一种降噪方法、装置、电子设备及存储介质

技术领域

本公开涉及信号处理技术领域，尤其涉及一种降噪方法、装置、电子设备及存储介质。

背景技术

汽车产品的研发设计过程中，必然要涉及到噪声、振动与声振粗糙度(Noise、Vibration、Harshness，NVH)的问题，对于目前存在的电动汽车以及燃油汽车来说，参阅图1所示意的电动汽车与燃油汽车的总声级对比可知，由于电动汽车在运行过程中不会产生发动机噪声和进排气噪声，所以黑色柱所示意的电动汽车的总声级，较灰色柱所示意的燃油汽车相对小一些。但仍存在高频的电机噪声，极大影响了车内乘客的乘车体验。

现有技术下，为降低电动汽车的车内噪声，通常采用转子斜级、控制器谐波注入等方式，通过调整电机转子结构、电机控制来进行优化、抑制和调制噪声，在电动总成实车运行阶段会产生多种不同工况的情况下，使得噪声和阶次在扭矩、转速变化下在不同的频段会有不同的声压幅值的表现，使得现有技术中很难全面的对电动力总成达成优化，同时现有的处理方式还会造成频率、传热等其他性能的降低和损失，增加了成本。

发明内容

本公开实施例提供一种降噪方法、装置、电子设备及存储介质，用以解决现有技术中存在采用降低电动汽车的动力性能的方式降低车内噪声问题。

本公开实施例提供的具体技术方案如下：

第一方面，提出一种降噪方法，应用于汽车内部的降噪，包括：

获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息；

确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例，所述噪声判定模型是采用机器学习技术创建，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号，所述降幅比例表征将噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例；

确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，包括：

获取降噪控制装置发送的噪声信号，其中，所述噪声信号是由部署于待降噪空间内的声音信号采集装置采集后上报至所述降噪控制装置的；

所述获取所述噪声数据关联的运行状态信息，包括：

获取所述降噪控制装置发送的噪声源的运行参数信息，所述运行参数信息中至少包括所述降噪控制装置接收的速度传感器上报的电机转速信息，以及所述降噪控制装置接收的定位组件上报的行驶状态信息。

可选的，进一步包括：

确定创建的降噪信号库中，记录与所述业务状态信息匹配的降噪信号时，确定与所述运行参数信息匹配的降噪信号；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述将所述运行状态信息，输入训练完成的噪声判定模型之前，进一步包括，对所述噪声判定模型进行训练：

获取样本数据，其中，一条样本数据包括产生噪声信号的噪声源的运行参数信息，处于噪声空间内的用户信息，以及降噪处理后噪声信号的降幅比例；

针对各个样本数据分别执行以下操作，直至所述噪声判定模型预测的降幅比例与样本数据中的降幅比例之间的差值，连续小于预设值的次数达到设定阈值为止：

将一个样本数据中的运行参数信息和用户信息输入所述噪声判定模型，得到所述噪声判定模型预测的降幅比例，所述噪声判定模型是基于机器学习技术搭建的；

基于所述预测的降幅比例与所述一个样本数据中的降幅比例之间的数值差异，调整所述噪声判定模型中用于生成降幅比例的模型参数。

可选的，所述基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值之后，进一步包括：

将所述噪声信号，所述业务状态信息，以及确定的降噪信号，存储至所述降噪信号库。

可选的，进一步包括：

确定接收到所述待降噪空间关联的终端设备发送的目标降噪比例的指示信息时，直接基于所述噪声信号的幅值以及所述目标降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

第二方面，提出一种降噪装置，应用于汽车内部的降噪，包括：

获取单元，用于获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息；

判定单元，用于确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例，所述噪声判定模型是采用机器学习技术创建，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号，所述降幅比例表征将噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例；

确定单元，用于确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

输出单元，用于将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息时，所述获取单元用于：

获取降噪控制装置发送的噪声信号，其中，所述噪声信号是由部署于待降噪空间内的声音信号采集装置采集后上报至所述降噪控制装置的；

所述获取所述噪声数据关联的运行状态信息，包括：

获取所述降噪控制装置发送的噪声源的运行参数信息，所述运行参数信息中至少包括所述降噪控制装置接收的速度传感器上报的电机转速信息，以及所述降噪控制装置接收的定位组件上报的行驶状态信息。

可选的，所述判定单元进一步用于：

确定创建的降噪信号库中，记录与所述业务状态信息匹配的降噪信号时，确定与所述运行参数信息匹配的降噪信号；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述将所述运行状态信息，输入训练完成的噪声判定模型之前，所述判定单元进一步用于，对所述噪声判定模型进行训练：

获取样本数据，其中，一条样本数据包括产生噪声信号的噪声源的运行参数信息，处于噪声空间内的用户信息，以及降噪处理后噪声信号的降幅比例；

针对各个样本数据分别执行以下操作，直至所述噪声判定模型预测的降幅比例与样本数据中的降幅比例之间的差值，连续小于预设值的次数达到设定阈值为止：

将一个样本数据中的运行参数信息和用户信息输入所述噪声判定模型，得到所述噪声判定模型预测的降幅比例，所述噪声判定模型是基于机器学习技术搭建的；

基于所述预测的降幅比例与所述一个样本数据中的降幅比例之间的数值差异，调整所述噪声判定模型中用于生成降幅比例的模型参数。

可选的，所述基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值之后，所述确定单元进一步用于：

将所述噪声信号，所述业务状态信息，以及确定的降噪信号，存储至所述降噪信号库。

可选的，所述确定单元进一步用于：

确定接收到所述待降噪空间关联的终端设备发送的目标降噪比例的指示信息时，直接基于所述噪声信号的幅值以及所述目标降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

第三方面，提出一种电子设备，包括：

存储器，用于存储可执行指令；

处理器，用于读取并执行存储器中存储的可执行指令，以实现上述任一项所述的方法。

第四方面，提出一种计算机可读存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行上述任一项所述的方法。

本公开有益效果如下：

综上所述，本公开实施例中，获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息，再确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例，所述噪声判定模型是采用机器学习技术创建，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号，所述降幅比例表征将噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例，然后确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反，再将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。这样，能够在不影响动力系统内部性能的基础上，实现对车内噪声的有效处理，保证了噪声处理效率的同时，降低了处理成本。

附图说明

为了更清楚地说明本公开实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例中，现有技术下燃油汽车和电动汽车产生噪声对比示意图；

图2为本公开实施例中的应用场景示意图；

图3为本公开实施例中降噪流程示意图；

图4a为本公开实施例中训练数据示意图；

图4b为本公开实施例中进行数字化处理后的训练数据示意图；

图5为本公开实施例中测试代码示意图；

图6为本公开实施例中降噪装置的逻辑结构示意图；

图7为本公开实施例中降噪装置的实体结构示意图。

具体实施方式

为了解决现有技术中存在以牺牲动力性能的方式降低车内噪声的问题，本公开实施例提出一种降噪方法，应用于汽车内部的降噪，首先获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息，再确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型中，得到所述噪声判定模型输出的降幅比例，其中，所述噪声判定模型是采用机器学习技术创建的，所述降噪处理库中包括各个关联有运行状态信息的降噪信号，所述降幅比例用于表征将所述噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例，然后，确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反，再将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。以使得在不影响汽车自身性能的情况下，实现了主动降噪，极大降低了降噪成本。

下面对本公开实施例的技术方案能够适用的应用场景做一些简单介绍，需要说明的是，以下介绍的应用场景仅用于说明本公开实施例而非限定。在具体实施时，可以根据实际需要灵活地应用本公开实施例提供的技术方案。

下面结合附图2，对本公开实施例中，涉及到的应用场景进行说明：

该应用场景中包括信号采集装置，输出降噪声波的播放设备，降噪控制装置，以及云服务器。

信号采集装置部署于汽车上，可以选择性的包括但不限于以下采集装置：噪声信号采集装置，转速采集装置，加速度采集装置，电机扭矩检测装置，采集汽车内目标用户的用户信息的图像采集装置等采集装置，其中，所述噪声信号采集装置具体可以是麦克风，用于采集噪声信号，所述转速采集装置具体可以是速度传感器，用于采集电机转速信号，所述图像采集装置可以是安置于汽车不同位置的摄像头，用于拍摄不同位置上能够至少识别出目标用户的年龄的图像。

降噪控制装置由通信信号发射芯片以及存储芯片组成，部署的位置灵活，可以选择性的部署于汽车上或部署于能够与信号采集装置建立连接的其他位置，在本公开实施例中涉及到的降噪场景中，能够接收各个信号采集装置上报的噪声源的运行参数信息以及目标用户的用户信息，所述运行状态信息包括电机转速信息，加速度信息，行驶状态信息，电机扭矩信息，目标用户的图像信息等等，并将得到的运行状态信息上报至云服务器，并在接收到云服务器反馈的降噪信号后，将所述降噪信号发送至输出降噪声波的播放设备。其中，所述通信信号具体可以是目前已有的第五代移动通信技术(5th generation mobilenetworks，5G)通信信号，或者，其他能够实现通信的通信信号。

需要说明的是，在本公开一些实施例中，噪声信号采集装置和输出降噪声波的播放设备可以为同一个设备或同一种设备，如，均为麦克风，在另一些实施例中，噪声信号采集装置和噪声信号播放装置可以为不同设备，如，噪声信号采集装置为麦克风，播放装置为扬声器，本公开对此不做特殊限定。

云服务器，与降噪控制装置之间无线连接，用于基于接收的噪声信号和业务状态信息，完成计算和处理后得到降噪信号，并根据处理的各个关联有业务状态信息的噪声信号，以及处理噪声信号的降噪信号，建立降噪信号库。训练得到噪声判定模型，其中，所述噪声判定模型以噪声源的运行参数信息以及目标用户的用户信息作为模型输入，输出用于表征将所述噪声信号，调整至所述目标用户耐受的噪声信号时幅值下降的比例。

本公开实例的一些场景中，终端设备可以参与到降噪的过程中，终端设备可以与云服务器建立连接，以实现人为干预降噪的程度。

为进一步说明本公开实施例提供的技术方案，下面结合附图以及具体实施方式对此进行详细的说明。虽然本公开实施例提供了如下述实施例或附图所示的方法操作步骤，但基于常规或者无需创造性的劳动在方法中可以包括更多或者更少的操作步骤。在逻辑上不存在必要因果关系的步骤中，这些步骤的执行顺序不限于本公开实施例提供的执行顺序。

需要说明的是，对于汽车运行过程中，汽车内部的降噪问题，不同类型的汽车中噪声源各不相同，本公开实施例中，在针对解决不同汽车的降噪问题时，如在对噪声判定模型进行训练时，会适应性的增加噪声源的运行参数信息，但是不同类型汽车的降噪逻辑相同，本公开将不对各类型的汽车的降噪问题进行分别描述，以下的叙述中，将仅以电动汽车内部的降噪为例进行说明。

本公开实施例中，云服务器针对不同类型的汽车，预先创建有对应的降噪信号库，所述噪声信号库中包括各个关联有运行状态信息的降噪信号，下面将以一种型号的汽车：X型汽车为例，对云服务器建立及维护的降噪信号库的过程进行说明。

本公开实施例公开的降噪方式，运行在X型汽车的噪声测试阶段时，首先，在各个年龄段，选取性别不同的大量用户参与测试，然后，令各个用户处在X型汽车内部，在汽车内部无其他噪声产生的情况下，感受汽车在不同运行参数下的噪声，并同步地在汽车内部施加幅度可调整的消噪信号，直至用户能够耐受当前车内的噪声，并记录当前的降噪信息。将降噪信号与用户信息和运行参数信息建立关联后，将一个噪声信号、对应一个噪声信号确定的降噪信号，以及关联的业务状态信息作为一条数据，存储在降噪信号库中。

同理，根据不同用户在汽车的不同运行参数下，对噪声的耐受情况，得到的降噪信号，逐渐建立包含有大量数据的降噪信号库，其中，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号。

本公开实施例中，在建立降噪信号库时，可以将用户在车内的位置作为考量因素，作为运行状态信息的一部分，确定同样运行情况下，同一用户在车内不同位置上对噪声的耐受情况。这样，能够综合更多的综合影响用户对噪声耐受情况的影响因素。

需要说明的是，本公开实施例中，在汽车后续量产后的运行过程中，云服务器在确定用户允许采集车内的噪声信号并进行降噪处理，以及确定降噪信号库中不存在匹配的降噪信号时，在完成对采集的噪声信号的处理后，基于所述噪声信息，关联的运行状态信息，以及对应确定的降噪信号，建立一条新的数据，存储至所述待降噪信号库中。

这样，云服务器维护的降噪信号库中存储的数据将越来越全面，使得在用户驾车行驶的过程中，通过车联网云服务器，获得噪声数据库中已有的降噪信号，实现对车内噪声的降噪处理，保证了声音品质，提高了乘车舒适度，同时也能够根据实际的运行需要，增加记录的影响参数，极大缩短了对于噪声信号的处理时间，提升了用户的使用体验。

下面结合附图3，对本公开实施例中的降噪流程进行详细说明：

步骤301：获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息。

云服务器获取降噪控制装置发送的噪声信号，其中，所述噪声信号是由部署于待降噪空间内的噪声信号采集装置采集后上报到所述降噪控制装置的，同时，所述云服务器获取所述降噪控制装置发送的噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息，其中，所述运行参数信息中至少包括所述降噪控制装置接收的速度传感器上报的电机转速信息，以及所述降噪控制装置接收的定位组件上报的行驶状态信息，还可以包括接受的加速度传感器采集的加速度信息，以及扭矩检测装置采集的电机扭矩信息等等。

具体的，所述云服务器获取的待降噪空间内的目标用户的用户信息，包括但不限于通过采集所述待降噪空间内的目标用户的图像，获得的所述目标用户的年龄信息或性别信息。

需要说明的是，本公开实施例中，特别地将用户的年龄和性别作为降噪处理时的考量因素，是由于考虑到不同年龄，以及不同性别的用户，对于噪声信号的耐受程度不同，故为了更好的适应于用户的需求，将年龄和性别作为考量的特征。

步骤302：确定创建的降噪信号库中，是否记录有与业务状态信息匹配的降噪信号，若是，执行步骤303，否则执行步骤304。

本公开实施例中，云服务器获取噪声信号和业务状态信息后，首先将所述业务状态信息与创建的降噪信号库中，记录的各个关联有业务状态信息的降噪信号进行比较，进而确定所述降噪信号库中是否记录有所述业务状态信息关联的用于降噪的降噪信号。

若判定降噪信号库中存在与所述业务状态信息匹配的降噪信号，则直接执行步骤303的操作，否则，直接执行步骤304的操作。

步骤303：确定与运行参数信息匹配的降噪信号，并将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

云服务器确定降噪信号库中，存储有与当前获取的运行状态信息匹配的降噪信号时，确定与所述运行状态信息匹配的降噪信号，并将所述降噪信号经由降噪控制装置发送至所述带降噪空间内的播放设备，以使所述播放设备输出相应的降噪声波。

这样，能够直接借助于降噪信号库中存储的关联有运行状态信息的降噪信号，确定用于降噪的降噪信号，极大缩短了对于噪声信号的处理时间，提高了对于噪声信号的处理效率。

步骤304：将所述运行状态信息，输入训练完成的噪声判定模型中，得到所述噪声判定模型输出的降幅比例。

云服务器确定降噪信号库中，不存在与获取的运行状态信息匹配的降噪信号时，将所述运行状态信息输入训练完成的噪声判定模型中，得到所述噪声判定模型输出的降幅比例，其中，所述噪声判定模型是采用机器学习技术创建的，所述降幅比例用于表征将所述噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例。

本公开实施例中，噪声判定模型具体可以是根据逻辑回归算法完成训练的，噪声判定模型的输入中包括有可能对降噪信号的幅值造成影响的影响因素，如噪声源的运行参数信息中，可以具体包括有加速度信息，电机转速信息，行驶状态信息，电机扭矩信息等等，包括的用户信息具体可以是，用户的年龄，性别，在待降噪空间内的位置等等，综合更多的可考量因素，能够使的模型的判定更加有效，更能够契合不同目标用户的降噪需求。

需要说明的是，本公开实施例中对于获取到的信息中，可能会存在与降噪处理无关的参数，诸如采集噪声信号的装置的品牌，所以本申请实施例中，在确定噪声判定模型的输入特征时，可以选择的将与降幅比例影响大的参数作为输入特征，并筛除对降幅比例影响小的参数。

下面的叙述中，将仅以噪声判定模型中的输入为行驶状态信息，电机转速信息，以及用户的性别和年龄，所述噪声判定模型的输出为降幅比例为例，对本公开的噪声判定模型的训练过程进行示意性说明。

S1：获取样本数据，其中，一条样本数据包括产生噪声信号的噪声源的运行参数信息，处于噪声空间内的用户信息，以及降噪处理后噪声信号的降幅比例。

首先，基于降噪信号库中记载的数据，生成样本数据，对于所述降噪信号库中的一个数据来说，包括关联有运行状态信息的噪声信号和对应的降噪信号，进而将降噪信号的幅值，占所述噪声信号的幅值的比例，称为降幅比例。具体的，确定降幅比例的过程可以是，对于相位相反的所述噪声信号和降噪信号来说，随机选择几个采样点，计算各个采样点处降噪信号的幅值占噪声信号的幅值的比例值，进而计算去掉最高比例值和最低比例值后的各个比例值的平均值，作为对应的降幅比例。

进而，建立样本数据集合，其中，一条样本数据包括产生噪声信号的噪声源的运行参数信息，处于噪声空间内的用户信息，以及降噪处理后噪声信号的降幅比例。

例如，参阅图4a和4b所示，图4a示意性的给出了当以行使状态、电机转速、用户性别、用户年龄作为噪声判定模型的输入，降幅比例作为噪声判定模型的输出时，样本数据集合的部分示意图，进一步的，为处理方便将图4a中的行驶状态和用户性别进行数字化处理，得到图4b所示意的，其中，“男”标记为1，“女”标记为2，“上坡”标记为1，“下坡”标记为2，“刹车”标记为3，“加速”标记为4。

S2:针对各个样本数据分别执行以下操作，直至所述噪声判定模型预测的降幅比例与样本降幅比例之间的差值，连续小于预设值的次数达到设定阈值为止：将一个样本数据中的运行参数信息和用户信息输入所述噪声判定模型，得到所述噪声判定模型预测的降幅比例，所述噪声判定模型是基于机器学习技术搭建的；基于所述预测的降幅比例与所述一个样本数据中的降幅比例之间的数值差异，调整所述噪声判定模型中用于生成降幅比例的模型参数。

具体的，基于获得的各个样本数据对噪声判定模型进行训练，以处理一个样本数据的过程为例，将一个样本数据中的运行参数信息和用户信息输入所述噪声判定模型，得到所述噪声判定模型预测的降幅比例，并将所述预测的降幅比例与所述一个样本数据中的降幅比例进行比较，并基于所述预测的降幅比例与所述一个样本数据中的降幅比例之间的数值差异，调整所述噪声判定模型中用于生成降幅比例的模型参数。

进一步的，在确定所述噪声判定模型预测的降幅比例与样本数据中的降幅比例之间的差值，连续小于预设值的次数达到设定阈值。

例如，假设预设值为0.01，设定阈值为10，则确定所述噪声判定模型输出的预测降幅比例与样本数据中的降幅比例之间的差值连续小于0.01的次数达到10次时，则确定模型训练完成。另外，具体的测试过程中，可以采用图5所示的测试代码，实现对噪声判定模型的训练。

图5的代码中示意性地采用逻辑回归算法，实现对噪声判定模型的训练，首先将样本数据中的文本进行数字化处理，再确定样本数据中作为模型输入和输出的数据，进而采用处理后的样本数据进行训练，其中，以100条样本数据为例，代码中将前90条样本数据作为训练样本，采用训练完成的噪声判定模型输出针对后10条训练样本的预测结果，以判断噪声判定模型的准确率。

需要说明的是，本公开实施例中，可以定期对噪声判定模型进行重新训练，以保证所述噪声判定模型的有效性。

进一步的，云服务器将得到的运行状态信息输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例。

这样，借助于训练得到的噪声判定模型，有效分析当前能够契合目标用户需要的降幅比例，使得对于噪声数据的降幅操作更有针对性，能够提升用户的使用体验。

S305:确定噪声信号的幅值，并基于所述噪声信号的幅值以及降幅比例确定降噪信号的幅值。

具体的，云服务器接收的噪声信号的幅值之后，根据获得的降幅比例，确定对应的降噪信号的幅值，并采用已有的噪声降噪原理，生成与所述噪声信号频率相同，相位相反且满足相位要求的降噪信号。

需要说明的是，所述云服务器根据噪声判定模型输出的降幅比例确定降噪信号的幅值的过程中，若确定接收到待降噪空间关联的终端设备发送的目标降噪比例的指示信息时，则直接基于所述噪声信号的幅值以及所述目标降幅比例确定降噪信号的幅值。

这样，使得降幅比例的确定更加灵活，云服务器可以接受用户借助于终端设备发送的降幅比例的指示信息。

S306：将降噪信号发送至待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

云服务器确定用于降噪噪声信号的降噪信号后，将所述降噪信号经由降噪控制装置发送至待降噪空间内的播放设备，以使所述播放设备播放用于降幅所述噪声信号的降噪信号。同时，所述云服务器将所述噪声信号，所述业务状态信息，以及确定的降噪信号，存储至所述降噪信号库，以实现不断完善建立的降噪信号库。

这样，能够有效考虑到不同年龄段的用户对应噪声信号的耐受差异，全面的实现在各个行驶状态下对主动对车内的噪声信号进行处理，通过实时采集及处理噪声信号，实现实时自动降噪，于此同时，极大地减少了开发成本。

需要说明的是，在实际的运行中，在采集的噪声信号中包括人声和音乐声时，由于先前建立噪声信号库和噪声判定模型仅针对汽车噪声源的产生的噪声进行处理，故在实际的处理中，能够针有效的保留噪声信号中存在的人声和音乐声，且基于噪声信号库中存储的数据，能够极大的降低云服务器实际计算的运算量，减少降噪延迟时间。

基于同一发明构思，参阅图6所示，本公开实施例提出一种降噪装置，包括：获取单元601，判定单元602，确定单元603，以及输出单元604，其中，

获取单元601，用于获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息；

判定单元602，用于确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例，所述噪声判定模型是采用机器学习技术创建，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号，所述降幅比例表征将噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例；

确定单元603，用于确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

输出单元604，用于将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息时，所述获取单元601用于：

获取降噪控制装置发送的噪声信号，其中，所述噪声信号是由部署于待降噪空间内的声音信号采集装置采集后上报至所述降噪控制装置的；

所述获取所述噪声数据关联的运行状态信息，包括：

获取所述降噪控制装置发送的噪声源的运行参数信息，所述运行参数信息中至少包括所述降噪控制装置接收的速度传感器上报的电机转速信息，以及所述降噪控制装置接收的定位组件上报的行驶状态信息。

可选的，所述判定单元602进一步用于：

确定创建的降噪信号库中，记录与所述业务状态信息匹配的降噪信号时，确定与所述运行参数信息匹配的降噪信号；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

可选的，所述将所述运行状态信息，输入训练完成的噪声判定模型之前，所述判定单元602进一步用于，对所述噪声判定模型进行训练：

获取样本数据，其中，一条样本数据包括产生噪声信号的噪声源的运行参数信息，处于噪声空间内的用户信息，以及降噪处理后噪声信号的降幅比例；

针对各个样本数据分别执行以下操作，直至所述噪声判定模型预测的降幅比例与样本数据中的降幅比例之间的差值，连续小于预设值的次数达到设定阈值为止：

将一个样本数据中的运行参数信息和用户信息输入所述噪声判定模型，得到所述噪声判定模型预测的降幅比例，所述噪声判定模型是基于机器学习技术搭建的；

基于所述预测的降幅比例与所述一个样本数据中的降幅比例之间的数值差异，调整所述噪声判定模型中用于生成降幅比例的模型参数。

可选的，所述基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值之后，所述确定单元603进一步用于：

将所述噪声信号，所述业务状态信息，以及确定的降噪信号，存储至所述降噪信号库。

可选的，所述确定单元603进一步用于：

确定接收到所述待降噪空间关联的终端设备发送的目标降噪比例的指示信息时，直接基于所述噪声信号的幅值以及所述目标降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反；

将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。

基于同一发明构思，参阅图7所示，本公开实施例提出一种电子设备，包括存储器701和处理器702，其中，所述处理器用于读取所述存储器中存储的计算机指令，并执行上述操作。

基于同一发明构思，本公开实施例中降噪的实施例中提供一种计算机可读存储介质，当所述存储介质中的指令由电子设备执行时，使得所述电子设备能够执行上述降噪方法。

综上所述，本公开实施例中，获取待降噪空间内的噪声信号，以及获取所述噪声信号关联的运行状态信息，其中，所述运行状态信息中包括噪声源的运行参数信息，以及所述待降噪空间内的目标用户的用户信息，再确定创建的降噪信号库中，未记录与所述业务状态信息匹配的降噪信号时，将所述运行状态信息，输入训练完成的噪声判定模型，得到所述噪声判定模型输出的降幅比例，所述噪声判定模型是采用机器学习技术创建，所述降噪处理库中包括各个关联有运行状态信息的噪声信号和对应的降噪信号，所述降幅比例表征将噪声信号，调整至所述目标用户耐受的噪声信号时的幅值下降比例，然后确定所述噪声信号的幅值，并基于所述噪声信号的幅值以及所述降幅比例确定降噪信号的幅值，所述降噪信号与所述噪声信号频率相同且相位相反，再将所述降噪信号发送至所述待降噪空间内的播放设备，使得所述播放设备输出相应的降噪声波。这样，能够在不影响动力系统内部性能的基础上，实现对车内噪声的有效处理，保证了噪声处理效率的同时，降低了处理成本。

本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本公开的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本公开范围的所有变更和修改。

显然，本领域的技术人员可以对本公开实施例进行各种改动和变型而不脱离本公开实施例的精神和范围。这样，倘若本公开实施例的这些修改和变型属于本公开权利要求及其等同技术的范围之内，则本公开也意图包含这些改动和变型在内。