بررسي عملكرد روش‌هاي مبتني بر يادگيري ماشين در تخمين زمان واخنش كلاس درس با استفاده از شبكه‌هاي عصبي

كلاس ‌هاي درس به‌عنوان يكي از مهم‌ترين محيط‌ هاي آموزشي نقش عمده‌ اي در يادگيري و پيشرفت تحصيلي دانش‌ آموزان دارند. زمان واخنش به‌عنوان يكي از مهم‌ترين شبه‌سنج‌هاي صوتي در داخل اتاق‌ ها، تأثير بسزايي در كيفيت صدا دارد. عدم ‌كارآيي مناسب فرمول‌هاي كلاسيك مانند سابين، باعث شد كه در اين مقاله به بررسي استفاده از روش‌هاي يادگيري ماشين به‌عنوان يك روش جايگزين براي پيش‌بيني زمان واخنش محيط پرداخته شود. در اين پژوهش ابتدا با استفاده از روش ‌هاي مبتني بر صوتيّات هندسي و با استفاده از نرم‌افزار اودئون به جمع ‌آوري مجموعه دادگان مورد نياز در بسامد‌هاي 500 و 2000 هرتز پرداخته مي‌ شود. در اين مجموعه دادگان چهار كلاس درس با فضايي مستطيل شكل، همراه با عنصر هايي مانند ميز و صندلي و پنجره و در، استفاده شد. پس از آن به‌منظور ارائه يك سامانه مبتني بر يادگيري ماشين از شبكه عصبي پرسپترون چندلايه و شبكه عصبي مبتني بر توابع پايه شعاعي به همراه الگوريتم خوشه‌بندي كي- ميانگين و هم‌چنين شبكه عصبي كانولوشن استفاده شده است. اين الگو‌ها ويژگي ‌هاي محيط را در نظر مي‌ گيرند و در نهايت مقادير زمان واخنش را به‌عنوان تابعي از بسامد برآورد مي‌ كنند. در اين پژوهش با استفاده از شبكه عصبي پرسپترون چندلايه براي بسامد 500 هرتز، ضريب تعيين 93 درصد و براي بسامد 2000 هرتز، ضريب تعيين 95 درصد حاصل شد. هم‌چنين با استفاده از شبكه عصبي مبتني بر توابع پايه شعاعي براي بسامد 500 هرتز، ضريب تعيين 82 درصد و براي بسامد 2000 هرتز، ضريب تعيين 89 درصد ثبت شد. هم‌چنين با استفاده از شبكه عصبي كانولوشن يك- بعدي براي بسامد 500 هرتز، ضريب تعيين 94 درصد و براي بسامد 2000 هرتز ضريب تعيين 96 درصد ثبت شد.