ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Investigation the capability of neural network in predicting reverberation time on classroom

دانلود کتاب بررسی قابلیت شبکه عصبی در پیش‌بینی زمان طنین در کلاس درس

Investigation the capability of neural network in predicting reverberation time on classroom

مشخصات کتاب

Investigation the capability of neural network in predicting reverberation time on classroom

دسته بندی: ابزار
ویرایش:  
نویسندگان:   
سری:  
 
ناشر:  
سال نشر:  
تعداد صفحات: 14 
زبان: English 
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 506 کیلوبایت 

قیمت کتاب (تومان) : 46,000

در صورت ایرانی بودن نویسنده امکان دانلود وجود ندارد و مبلغ عودت داده خواهد شد



کلمات کلیدی مربوط به کتاب بررسی قابلیت شبکه عصبی در پیش‌بینی زمان طنین در کلاس درس: ابزار دقیق، آکوستیک و مهندسی صدا



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 10


در صورت تبدیل فایل کتاب Investigation the capability of neural network in predicting reverberation time on classroom به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب بررسی قابلیت شبکه عصبی در پیش‌بینی زمان طنین در کلاس درس نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب بررسی قابلیت شبکه عصبی در پیش‌بینی زمان طنین در کلاس درس

مقاله از مجله بین المللی مهندسی ساخت و ساز پایدار

توضیحاتی درمورد کتاب به خارجی

Artical from International Journal of Sustainable Construction Engineering & Technology
Authors: Musli Nizam Yahya, Toru Otsuru, Reiji Tomiku, Takeshi Okozono
The purpose of this paper is to investigate the capability of neural network in predicting a classroom's reverberation time. A classroom in Oita University was chosen as a sample to obtain the virtual data (reverberation time) based on 20 types of sound absorptions coefficients using Finite Element Method (FEM) and Sabine equation. The capability of FEM has shown that it is able to simulate virtual data (721 data) was taken from FEM for the learning process. The assessment was made by using testing subset (20% from 721 data) to verify the performance. The testing's means square error (MSE) was 3.7751x10-4 and correlation coefficient (R2) was 0.992 approximately to
1. The optimum network used was 4 hidden nodes. Extended assessment was made using the unseen data (35 data) and it showed that neural network prediction was approximately close to the actual data with MSE is 4.154x10-4. Basically, the capability of reverberation time prediction using neural network is shown in this paper.
Аннотация по-русски:
Статья Международного журнала инженерии устойчивых конструкций и технологий
Название статьи: Исследование способности нейронной сети для прогнозирования времени реверберации в аудитории для занятий.
Авторы: Мусли Низам Йахуа, Тору Оцуру, Рейжи Томику, Такеши Окозоно
Целью данной работы является исследование возможности нейронных сетей для прогнозирования времени реверберации помещения. В качестве образца была выбрана аудитория для занятий в Университете Ойта для получения виртуальных данных (времени реверберации), основанных на 20 видах коэффициентов звукопоглощения с использованием метода конечных элементов (МКЭ) и формулы Сэбина. Возможности МКЭ показали, что можно имитировать виртуальные данные (721 штука) взятые из МКЭ для учебного процесса. Оценка была сделана с помощью тестирования подмножества (20% от 721) для проверки производительности. Квадрат ошибки тестирования в (дисперсия) оказалась равна 3.7751x10-4 и коэффициент корреляции (R2) оказался равным 0,992, что приблизительно равно
1. Оптимальная сеть использовала 4 внутренних узла. Расширенный оценка была сделана с помощью невидимых данных (35 значений), и показала, что прогноз нейронной сети был примерно близким к фактическим данным с дисперсией 4.154x10-4. В целом, в этой статье показаны возможности прогнозирования времени реверберации с помощью нейронной сети.




نظرات کاربران