論文の概要: A Machine-learning Framework for Acoustic Design Assessment in Early Design Stages

• arxiv url: http://arxiv.org/abs/2109.06459v1
• Date: Tue, 14 Sep 2021 06:04:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:22:30.933505
• Title: A Machine-learning Framework for Acoustic Design Assessment in Early Design Stages
• Title（参考訳）: 設計初期における音響設計評価のための機械学習フレームワーク
• Authors: Reyhane Abarghooie, Zahra Sadat Zomorodian, Mohammad Tahsildoost and Zohreh Shaghaghian
• Abstract要約: 本稿では,一般的な室内音響パラメータを近似する機械学習(ML)の動作プロトタイプを提案する。 提案モデルの訓練と試験には,2916の異なる構成の1部屋の音響シミュレーションからなる新しいデータセットを用いる。 MLモデルの平均誤差は1%から3%であり、検証プロセス後の新しい予測サンプルの平均誤差は2%から12%である。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: In time-cost scale model studies, predicting acoustic performance by using simulation methods is a commonly used method that is preferred. In this field, building acoustic simulation tools are complicated by several challenges, including the high cost of acoustic tools, the need for acoustic expertise, and the time-consuming process of acoustic simulation. The goal of this project is to introduce a simple model with a short calculation time to estimate the room acoustic condition in the early design stages of the building. This paper presents a working prototype for a new method of machine learning (ML) to approximate a series of typical room acoustic parameters using only geometric data as input characteristics. A novel dataset consisting of acoustical simulations of a single room with 2916 different configurations are used to train and test the proposed model. In the stimulation process, features that include room dimensions, window size, material absorption coefficient, furniture, and shading type have been analysed by using Pachyderm acoustic software. The mentioned dataset is used as the input of seven machine-learning models based on fully connected Deep Neural Networks (DNN). The average error of ML models is between 1% to 3%, and the average error of the new predicted samples after the validation process is between 2% to 12%.
• Abstract（参考訳）: 時間-コストスケールモデル研究において、シミュレーション手法を用いて音響性能を予測することが好まれる手法である。 この分野では、音響ツールのコストの高さ、音響専門知識の必要性、音響シミュレーションの時間消費プロセスなど、いくつかの課題により音響シミュレーションツールの構築が複雑である。 本研究の目的は,建物の初期の設計段階における室内音響条件を推定するための計算時間を短縮した簡易モデルの導入である。 本稿では、幾何学的データのみを入力特性として用い、典型的な室内音響パラメータの列を近似する機械学習(ML)の動作プロトタイプを提案する。 2916の異なる構成の1部屋の音響シミュレーションからなる新しいデータセットを使用して、提案モデルのトレーニングとテストを行う。 刺激過程において, パキダーム音響ソフトウェアを用いて, 室内寸法, 窓サイズ, 材料吸収係数, 家具, シェーディングタイプなどの特徴を解析した。 前述のデータセットは、完全接続型ディープニューラルネットワーク(dnn)に基づく7つの機械学習モデルの入力として使用される。 MLモデルの平均誤差は1%から3%であり、検証プロセス後の新しい予測サンプルの平均誤差は2%から12%である。

関連論文リスト

• Modeling Time-Variant Responses of Optical Compressors with Selective State Space Models [0.0]
  本稿では,Selective State Spaceモデルを用いたディープニューラルネットワークを用いた光学ダイナミックレンジ圧縮機のモデル化手法を提案する。 ネットワークを動的に調整するために、機能ワイドリニア変調とゲート付きリニアユニットを統合した洗練された技術が特徴である。 提案アーキテクチャは、ライブオーディオ処理において重要な低レイテンシおよびリアルタイムアプリケーションに適している。
  論文  参考訳（メタデータ） (2024-08-22T17:03:08Z)
• ActiveRIR: Active Audio-Visual Exploration for Acoustic Environment Modeling [57.1025908604556]
  環境音響モデルは、室内環境の物理的特性によって音がどのように変換されるかを表す。 本研究では,非マップ環境の環境音響モデルを効率的に構築する新しい課題であるアクティブ音響サンプリングを提案する。 我々は,音声・視覚センサストリームからの情報を利用してエージェントナビゲーションを誘導し,最適な音響データサンプリング位置を決定する強化学習ポリシーであるActiveRIRを紹介する。
  論文  参考訳（メタデータ） (2024-04-24T21:30:01Z)
• Real Acoustic Fields: An Audio-Visual Room Acoustics Dataset and Benchmark [65.79402756995084]
  Real Acoustic Fields (RAF)は、複数のモードから実際の音響室データをキャプチャする新しいデータセットである。 RAFは密集した室内音響データを提供する最初のデータセットである。
  論文  参考訳（メタデータ） (2024-03-27T17:59:56Z)
• Learning with Noisy Foundation Models [95.50968225050012]
  本論文は、事前学習データセットにおけるノイズの性質を包括的に理解し分析する最初の研究である。 雑音の悪影響を緩和し、一般化を改善するため、特徴空間に適応するチューニング法(NMTune)を提案する。
  論文  参考訳（メタデータ） (2024-03-11T16:22:41Z)
• Unsupervised Acoustic Scene Mapping Based on Acoustic Features and Dimensionality Reduction [18.641610823584433]
  データの自然な構造を生かした教師なしのデータ駆動型アプローチを導入する。 本手法は,実測値から標準データ座標を学習するためのオフライン深層学習方式であるローカル共形オートエンコーダ(LOCA)に基づいて構築する。
  論文  参考訳（メタデータ） (2023-01-01T17:46:09Z)
• Fully Automated End-to-End Fake Audio Detection [57.78459588263812]
  本稿では,完全自動エンドツーエンド音声検出手法を提案する。 まず、wav2vec事前学習モデルを用いて、音声の高レベル表現を得る。 ネットワーク構造には, Light-DARTS という異種アーキテクチャサーチ (DARTS) の修正版を用いる。
  論文  参考訳（メタデータ） (2022-08-20T06:46:55Z)
• SOMOS: The Samsung Open MOS Dataset for the Evaluation of Neural Text-to-Speech Synthesis [50.236929707024245]
  SOMOSデータセットは、単にニューラルテキスト音声(TTS)サンプルからなる最初の大規模平均世論スコア(MOS)データセットである。 パブリックドメイン音声データセットであるLJ音声の合成発話20Kから成っている。
  論文  参考訳（メタデータ） (2022-04-06T18:45:20Z)
• A data acquisition setup for data driven acoustic design [47.46576747982182]
  本研究では, 拡散面構造と音響特性の関係について, 新たな学際的アプローチを提案する。 計算設計を用いて、表面構造は反復的に生成され、1:10スケールで3Dプリントされる。 自動化されたロボットプロセスは、マイクロフォンとスピーカーを複数の場所に配置することで、これらの表面のインパルス応答を測定する。
  論文  参考訳（メタデータ） (2021-09-24T15:20:02Z)
• Mean absorption estimation from room impulse responses using virtually supervised learning [0.0]
  本稿では,室内インパルス応答(RIR)のみから平均吸収係数を推定する新しい手法を紹介し,検討する。 この逆問題は、仮想教師付き学習、すなわち、人工ニューラルネットワークを用いたシミュレーションデータセット上の回帰によって暗黙的に学習される。
  論文  参考訳（メタデータ） (2021-09-01T14:06:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。