CC BY
23УДК 004.2
ОНТОЛОГИЯ МЕТОДОВ МОДЕЛИРОВАНИЯ В ОБЛАСТИ АРХИТЕКТУРНОЙ АКУСТИКИ
Статья поступила в редакцию 01.02.2023, в окончательном варианте - 08.02.2023.
Чусова Алина Евгеньевна, Дальневосточный федеральный университет, Российская Федерация, 690922, Приморский край, г. Владивосток, о. Русский, п. Аякс, 10,
аспирант, ORCID: 0002-8263-2559, e-mail: alinachusova95@gmail.com
В статье описывается разработанная онтология методов, используемая для автоматизированной поддержки компьютерного моделирования акустических полей в замкнутых помещениях в целях принятия решения о математической модели, которую следует использовать для достижения эффективности, заданной желаемой точностью моделирования в противоречии с допустимыми вычислительными затратами. Основной проблемой при этом является слабая степень формализации данной предметной области и отсутствие четких инструкций и рекомендаций по оформлению помещений. Описанные проблемы настолько остры, что зачастую экспертам предметной области приходится подбирать материалы на основе эмпирически полученных знаний и ощущений. В связи с этим возникает необходимость формализации знаний об архитектурной акустике. В данной работе представлены результаты онтологического анализа предметной области - основные факторы, влияющие на выбор одной из существующих теорий описания акустических процессов (статистической и геометрической) и методов применения каждой из них. Результаты этого анализа формализованы в виде созданных и представленных в настоящей работе алгоритмов поддержки принятия решения об используемых математической модели поля, методе имитационного компьютерного моделирования и параметризации модели в условиях требований к эффективности.
Ключевые слова: архитектурная акустика, онтология, моделирование, компьютерные системы поддержки принятия решений
ONTOLOGY OF MODELING METHODS IN THE FIELD OF ARCHITECTURAL ACOUSTICS
The article was received by the editorial board on 01.02.2023, in the final version — 08.02.2023.
Chusova Alina E., Far Eastern Federal University, 10 Ajax Bay, Russky Island, Vladivostok, 690922, Russian Federation,
post-graduate student, ORCID: 0002-8263-2559, e-mail: alinachusova95@gmail.com
The paper describes a developed ontology used to support computer-aided simulation of acoustical fields in enclosed spacings in order to assist in making a decision about a mathematical model to use for аchieving efficiency based on a desired accuracy of the simulation in contradiction to available computational costs. The main challenges for that include a weak degree of formalization of this subject area as well as the lack of clear instructions or recommendations for design of premises with respect to their acoustical properties. The problems described in the paper are so acute that knowledge domain experts often parameterize their calculations and make design decisions solely based on empirical experience and feelings rather than formally described knowledge. In this regard, there is a need to create and formally describe the knowledge about architectural acoustics and, since application of modern theory of acoustics can be cumbersome, provide tools to automate decision making when it comes to acoustic designs. This report presents the results of ontological analysis of the subject area including the main factors influencing the choice of existing statistical and geometric theories for describing acoustic processes as well as methods used for simulation of acoustical field based on those theories.
Keywords: architectural acoustics, ontology, modelling, decision-making system
Введение. Задачей создания оптимального акустического оформления помещений занимались с древнейших времен. Несмотря на то, что архитектурная акустика является одной из старейших дисциплин, до сих пор не решены некоторые фундаментальные проблемы, в числе которых отсутствие единой теории, которая описывает все акустические процессы в помещении в полной мере. На данный момент существуют три теории описания акустических процессов: статистическая, геометрическая, волновая.
Исследования [ 1-3] выделяют следующие проблемы этой области знаний и применения теорий в науке и технике:
• слабая степень формализации акустики осложняет создание подходящих моделей и методов для решения проблем, оценку степени их адекватности;
• отсутствие единой точки зрения на области применения теорий описания акустических процессов и их методов;
• нечёткие рекомендации по акустическому проектированию в действующих нормативных документах;
• формальное применение программного обеспечения для акустического проектирования помещений различного назначения без учёта специфики и ограничений, налагаемых используемыми методами математического и компьютерного моделирования.
Одним из перспективных направлений в решении проблемы является применение интеллектуальных систем поддержки принятия решений, то есть систем, в которых используются методы искусственного интеллекта. Основным преимуществом данного подхода являются логически выведенные решения на основе полученных данных, а также возможность получить ответ в условиях недостатка информации или нечетких требованиях. Использование интеллектуальных систем получило широкое распространение во многих областях [4], поскольку это позволяет снизить общую неопределённость решений, а полученные выводы согласуются с экспертными заключениями.
Исследования в области создания интеллектуальных систем для подбора оптимальных вычислительных моделей в акустике остаются актуальными и по сей день. Одна из первых попыток формализовать акустические правила и получить акустические и фонетические знания, которые будут использоваться в акустико-фонетической расшифровке, была предпринята в [5].
С точки зрения архитектурной акустики создание многоцелевых помещений с адаптивной акустикой вызывает большие трудности, поскольку рекомендации по акустическому проектированию помещений с различными назначениями могут противоречить друг другу. Попытки создать интеллектуальное решение, которое позволит решить проблему нахождения оптимального времени реверберации, описаны в [6, 7]. В статье предлагается использование акустических параметров помещения, извлеченных из полученных речи или музыки, для определения количества добавочной реверберации. Данный параметр необходим для достижения нужных акустических параметров, поскольку оптимальное время реверберации для помещений с разными параметрами и назначением различно.
Но наиболее распространенно применение методов искусственного интеллекта с целью повышения точности расчетов за счет учета нелинейных зависимостей, что особенно актуально для сложных сред [8].
Таким образом, можно говорить о том, что процесс прогнозного и аналитического исследования акустического поля сопряжен с большим числом сложностей и неопределенностей еще на этапе выбора основополагающей теории описания акустических процессов и методов их моделирования. В данный момент разработано множество вычислительных моделей, однако на практике возникают противоречия в рекомендациях по использованию моделей на различных частотах. Причины предпочтения одной модели другой настолько взаимосвязаны и разнообразны, что опираться на один критерий не представляется целесообразным. Поэтому создание системы поддержки принятия решения, позволяющей облегчить этот выбор, является актуальной задачей.
Для этого необходимо решить ряд подзадач: анализ предметной области для составления глоссария терминов и отношений между ними; выявление факторов, влияющих на выбор акустической теории; запись их в виде аксиом - утверждений в логической форме, которые постулируют взаимосвязь между понятиями и отношениями.
Факторы выбора теории описания акустических процессов. Для решения современных задач акустического оформления наиболее часто используются статическая и геометрическая теории, поскольку использование волновой теории связано с решением дифференциальных уравнений состояния звукового поля [9] в помещении, что является вычислительно трудоемким процессом. Также отсутствие четких принципов теории и единого представления об области применения заметно осложняют процесс внедрения. Поэтому были выделены факторы, влияющие на выбор теории описания акустических процессов - статистической и геометрической. Основными определяющими факторами, влияющими на выбор теории описания акустических процессов, являются:
• характеристики помещения: форма, размер, назначение, используемые материалы;
• характеристики источника: положение, его характеристика направленности и амплитудно-частотная характеристика;
• анализируемые процессы.
Характеристики помещения. В статистической теории помещение рассматривается в виде прямоугольного параллелепипеда с размерами, близкими к золотому сечению. Для помещения более сложной формы результаты расчетов могут оказаться неточными [10]. Под сложной формой помещения подразумевается вогнутый многоугольник, а также формы, имеющие закругления, поскольку подобные поверхности могут как рассеивать, так и концентрировать звук, что создает области с неравномерным распределением энергии. Таким образом, статистическая теория подходит для небольших помещений, чьи размеры не превышают длины волны [11, 12]. На практике используют следующее соотношение (1):
Уу = я. (1)
В противном же случае стоит рассмотреть методы геометрической акустики.
Для помещений, где имеет значение четкость звучания речи, существенную роль играют ранние отражения, которые усиливают прямой звук, если приходят в течение определенного времени. Данные отражения не учитывает статистическая теория, которая уделяет большее внимание стационарному процессу (процессу установившихся колебаний).
Материалы поверхностей помещения определяющим образом влияют на его акустические характеристики, поскольку от свойств материала зависит коэффициент поглощения - отношение звуковой энергии, поглощенной единицей площади поверхности, к энергии звуковых волн, падающих на эту единичную площадь [13]. Если используются материалы с высоким коэффициентом, то звук затухает сравнительно быстро, уменьшается доля эха. Поскольку в помещении могут использоваться различные материалы, могут создаваться области неравномерного распределения звуковой энергии.
Для статистической теории диффузность поля является необходимым условием их применимости. Если это условие не соблюдается, то для анализа необходимо использовать методы геометрической теории.
Характеристики источника. В статистической теории предполагается, что все направления, в которых излучает случайно расположенный источник и в которых распространяются волны, отраженные от произвольно выбранной преграды, равновероятны. Если расстояние от источника до преграды меньше половины длины волны, то возникают сложности анализа, обусловленные ближней зоной поля: поскольку звук на этом участке не установлен, соотношение сил и полей имеют сложную для измерения и предсказания зависимость [14]. Таким образом, для более точного анализа в ближней зоне целесообразно использовать методы геометрической акустики.
Одним из недостатков статистической теории акустических процессов является невозможность ее применения для анализа звука на низких частотах (16-125 Гц). Длина волны на низких частотах большая по сравнению с размерами плоскостей, и весь объем помещения может находиться в ближней зоне. Таким образом, для анализа низкочастотного излучения выбор геометрической теории является более предпочтительным.
Анализируемые процессы. В зависимости от целей построения модели могут использоваться разные методы. Если пользователя модели интересует распространение давления в простом помещении и точность не играет большой роли, то целесообразней использовать статистическую теорию для описания процессов. Однако если пользователя интересуют явления дифракции, интерференции и структура ранних отражений, которые напрямую влияют на четкость речи, а также необходимо проанализировать переходные процессы, тогда предпочтительны методы геометрической акустики.
Описанные факторы были ранжированы по степени влияния на выбор теории и представлены в виде алгоритма (рис. 1). Наиболее значимыми факторами стали размеры помещения, его форма, а также частота звука, поскольку при большой по сравнению с размерами помещения длиной волны сложно предсказать распределение энергии.
Выбрать стати стн ческую теорию
-
—t-
Вы&рать геометрическую теорию
Рисунок 1 - Классификация методов моделирования
Прежде чем приступить к выбору теории описания акустических процессов, данные о помещении проходят предварительную обработку: вычисляется длина волны, ближняя и дальняя зоны поля. Помимо этого, анализируется форма помещения - помещение считается сложным, если его форма отлична от прямоугольника или имеются фокусирующие и дефокусирующие поверхности.
При прохождении каждого условия предлагается использовать либо статистическую теорию, либо геометрическую, после чего аккумулируется количество факторов в пользу каждой модели. Если в результате работы алгоритма можно выбрать более одной теории, наиболее предпочтительной считается та, сумма факторов которой больше. В дальнейшем пользователь может уточнить параметры модели помещения, например, уточнив назначение строения.
Факторы выбора группы методов. Для выбора метода нужно составить их классификацию для каждой теории описания акустических процессов. Классификация представлена на рисунке 2.
Рисунок 2 - Классификация методов моделирования
Группы методов выделялись по принципу действия. Таким образом, для геометрической теории удалось выделить 2 группы: методы отслеживания пути и методы распространения энергии. Поскольку в статистической теории не выделяются присущие только ей методы, группы не были выделены.
Факторы, влияющие на выбор группы методов:
• характеристики поверхностей: сложность помещения, наличие (де-)фокусирующих и рельефных поверхностей;
• характеристики аппаратного обеспечения: возможность параллельного выполнения алгоритма, объем оперативной памяти;
• потребности моделирования: необходимость отслеживания структуры ранних и поздних отражений, потребность в высокой точности результатов, учет волновых эффектов, потребность в быстром моделировании.
Характеристики поверхностей. Сложность помещения может повлиять на скорость вычислений. Наличие большого количества углов может создавать слепые зоны, что отрицательно сказывается на результативности моделирования. К сложности помещения чувствительны методы трассировки луча и пучка [15]. Наличие (де-)фокусирующих поверхностей создают области неравномерного распределения энергии, которые оказывают значительное влияние на картину распространения. При использовании методов трассировки луча и пучка изогнутые поверхности могут представлять проблему, так как существует вероятность «застревания» луча или пучка в вогнутой поверхности, что снижает эффективность моделирования. Также имеет значение фактура поверхностей. Так, метод трассировки конуса может быть неточным в ситуациях наличия неровностей, длина которых сравнима или равна длине сегмента, поскольку в таких случаях могут случаться самопересечения.
Наличие (де-)фокусирующих поверхностей создают области неравномерного распределения энергии, которые оказывают значительное влияние на картину распространения. При использовании методов трассировки луча и пучка изогнутые поверхности могут представлять проблему, так как существует вероятность «застревания» луча или пучка в вогнутой поверхности, что снижает эффективность моделирования. Также имеет значение фактура поверхностей. Так метод трассировки конуса [16] может быть неточным в ситуациях наличия неровностей, длина которых сравнима или равна длине сегмента конуса, поскольку в таких случаях могут случаться самопересечения.
Характеристики аппаратного обеспечения. Группа методов, основанных на распространении энергии, отличается высокой требовательностью к вычислительным ресурсам. Так, в методе распространения излучения строится матрица взаимодействия элементов поверхностей. Каждый элемент матрицы описывает, какая часть энергии, покидая один участок, достигает другого [17]. Таким образом, если размер элементов мал и моделируется достаточно большое помещение, то матрица быстро разрастается до объёмов, требующих высокопроизводительных вычислений.
В методе обмена излучения для каждого элемента необходимо использовать десятки направлений, чтобы сохранить свойства направленности при отражениях. Зависящие от времени энергетические отклики требуют временного разрешения, то есть тысяч отсчетов. Таким образом, потребление памяти приближается к сотням мегабайт [18].
Не все алгоритмы моделирования имеют хороший потенциал для распараллеливания. Алгоритмами, которые легко поддаются распараллеливанию, являются трассировка луча, пучка, частиц, метод мнимых источников и методы группы распространения энергии.
Потребности моделирования. Иногда необходимо осуществить моделирование быстро, пренебрегая потерями в точности. Быстрыми методами считаются группа трассировок. С другой стороны, бывают случаи, когда точность является критически важна, например, при моделировании звука в помещениях с живым звуком.
Структура ранних отражений является исключительно важным фактором, влияющим на качество звучания в помещении. В больших объемах ранние отражения приходят друг за другом через сравнительно большие интервалы и образуют структуру последовательно приходящих отражений с различными амплитудами звуковой энергии. Отследить картину отражений позволяют методы мнимых источников [19] и группа методов распространения энергии. Учет волновых эффектов, таких как дифракция и интерференция, важен при наличии в помещении препятствий, что, безусловно, влияет на картину распространения. Методы моделирования распространения звуковой энергии не позволяют учесть особенности волнового распространения.
Алгоритм выбора семейств методов и их отдельных методов представлен на рисунке 3.
Наиболее значимыми факторами являются учет волновых эффектов, форма помещения и наличие изогнутых поверхностей. Как и в вышеописанном алгоритме выбора теории описания акустических процессов, каждый метод имеет вес, который увеличивается при выполнении перехода по определенным ветвям условия. Если предлагается выбрать семейство, то увеличивается вес каждого метода, входящего в эту группу.
Рисунок 3 - Классификация методов моделирования
Экспериментальная верификация. В процессе анализа были выделены термины предметной области и условия выбора теории описания акустических процессов и ее методов. Полученные знания были реализованы в виде онтологии AcousticsMethods, разработанной в среде Protege 5.5.0.
Для проверки аксиом была создана модель зала «Средний» Дальневосточного федерального университета (рис. 4). В статьях [20, 21] был описан алгоритм моделирования распространения звука, основанный на геометрической теории.
Рисунок 4 - Модель зала «Средний»
Характеристики помещения:
• размеры помещения 30 х 30 х 7,5 м (объём помещения составляет 6750 м3);
• зал используется для встреч и выступлений;
• помещение и потолок отделаны штукатуркой и панелями с коэффициентами поглощения 0,06 и 0,15 соответственно, на полу имеется ковровое покрытие с коэффициентом поглощения 0,39.
Поскольку представленный зал имеет прямоугольную форму без искривленных поверхностей (что описывается параметрами Is_complex_building и Curvature), предназначен для встреч и выступлений (параметр Purpose), а размеры помещения больше длин волн (параметр Has_big_room_lin-ear_size), целесообразно использовать методы геометрической теории, что подтверждают выводы машины логического вывода (рис. 5).
При моделировании распространения звука использовался гибридный метод, основанный на трассировке лучей, что совпадает с логическим выводом (рис. 6). Также система предложила использовать другие методы трассировки: трассировку пучка, поскольку области применения методов группы трассировки по большей части совпадают, а именно наиболее эффективно могут использоваться для несложных помещений, в которых нет изогнутых поверхностей.
Explanation 1 Display laconic Explanatian
Explanation for: Middle JHall_FEFU_Chars Type Geometric
M i d d I e_H a I l_FE FU_Ch ars H as_b i gj"o о mj i n e a r_s ize tru e Geometric EquivalentTo Has_big_room_linear_size value true
Explanation 2 Display laconic eapl a nation
Explanation for: Middle_Hall_FEFU_Chars Type Geometric M i d d I e_H a I l_FE FU_Ch ars Purpose "Meeting-
Geometric EquivalentTo [Purpose value "Lecture") or (Purpose value "Meeting")
Рисунок 5 - Логический вывод выбора теории описания акустических процессов
Explanation 1 Display laconic Explanation
Explanation for: Middle_Hall_FEFU_Chars Type Rayjracing
Middle J4all_FEFU_Chars Is_compiex_building false Rayjracing EquivalentTo ls_complex_building value false
Explanation 1 Display laconic Explanation
Explanation for: Middle_Hall_FEFU_Chars Type Beam_traclng
Middle_Hall_FEFU_Chars ls_complex_building false Rayjracing EquivalentTo Curvature value "TO.tF^xsd:double Rayjracing EquivalentTo ls_complex_building value false
BeamJraclng EquivalentTo [Curvature value "0.0',AAxsd:double> and (ls_complex_building value false)
Рисунок 6 - Логический вывод выбора методов моделирования
Заключение. Анализ публикаций, посвященных методам моделирования распространения звуковых волн и использованию интеллектуальных систем в области акустики, показал, что в настоящее время внедрение методов искусственного интеллекта хоть и улучшает точность методов и моделей, но не позволяет применять их повсеместно. Таким образом, перед специалистами предметной области все еще стоят задачи выбора теории описания акустических процессов и методов в рамках этих теорий с учётом специфики помещения.
Поскольку количество факторов, влияющих на выбор акустической теории и методов внутри нее, достаточно велико, создание систем поддержки принятия решений оправдано, так как это позволит освободить специалистов от некоторых рутинных, но трудоемких задач. Также подобная система позволит увеличить точность принимаемых решений о выборе стратегии моделирования, поскольку логические выводы строятся на основе обобщенных знаний о предметной области и опыте экспертов.
В статье описаны созданные алгоритмы принятия решения об используемых математической модели и методах моделирования распространения акустического поля с учетом параметров модели помещения и требований к эффективности. Экспериментально показана адекватность построенных онтологических моделей ожидаемым в предметной области «Архитектурная акустика». Представленные в статье алгоритмы принятия решений также могут быть использованы в других областях акустики, таких как гидроакустика, и в смежных областей, например распространение радиоволн.
В рамках выполняемого автором диссертационного исследования осуществляется уточнение описанной в статье модели знаний, а также выделение факторов, влияющих на выбор методов в рамках волновой теорий построения математических моделей акустического поля.
Библиографический список
1. Щиржецкий, Х. А. К проблеме акустического проектирования современных залов многоцелевого назначения / Х. А. Щиржецкий, В. Н. Сухов, А. Х. Щиржецкий, В. М. Алёшкин // Жилищное строительство. -2019. - № 7. - Режим доступа: https://cyberleninka.ru/article/n/k-proWeme-akusticheskogo-proektirovaniya-sovremennyh-zalov-mnogotselevogo-naznacheniya, свободный. - Заглавие с экрана. - Яз. рус.
2. Соловьев, А. К. Новые архитектурно-конструктивные решения с учётом естественной акустики при реконструкции и строительстве православных храмов / А. К. Соловьев, К. А. Соловьев, И. Н. Бурляев // AMIT. - 2017. -№ 3 (40). - Режим доступа: https://cyberleninka.ru/article/n/novye-arhitektumo-konstruktivnye-resheniya-s-uchyotom-estestvennoy-akustiki-pri-rekonstruktsii-i-stroitelstve-pravoslavnyh-hramov, свободный. - Заглавие с экрана. - Яз. рус.
3. Summers, J. Statistical-acoustics models of energy decay in systems of coupled rooms and their relation to geometrical acoustics / J. Summers, R. Torres, Y. Shimizu // The Journal of the Acoustical Society of America. -2004. - Vol. 116. - P. 958-969.
4. Величкин, В. З. Модель интеллектуальной поддержки принятия решений по управлению состоянием строительных конструкций зданий / В. З. Величкин, Т. Н. Солдатенко // Magazine of Civil Engineering. - 2012. -№ 3 (29). - Режим доступа: https://cyberleninka.ru/article/nmodel-intelletoualnoy-podderzhki-prinyatiya-resheniy-po-upravleniyu-sostoyaniem-stroitelnyh-konstruktsiy-zdaniy, свободный. - Заглавие с экрана. - Яз. рус.
5. Caelen, J. Producing and organizing phonetic knowledge from acoustics facts in multi-level data-information / J. Caelen and N. Vigouroux // ICASSP'86. IEEE International Conference on Acoustics, Speech, and Signal Processing. Tokyo, Japan, 1986. - Tokyo, Japan, 1986. - P. 1209-1212. - DOI: 10.1109/ICASSP.1986.1168802.
6. Tang, Z. Improving Reverberant Speech Training Using Diffuse Acoustic Simulation / Z. Tang, L. Chen, B. Wu, D. Yu and D. Manocha // ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona, Spain, 2020. - Barcelona, Spain, 2020. - P. 6969-6973. - DOI: 10.1109 /ICASSP40776.2020.9052932.
7. Li, F. F. Intelligent and adaptive acoustics in buildings via blind room acosutic parameter estimation / F. F. Li // 2010 2nd International Conference on Computer Engineering and Technology. Chengdu, China, 2010. - Chengdu, China, 2010. - P. V3-663-V3-666. - DOI: 10.1109/ICCET.2010.5485761.
8. Huang, W. Collaborating Ray Tracing and AI Model for AUV-Assisted 3-D Underwater Sound-Speed Inversion / W. Huang et al. // IEEE Journal of Oceanic Engineering. - Oct. 2021. - Vol. 46, № 4. - P. 1372-1390. -DOI: 10.1109/JOE.2021.3066780.
9. Петров, П. С. Математическое моделирование горизонтальной рефракции звука в трехмерных волноводах мелкого моря : дис. ... д-ра физ.-мат. наук / П. С. Петров. - Владивосток, 2020. - Режим доступа: https://www.poi.dvo.ru /sites/default/files/users/dissertation/2020/Petrov/thesis\_sign.pdf, свободный. - Заглавие с экрана. - Яз. рус.
10. Кузнецова, А. И. Методы моделирования акустического пространства оперных театров / А. И. Кузнецова // Вестник Академии русского балета им. А. Я. Вагановой. - 2018. - № 1 (54). - Режим доступа: https://cyberleninka.ru/article/n7metody-modelirovaniya-akusticheskogo-prostranstva-opernyh-teatrov, свободный. -Заглавие с экрана. - Яз. рус.
11. Ефимов, А. П. Три взгляда на акустику помещений / А. П. Ефимов // Install-pro. - 2000. - № 3-7. -Режим доступа: http://rusarch.ru/efimov1.htm, свободный. - Заглавие с экрана. - Яз. рус.
12. Алдошина, И. А. Электроакустика и звуковое вещание : учебное пособие для вузов / И. А. Алдошина, Э. И. Вологдин, А. П. Ефимов и др. - Москва : Горячая линия-Телеком, Радио и связь, 2007. - 872 с.
13. Луговец, А. А. Сравнительные характеристики современных потолочных акустических материалов, применяемых для отделки помещений ресторанов / А. А. Луговец // Современное строительство : сборник статей магистрантов и аспирантов. - Санкт-Петербург : Изд-во СПбГАСУ, 2001. - Т. 2, вып. 2. - С. 269-277.
14. Зацепин, А. Ф. Акустический контроль : в 2 ч. Ч. 2. Физические основы ультразвуковой дефектометрии : учебное пособие / А. Ф. Зацепин. - Екатеринбург : ГОУ ВПО УГТУ-УПИ, 2006. - 117 с.
15. John Amanatides. Ray tracing with cones / John Amanatides // ACM SIGGRAPH Computer Graphics. -1984. - № 18 (3). - P. 129-135.
16. Qin, H. Cone Tracing for Furry Object Rendering / H. Qin, M. Chai, Q. Hou, Z. Ren, K. Zhou // IEEE Trans. Vis. Comput. Graph. - 2014 Aug. - № 20 (8). - P. 1178-1188.
17. Samuel, Siltanen. Room acoustics modeling with acoustic radiance transfer / Samuel Siltanen, Tapio Lokki, and Lauri Savioja // Proc. ISRA Melbourne. - 2010.
18. Beamer IV, C. W. Radiant exchange in partially specular architectural environments / C. W. Beamer IV and R. T. Muehleisen // The Journal of the Acoustical Society of America. - 2003. - № 114 (4). - P. 2411.
19. Вахитов, Ш. Я. Модификация метода мнимых источников с целью моделирования реального процесса первых отражений в помещении / Ш. Я. Вахитов, Д. А. Давыдов, В. М. Алешкин // Academia. Архитектура и строительство. -2017. - № 3. - Режим доступа: https://cyberleninka.ru/article/n/modifikatsiya-metoda-mnimyh-istochnikov-s-tselyu-mode lirovaniya-realnogo-protsessa-pervyh-otrazheniy-v-pomeschenii, свободный. - Заглавие с экрана. - Яз. рус.
20. Chusov, A. Parallel acoustic field simulation with respect to scattering of sound on local inhomogeneities / A. Chusov, L. Statsenko, A. Lysenko, S. Kuligin, N. Cherkassova, P. Unru, M. Bernavskaya // Procedia Computer Science, 2017. Workshop on Large Scale Computational Physics (LSCP), ICCS 2017. - 2017.
21. Chusov, A. A parallel algorithmic approach to simulate acoustical fields with respect to scattering of sound due to reflections / A. Chusov, A. Lysenko, L. Statsenko, S. Kuligin, P. Unru, A. Rodionov. - 2016. - P. 728-732. 10.1109/PIC.2016.7949594.
References
1. Shchirzheckiy, H. A., Sukhov, V. N., Shchirzheckiy, A. H., Alyoshkin, V. M. K probleme akusticheskogo proektirovaniya sovremennykh zalov mnogotselevogo naznacheniya [To the problem of acoustic design of modern multi-purpose halls]. Zhilishhnoe stroitelstvo [Housing construction], 2019, no. 7. Availabale at: https://cyberleninka.ru /article/n/k-probleme-akusticheskogo-proektirovaniya-sovremennyh-zalov-mnogotselevogo-naznacheniya
2. Solovev, A. K., Solovev, K. A., Burlyaev, I. N. Novye arhitekturno-konstruktivnye resheniya s uchyotom estestvennoy akustiki pri rekonstruktsii i stroitelstve pravoslavnykh khramov [New architectural and structural solutions taking into account natural acoustics in the reconstruction and construction of Orthodox churches]. AMIT [AMIT], 2017, no. 3 (40). Availabale at: https://cyberleninka.ru/article/nnovye-arhitektumo-konstmktivnye-resheniya-s-uchyotom-estestvennoy-akustiki-pri-rekonstruktsii-i-stroitelstve-pravoslavnyh-hramov
3. Summers, J., Torres, R., Shimizu, Y. Statistical-acoustics models of energy decay in systems of coupled rooms and their relation to geometrical acoustics. The Journal of the Acoustical Society of America, 2004, vol. 116, pp. 958-969.
4. Velichkin, V. Z., Soldatenko, T. N. Model intellektualnoy podderzhki prinyatiya resheniy po upravleniyu sostoyaniem stroitelnykh konstruktsiy zdaniy [Model of intelligent decision support for managing the state of building structures]. Magazine of Civil Engineering, 2012, no. 3 (29). Availabale at: https://cyberleninka.ru/article/n7model-intellektualnoy-podderzhki-prinyatiya-resheniy-po-upravleniyu-sostoyaniem-stroitelnyh-konstruktsiy-zdaniy.
5. Caelen, J. and Vigouroux, N. Producing and organizing phonetic knowledge from acoustics facts in multilevel data-information. ICASSP '86. IEEE International Conference on Acoustics, Speech, and Signal Processing. Tokyo, Japan, 1986. Tokyo, Japan, 1986, pp. 1209-1212. DOI: 10.1109/ICASSP.1986.1168802.
6. Tang, Z., Chen, L., Wu, B., Yu, D. and Manocha, D. Improving Reverberant Speech Training Using Diffuse Acoustic Simulation. ICASSP 2020 - 2020 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP). Barcelona, Spain, 2020. Barcelona, Spain, 2020, pp. 6969-6973. DOI: 10.1109/ICASSP40 776.2020.9052932.
7. Li, F. F. Intelligent and adaptive acoustics in buildings via blind room acosutic parameter estimation. 2010 2nd International Conference on Computer Engineering and Technology. Chengdu, China, 2010. Chengdu, China, 2010, pp. V3-663-V3-666. DOI: 10.1109/ICCET.2010.5485761.
8. Huang, W. et al. Collaborating Ray Tracing and AI Model for AUV-Assisted 3-D Underwater Sound-Speed Inversion. IEEE Journal of Oceanic Engineering, Oct. 2021, vol. 46, no. 4, pp. 1372-1390. DOI: 10.1109/JOE.2021.3066780.
9. Petrov, P. S. Matematicheskoe modelirovanie gorizontalnoy refraktsii zvuka v trekhmernykh volnovodakh melkogo morya [Mathematical modeling of horizontal sound refraction in three-dimensional shallow sea waveguides]. Vladivostok, 2020. Availabale at: https://www.poi.dvo.ru/sites/default/files/users/dissertation/2020/Petrov/thesis_ sign.pdf.
10. Kuznetsova, A. I. Metody modelirovaniya akusticheskogo prostranstva opernykh teatrov [Methods for modeling the acoustic space of opera theaters]. Vestnik Akademii russkogo baleta imeni A. Ya. Vaganovoy [Bulletin of the Academy of Russian Ballet named after A. Ya. Vaganova], 2018, no. 1 (54). Availabale at: https://cyberleninka.ru/article/n/metody-modelirovaniya-akusticheskogo-prostranstva-opernyh-teatrov
11. Efimov, A. P. Tri vzglyada na akustiku pomeshheniy [Three views on room acoustics]. Install-pro, 2000, no. 3-7. Availabale at: http://rusarch.ru/efimov1.htm.
12. Aldoshina, I. A., Vologdin, Ye. I., Efimov, A. P. Elektroakustika i zvukovoe veshchanie : uchebnoe posobie dlja vuzov [Electroacoustics and sound broadcasting : textbook for universities]. Moscow, Goryachaya liniya-Telekom, Radio i svyaz Publ., 2007. 872 p.
13. Lugovets, A. A. Sravnitelnye kharakteristiki sovremennykh potolochnykh akusticheskikh materialov, primenyaemykh dlya otdelki pomeshcheniy restoranov [Comparative characteristics of modern ceiling acoustic materials used for decorating the premises of restaurants]. Sovremennoe stroitelstvo : sbornik statey magistrantov i aspirantov [Modern construction : a collection of articles of undergraduates and graduate students]. St. Petersburg, 2019, vol. 2, no. 2, pp. 269-277.
14. Zatsepin, A. F. Akusticheskiy control. Tom 2. Fizicheskie osnovy ultrazvukovoy defektometrii : uchebnoe posobie [Acoustic control. Vol. 2. Physical bases of ultrasonic defectometry : textbook]. Ekaterinburg, 2006. 117 p.
15. John, Amanatides. Ray tracing with cones. ACMSIGGRAPH Computer Graphics, 1984, no. 18 (3), pp. 129-135.
16. Qin, H., Chai, M., Hou, Q., Ren, Z, Zhou, K. Cone Tracing for Furry Object Rendering. IEEE Trans. Vis. Comput. Graph., 2014 Aug, no. 20 (8), pp. 1178-1188.
17. Samuel, Siltanen, Tapio, Lokki, and Lauri, Savioja. Room acoustics modeling with acoustic radiance transfer. Proc. ISRA Melbourne, 2010.
18. Beamer IV, C. W. and Muehleisen, R. T. Radiant exchange in partially specular architectural environments. The Journal of the Acoustical Society of America, 2003, no. 114 (4), p. 2411.
19. Vakhitov, Sh. Ya., Davydov, D. A., Aleshkin, V. M. Modifikatsiya metoda mnimykh istochnikov s tselyu modelirovaniya realnogo protsessa pervykh otrazheniy v pomeshchenii [Modification of the method of imaginary sources in order to simulate the real process of first reflections in a room]. Akademia. Arkhitektura i stroitelstvo [Academia. Architecture and Construction], 2017, no. 3. Availabale at: https://cyberleninka.ru/article/n/modifikatsiya-metoda-mnimyh-istochnikov-s-tselyu-modelirovaniya-realnogo-protsessa-pervyh-otrazheniy-v-pomeschenii.
20. Chusov, A., Statsenko, L., Lysenko, A., Kuligin, S., Cherkassova, N., Unru, P., Bernavskaya, M. Parallel acoustic field simulation with respect to scattering of sound on local inhomogeneities. Procedia Computer Science, 2017. Workshop on Large Scale Computational Physics (LSCP), ICCS, 2017, 2017.
21. Chusov, A., Lysenko, A., Statsenko, L., Kuligin, S., Unru, P., Rodionov, A. A parallel algorithmic approach to simulate acoustical fields with respect to scattering of sound due to reflections, 2016, pp. 728-732. 10.1109/PIC.2016.7949594.
УДК 004.41
МОДЕЛИРОВАНИЕ УЗЛА РАСПОЗНАВАНИЯ СИМВОЛОВ
НА ЖИДКОКРИСТАЛЛИЧЕСКОМ ДИСПЛЕЕ С ПОМОЩЬЮ МОДЕЛИ ИСКУССТВЕННОГО НЕЙРОНА
Статья поступила в редакцию 16.01.2023, в окончательном варианте - 27.01.2023.
Шуршев Тимофей Валерьевич, МИРЭА - Российский технологический университет, 119454, Российская Федерация, г. Москва, пр-т Вернадского, 78,
студент, ORCID: 0000-0002-2814-3201, e-mail: t.shurshev2002@gmail.com Гайрабекова Тамара Израиловна, Чеченский государственный университет им. А.А. Кадырова, 364093, Чеченская Республика, г. Грозный, ул. Шерипова, 32,
кандидат технических наук, заведующая кафедрой «Прикладная математика и компьютерные технологии», ORCID: 0000-0003-0046-6188, e-mail: Sti_ing@mail.ru
Представлено моделирование узла распознавания символов на жидкокристаллическом дисплее с использованием нейронной сети. Для создания нейронной сети использован язык высокого уровня Verilog. Для работы с языком описания аппаратуры, разработки RTL-моделей использовано специализированное программное обеспечение САПР Xilinx ISE. Для решения данной задачи предложена нейронная сеть, представленная моделью искусственного нейрона. Разработана процедура, в которой переменные, умноженные на коэффициент, складываются, а итоговая сумма является выходом функции. Итоговая сумма для каждого символа при этом будет разной, и этим можно будет отличить один символ от другого. В рамках разработанной нейронной сети реализована функция активации, которая выводит номер символа в сгенерированном алфавите всех используемых символов на низком уровне, а на верхнем уровне - вывод символа, который предсказывает нейронная сеть. На первом этапе моделирования была составлена системная модель, которая сначала была обучена на основе наборов переменных и того факта, что выходы функции для каждого из набора должны отличаться. Предложено преобразовать входные данные: пусть в случае прихода 0 он будет заменён значением -1. Нейронная сеть была реализована на Python, высокоуровневом языке программирования. В нейронную сеть также входит тестовая модель, где был осуществлен прогон всех наборов переменных через функцию. Функция активации определяет, какая итоговая сумма соответствует определенному значению и выдает свое предположение. Было проведено обучение сети на конкретной обучающей выборке. Было произведено тестирование. В ходе работы тестового модуля была сформирована временная диаграмма, зубцы которой показывают предсказания номера символа с LCD-дисплея в сгенерированном алфавите. Тестовый модуль разработан на языке Verilog.
Ключевые слова: моделирование, жидкокристаллический дисплей, искусственный нейрон, нейронная сеть, модель, тестирование
SIMULATION OF CHARACTER RECOGNITION ASSEMBLY ON LIQUID CRYSTAL DISPLAY USING ARTIFICIAL NEURON MODEL
The article was received by the editorial board on 16.01.2023, in the final version — 27.01.2023.
Shurshev Timofey V., MIREA - Russian Technological University, 78 Vernadsky Ave., Moscow, 119454, Russian Federation,
student, ORCID: 0000-0002-2814-3201, e-mail: t.shurshev2002@gmail.com Gairabekova Tamara I., Chechen State University named after A.A. Kadyrov, 32 Sheripova St., Grozny, 364093, Chechen Republic,
Cand. Sci. (Engineering), Head of the Department of Applied Mathematics and Computer Technology, ORCID: 0000-0003-0046-6188, e-mail: Sti_ing@mail.ru
