买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

龙图腾网获悉中国民用航空飞行学院申请的专利基于远程塔台场景的管制员语音疲劳预测方法获国家发明授权专利权，本发明授权专利权由国家知识产权局授予，授权公告号为：CN120108386B 。

龙图腾网通过国家知识产权局官网在2025-08-26发布的发明授权授权公告中获悉：该发明授权的专利申请号/专利号为：202510602935.5，技术领域涉及：G10L15/02；该发明授权基于远程塔台场景的管制员语音疲劳预测方法是由潘卫军;陈申豪;梁叡涵;张琛;陈晟;王钰皓;宋大江;郑耀;王琪翔;冯玉江;王玄;左青海;王润东;栾天设计研发完成，并于2025-05-12向国家知识产权局提交的专利申请。

本基于远程塔台场景的管制员语音疲劳预测方法在说明书摘要公布了：本发明涉及语音数据处理技术领域，公开基于远程塔台场景的管制员语音疲劳预测方法，包括步骤：收集远程塔台通话数据中带有管制员语音的音频样本，并进行去噪声处理，得到去噪声后的语音信号；对语音信号进行疲劳状态标注；对若干带有标注的语音信号提取韵律类特征、音质类特征和语谱类特征，并融合为综合特征；基于提取的综合特征对Bi‑LSTM‑GRU模型进行训练，使其输出疲劳预测结果；采集管制员的实时语音数据，将实时语音数据输入训练好的Bi‑LSTM‑GRU模型，对管制员的疲劳状态进行预测。本发明的目的在于提高管制员语音疲劳状态的预测准确度。

本发明授权基于远程塔台场景的管制员语音疲劳预测方法在权利要求书中公布了：1.基于远程塔台场景的管制员语音疲劳预测方法，其特征在于，包括以下步骤， 步骤1，收集远程塔台通话数据中带有管制员语音的音频样本，并进行去噪声处理，得到去噪声后的语音信号；对语音信号进行疲劳状态标注； 步骤2，对若干带有标注的语音信号提取韵律类特征、音质类特征和语谱类特征，并融合为综合特征； 步骤3，基于提取的综合特征对Bi-LSTM-GRU模型进行训练，使其输出疲劳预测结果；所述Bi-LSTM-GRU模型包括输入层、后向层、前向层、输出层，其中输入层分别向后向层和前向层传输时间步的综合特征，后向层在时间步上处理反向时间序列，前向层在时间步上处理正向时间序列，输出层对前、后两个方向的输出进行拼接； Bi-LSTM-GRU模型的后向层包括T个GRU单元，T个时间步的综合特征一一对应输入T个GRU单元；每个GRU单元包括更新门和重置门，计算公式如下， A.更新门，用于决定当前时间步输入的综合特征xt和下一个时间步的隐藏状态ht+1对当前时间步的隐藏状态ht的影响，进而控制先前信息在当前时间步的保留程度， 其中，Zt为更新门的激活值；表示sigmoid激活函数；Wz为更新门权重矩阵；bz为更新门的偏置项；ht+1表示GRU单元在反向传播时，来自下一个时间步的隐藏状态；t∈T，T为时间步总数； B.重置门，用于控制当前时间步输入的综合特征xt与下一个时间步的隐藏状态ht+1的融合程度， 其中，rt为重置门的激活值；Wr为重置门权重矩阵；br为重置门的偏置项； C.候选隐藏状态，计算当前时间步的新信息， 其中，为候选隐藏状态；tanh表示双曲正切激活函数；Wh为候选隐藏状态对xt的权重矩阵；Uh为候选隐藏状态对ht+1的权重矩阵；bh为候选隐藏状态偏置项； D.GRU单元的最终隐藏状态， 其中，为GRU单元在时间步t输出的最终隐藏状态； Bi-LSTM-GRU模型的前向层包括T个LTSM单元，T个时间步的综合特征一一对应输入T个LTSM单元；每个LSTM单元包括输入门、遗忘门、输出门和细胞状态，计算公式如下， A.输入门，用于决定当前时间步输入的综合特征xt和上一个时间步的隐藏状态ht-1对当前细胞状态的影响，进而控制后面信息在当前时间步的保留程度， 其中，it为输入门的激活值；表示sigmoid激活函数；Wi为输入门权重矩阵；bi表示输入门的偏置项；ht-1表示LSTM单元在正向传播时，来自上一个时间步的隐藏状态；t∈T； B.遗忘门，用于控制上一个时间步的细胞状态ct-1中需要被遗忘的信息， 其中，ft为遗忘门的激活值；Wf为遗忘门权重矩阵；bf为遗忘门的偏置项； C.细胞状态，决定了长期记忆的保留和更新， 其中，为当前时间步的候选细胞状态；tanh表示双曲正切激活函数；Wc为细胞状态权重矩阵；bc为细胞状态的偏置项；ct为当前时间步的细胞状态； D.输出门，用于控制当前时间步输出的隐藏状态ht，其依赖于当前时间步的细胞状态ct， 其中，ot为输出门的激活值；Wo为输出门权重矩阵；bo为输出门的偏置项；为LTSM单元在时间步t输出的最终隐藏状态； Bi-LSTM-GRU模型的输出层由每个时间步GRU单元的输出和LSTM单元的输出组成，其中GRU单元在时间步上从第T个时间步到第1个时间步处理反向时间序列，LSTM单元在时间步上从第1个时间步到第T个时间步处理正向时间序列；最终，对两个方向的输出在同一个时间步上进行拼接或求和，得到双向隐藏状态， 其中，Ht表示当前时间步输出的双向隐藏状态； 经过T个时间步后，输出层输出T个双向隐藏状态Ht，t∈T，T个双向隐藏状态Ht经过全连接层后，融合为Ht`，最终Bi-LSTM-GRU模型输出的疲劳预测结果为， 其中，为Bi-LSTM-GRU模型输出的疲劳预测结果；Softmax表示Softmax激活函数；Wout为输出层权重矩阵；bout为输出层偏置项； 步骤4，采集管制员的实时语音数据，将实时语音数据输入训练好的Bi-LSTM-GRU模型，对管制员的疲劳状态进行预测； 所述Bi-LSTM-GRU模型的损失函数为： 其中，L为损失函数；xt为第t个时间步真实的综合特征；为第t个时间步预测的综合特征；为超参数，有，初始状态下；为第t个时间步的动态优化权重，有， 其中，为第t-1个时间步的动态优化权重；为第t+1个时间步的动态优化权重；为初始优化权重；为学习率，设；exp为自然指数函数；为调整率，；t为时间步的索引。

如需购买、转让、实施、许可或投资类似专利技术，可联系本专利的申请人或专利权人中国民用航空飞行学院，其通讯地址为：618307 四川省德阳市广汉市南昌路四段46号；或者联系龙图腾网官方客服，联系龙图腾网可拨打电话0551-65771310或微信搜索“龙图腾网”。