利用虚拟监督学习从房间脉冲响应估计平均吸声系数
神经与进化计算
2021-09-02 v1 声音
音频与语音处理
经典物理
摘要
在建筑声学及现有房间声学诊断背景下，本文引入并研究了一种仅从房间脉冲响应（RIR）估计平均吸声系数的新方法。该逆问题通过虚拟监督学习解决，即利用人工神经网络在模拟数据集上回归，隐式学习RIR到吸声系数的映射。我们聚焦于基于可理解架构的简单模型。训练模型所用的几何、声学和仿真参数的关键选择被广泛讨论和研究，同时牢记代表建筑声学领域的条件。将学习得到的神经模型的估计误差与需要房间几何和混响时间知识的经典公式所得误差进行比较。在多种模拟测试集上的广泛比较突出了学习模型可克服这些公式所基于的扩散声场假设已知局限性的不同条件。在声学可配置房间中测量的真实RIR上获得的结果表明，在1~kHz及以上，当混响时间可可靠估计时，所提方法性能与经典模型相当，且即使无法估计时仍可持续工作。
引用
@article{arxiv.2109.00393,
title = {Mean absorption estimation from room impulse responses using virtually supervised learning},
author = {Cédric Foy and Antoine Deleforge and Diego Di Carlo},
journal= {arXiv preprint arXiv:2109.00393},
year = {2021}
}