|
|
تخمین زمان واخنش کلاس درس با استفاده از شبکه عصبی کانولوشن
|
|
|
|
|
نویسنده
|
نوری زهآب سلمان ,شفیعیان معصومه
|
منبع
|
صوت و ارتعاش - 1400 - دوره : 10 - شماره : 19 - صفحه:150 -161
|
|
|
چکیده
|
کلاس درس به عنوان یکی از مهمترین محیط های آموزشی نقش عمده ای در یادگیری و پیشرفت تحصیلی دانشآموزان دارد. زمان واخنش به عنوان یکی از پارامترهای آکوستیکی در داخل اتاقها، 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 به عنوان یک روش جایگزین برای پیشبینی زمان واخنش محیط پرداخته شود. در این پژوهش ابتدا با استفاده از روش های مبتنی بر آکوستیک هندسی و با استفاده از نرمافزار اودئون به جمع آوری مجموعه دادگان مورد نیاز دربسامدهای 500 و 2000 هرتز پرداخته می شود. در این مجموعه دادگان از 4 کلاس درس با فضایی مستطیل شکل، همراه با المان هایی مانند میز و صندلی و پنجره و در، استفاده شد. پس از آن به منظور ارائه یک سیستم مبتنی بر یادگیری ماشین از شبکه عصبی کانولوشنی استفاده شده است. این مدل ویژگیهای محیط را در نظر می گیرد و در نهایت مقادیر زمان واخنش را به عنوان تابعی از فرکانس تولید می کند. در این پژوهش با استفاده از شبکه عصبی کانولوشنی برای بسامد 500 هرتز به ضریب تعیین 93 درصد و برای بسامد 2000 هرتز، ضریب تعیین 95 درصد حاصل شد.
|
کلیدواژه
|
آکوستیک کلاس درس، شبکه عصبی کانولوشن، ردیابی پرتو، زمان واخنش
|
آدرس
|
دانشگاه صدا وسیما, ایران, دانشگاه صدا و سیما, ایران
|
پست الکترونیکی
|
shafieian@iribu.ac.ir
|
|
|
|
|
|
|
|
|
Estimation of classroom reverberation time using convolutional neural network
|
|
|
Authors
|
Shafieian Masoume
|
Abstract
|
The classroom, as one of the most important educational environments, plays a major role in students’ learning. Reverberation time is one of the most important acoustic parameters affecting the sound quality inside the environment. The inefficiency of classical formulas such as Sabin, led to the study of the use of machine learning methods as an alternative method for predicting the reverberation time of the environment. In this research, first, using the methods based on geometric acoustics and using Odeon software, the required data sets are collected at 500 and 2000 Hz frequencies. In this dataset, 4 classrooms with a rectangular space were used, along with elements such as desks, chairs, windows and doors. The convolutional neural network used to provide a machine learning based system. In this study, using a convolutional neural network for a frequency of 500 Hz with a coefficient of determination of 93% and for a frequency of 2000 Hz, a coefficient of determination of 95% was obtained.
|
Keywords
|
|
|
|
|
|
|
|
|
|
|
|