CN116127845B - 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统 - Google Patents

一种基于机器学习的厅堂建筑声学客观参数预测方法及系统 Download PDF

Info

Publication number
CN116127845B
CN116127845B CN202310132552.7A CN202310132552A CN116127845B CN 116127845 B CN116127845 B CN 116127845B CN 202310132552 A CN202310132552 A CN 202310132552A CN 116127845 B CN116127845 B CN 116127845B
Authority
CN
China
Prior art keywords
building
data
hall
training
machine learning
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202310132552.7A
Other languages
English (en)
Other versions
CN116127845A (zh
Inventor
万宇鹏
段继伟
杨锐
张海锭
杨春节
文捷
陈政
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Acoustics Research Institute Of National Institute Of Measurement And Testing Technology
Original Assignee
Acoustics Research Institute Of National Institute Of Measurement And Testing Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Acoustics Research Institute Of National Institute Of Measurement And Testing Technology filed Critical Acoustics Research Institute Of National Institute Of Measurement And Testing Technology
Priority to CN202310132552.7A priority Critical patent/CN116127845B/zh
Publication of CN116127845A publication Critical patent/CN116127845A/zh
Application granted granted Critical
Publication of CN116127845B publication Critical patent/CN116127845B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/13—Architectural design, e.g. computer-aided architectural design [CAAD] related to design of buildings, bridges, landscapes, production plants or roads
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Biomedical Technology (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Optimization (AREA)
  • Medical Informatics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Structural Engineering (AREA)
  • Civil Engineering (AREA)
  • Architecture (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于机器学习的厅堂建筑声学客观参数预测方法及系统，包括获取待预测的厅堂建筑本体数据并对所述建筑本体数据进行预处理得到厅堂建筑标量数据；将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果。本发明基于机器学习建立的预测模型有效地对厅堂建筑的中频室内混响时间和语言清晰度等客观参数指标进行预测，实现了对部分厅堂建筑声学客观参数的快速评价，并且其对建筑声学客观参数的预测精度与传统方法相比较高，大大减少人力物力，提高工作效率。

Description

一种基于机器学习的厅堂建筑声学客观参数预测方法及系统
技术领域
本发明属于建筑声学参数预测技术领域，尤其是涉及一种基于机器学习的厅堂建筑声学客观参数预测方法及系统。
背景技术
厅堂建筑是目前承载交流功能的主要建筑形式之一，其声环境质量不仅直接影响人与人之间沟通质量，同时对人们的身心健康发展也起到重要作用。不良的厅堂声环境会干扰人们的语言交流，降低听音者对语音信号的辨别能力和理解能力，使以语言为载体的内容传递受到阻碍，并会导致听觉能力之外的其他能力的下降，严重影响沟通质量。除此之外，较高的背景噪声级和较长的混响时间会增加人的交流负担，引起声带疲劳。
因此，建筑声学客观音质参数预测是建筑声学设计领域重要且必须的一个技术环节，其组成具有多样性和复杂性，主要包括混响时间、语言清晰度、早期衰减时间、明晰度、双耳互相关系数等。音质预测的准确性与高效性在一定程度上直接决定了一项建筑声学设计工作的效果。对厅堂客观音质参数进行预测，对于建筑声学设计和应用具有至关重要的作用，将其中主要参数快速、高效、准确地进行评估成为声学设计至关重要的一步。
目前，针对建筑声学客观音质参数预测的预测，主要采用公式法预测和计算机辅助预测两种。然而，公式法预测的使用虽然简单方便，但是其准确性和适用性已不能满足当下设计和工程需求，计算机辅助预测方法虽然能够提供较高的预测准确性和适用性，但是其也存在采购成本高、专业技术要求高、建模复杂等诸多现实问题。因此传统的公式法预测和计算机辅助预测在实际工作中均存在一定局限性，需采取一种成本较低、效率较高、精度较高的厅堂建筑声学客观参数预测方法来解决相关问题。
发明内容
本发明的目的是针对上述问题，提供一种基于机器学习的厅堂建筑声学客观参数预测方法及系统。
为达到上述目的，本发明提供如下技术方案：
本发明包括如下步骤：
获取待预测的厅堂建筑本体数据并对所述建筑本体数据进行预处理得到厅堂建筑标量数据；
将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果。
进一步地，所述建筑本体数据进行预处理包括建筑特征初始赋值，建筑本体几何数据进行最大值和最小值的提取，分别进行均值计算以及均方值计算后进行数据归一化处理。
进一步地，所述建筑声学客观参数预测模型的构建方法包括
a、通过建筑模拟软件建立了不同体量的建筑模型；
b、在所述不同体量的建筑模型中每种建筑模型提取了多个特征参数；
c、针对多个特征参数进行组合生成不同状态下的厅堂建筑声学客观音质参数，所述不同状态包括500Hz混响时间数据指标，1000Hz混响时间数据指标以及语言传输指数STI数据指标;
d、针对不同体量的建筑模型的指标，采用误差逆向传播算法训练的多层前馈神经网络训练，分别得到数据集，该数据集包含多个特征参数的输入训练向量矩阵和多个特征指标的输出结果向量矩阵。
进一步地，所述多层前馈神经网络训练的网络采用2层隐藏层，设置14个神经网络节点，数据集按照70%训练值、15%验证值、15%测试值进行划分，使用Levenberg-Marquardt算法训练，使用最大均方根误差MSE和回归系数R进行训练效果评估。
进一步地，所述500Hz混响时间数据集的训练值MSE 2.287E-2，验证值MSE 4.60E-2，测试值MSE 4.46E-2；训练值回归系数R=0.996，验证值回归系数R=0.993，测试值回归系数R=0.996；所述1000Hz混响时间数据集的训练值MSE 1.54E-2，验证值MSE 3.80E-2，测试值MSE 4.73E-2；训练值回归系数R=0.997，验证值回归系数R=0.994，测试值回归系数R=0.991,所述语言传输指数STI数据集的训练值MSE 5.41E-5，验证值MSE 1.17E-4，测试值MSE 1.37E-4；训练值回归系数R=0.999，验证值回归系数R=0.998，测试值回归系数R=0.997。
一种基于机器学习的厅堂建筑声学客观参数预测系统，包括：
数据获取模块，用于获取待预测的厅堂建筑本体几何数据、基础建筑特征数据
预处理模块，用于对所述建筑本体数据进行预处理，得到统一量纲后的厅堂建筑标量数据；
预测模块，将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果。
一种电子设备，包括：一个或多个处理器；用于存储一个或多个程序的存储装置。其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行所述的基于机器学习的厅堂建筑声学客观参数预测方法。
一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行所述的基于机器学习的厅堂建筑声学客观参数预测方法。
与现有技术相比，本发明提供了一种基于机器学习的厅堂建筑声学客观参数预测方法及装置，具备以下有益效果：
本发明基于机器学习建立的预测模型有效地对厅堂建筑的中频室内混响时间和语言清晰度等客观参数指标进行预测，实现了对部分厅堂建筑声学客观参数的快速评价，并且其对建筑声学客观参数的预测精度与传统方法相比较高，大大减少人力物力，提高工作效率。
附图说明
图1为本发明基于机器学习的厅堂建筑声学客观参数预测方法及系统的流程示意图；
图2为本发明基于机器学习的厅堂建筑声学客观参数预测方法的模型背景噪声示意图；
图3为本发明基于机器学习的厅堂建筑声学客观参数预测方法的混响时间数据示意图；
图4为本发明基于机器学习的厅堂建筑声学客观参数预测方法的公式法混响时间对比示意图；
图5为本发明基于机器学习的厅堂建筑声学客观参数预测方法的神经网络数据拟合训练回归系数R值示意图；
图6为本发明基于机器学习的厅堂建筑声学客观参数预测方法的神经网络数据拟合训练均方误差正态分布示意图；
图7为本发明基于机器学习的厅堂建筑声学客观参数预测方法的神经网络训练均方误差示意图；
图8为本发明基于机器学习的厅堂建筑声学客观参数预测方法的神经网络训练梯度下降和Mu学习率示意图；
实施方式
以下实施例仅处于说明性目的，而不是想要限制本发明的范围。
如图1所示，本发明包括如下步骤：获取待预测的厅堂建筑本体数据并对所述建筑本体数据进行预处理得到厅堂建筑标量数据；
将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果。
选取常规体量的厅堂建筑进行样本集训练。建筑尺度选择覆盖范围：长度8~20米，宽度7~15米，高度2.8~4.4米。室内建筑特征选择前后墙、左右墙、天花、地面、门廊、窗户、其他反射面等7项建筑特征作为典型特征值。典型特征值的声学参数采用《声学手册》中典型材料参数进行赋值。
训练样本通过行业内普遍使用、数据公认采信的Odeon 16 Combined模拟平台对客观音质参数数据进行仿真，客观参数选用500Hz混响时间、1000Hz混响时间和语言传输指数STI等3项具有代表性的指标作为目标参数。
总体训练规模建立计算机仿真模型11组，每组模型均根据厅堂建筑预设的实际情况进行温湿度设定(20℃)、本底噪声设定(NR25)、相对湿度(50%RH)、声源点设定、听音点设定、典型材料设定等，3项目标参数分别采得样本数据800个，共计2400个。
作为对照实验，采用赛宾公式法和伊琳公式法对11组计算机仿真模型的中频混响时间数据进行统计，分别采集赛宾混响时间1600个(500Hz，1000Hz各800个)，依琳混响时间1600个(500Hz，1000Hz各800个)。
针对500Hz混响时间、1000Hz混响时间和语言传输指数STI等某项目标参数，其一组数据集包括800个训练集数据和1个期望集数据，每组数据单独进行机器学习的神经网络训练。
800种建筑模型的数据集，其变量值主要是特征参数数值的不同，获得的方法主要是改变建筑的几何尺寸和室内陈设的布置，通过不同特征的面积×对应频率吸声系数得到不同吸声量。
通过matlab平台，采用基于机器学习的神经网络对每组数据集进行数据拟合训练。训练网络采用2层隐藏层，设置14个神经网络节点，数据集按照7:1.5:1.5的比例将数据划分为70%训练值、15%验证值、15%测试值，，训练网络采用误差逆向传播算法训练的多层前馈神经网络进行训练。训练数据集的划分采用随机分配法，将使用Levenberg-Marquardt算法训练拟合数据。对每次训练的拟合数据效果进行MSE和R值评估，训练效果不好的权重被舍去，训练效果较好的权重被保存待复核验证。经过至少1000次以上的训练效果统计，得到可用于实际预测工作的神经元权重和神经网络算法。
通过多次训练，得到最终的训练网络详情如下：
(一)500Hz混响时间数据集：训练值MSE 2.287E-2，验证值MSE 4.60E-2，测试值MSE 4.46E-2；训练值回归系数R=0.996，验证值回归系数R=0.993，测试值回归系数R=0.996；说明机器学习的神经网络具有很好的准确性和适用性。
训练结果 样本数/个 均方误差MSE 回归系数R值
训练集 560 2.27639E-2 9.96333E-1
验证集 120 4.59591E-2 9.93240E-1
测试集 120 4.46471E-2 9.95694E-1
(二)1000Hz混响时间数据集：训练值MSE 1.54E-2，验证值MSE 3.80E-2，测试值MSE 4.73E-2；训练值回归系数R=0.997，验证值回归系数R=0.994，测试值回归系数R=0.991；说明机器学习的神经网络具有很好的准确性和适用性。
训练结果 样本数/个 均方误差MSE 回归系数R值
训练集 560 1.053976E-2 9.97079E-1
验证集 120 3.79788E-2 9.94436E-1
测试集 120 4.73248E-2 9.90579E-1
(三)语言传输指数STI数据集：训练值MSE 5.41E-5，验证值MSE 1.17E-4，测试值MSE 1.37E-4；训练值回归系数R=0.999，验证值回归系数R=0.998，测试值回归系数R=0.997；说明机器学习的神经网络具有很好的准确性和适用性。
训练结果 样本数/个 均方误差MSE 回归系数R值
训练集 560 5.41133E-5 9.98526E-1
验证集 120 1.17093E-4 9.97699E-1
测试集 120 1.37442E-4 9.96846E-1
如图2所示样本库的构建过程选用了NR25曲线作为参考背景噪声，代表样本采样在较为安静，没有过多干扰噪声的环境水平下进行。
如图3所示，图中显示了样本库构建过程中的某一样本状态下的声压级-60dB衰减情况，同时显示了该样本状态下的500Hz和1000Hz混响时间估算值。
如图4所示，图中显示了样本库构建过程中的某一样本状态下赛宾公式法和伊琳公式法的混响时间预测图表，用作本发明结果与公式法结果的讨论对比。
如图5所示，图中显示了本发明基于机器学习的厅堂建筑声学客观参数预测方法中的STI指标的回归系数结果，图中训练集的R值为0.999，验证集的R值为0.98，测试集的R值为0.97。一般来说，相关系数R值的大小可以反映预测模型的准确性。如果R值大于0.9，就表明预测模型的拟合效果非常好，具有很强的预测能力。此时预测的数据与实际数据的相关性很强，即预测值与实际值存在很高的正相关性。
如图6所示图中显示了STI指标的神经网络数据拟合训练均方误差分布结果，分布呈现出明显的正态分布情况。一般来说，神经网络预测结果的准确性除了通过上述回归系数R值来判定外，还可以通过误差分布情况来评估。当误差分布满足均值为0、方差为1的正态分布时，说明预测结果的误差较小，预测结果准确。同时，误差的分布情况也可以用误差分布图来表示，如果误差分布图呈现出近似正态分布的形态，也说明预测结果较为准确。
如图7所示，其中Epochs 是神经网络训练中整个训练数据集完整被使用次数，在每一个 Epoch 中，模型对训练数据的预测结果与真实结果进行比对，然后调整模型的参数，以尽可能降低预测误差。这个过程重复进行若干次，直到模型在训练数据集上表现较好，或者当其他指标（如验证误差）不再显著改善为止。通常，Epochs 越多，模型就会在训练数据上更好地拟合，但是如果 Epochs 设置的太多，模型就会出现过拟合现象。图中显示了在STI指标的神经网络数据拟合训练过程中，共进行了49次迭代，在第43次迭代训练时达到本次训练的最小值，其值为0.00012。该均方误差相比STI实际值很小，显示该预测神经网络已具备较好的准确度和较高的预测置信率。
如图8所示，在神经网络拟合预测中，Gradient是指梯度下降法在训练神经网络过程中计算的梯度，具体而言，Gradient是损失函数关于每个输入节点的权重和偏差的偏导数。梯度下降法通过不断更新每个节点的权重和偏差来最小化损失函数，从而使神经网络的预测结果与真实结果尽可能接近。"Mu"是梯度下降法中的学习率（Learning Rate）的常用符号。在神经网络模型的训练过程中，学习率控制了每一次梯度下降步长的大小，影响着模型对数据的拟合程度。学习率较大，模型训练迭代速度快，但容易陷入局部最优解；学习率较小，模型训练迭代速度慢，但更容易找到全局最优解。因此，确定合适的学习率是神经网络训练的一个重要问题。Validation Checks是神经网络拟合预测过程中的一个验证步骤，它通常包括模型的预测结果与实际数据进行比较，以评估模型的准确性。验证检查的目的是识别模型的过拟合（overfitting）或欠拟合（underfitting），并在必要时对模型进行修改，以提高预测准确性。验证检查通常使用不同于训练数据的数据集进行，以确保模型在新数据上的准确性。图上显示在构建本发明的预测STI指标的神经网络过程中的梯度下降和Mu学习率情况。
在一种实施例中，使用经训练、编译、封装好以后的《厅堂建筑声学客观参数预测APP》对一间常规教室的声学客观参数预测。该教室长10m，宽7.5m，高3.5m，天花面积75㎡，地面面积75㎡，门廊面积4㎡，窗户面积14㎡，黑板面积6㎡。此处实例已经是训练、编译、封装好的APP使用案例。最大值、最小值提取，归一化处理，数据推演过程等是该预测模型训练时的步骤，训练好之后编译了具备直接使用功能的神经网络代码，该代码封装在内置APP程序中自动完成相关的预测工作。
1）首先，输入该案例教室的长、宽、高、特征面积等建筑基础几何数据和吸声系数等特征数据。如下步骤所示：
点击APP页面下方“RT500预测”按钮，对500Hz混响时间进行预测。得到该教室500Hz混响时间为2.1s，符合日常工作中实际测得的相关数值。
点击APP页面下方“RT1000预测”按钮，对1000Hz混响时间进行预测。得到该教室1000Hz混响时间为1.5s，符合日常工作中实际测得的相关数值。
点击APP页面下方“STI预测”按钮，对语言清晰度STI值进行预测。得到该教室语言清晰度STI为0.49，符合日常工作中实际测得的相关数值。
可见，该《厅堂建筑声学客观参数预测APP》可以对一间常规教室的中频混响时间和语言清晰度指标等客观参数进行快速、高效的预测和评价，大大减少人力物力，提高了工作效率。
本公开的实施例还包括一种计算机程序产品，其包括计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机装置中运行时，该程序代码用于使计算机装置实现本公开实施例所提供的基于高空间分辨率遥感影像的畜牧业监测提取方法。
在该计算机程序被处理器执行时执行本公开实施例的装置/装置中限定的上述功能。根据本公开的实施例，上文描述的装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中，该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中，该计算机程序也可以在网络介质上以信号的形式进行传输、分发，并通过通信部分被下载和安装，和/或从可拆卸介质被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输，包括但不限于：无线、有线等等，或者上述的任意合适的组合。
在这样的实施例中，该计算机程序可以通过通信部分从网络上被下载和安装，和/或从可拆卸介质被安装。在该计算机程序被处理器执行时，执行本公开实施例的装置中限定的上述功能。根据本公开的实施例，上文描述的设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本公开的实施例，可以以一种或多种程序设计语言的任意组合来编写用于执行本公开实施例提供的计算机程序的程序代码，具体地，可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java，C++，python，“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行而部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中，远程计算设备可以通过任意种类的网络，包括局域网(LAN)或广域网(WAN)，连接到用户计算设备，或者，可以连接到外部计算设备(例如，利用因特网服务提供商来通过因特网连接)。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于机器学习的厅堂建筑声学客观参数预测方法，其特征在于：包括如下步骤：
获取待预测的厅堂建筑本体数据并对所述建筑本体数据进行预处理得到厅堂建筑标量数据；
将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果,所述建筑声学客观参数预测模型的构建方法包括
a、通过建筑模拟软件建立了不同体量的建筑模型；
b、在所述不同体量的建筑模型中每种建筑模型提取了多个特征参数；
c、针对多个特征参数进行组合生成不同状态下的厅堂建筑声学客观音质参数，所述不同状态包括500Hz混响时间数据指标，1000Hz混响时间数据指标以及语言传输指数STI数据指标;
d、针对不同体量的建筑模型的指标，采用误差逆向传播算法训练的多层前馈神经网络训练，分别得到数据集，该数据集包含多个特征参数的输入训练向量矩阵和多个特征指标的输出结果向量矩阵。
2.根据权利要求1所述的一种基于机器学习的厅堂建筑声学客观参数预测方法，其特征在于：所述建筑本体数据进行预处理包括建筑特征初始赋值，建筑本体几何数据进行最大值和最小值的提取，分别进行均值计算以及均方值计算后进行数据归一化处理。
3.根据权利要求1所述的一种基于机器学习的厅堂建筑声学客观参数预测方法，其特征在于：所述多层前馈神经网络训练的网络采用2层隐藏层，设置14个神经网络节点，数据集按照70%训练值、15%验证值、15%测试值进行划分，使用Levenberg-Marquardt算法训练，使用最大均方根误差MSE和回归系数R进行训练效果评估。
4.根据权利要求1所述的一种基于机器学习的厅堂建筑声学客观参数预测方法，其特征在于：所述500Hz混响时间数据集的训练值MSE 2.287E-2，验证值MSE 4.60E-2，测试值MSE 4.46E-2；训练值回归系数R=0.996，验证值回归系数R=0.993，测试值回归系数R=0.996；所述1000Hz混响时间数据集的训练值MSE 1.54E-2，验证值MSE 3.80E-2，测试值MSE4.73E-2；训练值回归系数R=0.997，验证值回归系数R=0.994，测试值回归系数R=0.991,所述语言传输指数STI数据集的训练值MSE 5.41E-5，验证值MSE 1.17E-4，测试值MSE 1.37E-4；训练值回归系数R=0.999，验证值回归系数R=0.998，测试值回归系数R=0.997。
5.一种基于机器学习的厅堂建筑声学客观参数预测系统，其特征在于，包括：
数据获取模块，用于获取待预测的厅堂建筑本体几何数据、基础建筑特征数据；
预处理模块，用于对厅堂建筑本体几何数据进行预处理，得到统一量纲后的厅堂建筑标量数据；
预测模块，将所述厅堂建筑标量数据输入预先建立的基于机器学习的建筑声学客观参数预测模型，得到厅堂建筑声学客观参数的预测结果，所述建筑声学客观参数预测模型的构建方法包括：
a、通过建筑模拟软件建立了不同体量的建筑模型；
b、在所述不同体量的建筑模型中每种建筑模型提取了多个特征参数；
c、针对多个特征参数进行组合生成不同状态下的厅堂建筑声学客观音质参数，所述不同状态包括500Hz混响时间数据指标，1000Hz混响时间数据指标以及语言传输指数STI数据指标;
d、针对不同体量的建筑模型的指标，采用误差逆向传播算法训练的多层前馈神经网络训练，分别得到数据集，该数据集包含多个特征参数的输入训练向量矩阵和多个特征指标的输出结果向量矩阵。
6.一种电子设备，其特征在于，包括：一个或多个处理器；用于存储一个或多个程序的存储装置,其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器执行权利要求1～4中任一项所述的基于机器学习的厅堂建筑声学客观参数预测方法。
7.一种计算机可读存储介质，其上存储有可执行指令，该指令被处理器执行时使处理器执行权利要求1～4中任一项所述的基于机器学习的厅堂建筑声学客观参数预测方法。
CN202310132552.7A 2023-02-17 2023-02-17 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统 Active CN116127845B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310132552.7A CN116127845B (zh) 2023-02-17 2023-02-17 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310132552.7A CN116127845B (zh) 2023-02-17 2023-02-17 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统

Publications (2)

Publication Number Publication Date
CN116127845A CN116127845A (zh) 2023-05-16
CN116127845B true CN116127845B (zh) 2023-08-22

Family

ID=86311589

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310132552.7A Active CN116127845B (zh) 2023-02-17 2023-02-17 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统

Country Status (1)

Country Link
CN (1) CN116127845B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117993790B (zh) * 2024-04-07 2024-06-14 中国测试技术研究院声学研究所 基于神经网络的指挥室声环境质量权重计量优化分析方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622518A (zh) * 2012-03-08 2012-08-01 中山大学 一种基于建筑物群密度的室外声预测方法
CN105472508A (zh) * 2016-01-25 2016-04-06 宁波音王电声股份有限公司 一种基于厅堂建声的电声dsp仿真模块系统
CN111535470A (zh) * 2020-05-09 2020-08-14 广州大学 一种提升室内语言清晰度的方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102622518A (zh) * 2012-03-08 2012-08-01 中山大学 一种基于建筑物群密度的室外声预测方法
CN105472508A (zh) * 2016-01-25 2016-04-06 宁波音王电声股份有限公司 一种基于厅堂建声的电声dsp仿真模块系统
CN111535470A (zh) * 2020-05-09 2020-08-14 广州大学 一种提升室内语言清晰度的方法和系统

Also Published As

Publication number Publication date
CN116127845A (zh) 2023-05-16

Similar Documents

Publication Publication Date Title
CN108764520B (zh) 一种基于多层循环神经网络和d-s证据理论的水质参数预测方法
CN116127845B (zh) 一种基于机器学习的厅堂建筑声学客观参数预测方法及系统
CN113656879A (zh) 基于bim的幕墙工程精细化施工方法、系统、终端、介质
CN106874581A (zh) 一种基于bp神经网络模型的建筑空调能耗预测方法
Aumond et al. Global sensitivity analysis for road traffic noise modelling
CN112149962B (zh) 一种施工事故致因行为的风险定量评估方法及系统
CN114021501A (zh) 一种火灾温度场重构方法、系统、计算机设备、介质及终端
CN110555524A (zh) 基于室内环境监测的训练样本数据获取方法及装置
CN114662201A (zh) 一种自然通风智能调控的寻优方法
Mao et al. Automated Bayesian operational modal analysis of the long-span bridge using machine-learning algorithms
CN113486580B (zh) 在役风电机组高精度数值建模方法、服务端及存储介质
CN108647817B (zh) 一种能耗负荷的预测方法及预测系统
Johnson Applying computer simulation models as learning tools in fishery management
CN114219177A (zh) 机房环境调控方法、装置、电子设备及存储介质
Zong et al. Embedded software fault prediction based on back propagation neural network
CN109187898B (zh) 水产养殖环境中水质氨氮含量的软测量方法及装置
Duangpummet et al. A robust method for blindly estimating speech transmission index using convolutional neural network with temporal amplitude envelope
CN110414047A (zh) 一种用于通信传输设备健康状态评价的方法
CN110085255A (zh) 语音转换基于深度内核学习高斯过程回归建模方法
Aliabadi et al. Artificial neural networks and advanced fuzzy techniques for predicting noise level in the industrial embroidery workrooms
André et al. Radiative transfer modeling in structurally complex stands: towards a better understanding of parametrization
CN112241811B (zh) “互联网+”环境下定制产品的分层混合性能预测方法
EP3955587A1 (en) Machine learning device
Wang et al. The application of artificial neural networks to predict wind spectra for rectangular cross-section buildings
CN112307537A (zh) 基于多目标优化算法的天然光视觉与非视觉效应耦合优化

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant