|
本年度では、シミュレーション上で学習した構造物内部の音源を探査する音源探査モデルを実環境に適応させるために導入したドメイン変換モデルについて、Autoencoder (AE)ならびにdeep convolutional autoencoder (DCAE)による変換精度と、その変換データを利用した音源探査精度を評価した。特に、変換精度の評価方法として従来より利用していたRoot Mean Squared Error (RMSE)ではなく、データのマッチングを直接的に可視化することが重要と考え、t-Distributed Stochastic Neighbor Embedding (t-SNE)による2次元の可視化を利用した評価を行った。
結果としては、DCAEによる変換精度の方がAEより高精度であることが明らかとなり、同時にRMSEでの評価方法は不十分であることがわかった。
さらに、前年度から目標としていた実環境のデータを擬似的なシミュレーションデータに変換するドメイン変換モデルと音源探査を実施する音源探査モデルの統合モデルに関して、従来より選択していたdeep neural network (DNN)は、音源探査モデルとして適切なモデルではないことがわかった。
今後は、統合モデルにおける音源探査モデルとして、識別境界にもとづかない音源位置推定が重要と考えられるため、敵対的学習または距離学習を応用する。
※本研究の一部は、The 51st International Congress and Exposition on Noise Control Engineeringにて発表予定。
|
