一种隔声舱的制作方法

本技术涉及噪声隔离，且更为具体地，涉及一种隔声舱。

背景技术：

1、每个人都是独立的个体，拥有独特的个性，在生活、工作上都有属于自己的方式。近年来，因为不同的作息规律、不同的生活方式而导致矛盾产生的案例层出不穷，这归结于在同一空间里，人与人之间因不同生活习惯而产生的噪音干扰所导的。拥有一个安静舒适的私人空间成为人们迫切实现的愿望。而隔声舱的出现满足了人们拥有独立空间的需求，并在公共场合发挥着巨大作用。

2、虽然隔声舱可以起到隔离噪声的作用，使进入其中的用户具有安静的工作氛围，但隔声舱是相对密闭的环境，人呼吸和活动所产生的湿气会于隔声舱中累积，使得隔声舱内的湿度不再适应用户工作与停留，因此，现有的隔声舱常会配置新风系统来调节隔声舱内的湿度，以改善其内部环境。但现有的隔声舱的新风系统处于常开或常闭的工作状态，会造成能量浪费。

3、因此，期待一种优化的隔声舱。

技术实现思路

1、为了解决上述技术问题，提出了本技术。本技术的实施例提供了一种隔声舱，其包括：具有容纳腔的隔声舱主体；部署于所述容纳腔内的氛围灯、实木把手、写字桌、臂弯式沙发、专业阅读灯和电源面板；部署于所述隔声舱主体的新风循环系统，以通过所述新风循环系统使得所述隔声舱主体的容纳腔与外界相连通；部署于所述隔声舱主体的底部的可移动脚轮；以及，用于控制所述新风循环系统的控制器，其中，所述控制器能够基于深度学习的人工智能控制技术，以提取出多个湿度传感器采集的湿度值和所述新风系统的工作功率值对当前时间点的新风系统的功率进行实时控制。这样，可以在改善所述隔声舱内部环境的同时避免能源的浪费。

2、根据本技术的一个方面，提供了一种隔声舱，其包括：

3、具有容纳腔的隔声舱主体；

4、部署于所述容纳腔内的氛围灯、实木把手、写字桌、臂弯式沙发、专业阅读灯和电源面板；

5、部署于所述隔声舱主体的新风循环系统，以通过所述新风循环系统使得所述隔声舱主体的容纳腔与外界相连通；

6、部署于所述隔声舱主体的底部的可移动脚轮；以及

7、用于控制所述新风循环系统的控制器。

8、在上述的隔声舱中，所述控制器，包括：

9、数据接收模块，用于获取由部署于所述隔声舱主体的容纳腔内的多个湿度传感器采集的预定时间段内多个预定时间点的湿度值，以及，所述多个预定时间点的新风系统的功率值；

10、湿度特征提取模块，用于将所述各个湿度传感器采集的预定时间段内多个预定时间点的湿度值分别按照时间维度排列为湿度输入向量后通过第一多尺度邻域特征提取模块以得到多个多尺度湿度特征向量；

11、矩阵化模块，用于将所述多个多尺度湿度特征向量进行二维排列以得到全局湿度特征矩阵；

12、空间拓扑构造模块，用于构造所述多个湿度传感器的空间拓扑矩阵，所述空间拓扑矩阵中非对角线位置上各个位置的值为两个湿度传感器之间的距离；

13、空间拓扑特征提取模块，用于将所述空间拓扑矩阵通过作为特征提取器的卷积神经网络模型以得到空间拓扑特征矩阵；

14、图数据编码模块，用于将所述全局湿度特征矩阵和所述空间拓扑特征矩阵通过图神经网络模型以得到拓扑全局湿度特征矩阵；

15、特征校正模块，用于对所述拓扑全局湿度特征矩阵的各个位置的特征值进行校正以得到校正后拓扑全局湿度特征矩阵；

16、功率特征提取模块，用于将所述多个预定时间点的新风系统的功率值按照时间维度排列为功率输入向量后通过第二多尺度邻域特征提取模块以得到多尺度功率特征向量；

17、响应性估计模块，用于计算所述多尺度功率特征向量相对于所述拓扑全局湿度特征矩阵的响应性估计以得到分类特征向量；以及

18、控制结果生成模块，用于将所述分类特征向量通过分类器以得到分类结果，所述分类结果用于表示当前时间点的新风系统的功率值应增大或应减小。

19、在上述的隔声舱中，所述第一多尺度邻域特征提取模块包括并行的第一卷积层和第二卷积层，以及，与所述第一卷积层和所述第二卷积层连接的第一级联层，其中，所述第一卷积层使用具有第一尺度的一维卷积核，所述第二卷积层使用具有第二尺度的一维卷积层，所述第一尺度不同于所述第二尺度。

20、在上述的隔声舱中，所述湿度特征提取模块，进一步用于：

21、使用所述第一多尺度邻域特征提取模块的第一卷积层以具有第一尺度的一维卷积核对所述湿度输入向量进行一维卷积编码以得到第一尺度湿度特征向量；

22、使用所述第一多尺度邻域特征提取模块的第二卷积层以具有第二尺度的一维卷积核对所述湿度输入向量进行一维卷积编码以得到第二尺度湿度特征向量；以及

23、使用所述第一多尺度邻域特征提取模块的第一级联层将所述第一尺度湿度特征向量和所述第二尺度湿度特征向量进行级联以得到所述多尺度湿度特征向量。

24、在上述的隔声舱中，所述空间拓扑特征提取模块，进一步用于：

25、使用所述作为特征提取器的卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、沿通道维度的池化处理和非线性激活处理以由所述作为特征提取器的卷积神经网络模型的最后一层输出所述空间拓扑特征矩阵，其中，所述作为特征提取器的卷积神经网络模型的第一层的输入为所述空间拓扑矩阵。

26、在上述的隔声舱中，所述特征校正模块，包括：

27、权重计算单元，用于采用全正投影非线性重加权的方式计算所述全局湿度特征矩阵和所述空间拓扑特征矩阵之间的权重矩阵；

28、加权校正单元，用于以所述权重矩阵对所述拓扑全局湿度特征矩阵进行按位置点乘以得到所述校正后拓扑全局湿度特征矩阵。

29、在上述的隔声舱中，所述权重计算单元，进一步用于：

30、采用全正投影非线性重加权的方式以如下公式计算所述全局湿度特征矩阵和所述空间拓扑特征矩阵之间的所述权重矩阵；

31、其中，所述公式为：

32、

33、其中，m1和m2分别为所述全局湿度特征矩阵通过线性转换得到的对角矩阵和所述空间拓扑特征矩阵，mw是所述权重矩阵，relu(·)表示relu激活函数，表示矩阵相乘，且分子矩阵和分母矩阵之间的除法为矩阵特征值的按位置相除，exp(·)表示矩阵的指数运算，所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值。

34、在上述的隔声舱中，所述第二多尺度邻域特征提取模块包括并行的第三卷积层和第四卷积层，以及，与所述第三卷积层和所述第四卷积层连接的第二级联层，其中，所述第三卷积层使用具有第三尺度的一维卷积核，所述第四卷积层使用具有第四尺度的一维卷积层，所述第三尺度不同于所述第四尺度。

35、在上述的隔声舱中，所述响应性估计模块，进一步用于：

36、以如下公式计算所述多尺度功率特征向量相对于所述拓扑全局湿度特征矩阵的响应性估计以得到所述分类特征矩阵；

37、其中，所述公式为：

38、

39、其中v1表示所述多尺度功率特征向量，mc表示所述拓扑全局湿度特征矩阵，v表示所述分类特征向量，表示矩阵相乘。

40、在上述的隔声舱中，所述控制结果生成模块，包括：

41、连接编码单元，用于使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量；以及

42、分类单元，用于将所述编码分类特征向量通过所述分类器的softmax分类函数以得到所述分类结果。

43、与现有技术相比，本技术提供的一种隔声舱，其包括：具有容纳腔的隔声舱主体；部署于所述容纳腔内的氛围灯、实木把手、写字桌、臂弯式沙发、专业阅读灯和电源面板；部署于所述隔声舱主体的新风循环系统，以通过所述新风循环系统使得所述隔声舱主体的容纳腔与外界相连通；部署于所述隔声舱主体的底部的可移动脚轮；以及，用于控制所述新风循环系统的控制器，其中，所述控制器能够基于深度学习的人工智能控制技术，以提取出多个湿度传感器采集的湿度值和所述新风系统的工作功率值对当前时间点的新风系统的功率进行实时控制。这样，可以在改善所述隔声舱内部环境的同时避免能源的浪费。