時(shí)間上將手機(jī)麥克風(fēng)的數(shù)據(jù)與標(biāo)準(zhǔn)噪音儀的對(duì)齊。為了解決該問(wèn)題，讓標(biāo)準(zhǔn)噪音儀提前一個(gè)小段時(shí)間開(kāi)始采樣，并且每次實(shí)驗(yàn)持續(xù)較長(zhǎng)的時(shí)間。在實(shí)驗(yàn)時(shí)，用Google play上的App產(chǎn)生不同噪音等級(jí)的噪音，結(jié)果如圖1所示。

圖1 測(cè)量誤差的累積分布函數(shù)值

當(dāng)噪音等級(jí)在40 dB與80 dB的區(qū)間內(nèi)變化時(shí)，有90%以上的測(cè)量誤差都超過(guò) 10 dB，差不多有80%的誤差在13 dB～20 dB之間，這遠(yuǎn)遠(yuǎn)大于標(biāo)準(zhǔn)噪音儀能夠容忍的范圍［17］。

4 系統(tǒng)設(shè)計(jì)

CityNoise系統(tǒng)的總體框架如圖2所示。系統(tǒng)主要分為兩大部分，一個(gè)部分是智能手機(jī)端，負(fù)責(zé)上傳噪音數(shù)據(jù)，另一個(gè)部分是云端的服務(wù)器，負(fù)責(zé)接收用戶數(shù)據(jù)并處理展示。系統(tǒng)中還會(huì)用到云端的存儲(chǔ)器件和數(shù)據(jù)庫(kù)。

圖2 CityNoise系統(tǒng)的總體框架

CityNoise系統(tǒng)的工作過(guò)程如下：智能手機(jī)通過(guò)自己的麥克風(fēng)采集自己周?chē)脑胍羲剑⒔?jīng)過(guò)校正系統(tǒng)自動(dòng)校正，然后將自己的位置信息、用戶標(biāo)識(shí)信息以及校正之后的噪音數(shù)據(jù)一起上傳到云端的服務(wù)器。云端服務(wù)器有一個(gè)數(shù)據(jù)接收部件，可以接收用戶上傳的數(shù)據(jù)，把用戶的位置信息映射到地圖的格子上，最后把這部分?jǐn)?shù)據(jù)上傳到云存儲(chǔ)中。數(shù)據(jù)處理器是云端的一個(gè)周期性運(yùn)行的部件，它會(huì)從云存儲(chǔ)中取出之前上傳的數(shù)據(jù)，將有用戶上傳數(shù)據(jù)的格子填上數(shù)據(jù)，沒(méi)有數(shù)據(jù)的格子恢復(fù)出數(shù)據(jù)，最后把完整的結(jié)構(gòu)化的噪音信息存入云端的數(shù)據(jù)庫(kù)中。網(wǎng)絡(luò)服務(wù)器是用來(lái)處理用戶請(qǐng)求的，它會(huì)根據(jù)用戶的請(qǐng)求查詢數(shù)據(jù)庫(kù)，取出相應(yīng)的數(shù)據(jù)并以噪音地圖的形式返回給用戶。

4.1 智能手機(jī)噪音的校正

在3.2節(jié)中已經(jīng)介紹了在使用智能手機(jī)測(cè)量噪音時(shí)，與用標(biāo)準(zhǔn)噪音儀測(cè)量出的讀數(shù)有很大的差異。實(shí)驗(yàn)證明，這種差異不僅存在于智能手機(jī)與標(biāo)準(zhǔn)噪音測(cè)量?jī)x之間，也存在于不同品牌不同型號(hào)的智能手機(jī)之間。為此，本文系統(tǒng)在智能手機(jī)端設(shè)計(jì)了一個(gè)節(jié)點(diǎn)級(jí)的校正模塊。

4.1.1 總體概覽

節(jié)點(diǎn)級(jí)校正模塊的總體結(jié)構(gòu)框圖如圖3所示。

圖3 節(jié)點(diǎn)級(jí)的噪音校正模塊結(jié)構(gòu)

節(jié)點(diǎn)級(jí)校正模塊以原始的噪音數(shù)據(jù)作為輸入，以校正后的噪音測(cè)量值作為輸出，主要由2個(gè)部件組成，即節(jié)點(diǎn)矯正器和控制器。其中，節(jié)點(diǎn)校正器負(fù)責(zé)利用準(zhǔn)備工作得出的結(jié)論，結(jié)合室內(nèi)室外環(huán)境識(shí)別的方法，對(duì)斜率和偏移量進(jìn)行更新。控制器維護(hù)斜率和偏移量，在接收到原始噪音數(shù)據(jù)時(shí)，利用這2個(gè)變量對(duì)噪音進(jìn)行校正，并輸出校正之后的噪音數(shù)據(jù)。

在節(jié)點(diǎn)級(jí)校正模塊的輔助下，每一個(gè)智能手機(jī)都可以對(duì)自己的噪音測(cè)量數(shù)據(jù)獨(dú)立地做離線的校正。這個(gè)過(guò)程中不需要人為介入。系統(tǒng)以線性模型來(lái)建模智能手機(jī)的測(cè)量結(jié)果與標(biāo)準(zhǔn)噪音儀之間的讀數(shù)關(guān)系。在這個(gè)模型下，不同手機(jī)所對(duì)應(yīng)模型的斜率是相同的。因此，只需求得每臺(tái)手機(jī)的偏移量。

在手機(jī)端還包括一個(gè)小的控制器。控制負(fù)責(zé)將噪音測(cè)量值轉(zhuǎn)化為校正之后的噪音。它維護(hù)一個(gè)偏移量和斜率，其中，偏移量可以被節(jié)點(diǎn)級(jí)的校正模塊更新。

4.1.2 模型建立與驗(yàn)證

系統(tǒng)采用線性模型來(lái)描述智能手機(jī)讀數(shù)與專(zhuān)業(yè)噪音儀讀數(shù)之間的關(guān)系，分別用S和S′來(lái)表示：

S′=α+βS+ε

其中，α和β是待定的系數(shù)；ε是誤差。系統(tǒng)采用最小二乘法［18］來(lái)確定參數(shù) α和 β。

為了驗(yàn)證模型的可用性，將模型應(yīng)用到不同的手機(jī)型號(hào)上，結(jié)果如表1所示。

表1 線性擬合質(zhì)量參數(shù)的平均值

可以發(fā)現(xiàn)，不同手機(jī)型號(hào)的決定系數(shù)R2都接近于1，斜率β是固定的。后面把斜率β看作一個(gè)已知的常數(shù)。另一個(gè)系數(shù)的確定需要借助于統(tǒng)一的安靜室內(nèi)環(huán)境下的噪音等級(jí)。經(jīng)過(guò)大量實(shí)驗(yàn)發(fā)現(xiàn)這個(gè)噪音值大約是36.5。

需要注意的是，這個(gè)值只適用于室內(nèi)環(huán)境，因此，本文系統(tǒng)提出了一種方法來(lái)區(qū)分智能手機(jī)處于哪種環(huán)境。

4.1.3 室內(nèi)室外環(huán)境的檢測(cè)

統(tǒng)一安靜噪音值是針對(duì)室內(nèi)環(huán)境的，因此，智能手機(jī)在進(jìn)行校準(zhǔn)之前，需要先探測(cè)出他所處的環(huán)境是室內(nèi)還是室外。關(guān)于檢測(cè)智能手機(jī)的上下文有很多相關(guān)工作［19］，但是這些工作并沒(méi)有直接給出確定手機(jī)是處于室內(nèi)還是室外的方法。

可以根據(jù)智能手機(jī)能否收到GPS信號(hào)來(lái)確定他是處于室內(nèi)還是室外環(huán)境。為了提高判斷的準(zhǔn)確性，本文系統(tǒng)采用另一個(gè)更加細(xì)粒度的指標(biāo)來(lái)做判斷，即手機(jī)能夠掃描到的GPS衛(wèi)星的數(shù)目。圖4展示了實(shí)驗(yàn)的統(tǒng)計(jì)結(jié)果。在本文實(shí)驗(yàn)中，在不同的室內(nèi)環(huán)境下，掃描到GPS衛(wèi)星個(gè)數(shù)少于6顆的情況占

了80%，而到了室外環(huán)境，掃描到的GPS衛(wèi)星數(shù)目多于6顆的情況占了90%。

圖4 衛(wèi)星個(gè)數(shù)累積分布函數(shù)值

系統(tǒng)把分類(lèi)的閾值設(shè)定為6，那么對(duì)于室內(nèi)和室外環(huán)境來(lái)說(shuō)，它們的誤差率分別是20%和10%。可以注意到，那些能搜到更多衛(wèi)星數(shù)目的室內(nèi)環(huán)境，大多是在門(mén)口和窗邊，這些位置的噪音等級(jí)比較大，一般不會(huì)用來(lái)做校準(zhǔn)，所以，一個(gè)看上去比較大的誤差率并不會(huì)帶來(lái)很差的結(jié)果。

4.2 數(shù)據(jù)恢復(fù)

由于所關(guān)注的地理范圍比較廣，很有可能產(chǎn)生數(shù)據(jù)稀疏性的問(wèn)題，因此系統(tǒng)引入了矩陣分解的方法，下面詳細(xì)介紹設(shè)計(jì)。

4.2.1 矩陣的建立

本文系統(tǒng)將所關(guān)注區(qū)域的噪音建模成一個(gè)矩陣，矩陣的一維代表格子的編號(hào)，另一維是時(shí)間。格子對(duì)應(yīng)到地圖上的一個(gè)正方形的小區(qū)域，劃分格子可以使問(wèn)題更好建模，將一段時(shí)間切割成不同的時(shí)槽，排列在時(shí)間維度。矩陣中的一個(gè)元素 aij代表第i個(gè)格子在時(shí)槽j的噪音值。當(dāng)一個(gè)格子在特定時(shí)槽收到的數(shù)據(jù)少于某個(gè)閾值時(shí)，認(rèn)為這個(gè)格子在特定時(shí)槽是沒(méi)有數(shù)據(jù)的。為了便于恢復(fù)數(shù)據(jù)，矩陣中的元素都被格式化成了［0，1］之間的數(shù)值。

4.2.2 數(shù)據(jù)恢復(fù)的思想

本文系統(tǒng)所建模出的矩陣是有稀疏性的，主要因?yàn)橄旅?個(gè)原因：（1）在空間上，很多格子用戶上傳的數(shù)據(jù)量很少，這可能是因?yàn)檫@些格子人口密度很低，比如大片樹(shù)木覆蓋的區(qū)域，也有可能是用戶在這個(gè)格子內(nèi)停留的時(shí)間很短，比如高速公路。（2）在時(shí)間上，出于對(duì)自己智能手機(jī)電量的考慮，一個(gè)特定的用戶不會(huì)為系統(tǒng)上傳太久的數(shù)據(jù)。以上兩點(diǎn)原因造成了矩陣在很多格子很多時(shí)槽是沒(méi)有數(shù)據(jù)的，需要把這部分?jǐn)?shù)據(jù)填充上去。

近幾年，有很多有關(guān)數(shù)據(jù)恢復(fù)的工作，系統(tǒng)采用的是一種稱為矩陣分解的方法。由于時(shí)空相關(guān)性，一個(gè)大矩陣中的信息可以由2個(gè)小的矩陣代替，尋找2個(gè)分解后誤差最小的小矩陣，相乘就可以還原出原來(lái)矩陣的樣子。

4.2.3 矩陣的分解

假設(shè)完整的矩陣是A，觀測(cè)到的矩陣是A′，矩陣分解的目標(biāo)是將觀測(cè)矩陣 A′分解成2個(gè)矩陣R∈Rr×d和M∈Rm×d，使得矩陣F：=RMT來(lái)近似A。用來(lái)控制分解誤差的目標(biāo)函數(shù)定義成如下的形式：

可以使用啟發(fā)式的算法，一開(kāi)始為R和M附隨機(jī)的數(shù)值，然后不斷迭代求解，直到誤差小于某個(gè)設(shè)定好的閾值。

5 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文系統(tǒng)對(duì)手機(jī)校正的效果，做了一組真實(shí)的實(shí)驗(yàn)來(lái)評(píng)估。

使用2種不同品牌的手機(jī)來(lái)評(píng)估節(jié)點(diǎn)級(jí)的校正。實(shí)驗(yàn)的環(huán)境在實(shí)驗(yàn)室。在校正之后，這2個(gè)手機(jī)與標(biāo)準(zhǔn)噪音儀一起同時(shí)測(cè)量環(huán)境中的噪音。為了在一段時(shí)間內(nèi)獲得變化劇烈的噪音，使用 White Noise來(lái)產(chǎn)生背景噪音。

從圖5可以看出，在校正之后，2個(gè)手機(jī)的讀數(shù)都與標(biāo)準(zhǔn)噪音儀的讀數(shù)十分接近，有95%的誤差是少于3 dB的。另外，校正時(shí)使用本文實(shí)驗(yàn)得出的斜率值效果比直接使用斜率值1要好。

圖5 節(jié)點(diǎn)級(jí)校正的實(shí)驗(yàn)結(jié)果

圖6展示的是使用本文系統(tǒng)所建立的上海交大閔行校區(qū)范圍內(nèi)的噪音地圖。其中，方格顏色的深淺代表了噪音程度的高低。從圖中可以看出，有交通主干道通過(guò)的格子（區(qū)域1），噪音等級(jí)普遍較高，學(xué)校的實(shí)驗(yàn)室所在區(qū)域（區(qū)域2），因?yàn)榻ㄖ∈瑁肆髁坎惶员容^安靜。

圖6 上海交大閔行校區(qū)的噪音地圖

6 結(jié)束語(yǔ)

本文基于群智感知的思想，設(shè)計(jì)CityNoise系統(tǒng)。通過(guò)該系統(tǒng)收集智能手機(jī)上傳的數(shù)據(jù)，統(tǒng)一處理后再展示給用戶。能夠自動(dòng)幫助智能手機(jī)校正測(cè)量噪音時(shí)的誤差，也可以在數(shù)據(jù)稀疏時(shí)使用矩陣分解的方法恢復(fù)數(shù)據(jù)。在數(shù)據(jù)校正時(shí)完全不需要人為干預(yù)，通過(guò)數(shù)據(jù)恢復(fù)的機(jī)制，可以保證噪音地圖的實(shí)時(shí)和細(xì)粒度。實(shí)驗(yàn)結(jié)果表明，校正之后手機(jī)噪音的測(cè)量值與標(biāo)準(zhǔn)噪音儀的度數(shù)之間誤差小于3 dB。下一步的工作重點(diǎn)是解決系統(tǒng)運(yùn)行初期用戶量少、數(shù)據(jù)少的問(wèn)題，以及如何保證用戶量很大情況下的系統(tǒng)正常運(yùn)行。

［1］ Stansfeld S A，Matheson M P.Noise Pollution：Nonauditory Effects on Health［J］.British Medical Bulletin，2003，68（1）：243-257.

［2］ Sommerhoff J，Recuero M，Suárez E.Comm unity Noise Survey of the City of Valdivia，Chile［J］.Applied Acoustics，2004，65（7）：643-656.

［3］ Kryter K D.The Effects of Noise on Man［J］.Effects of Noise on Man，1970，1（6）：1-95.

［4］ 蔣 紅，李曙光，劉華曄，等.綜合性醫(yī)院噪音調(diào)查與分析［J］.中國(guó)護(hù)理管理，2008，8（3）：37-39.

［5］ Fields JM.Effect of Personal and Situational Variables on Noise Annoyance in Residential Areas［J］.Journal of the Acoustical Society of America，1993，93（5）：2753-2763.

［6］ DEFRA.Noise Mapping England［EB/OL］.（2010-11-21）. http：//www.noisemapping.org/.

［7］ Santini S，Ostermaier B，Vitaletti A.First Experiences Using Wireless Sensor Networks for Noise Pollution Monitoring［C］//Proceedings of Workshop on Realworld Wireless Sensor Networks.New York，USA：ACM Press，2008：61-65.

［8］ 徐 超.英國(guó)推出噪音地圖或助緩解噪音污染［J］.中國(guó)測(cè)繪，2008，（3）：60-61.

［9］ 江志強(qiáng).2013年中國(guó)社交媒體8大趨勢(shì)預(yù)測(cè)［J］.通訊世界，2013，（1）：35.

［10］ Tsan W N.The Industrial Specialization and Economic Contribution of the Smartphone Supply Chain：The Case of Apple and HTC［J］.International Journal of Automation and Smart Technology，2012，2（3）：177-188.

［11］ Reddy S，Estrin D，Srivastava M.Recruitment Framework for Participatory Sensing Data Collections［C］//Proceedings of the 8th International Conference on Pervasive Computing.Berlin，Germany：Springer-Verlag，2010：138-155.

［12］ Rana R K，Chou C T，Kanhere S S，et al.Ear-phone：An End-to-end Participatory Urban Noise Mapping System［C］//Proceedings of the 9th ACM/IEEE International Conference on Information Processing in Sensor Networks.New York，USA：ACM Press，2010：105-116.

［13］ Maisonneuve N，Stevens M，Niessen M E，et al.NoiseTube：Measuring and Mapping Noise Pollution with Mobile Phones［C］//Proceedings of the 4th International ICSC Symposium.Berlin，Germany：Springer，2009：215-228.

［14］ Carrapetta J，Youdale N，Chow A，et al.Haze W atch Project［EB/OL］.（2011-08-21）.http：//www.pollution. ee.unsw.edu.au.

［15］ Mohan P，Padmanabhan V N，Ramjee R.Nericell：Rich Monitoring of Road and Traffic Conditions Using Mobile Smartphones［C］//Proceedings of the 6th ACM Conference on Embedded Network Sensor Systems.New York，USA：ACM Press，2008：323-336.

［16］ Hileman A R.Insulation Coordination for Power Systems［EB/OL］.（2012-09-12）.https：//books.google.com/ books/about/Insulation-Coordination-for-Power-System. htm l？id=VRw4FY52WJsC&hl=zh-CN.

［17］ Foster JR，Hall D A，Summerfield A Q，et al.Soundlevel Measurements and Calculations of Safe Noise Dosage During EPI at 3T［J］.Journal of Magnetic Resonance Imaging，2000，12（1）：157-163.

［18］ Sorenson H W.Least-squares Estimation：From Gauss to Kalman［J］.IEEE Spectrum，1970，7（7）：63-68.

［19］ Miluzzo E，Papandrea M，Lane N D，et al.Pocket，Bag，Hand，etc.——Automatically Detecting Phone Context Through Discovery［C］//Proceedings of ACM Workshop on Sensing Applications on Mobile Phones.New York，USA：ACM Press，2010：21-25.

編輯 劉 冰

Noise Collection and Presentation System Based on Crowd Sensing

LIU Lubin，ZHU Yanmin
（School of Electronic Information and Electrical Engineering，Shanghai Jiaotong University，Shanghai200240，China）

Building noise maps is always accompanied with a lot of human efforts and time costs.This paper designs and implements a system based on participatory sensing.The mobile part and the server part are two key components in this system.Smart phones in mobile part measure the noise level around them.Noise data is uploaded to the server part after calibration.The server part collects these data，recovers the loosed data and builds the noise map.Users can query the noise map according to their demands.Experimental results show that the error of the calibration is less than 3 dB and this system builds the real-time and fine-grand noise map with low overhand.

participatory sensing；smart phone；calibration module；data recovery；matrix decomposition

劉魯濱，朱燕民.基于群智感知的噪音收集展示系統(tǒng)［J］.計(jì)算機(jī)工程，2015，41（10）：160-164.

英文引用格式：Liu Lubin，Zhu Yanmin.Noise Collection and Presentation System Based on Crow d Sensing［J］.Computer Engineering，2015，41（10）：160-164.

1000-3428（2015）10-0160-05

A

TP391

劉魯濱（1990-），男，碩士，主研方向：群智感知，人工智能；朱燕民，副教授。

2014-09-25

2014-11-10E-m ail：sjtu-eric@sjtu.edu.cn