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）

針對已有噪音地圖繪制方法的人力和時間開銷較大的問題，設(shè)計并實(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)包括移動端和服務(wù)器端，移動端的智能手機(jī)通過麥克風(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)將移動端校正的數(shù)據(jù)與標(biāo)準(zhǔn)測量儀的誤差控制在3 dB以內(nèi)時，能以較小的人力和時間開銷建立實(shí)時細(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)噪音對人及其周圍環(huán)境產(chǎn)生不良影響時就形成了噪音污染［1］。長時間暴露于噪音污染中可能會對人的身心都產(chǎn)生危害，例如煩躁、高血壓、過度緊張、耳鳴、聽力損失、睡眠障礙等［2-4］。眾所周知，過度緊張和高血壓是許多嚴(yán)重健康問題的起因［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)時噪音的途徑［6-8］。噪音地圖上表示出了每個地理位置的噪音等級。當(dāng)前建立噪音地圖的方法主要有以下2種：第1種是通過分析路況信息等得到的［6］；第2種是布置大量專用的傳感器節(jié)點(diǎn)來收集噪聲再分析［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)，代價很大，而且這樣計算出的噪音地圖更新非常慢（例如5年左右），第2種方法布置專用節(jié)點(diǎn)的代價太大。

隨著科技的發(fā)展，智能手機(jī)成為幾乎每個人生活中必不可少的一部分［9］。 報道稱，到 2015年，智能手機(jī)的出貨量會超過12億［10］。每個智能手機(jī)都裝備有一個高質(zhì)量的麥克風(fēng)，可以感知到周圍聲音的強(qiáng)度。因此，很自然想到可以用智能手機(jī)來測量噪音等級，即智能手機(jī)是一種潛在的便攜式噪音計。用智能手機(jī)作噪音計有個突出的優(yōu)點(diǎn)，即它可以在不產(chǎn)生任何額外代價的情況下測量噪音等級，沒有任何硬件方面的開銷，也不需要攜帶一個額外的設(shè)備。

基于群智感知［11］的思想來建立噪音地圖是不錯的選擇。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)開銷。

然而，使用群智感知的方法來建立噪音地圖是

一件很有挑戰(zhàn)性的事情，挑戰(zhàn)主要來源于以下方面：首先，智能手機(jī)在測量噪音時，有非常大的誤差。因?yàn)橹悄苁謾C(jī)主要是用來通話的，它的麥克風(fēng)與標(biāo)準(zhǔn)的噪音測量儀之間有較大差異；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)稀疏性的問題，針對這些問題并沒有現(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，都沒有考慮智能手機(jī)測量到的數(shù)據(jù)存在較大誤差的問題。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］并沒有考慮數(shù)據(jù)稀疏性和數(shù)據(jù)恢復(fù)的問題。

針對上述問題，本文設(shè)計一種基于群智感知的噪音收集展示系統(tǒng)，用來收集用戶上傳的數(shù)據(jù)并恢復(fù)缺失的數(shù)據(jù)，從而對智能手機(jī)的測量值進(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)來建立噪音地圖的工作，沒有很好地解決智能手機(jī)測量存在誤差的問題。文獻(xiàn)［12］將智能手機(jī)的測量值與標(biāo)準(zhǔn)噪音儀之間讀數(shù)的誤差看作是一個常數(shù)，但是并沒有解釋是怎樣得出這個結(jié)論的。文獻(xiàn)［13］有關(guān)于怎樣使用智能手機(jī)來代替標(biāo)準(zhǔn)噪音儀的描述，但是并沒有給出細(xì)節(jié)，一些針對與特定智能手機(jī)的結(jié)果也沒有說服力。文獻(xiàn)［12］在建立噪音地圖時，只考慮了道路附近的情況，雖然交通噪音是環(huán)境噪音一個很重要的來源，但是并不是全部，很多其他來源，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，并沒有很好地解釋當(dāng)數(shù)據(jù)稀疏的時候如何解決。

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，也可以通過外置一些設(shè)備來增強(qiáng)功能。文獻(xiàn)［14］通過將智能手機(jī)與外置的污染相關(guān)的傳感器相連，測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天線來檢測和定位交通和道路狀況。

3 背景知識和研究目的

3.1 A計權(quán)噪音等級

A計權(quán)是用來將噪音轉(zhuǎn)化為跟人耳相近的噪音等級，這是因?yàn)槿硕鷮Φ皖l的聲音不太敏感［16］。一段連續(xù)時間T內(nèi)的A計權(quán)噪音，用LAT表示，與人耳的感覺最相近。

接下來介紹怎樣計算 A計權(quán)的噪音等級。為了使用智能手機(jī)來測量噪音，首先從麥克風(fēng)傳感器中得到感應(yīng)電壓 ν（t），在經(jīng)過一個 A計權(quán)數(shù)字濾波器之后，ν（t）被轉(zhuǎn)化成了 A計權(quán)的感應(yīng)電壓νA（t）。A計權(quán)噪音等級與A計權(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，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)噪音儀的對齊。為了解決該問題，讓標(biāo)準(zhǔn)噪音儀提前一個小段時間開始采樣，并且每次實(shí)驗(yàn)持續(xù)較長的時間。在實(shí)驗(yàn)時，用Google play上的App產(chǎn)生不同噪音等級的噪音，結(jié)果如圖1所示。

圖1 測量誤差的累積分布函數(shù)值

當(dāng)噪音等級在40 dB與80 dB的區(qū)間內(nèi)變化時，有90%以上的測量誤差都超過 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

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，一個部分是智能手機(jī)端，負(fù)責(zé)上傳噪音數(shù)據(jù)，另一個部分是云端的服務(wù)器，負(fù)責(zé)接收用戶數(shù)據(jù)并處理展示。系統(tǒng)中還會用到云端的存儲器件和數(shù)據(jù)庫。

圖2 CityNoise系統(tǒng)的總體框架

CityNoise系統(tǒng)的工作過程如下：智能手機(jī)通過自己的麥克風(fēng)采集自己周圍的噪音水平，并經(jīng)過校正系統(tǒng)自動校正，然后將自己的位置信息、用戶標(biāo)識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)上傳到云存儲中。數(shù)據(jù)處理器是云端的一個周期性運(yùn)行的部件，它會從云存儲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)庫中。網(wǎng)絡(luò)服務(wù)器是用來處理用戶請求的，它會根據(jù)用戶的請求查詢數(shù)據(jù)庫，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)測量噪音時，與用標(biāo)準(zhǔn)噪音儀測量出的讀數(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)噪音測量儀之間，也存在于不同品牌不同型號的智能手機(jī)之間。為此，本文系統(tǒng)在智能手機(jī)端設(shè)計了一個節(jié)點(diǎn)級的校正模塊。

4.1.1 總體概覽

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

圖3 節(jié)點(diǎn)級的噪音校正模塊結(jié)構(gòu)

節(jié)點(diǎn)級校正模塊以原始的噪音數(shù)據(jù)作為輸入，以校正后的噪音測量值作為輸出，主要由2個部件組成，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)境識別的方法，對斜率和偏移量進(jìn)行更新?？刂破骶S護(hù)斜率和偏移量，在接收到原始噪音數(shù)據(jù)時，利用這2個變量對噪音進(jìn)行校正，并輸出校正之后的噪音數(shù)據(jù)。

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

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

4.1.2 模型建立與驗(yàn)證

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

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看作一個已知的常數(shù)。另一個系數(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。經(jīng)過大量實(shí)驗(yàn)發(fā)現(xiàn)這個噪音值大約是36.5。

需要注意的是，這個值只適用于室內(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

統(tǒng)一安靜噪音值是針對室內(nèi)環(huán)境的，因此，智能手機(jī)在進(jìn)行校準(zhǔn)之前，需要先探測出他所處的環(huán)境是室內(nèi)還是室外。關(guān)于檢測智能手機(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信號來確定他是處于室內(nèi)還是室外環(huán)境。為了提高判斷的準(zhǔn)確性，本文系統(tǒng)采用另一個更加細(xì)粒度的指標(biāo)來做判斷，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)星個數(shù)累積分布函數(shù)值

系統(tǒng)把分類的閾值設(shè)定為6，那么對于室內(nèi)和室外環(huán)境來說，它們的誤差率分別是20%和10%?？梢宰⒁獾剑切┠芩训礁嘈l(wèi)星數(shù)目的室內(nèi)環(huán)境，大多是在門口和窗邊，這些位置的噪音等級比較大，一般不會用來做校準(zhǔn)，所以，一個看上去比較大的誤差率并不會帶來很差的結(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。

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矩陣，矩陣的一維代表格子的編號，另一維是時間。格子對應(yīng)到地圖上的一個正方形的小區(qū)域，劃分格子可以使問題更好建模，將一段時間切割成不同的時槽，排列在時間維度。矩陣中的一個元素 aij代表第i個格子在時槽j的噪音值。當(dāng)一個格子在特定時槽收到的數(shù)據(jù)少于某個閾值時，認(rèn)為這個格子在特定時槽是沒有數(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，比如大片樹木覆蓋的區(qū)域，也有可能是用戶在這個格子內(nèi)停留的時間很短，比如高速公路。（2）在時間上，出于對自己智能手機(jī)電量的考慮，一個特定的用戶不會為系統(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槽是沒有數(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。由于時空相關(guān)性，一個大矩陣中的信息可以由2個小的矩陣代替，尋找2個分解后誤差最小的小矩陣，相乘就可以還原出原來矩陣的樣子。

4.2.3 矩陣的分解

假設(shè)完整的矩陣是A，觀測到的矩陣是A′，矩陣分解的目標(biāo)是將觀測矩陣 A′分解成2個矩陣R∈Rr×d和M∈Rm×d，使得矩陣F：=RMT來近似A。用來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)對手機(jī)校正的效果，做了一組真實(shí)的實(shí)驗(yàn)來評估。

使用2種不同品牌的手機(jī)來評估節(jié)點(diǎn)級的校正。實(shí)驗(yàn)的環(huán)境在實(shí)驗(yàn)室。在校正之后，這2個手機(jī)與標(biāo)準(zhǔn)噪音儀一起同時測量環(huán)境中的噪音。為了在一段時間內(nèi)獲得變化劇烈的噪音，使用 White Noise來產(chǎn)生背景噪音。

從圖5可以看出，在校正之后，2個手機(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，有交通主干道通過的格子（區(qū)域1），噪音等級普遍較高，學(xué)校的實(shí)驗(yàn)室所在區(qū)域（區(qū)域2），因?yàn)榻ㄖ∈?，人流量不太，所以比較安靜。

圖6 上海交大閔行校區(qū)的噪音地圖

6 結(jié)束語

本文基于群智感知的思想，設(shè)計CityNoise系統(tǒng)。通過該系統(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。能夠自動幫助智能手機(jī)校正測量噪音時的誤差，也可以在數(shù)據(jù)稀疏時使用矩陣分解的方法恢復(fù)數(shù)據(jù)。在數(shù)據(jù)校正時完全不需要人為干預(yù)，通過數(shù)據(jù)恢復(fù)的機(jī)制，可以保證噪音地圖的實(shí)時和細(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.英國推出噪音地圖或助緩解噪音污染［J］.中國測繪，2008，（3）：60-61.

［9］ 江志強(qiáng).2013年中國社交媒體8大趨勢預(yù)測［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