无基础设施、深度学习驱动的约100毫瓦城市噪声监测
声音
2025-06-17 v1 网络与互联网体系结构
音频与语音处理
摘要
纽约市声音(SONYC)无线传感器网络(WSN)在过去五年中部署于曼哈顿和布鲁克林，作为一个更大的人在环路信息物理控制系统的一部分，用于监测、分析和缓解城市噪声污染。我们描述了2层SONYC WSN从声学数据收集架构演变为3层原位噪声投诉监测WSN及其当前评估。新增的层级由远程(LoRa)、多跳的新型低功耗声学节点MKII（“Mach 2”）网络组成，该节点由我们设计并制造。MKII节点在三个方面值得注意：首先，它通过引入基于实时卷积神经网络(CNN)的嵌入模型，在本应用领域的节点级机器学习能力上取得进展，该模型具有竞争力，同时所需训练数据减少10倍、运行时资源减少约2个数量级。其次，它们可在距高层基站节点相对较远的位置便捷部署，且无需在运行相关站点（如建筑工地）假设电力或网络基础设施支持，从而提供一种相对低成本的方案。第三，它们的组网具有频率敏捷性，不同于传统LoRa网络：它通过一种结合被动与主动测量的高效新方法动态选择良好频率，以分布式、自稳定的方式容忍杂乱的902-928MHz ISM频段城市环境中的可变外部干扰与链路衰落。
引用
@article{arxiv.2203.06220,
title = {Infrastructure-free, Deep Learned Urban Noise Monitoring at $\sim$100mW},
author = {Jihoon Yun and Sangeeta Srivastava and Dhrubojyoti Roy and Nathan Stohs and Charlie Mydlarz and Mahin Salman and Bea Steers and Juan Pablo Bello and Anish Arora},
journal= {arXiv preprint arXiv:2203.06220},
year = {2025}
}
备注
Accepted in ICCPS 2022