بررسی عملکرد روش‌های مبتنی بر یادگیری ماشین در تخمین زمان واخنش کلاس درس با استفاده از شبکه‌های عصبی

کلاس ‌های درس به‌عنوان یکی از مهم‌ترین محیط‌ های آموزشی نقش عمده‌ ای در یادگیری و پیشرفت تحصیلی دانش‌ آموزان دارند. زمان واخنش به‌عنوان یکی از مهم‌ترین شبه‌سنج‌های صوتی در داخل اتاق‌ ها، تاثیر بسزایی در کیفیت صدا دارد. عدم ‌کارآیی مناسب فرمول‌های کلاسیک مانند سابین، باعث شد که در این مقاله به بررسی استفاده از روش‌های یادگیری ماشین به‌عنوان یک روش جایگزین برای پیش‌بینی زمان واخنش محیط پرداخته شود. در این پژوهش ابتدا با استفاده از روش ‌های مبتنی بر صوتیّات هندسی و با استفاده از نرم‌افزار اودئون به جمع ‌آوری مجموعه دادگان مورد نیاز در بسامد‌های 500 و 2000 هرتز پرداخته می‌ شود. در این مجموعه دادگان چهار کلاس درس با فضایی مستطیل شکل، همراه با عنصر هایی مانند میز و صندلی و پنجره و در، استفاده شد. پس از آن به‌منظور ارائه یک سامانه مبتنی بر یادگیری ماشین از شبکه عصبی پرسپترون چندلایه و شبکه عصبی مبتنی بر توابع پایه شعاعی به همراه الگوریتم خوشه‌بندی کی- میانگین و هم‌چنین شبکه عصبی کانولوشن استفاده شده است. این الگو‌ها ویژگی ‌های محیط را در نظر می‌ گیرند و در نهایت مقادیر زمان واخنش را به‌عنوان تابعی از بسامد برآورد می‌ کنند. در این پژوهش با استفاده از شبکه عصبی پرسپترون چندلایه برای بسامد 500 هرتز، ضریب تعیین 93 درصد و برای بسامد 2000 هرتز، ضریب تعیین 95 درصد حاصل شد. هم‌چنین با استفاده از شبکه عصبی مبتنی بر توابع پایه شعاعی برای بسامد 500 هرتز، ضریب تعیین 82 درصد و برای بسامد 2000 هرتز، ضریب تعیین 89 درصد ثبت شد. هم‌چنین با استفاده از شبکه عصبی کانولوشن یک- بعدی برای بسامد 500 هرتز، ضریب تعیین 94 درصد و برای بسامد 2000 هرتز ضریب تعیین 96 درصد ثبت شد.

investigating the performance of machine learning-based methods in classroom reverberation time estimation using neural networks

classrooms, as one of the most important educational environments, play a major role in the learning and academic progress of students. reverberation time, as one of the most important acoustic parameters inside rooms, has a significant effect on sound quality. the inefficiency of classical formulas such as sabin, caused this article to examine the use of machine learning methods as an alternative method for predicting the environment’s reverberation time. in this research, firstly, by using methods based on geometrical acoustics and by using odeon software, the collection of required data sets at frequencies of 500 and 2000 hz is done. in this dataset, 4 classrooms with a rectangular space, along with elements such as desks and chairs, windows, and doors, were used. after that, to provide a system based on machine learning, multilayer perceptron neural network and neural network based on radial basis functions along with k-means clustering algorithm and also convolutional neural network has been used. these models consider the characteristics of the environment and finally estimate the values of reverberation time as a function of frequency. in this research, by using the multi-layer perceptron neural network, the determination coefficient was 93% for the frequency of 500 hz and 95% for the frequency of 2000 hz. also, by using the neural network based on radial basis functions, for the frequency of 500 hz, the coefficient of determination was 82% and for the frequency of 2000 hz, the coefficient of determination was recorded as 89%. also, by using a one-dimensional convolutional neural network, a determination coefficient of 94% was recorded for the frequency of 500 hz, and a determination coefficient of 96% for the frequency of 2000 hz.