سال 10، شماره 1 - ( دو فصل‌نامه انجمن مهندسی صوتیات ايران بهار و تابستان 1401 )
جلد 10 شماره 1 صفحات 66-54 |
برگشت به فهرست نسخه ها
Download citation:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
BibTeX | RIS | EndNote | Medlars | ProCite | Reference Manager | RefWorks
Send citation to:
Shafieian M, Nouri Zehab S. Investigating the performance of machine learning-based methods in classroom reverberation time estimation using neural networks (Research Article). مجله انجمن علوم صوتی ایران (مهندسی صوتیات سابق) 2022; 10 (1) :54-66
URL: http://joasi.ir/article-1-229-fa.html
URL: http://joasi.ir/article-1-229-fa.html
شفیعیان معصومه، نوری زه‌آب سلمان. بررسی عملکرد روش‌های مبتنی بر یادگیری ماشین در تخمین زمان واخنش کلاس درس با استفاده از شبکه‌های عصبی (مقاله پژوهشی). مجله انجمن علوم صوتی ایران (مهندسی صوتیات سابق). 1401; 10 (1) :54-66
چکیده: (1413 مشاهده)
کلاس‌های درس به‌عنوان یکی از مهم‌ترین محیط‌های آموزشی نقش عمده‌ای در یادگیری و پیشرفت تحصیلی دانش‌آموزان دارند. زمان واخنش به‌عنوان یکی از مهم‌ترین شبه‌سنج‌های صوتی در داخل اتاق‌ها، تأثیر 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 روش‌های مبتنی بر صوتیّات هندسی و با استفاده از نرم‌افزار اودئون به جمع‌آوری مجموعه دادگان مورد نیاز در بسامد‌های 500 و 2000 هرتز پرداخته می‌شود. در این مجموعه دادگان چهار کلاس درس با فضایی مستطیل شکل، همراه با عنصرهایی 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 ویژگی‌های محیط را در نظر می‌گیرند و در نهایت مقادیر زمان واخنش را به‌عنوان تابعی از بسامد برآورد می‌کنند. 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.
واژه‌های کلیدی: صوتیّات کلاس درس، زمان واخنش، پرسپترون چندلایه، توابع پایه شعاعی، کانولوشن یک- بعدی.
نوع مطالعه: پژوهشي |
موضوع مقاله:
سازه صوتیّات
دریافت: 1400/8/29 | پذیرش: 1401/6/13 | انتشار: 1401/6/31
دریافت: 1400/8/29 | پذیرش: 1401/6/13 | انتشار: 1401/6/31
ارسال پیام به نویسنده مسئول
| بازنشر اطلاعات | |
 |
این مقاله تحت شرایط Creative Commons Attribution-NonCommercial 4.0 International License قابل بازنشر است. |