Ko‘p qavatli uyda eshitiladigan urish, zarba, tushirish yoki bolg‘alash tovushi har doim ham bevosita manba joylashgan xonadan kelayotgandek qabul qilinmaydi. Temir-beton plitalar, devorlar, ustunlar, to‘sinlar va havo bo‘shliqlari tovushni turli yo‘llar orqali uzatadi. Bir xil nuqtada hosil qilingan ikki zarba tovushi turli qavat bo‘limlarida yuz berganda bitta mikrofon tomonidan turlicha qayd etilishi mumkin. Bu holat faqat tovush signaliga qarab manba joyini topishga urinadigan o‘rganishga asoslangan usullarni boshqa qavatlarga yoki o‘xshash konstruktiv bo‘limlarga ko‘chirishni qiyinlashtiradi.

Ushbu tadqiqot temir-beton binoni graf sifatida ifodalovchi yangi zarba tovushini joylashtirish usulini taklif etadi. Modelda plita, devor, havo hajmi va qabul qiluvchi kabi bino komponentlari tugunlar, bu komponentlar orasidagi fizik bog‘lanishlar esa qirralar sifatida ta’riflangan. Zarba tovushining bino ichida tarqalishi graf bo‘ylab qo‘shni tugunlar o‘rtasida axborot uzatadigan xabar uzatish mexanizmi orqali modellashtirilgan.

Manba tuguniga haqiqiy zarba tovushidan olingan tovush embeddingi biriktiriladi, boshqa tugunlar esa muhit holatini ifodalovchi boshlang‘ich vektorlar bilan ishga tushiriladi. Konstruktiv komponent turi, manbaning qabul qiluvchiga nisbatan uch o‘lchovli joylashuvi, nisbiy qavat ma’lumoti va zarba turi kabi xususiyatlar graf tugunlariga qo‘shilgan. O‘rganiladigan og‘irliklar haqiqiy binoda o‘lchangan zarba tovushlari bilan grafning qabul qiluvchi tugunida bashorat qilgan javobi orasidagi farqni kamaytiradigan tarzda optimallashtirilgan.

Usul kross-korrelyatsiya, SoundNet asosidagi konvolyutsion neyron tarmog‘i va o‘xshash parametrlar soniga ega standart to‘liq bog‘langan neyron tarmog‘i bilan taqqoslangan. O‘qitishda ko‘rilgan qavat bo‘limida kross-korrelyatsiya va CNN yuqori aniqlik ko‘rsata olgan bo‘lsa-da, avval ko‘rilmagan boshqa qavat bo‘limiga ko‘chirishda ularning aniqligi taxminan foiz 29–38 oralig‘iga tushgan. Taklif etilgan grafga asoslangan usul esa beshta alohida ma’lumot bo‘linishining barchasida ham validatsiya, ham ko‘rilmagan qavat testi uchun foiz 100 aniqlikni xabar qilgan.

Bu natija bino geometriyasi va konstruktiv bog‘lanishlar modelga ochiq tarzda kiritilganda o‘rganilgan tovush–manba munosabati boshqa qavat bo‘limlariga yaxshiroq ko‘chirilishi mumkinligini ko‘rsatadi. Biroq tajriba to‘rtta manba joyi, bitta qabul qiluvchi, cheklangan fazoviy qamrov va muayyan temir-beton bino sxemalari bilan o‘tkazilgan. Shu sababli usul har bir ko‘p qavatli uyda qo‘shni shovqinining aniq manbasini topa oladigan tayyor tizim sifatida emas, balki istiqbolli laboratoriya va real bino miqyosidagi tadqiqot yondashuvi sifatida baholanishi kerak.

Tadqiqotning asosiy muammosi nima?

Qavatlararo zarba shovqini, ayniqsa temir-beton turar-joylarda, hayot sifatiga ta’sir qiluvchi muhim muammodir. Polga tushgan buyum, bolg‘a zarbasi, og‘ir to‘pning yerga tashlanishi yoki sirtga takroriy urish kabi hodisalar konstruktiv elementlarni tebrantiradi. Bu tebranish plita, devor, ustun, to‘sin va havo hajmi orqali tarqalib, boshqa xonalarda yoki qavatlarda tovush sifatida eshitiladi.

Inson qulog‘i ko‘pincha tovush qaysi qo‘shnidan kelayotganini to‘g‘ri aniqlay olmaydi. Buning sababi bino oddiy va bir jinsli muhit emasligidir. Tovush eng qisqa geometrik yo‘nalish bo‘ylab tarqalishi shart emas. Turli konstruktiv elementlar, tutashuv nuqtalari va xonalar tovushni turli darajalarda so‘ndirishi, aks ettirishi yoki boshqa yo‘nalishlarga uzatishi mumkin.

Avvalgi ma’lumotlarga asoslangan tadqiqotlarda muayyan nuqtalarda zarba hosil qilingan va bitta sensor qayd etgan signallar manba joylari bilan moslashtirilgan. Model o‘qitishda ko‘rgan nuqtalar yaqinidagi zarbalarni muvaffaqiyatli lokalizatsiya qila olgan. Bundan tashqari, manbaning qaysi qavatda ekanini farqlash bo‘yicha ham muayyan natijalarga erishilgan.

Biroq muhim muammo paydo bo‘lgan: manba va qabul qiluvchining nisbiy joylashuvi bir xil saqlansa ham, tajriba boshqa qavat bo‘limida takrorlanganda qayd etilgan tovush taqsimoti o‘zgargan. Faqat xom tovush signalidan o‘rganadigan model o‘qitishda ko‘rmagan qavatda aniq xona yoki joylashuv bashoratini bera olmagan.

Bu muammo nega muhim?

Zarba tovushi manbasini aniqlash faqat qo‘shnilar o‘rtasidagi nizolar nuqtai nazaridan muhim emas. Xuddi shu texnik yondashuv quyidagi sohalarda ham qo‘llanishi mumkin:

• Aqlli binolarda inson harakatini kuzatish
• Keksalar yoki yolg‘iz yashovchi shaxslarda yiqilish hodisalarini aniqlash
• Ruxsatsiz kirish va xavfsizlik hodisalarini aniqlash
• Mashina yoki konstruktiv elementlardagi g‘ayritabiiy zarbalarni kuzatish
• Shovqin shikoyatlarini obyektiv ravishda o‘rganish
• Konstruktiv tebranish manbalarini texnik xizmat maqsadida aniqlash

Ko‘p sensorli tizimlarda manba joyi sensorlar orasidagi kelish vaqti farqidan foydalanib triangulyatsiyaga o‘xshash usullar bilan hisoblanishi mumkin. Biroq ko‘p sonli sensorlar kabel, sinxronlashtirish va montaj xarajatlarini keltirib chiqaradi. Ushbu tadqiqot faqat bitta sensor bilan lokalizatsiya qilishni maqsad qilgani sababli amaliy o‘rnatish nuqtai nazaridan qiziqish uyg‘otadi.

Adabiyotdagi qaysi bo‘shliqni to‘ldiradi?

Bino ichidagi tovush va tebranish manbaini lokalizatsiya qilish usullarini umuman ikki guruhga ajratish mumkin:

• Analitik usullar: Kelish vaqti farqi, tarqalish tezligi, burchak va fizik to‘lqin modeli kabi aniq tenglamalarga tayanadi.
• O‘rganishga asoslangan usullar: O‘lchangan signal bilan manba joyi o‘rtasidagi munosabatni ma’lumotlardan o‘rganadi.

Analitik usullarning afzalligi fizik talqin qilinuvchanlikdir. Biroq murakkab binodagi material xususiyatlari, tutashuvlar, so‘nish va dispersiyani to‘g‘ri modellashtirish qiyin. O‘rganishga asoslangan usullar bu batafsil fizik parametrlarsiz ma’lumotlarga moslasha oladi, ammo ko‘p sonli belgilangan namunalarni talab qiladi va turli bino bo‘limlariga umumlashtirish muammosiga duch keladi.

Ushbu tadqiqot ikki yondashuv o‘rtasida ko‘prik quradi. U konstruksiyaning to‘liq to‘lqin tenglamasini yechmaydi, biroq bino geometriyasi va komponentlar bog‘lanishlarini o‘rganish modeliga ochiq tarzda kiritadi. Shunday qilib, model faqat “bu tovush qaysi sinfga o‘xshaydi?” degan savolga emas, balki “tovush bino ichidagi qaysi bog‘lanishlar orqali qabul qiluvchiga yetgan bo‘lishi mumkin?” degan savolga ham bilvosita javob berishga urinadi.

Nega bino graf sifatida ifodalandi?

Graf tugunlar va bu tugunlar o‘rtasidagi bog‘lanishlardan tashkil topgan matematik tuzilma:

\[ \mathcal{G} = (\mathcal{V}, \mathcal{E}) \]

Bu yerda:

• \(\mathcal{V}\), tugunlar to‘plamidir.
• \(\mathcal{E}\), tugunlar orasidagi qirralar yoki bog‘lanishlar to‘plamidir.

Tadqiqotda tugunlar temir-beton binoning fizik komponentlarini ifodalaydi:

• Plitalar
• Devorlar
• Xonalar yoki havo hajmlari
• Tovush qabul qiluvchisi joylashgan nuqta
• Ehtimoliy zarba manbai joylari

Qirralar esa ushbu komponentlarning fizik jihatdan qanday bog‘langanini ko‘rsatadi. Masalan, plita devor bilan, devor qo‘shni xona hajmi bilan, xona esa qabul qiluvchi tugun bilan bog‘lanishi mumkin.

Bu tasvirning afzalligi shundaki, bir xil geometrik xona sxemasi turli qavatlarda takrorlanganda konstruktiv munosabat saqlanib qolishi mumkin. Xom tovush taqsimoti o‘zgarsa ham, manba bilan qabul qiluvchi orasidagi bog‘lanish naqshi grafda o‘xshash qolishi mumkin.

Tadqiqotdagi bino grafi qanday ko‘rinadi?

Tadqiqotning asosiy graf sxemasida plita tugunlari doira, devor tugunlari uchburchak, havo tugunlari romb va qabul qiluvchi tuguni kvadrat bilan ko‘rsatilgan. Tugunlarni bog‘lovchi chiziqlar tovushning ehtimoliy uzatilish yo‘llarini ifodalaydi.

Manba tuguni qizil, qabul qiluvchi esa ko‘k kvadrat bilan belgilangan. Zarba tovushidan olingan xususiyatlar manba tugunidan boshlab plita, devor va havo tugunlari orqali qabul qiluvchiga tomon tarqaladi.

Graf to‘g‘ridan-to‘g‘ri binoning barcha komponentlari bilan ishlatilsa, bog‘lanishlar soni juda katta bo‘lishi mumkin. Tadqiqotchilar bu murakkablikni kamaytirish uchun binoni xona miqyosidagi komponentlarga ajratgan va manba bilan qabul qiluvchi orasidagi eng qisqa yo‘llarni saqlaydigan soddalashtirilgan qirra tuzilmasidan foydalangan.

Tugun xususiyatlari nimalardan iborat?

Har bir tugun faqat konstruktiv turi bilan ifodalanmaydi. Tadqiqotda quyidagi xususiyatlar tugunlarga qo‘shilgan:

Konstruktiv komponentlar quyidagicha kodlangan:

• Plita: [1, 0, 0]
• Devor: [0, 1, 0]
• Havo: [0, 0, 1]

Nisbiy qavat ma’lumoti:

• Qabul qiluvchidan yuqori qavat: [1]
• Bir qavat: [0]
• Qabul qiluvchidan past qavat: [-1]

Manba tugunining boshlang‘ich holati

Zarba tovushining xom to‘lqin shakli grafga to‘g‘ridan-to‘g‘ri berilmagan. Avval u SoundNet asosidagi kodlovchi tomonidan kichikroq o‘lchamli tovush embeddingiga aylantirilgan.

Manba tugunining boshlang‘ich holati quyidagicha ta’riflangan:

\[ \mathbf{h}^{0}_{s} = [\phi \ \mathcal{A}_{v}] \]

Bu yerda:

• \(\mathbf{h}^{0}_{s}\), manba tugunining boshlang‘ich holatidir.
• \(\phi\), zarba tovushining kodlangan embeddingidir.
• \(\mathcal{A}_{v}\), tugunning konstruksiya, joylashuv, qavat va manba turi xususiyatlaridir.

Oddiy qilib aytganda, manba tuguni “bu nuqtada mana shunday turdagi zarba yuz berdi va uning binodagi joylashuvi mana bu” degan axborotni tashiydi.

Manba bo‘lmagan tugunlarning boshlang‘ich holati

\[ \mathbf{h}^{0}_{v \neq source} = [\mathbf{U} \ \mathcal{A}_{v}] \]

Bu yerda U, elementlari nol yoki musbat bo‘lgan va yig‘indisi 1 ga teng tasodifiy muhit vektoridir.

Bu tugunlarda haqiqiy zarba signali bo‘lmaydi. Ular faqat binodagi komponent turini va muhit holatini ifodalaydi. Xabar uzatish davom etgan sari manba axborotining bir qismi ushbu tugunlarga ko‘chadi.

SoundNet kodlovchisi nima qiladi?

SoundNet xom tovush to‘lqin shakllaridan o‘rganilgan xususiyatlarni chiqaradigan konvolyutsion tarmoqdir. Tadqiqotda SoundNetning kirishdan ReLU6 qatlamigacha bo‘lgan qismi ishlatilgan va undan keyin ikkita to‘liq bog‘langan qatlam qo‘shilgan.

Maqsad uzun va yuqori o‘lchamli tovush yozuvini graf tuguni holati bilan birlashtirilishi mumkin bo‘lgan ixchamroq tasvirga aylantirishdir. Shunday qilib, graf modeli xom tovushning har bir namunasi o‘rniga manba turi va uzatilish xususiyatlari nuqtai nazaridan mazmunli xulosani qayta ishlaydi.

Xabar uzatish nima?

Graf neyron tarmoqlarida xabar uzatish — har bir tugunning qo‘shnilaridan axborot olishi va o‘z holatini yangilashi jarayonidir. Tadqiqotda bu jarayon zarba energiyasining bino ichida tarqalishiga o‘xshatiladi.

Xabar uzatish ikki asosiy bosqichdan iborat:

1. Yig‘ish: Qo‘shni tugunlardagi xususiyatlar birlashtiriladi.
2. Holatni yangilash: Qo‘shnilardan kelgan axborot tugunning avvalgi holati bilan birlashtiriladi.

Bu jarayon K ta diskret qadam davomida takrorlanadi. K qiymati tovush axborotining graf bo‘ylab nechta bog‘lanish chuqurligigacha tarqalishi mumkinligini belgilaydi.

Qo‘shni ma’lumotlarini yig‘ish

Har bir qo‘shni tugunning avvalgi holati umumiy o‘rganiladigan og‘irlik matritsasi bilan o‘zgartiriladi va aktivatsiya funksiyasidan o‘tkaziladi:

\[ \mathbf{h}^{k}_{u_v} = \sigma \left( \mathbf{W}^{k}_{pool} \mathbf{h}^{k-1}_{u_v} + \mathbf{b} \right) \]

Bu yerda:

• \(\mathbf{h}^{k-1}_{u_v}\), qo‘shni tugunning avvalgi holatidir.
• \(\mathbf{W}^{k}_{pool}\), k qadamda barcha tugunlar tomonidan umumiy ishlatiladigan o‘rganiladigan og‘irlikdir.
• \(\sigma\), chiziqli bo‘lmagan aktivatsiya funksiyasidir.
• b, bias hadidir.

O‘zgartirilgan qo‘shni holatlari AGG deb ataluvchi yig‘ish funksiyasi orqali birlashtiriladi:

\[ \mathbf{h}^{k}_{\mathcal{N}(v)} = AGG \left( \left\{ \mathbf{h}^{k}_{u_v} : u_v \in \mathcal{N}(v) \right\} \right) \]

Bu yerda \(\mathcal{N}(v)\), v tugunining qo‘shnilarini bildiradi.

Avvalgi holatni hisobga oluvchi yangilash

\[ \mathbf{h}^{k}_{v} = \sigma \left( \mathbf{W}^{k} CONCAT \left( \mathbf{h}^{k}_{\mathcal{N}(v)}, \mathbf{h}^{k-1}_{v} \right) \right) \]

So‘ng holat L2 normasi bilan normallashtiriladi:

\[ \mathbf{h}^{k}_{v} \leftarrow \frac{\mathbf{h}^{k}_{v}} {\left\lVert \mathbf{h}^{k}_{v} \right\rVert_{2}} \]

Bu yangilash tugunning faqat qo‘shnilardan kelgan axborotni emas, balki o‘zining avvalgi holatini ham saqlashiga imkon beradi. Normalizatsiya esa turli tugunlarda xususiyatlar kattaligining nazoratsiz oshib ketishini cheklaydi.

Buning fizik ma’nosi nima?

Ushbu tenglamalar real tovush energiyasini fizik birliklarda bevosita hisoblaydigan energiya saqlanish modeli emas. Graf tugun holatlari o‘rganilgan xususiyat vektorlaridir. Shuning uchun xabar uzatish “necha desibel tovush o‘tdi?” degan savolga to‘g‘ridan-to‘g‘ri javob bermaydi.

Buning o‘rniga model real bino yozuvlaridan quyidagi munosabatni o‘rganadi: muayyan manba joyidan boshlangan zarba xususiyati konstruktiv bog‘lanishlar bo‘ylab tarqalganda qabul qiluvchi tugunida qanday tasvir hosil qilishi kerak?

Grafning qirra tuzilmasi qanday soddalashtirildi?

Haqiqiy binodagi barcha konstruktiv elementlar va barcha bog‘lanishlarni kiritish juda katta va murakkab graf hosil qilishi mumkin. Tadqiqotchilar har bir qavatni xona miqyosidagi bo‘limlarga ajratgan va manba–qabul qiluvchi orasidagi eng qisqa yo‘llarni saqlab qolgan.

Bu soddalashtirish:

• Hisoblash yukini kamaytiradi.
• Manba bilan qabul qiluvchi orasidagi eng ehtimoliy uzatilish yo‘llariga e’tibor qaratadi.
• Keraksiz yoki uzoq bog‘lanishlarning o‘rganishni buzishini cheklaydi.

Biroq real tovush faqat eng qisqa yo‘ldan tarqalishi isbotlanmagan. Aks-sadolar, uzunroq konstruktiv yo‘llar va tutashuv ta’sirlari bo‘lishi mumkin. Shu sababli soddalashtirilgan graf real binoning taxminiy ifodasidir.

Graf og‘irliklari qanday o‘rganildi?

Xabar uzatishdagi og‘irliklar dastlab noma’lum. Ular real binoda turli manba nuqtalaridan o‘lchangan zarba tovushlari yordamida optimallashtirilgan.

Tadqiqotdagi asosiy optimallashtirish quyidagicha ifodalangan:

\[ \mathbf{W}^{*} = \arg\min_{\mathbf{W}} \mathcal{L} \left( \phi(x_{train,i}), \mathbf{h}^{K}_{r} \right) \]

Bu yerda:

• \(\mathbf{W}^{*}\), o‘rganilgan eng maqbul graf og‘irliklaridir.
• \(\phi(x_{train,i})\), o‘lchangan o‘qitish tovushining embeddingidir.
• \(\mathbf{h}^{K}_{r}\), xabar uzatish oxirida qabul qiluvchi tugunida hosil bo‘lgan holatdir.
• \(\mathcal{L}\), o‘lchangan tovush embeddingi bilan graf bashorati o‘rtasidagi farqdir.

Model turli manba joylaridan olingan yozuvlar bilan o‘qitilgan sari, qaysi konstruktiv bog‘lanishlar tovush xususiyatini qay darajada o‘zgartirishini o‘rganishga harakat qiladi.

Yangi zarba tovushi qanday lokalizatsiya qilinadi?

O‘qitishdan so‘ng grafda har bir nomzod manba joyi uchun qabul qiluvchi tugunida hosil bo‘lishi kutiladigan javob hisoblanadi. Bu javoblar D deb nomlangan kolleksiyada saqlanadi.

Yangi zarba tovushi kelganda u SoundNet kodlovchisi yordamida embeddingga aylantiriladi va D ichidagi nomzod javoblar bilan taqqoslanadi:

\[ \hat{v} = \arg\min_{v} \mathcal{L} \left( \phi(\tilde{x}_{new}), D \right) \]

Bu yerda:

• \(\hat{v}\), bashorat qilingan manba tugunidir.
• \(\tilde{x}_{new}\), yangi zarba yozuvidir.
• D, barcha nomzod manba joylarining qabul qiluvchida hosil qiladigan o‘rganilgan javoblari to‘plamidir.

Yangi tovush qaysi nomzod javobga eng ko‘p o‘xshasa, manba shu tugun deb tanlanadi.

Tajriba qaysi ma’lumotlar bilan o‘tkazildi?

Tadqiqotda ikkita ma’lumotlar to‘plami ishlatilgan:

APT II ma’lumotlar to‘plami

APT II yozuvlari haqiqiy temir-beton binoda yaratilgan. Manbalar xonalarning markaziga joylashtirilgan. To‘rtta asosiy manba nuqtasi 2-A, 2-B, 2-C va 2-D deb nomlangan.

Uchta quyi to‘plam tayyorlangan:

• Pastki qavatdagi qabul qiluvchi: 2-A, 2-B, 2-C va 2-D manbalari bir qavat pastdagi bitta sensor bilan qayd etilgan.
• Yuqori qavatdagi qabul qiluvchi: Xuddi shu manba joylari bir qavat yuqoridagi sensor bilan qayd etilgan.
• Ko‘rilmagan qavat bo‘limi: 2-A′, 2-B′, 2-C′ va 2-D′ manbalari boshqa qavat kesimida, yana pastdagi bitta sensor bilan qayd etilgan.

Asosiy axborot uzatish testi nisbiy manba–qabul qiluvchi joylashuvlari bir xil bo‘lsa-da, boshqa qavat bo‘limida to‘plangan ushbu uchinchi ma’lumotlar ustida o‘tkazilgan.

SNU-B36-50E ma’lumotlar to‘plami

Bu ma’lumotlar to‘plami Seul Milliy Universitetidagi kampus binosidan olingan. Taxminan 2300 ta tovush yozuvi va 19 ta manba joyini o‘z ichiga oladi.

Kattaroq va xilma-xil bo‘lgani sababli SoundNet asosidagi embedding modelini oldindan o‘qitishda ishlatilgan. Asosiy bino grafi esa APT II ma’lumotlari bilan optimallashtirilgan.

Qaysi zarba turlari ishlatilgan?

Graf xususiyatlarida uchta zarba turi ta’riflangan:

• MB: Medicine ball drop, og‘ir medicine ballning polga tashlanishi
• HD: Hammer drop, bolg‘aning polga tushirilishi
• HH: Hammering, sirtga bolg‘a bilan urish

Bu zarbalar turli chastota, davomiylik va energiya taqsimotiga ega. Manba turining graf xususiyatiga qo‘shilishi modelga bir joydan keladigan turli zarbalarni farqlashga yordam berishi mumkin.

Taqqoslash usullari

1. Kross-korrelyatsiya

Yangi signal o‘qitishdagi har bir signal bilan turli vaqt siljishlarida taqqoslangan:

\[ \mathcal{C} (x_{new},x_{train,i})[\tau] = \sum_{n=0}^{N-1} x_{new}[n] x_{train,i}[n+\tau] \]

Bu yerda:

• \(\tau\), vaqt siljishidir.
• N, signal uzunligidir.
• \(\mathcal{C}\), ikki signal o‘rtasidagi o‘xshashlikni ko‘rsatadi.

Eng yuqori o‘xshashlikni bergan o‘qitish joyi yangi tovushning manbai sifatida tanlanadi.

2. Konvolyutsion neyron tarmog‘i

SoundNet asosidagi CNN xom to‘lqin shaklidan xususiyatlarni chiqaradi va manba joyini to‘g‘ridan-to‘g‘ri tasniflaydi. Bu model bino geometriyasidan yoki plita–devor bog‘lanishlaridan foydalanmaydi.

3. Standart to‘liq bog‘langan neyron tarmog‘i

VNN deb nomlangan ushbu model graf usuliga o‘xshash sonli o‘rganiladigan parametrlar va bir xil kirish xususiyatlariga ega. Biroq unda tugun va qirra tuzilmasi mavjud emas. Ushbu taqqoslash muvaffaqiyat faqat ko‘proq parametrlar hisobiga emas, balki graf topologiyasi tufayli yuzaga kelganmi-yo‘qmi, shuni tekshirish uchun ishlatilgan.

O‘qitish tartibi

Asosiy ma’lumotlar to‘plami o‘qitish va validatsiya uchun 4:1 nisbatda tasodifiy bo‘lingan. Beshta turli tasodifiy bo‘linish ishlatilgan.

Giperparametrlar 30 ta tasodifiy sinov bilan qidirilgan. Har bir sinovda parametrlar 10^-4 dan 10 gacha bo‘lgan oraliqdan tanlangan va modellar 30 epoch davomida o‘qitilgan. Validatsiyada eng yaxshi natijani bergan parametrlar mahkamlanib, ko‘rilmagan qavat ma’lumotlarida test o‘tkazilgan.

Aniqlik natijalari

Kross-korrelyatsiya va CNN o‘qitish ma’lumotlari bilan bir xil taqsimotdagi validatsiya namunalarida yuqori natija ko‘rsatgan. Biroq boshqa qavat bo‘limidagi test ma’lumotlarida katta ishlash yo‘qotishiga uchragan.

VNN graf usuliga o‘xshash kirish va parametrlar soniga ega bo‘lsa-da, ham validatsiyada, ham testda beqaror natijalar ko‘rsatgan. Bu topilma faqat konstruktiv xususiyatlarni vektor sifatida qo‘shish yetarli emasligini, komponentlarning bog‘lanish tartibi ham muhimligini ko‘rsatadi.

Graf usuli barcha bo‘linishlarda foiz 100 aniqlik bergan. Tadqiqotning asosiy da’vosi bu natija graf tuzilmasining turli qavat kesimlari orasidagi taqsimot farqini kamaytirishi bilan bog‘liq ekanidir.

Foiz 100 aniqlik qanday talqin qilinishi kerak?

Foiz 100 aniqlik e’tiborga loyiq, biroq tajriba qamrovi cheklangan. Testda atigi to‘rtta manba sinfi mavjud. Manba–qabul qiluvchi geometriyasi o‘qitishdagisi bilan bir xil va bino turi temir-betondir.

Shu sababli natija quyidagilarni anglatmaydi:

• Har bir binoda barcha xonalarni aniq topish mumkinligini
• Bir nechta bir vaqtdagi zarbalarni farqlash mumkinligini
• Televizor, gaplashish yoki musiqa kabi havoda tarqaluvchi tovushlarni lokalizatsiya qilish mumkinligini
• Sensor joyi o‘zgarsa modelni qayta o‘qitish talab qilinmasligini
• Turli bino geometriyalarida xuddi shu aniqlik saqlanishini

Natija ta’riflangan tajriba sharoitlarida graf usuli taqqoslash modellariga nisbatan ancha yaxshi axborot uzatishini ko‘rsatadi.

t-SNE tasvirlari nimani ko‘rsatadi?

t-SNE yuqori o‘lchamli tovush tasvirlarini ikki o‘lchamda vizuallashtiradigan usuldir. Graf usulining muvaffaqiyatini tushuntirish uchun to‘rtta manba joyiga tegishli chiqish embeddinglari t-SNE yordamida chizilgan.

O‘qitish taqsimotiga o‘xshash validatsiya ma’lumotlarida CNN va graf modeli manba sinflarini nisbatan aniq klasterlarga ajratgan. VNNda ayrim manbalar bir-biriga aralashib ketgan.

Ko‘rilmagan qavat ma’lumotlarida VNN va CNN klasterlari sezilarli darajada ustma-ust tushgan. Bu modellar bir xil nisbiy joylarni boshqa qavat kesimida bir xil sinfga olib kela olmaganini ko‘rsatadi.

Graf usulida esa to‘rtta manba joyi alohida chiziqlar yoki klasterlar shaklida ajralgan. Tadqiqotchilar buni graf geometriyasining ma’lumot taqsimoti o‘zgarishini muvozanatlashi sifatida talqin qilgan.

Energiya tarqalishi tasviri nimani ko‘rsatadi?

Grafdagi k = 1, 2, 3 va 4 xabar uzatish qadamlari rang shkalasi bilan ko‘rsatilgan. Birinchi qadamda yuqori aktivatsiya manba tuguniga yaqin bo‘lsa, keyingi qadamlarda qo‘shni tugunlar va qabul qiluvchiga tomon tarqalgan.

Bu tasvir model tovush axborotini manbadan qabul qiluvchiga bir qadamda to‘g‘ridan-to‘g‘ri uzatmasligini, balki konstruktiv bog‘lanishlar bo‘ylab bosqichma-bosqich yetkazishini ko‘rsatadi.

Biroq rang shkalasi fizik tovush bosimi darajasi yoki joul bilan o‘lchanadigan haqiqiy energiya emasligini unutmaslik kerak. Ko‘rsatilgan qiymatlar o‘rganilgan tugun xususiyatlarining yig‘indisidir.

Tadqiqotning tarixiy ahamiyati

Avvalgi bitta sensorli o‘rganish yondashuvlari o‘qitishda ko‘rilgan xona yoki qavat sxemasida muvaffaqiyatli bo‘lgan, biroq boshqa qavat bo‘limlariga ko‘chirishda aniqlik keskin pasaygan. Ushbu tadqiqot konstruktiv kontekstni ochiq modellashtirish orqali mazkur ko‘chirish muammosini ko‘rib chiqadi.

Grafga asoslangan yondashuv fizik tuzilmani butunlay e’tiborsiz qoldiradigan end-to-end tasniflash modellariga qaraganda talqin qilish mumkin bo‘lgan oraliq qatlam beradi. Plita, devor, havo va qabul qiluvchi kabi komponentlarning model ichida aniq mosligi mavjud.

Bugungi kun nuqtai nazaridan ahamiyati

Aqlli bino tizimlari tobora ko‘proq tovush, tebranish, harorat va harakat sensorlaridan foydalanmoqda. Bitta sensor bilan manba joylashtirishni amalga oshirish sensorlar soni va o‘rnatish xarajatlarini kamaytirishi mumkin.

Ayniqsa turar-joylarda shovqin shikoyatlarini obyektiv tekshirish nuqtai nazaridan faqat tovush balandligini emas, balki manbaning ehtimoliy joylashuvini aniqlovchi tizimlar ishlab chiqilishi mumkin. Biroq maxfiylik, noto‘g‘ri ayblash va huquqiy qo‘llash nuqtai nazaridan yuqori ishonchlilik va mustaqil tasdiqlash talab etiladi.

Kelajak nuqtai nazaridan ahamiyati

Mualliflar ma’lumotlarga bog‘liqlikni kamaytirish uchun kam namunali o‘rganish va nazoratsiz o‘rganish usullarini tadqiq etishni taklif qiladi. Ko‘proq bino turi, manba–qabul qiluvchi sxemasi va tovush turi tizimga kiritilsa, usul yanada keng sharoitlarga umumlashtirilishi mumkin.

Graf yondashuvi kelajakda bino axborot modellari bilan birlashtirilishi mumkin. Binoning devor, plita va xona geometriyasi BIM faylidan avtomatik olinib, tovush uzatish grafi yaratilishi mumkin.

Kundalik hayotga ehtimoliy ta’sirlari

• Qavatlararo urish tovushining qaysi xona yoki yo‘nalishdan kelayotganini taxmin qilish
• Keksa shaxslarning yiqilish hodisasi yuz bergan hududni aniqlash
• Aqlli uylarda oyoq tovushi va harakatni kuzatish
• Xavfsizlik tizimlarida ruxsatsiz zarba yoki sinish manbasini topish
• Sanoat binolarida g‘ayritabiiy zarba yoki tebranish nuqtalarini aniqlash
• Shovqinni kamaytirish amaliyotlarida ustuvor konstruktiv elementlarni aniqlash

Tadqiqotning kuchli tomonlari

• Haqiqiy temir-beton binoda o‘lchangan tovushlardan foydalanishi
• Bitta sensorli lokalizatsiya yondashuvini taklif qilishi
• Bino geometriyasi va konstruktiv komponentlarni modelga ochiq tarzda kiritishi
• Xabar uzatish orqali konstruktiv tovush tarqalishini ifodalashi
• Bir xil kirish va o‘xshash parametrlar soniga ega VNN bilan taqqoslash o‘tkazishi
• Kross-korrelyatsiya va CNN kabi turli bazaviy usullar bilan solishtirishi
• Ko‘rilmagan qavat bo‘limida axborot ko‘chirishni alohida sinashi
• Beshta turli tasodifiy ma’lumot bo‘linishida izchil natijalar xabar qilishi
• t-SNE vizualizatsiyalari bilan taqsimot farqini ko‘rsatishi
• Graf bo‘ylab bosqichma-bosqich xabar tarqalishini vizual taqdim etishi

Tadqiqotning cheklovlari

• Tadqiqot hakamlik baholashidan o‘tmagan preprintdir.
• Asosiy testda atigi to‘rtta manba joyi mavjud.
• Manbalar xonalar markazida bo‘lgan nazoratli sxema ishlatilgan.
• Bitta qabul qiluvchi joyiga asoslangan.
• Manba–qabul qiluvchi geometriyasining cheklangan hududi o‘rganilgan.
• Bir nechta bir vaqtdagi tovush manbalari sinovdan o‘tkazilmagan.
• Fon shovqini va kundalik hayotdagi murakkab tovushlar batafsil baholanmagan.
• Turli bino materiallari va geometriyalarida umumiy validatsiya o‘tkazilmagan.
• Graf qirralari eng qisqa yo‘llar bilan soddalashtirilgan; barcha real uzatilish yo‘llari ifodalanmagan.
• Konstruktiv komponentlarning real elastik va akustik parametrlari to‘g‘ridan-to‘g‘ri ishlatilmagan.
• Model katta hajmda ma’lumot yig‘ish va belgilashni talab qiladi.
• Foiz 100 aniqlik kichik va aniq belgilangan test hududiga tegishli.
• Haqiqiy ko‘p qavatli uy shikoyatlarida noto‘g‘ri musbat natija va noto‘g‘ri ayblash xavfi o‘rganilmagan.
• Uzoq muddatli sensor o‘zgarishi, harorat va namlik ta’siri o‘rganilmagan.

Tadqiqot nimani aytadi, nimani aytmaydi?

Tadqiqot aytadigan narsa: Temir-beton konstruksiyaning plita, devor, havo va qabul qiluvchi komponentlarini graf sifatida ifodalash, bitta sensorli zarba tovushini lokalizatsiya qilishda turli qavat bo‘limlari orasidagi axborot uzatishni kuchaytirishi mumkin. Konstruktiv bog‘lanishlardan foydalanmaydigan CNN, VNN va kross-korrelyatsiya usullari ko‘rilmagan qavatda jiddiy aniqlik yo‘qotgan, graf usuli esa ta’riflangan tajribada yuqori natija ko‘rsatgan.

Tadqiqot aytmaydigan narsa: Usul har bir ko‘p qavatli uyda qo‘shni shovqinining aniq manbasini topishni kafolatlamaydi. Natijalar huquqiy dalil maqomiga ega emas. Model bir nechta bir vaqtdagi manbalarni, nutqni, televizorni yoki havoda tarqaluvchi umumiy shovqinni lokalizatsiya qila olishini ko‘rsatmagan. Foiz 100 aniqlik keng bino populyatsiyasida tasdiqlangan umumiy ishlash ko‘rsatkichi emas.

Tadqiqot usuli va natijalari

Tadqiqotning texnik ish oqimi

Asosiy formulalar

Manba tuguni:

\[ \mathbf{h}^{0}_{s} = [\phi \ \mathcal{A}_{v}] \]

Manba bo‘lmagan tugun:

\[ \mathbf{h}^{0}_{v \neq source} = [\mathbf{U} \ \mathcal{A}_{v}] \]

Tugunni yangilash:

\[ \mathbf{h}^{k}_{v} = \sigma \left( \mathbf{W}^{k} CONCAT \left( \mathbf{h}^{k}_{\mathcal{N}(v)}, \mathbf{h}^{k-1}_{v} \right) \right) \]

L2 normalizatsiya:

\[ \mathbf{h}^{k}_{v} \leftarrow \frac{\mathbf{h}^{k}_{v}} {\left\lVert \mathbf{h}^{k}_{v} \right\rVert_{2}} \]

Graf og‘irliklarini optimallashtirish:

\[ \mathbf{W}^{*} = \arg\min_{\mathbf{W}} \mathcal{L} \left( \phi(x_{train,i}), \mathbf{h}^{K}_{r} \right) \]

Manba bashorati:

\[ \hat{v} = \arg\min_{v} \mathcal{L} \left( \phi(\tilde{x}_{new}), D \right) \]

Ma’lumotlar to‘plamlarining tuzilishi

Beshta ma’lumot bo‘linishidagi aniqliklar

Natijalarning texnik talqini

• Validatsiya va test taqsimotlari nisbiy geometriyalari bir xil bo‘lsa-da, tovush xususiyatlari jihatidan farq qiladi.
• CNN o‘qitish taqsimotida kuchli, biroq boshqa qavat bo‘limidagi domen o‘zgarishiga moslasha olmagan.
• VNNga bir xil konstruktiv xususiyatlarni berishning o‘zi yetarli bo‘lmagan.
• Graf usuli konstruktiv xususiyatlardan tashqari komponentlar orasidagi bog‘lanishlardan ham foydalangan.
• t-SNE tasvirlari graf usuli to‘rtta manba sinfini ko‘rilmagan qavatda ham ajrata olganini ko‘rsatgan.
• Xabar uzatish tasvirlari manba aktivatsiyasi k qadamlari davomida qabul qiluvchi tomon tarqalishini ko‘rsatadi.

Ehtimoliy qo‘llanish sohalari

• Aqlli ko‘p qavatli uylarda qavatlararo zarba tovushini kuzatish
• Bitta sensor bilan oyoq tovushini lokalizatsiya qilish
• Yiqilish va urilish hodisalarini xona darajasida aniqlash
• Konstruktiv tebranish manbalarini texnik xizmat maqsadida aniqlash
• Shovqin shikoyatlarini texnik dastlabki tekshirish
• Avtomatik bino komforti va shovqinni boshqarish

Kelajakdagi tadqiqot ehtiyojlari

• Ko‘proq binolar va turli konstruktiv materiallarda tajribalar
• Kengroq manba–qabul qiluvchi geometriyalari
• Bir nechta sensor joylashuvi bilan taqqoslash
• Bir vaqtdagi ko‘p tovush manbalarini ajratish
• Fon shovqini ostida barqarorlik testlari
• Kam namunali va nazoratsiz o‘rganish
• BIM ma’lumotlaridan avtomatik graf yaratish
• Haqiqiy fizik material va tutashuv xususiyatlarini grafga qo‘shish
• Uzoq muddatli sensor va muhit o‘zgarishlarini o‘rganish
• Noto‘g‘ri bashoratlar uchun ishonch yoki noaniqlik ballini ishlab chiqish

Manba va usul haqida izoh

Ushbu mazmun Hwiyong Choi va Haesang Yang tomonidan tayyorlangan “Localization of impact sound in a building via a graph representation” nomli tadqiqotga asoslanadi.

Tadqiqot temir-beton binoning plita, devor, havo va qabul qiluvchi komponentlarini tugun va qirralardan iborat graf tuzilmasiga aylantiradigan; real zarba tovushlarini SoundNet asosidagi kodlovchi bilan qayta ishlaydigan va tovush axborotini graf bo‘ylab xabar uzatish orqali tarqatib, bitta sensordan manba joyini bashorat qiladigan eksperimental sun’iy intellekt va bino akustikasi tadqiqotidir.

Matnda ochiq ravishda “This preprint research paper has not been peer reviewed” iborasi mavjud. Tadqiqot SSRNda e’lon qilingan preprint bo‘lib, hakamlik baholashidan o‘tmagan. Shu sababli usul tafsilotlari, foiz 100 aniqlik natijasi va umumlashtiriluvchanlik haqidagi talqinlar mustaqil hakamlik baholashidan keyin o‘zgarishi mumkin.

Tajriba haqiqiy temir-beton binoda o‘tkazilgan bo‘lsa-da, asosiy test faqat to‘rtta manba joyi, bitta qabul qiluvchi, cheklangan manba–qabul qiluvchi geometriyasi va nazoratli zarba turlari bilan bajarilgan. Usul turli bino materiallari, bir vaqtdagi ko‘p manbalar, kuchli fon shovqini yoki o‘zgaruvchan sensor joylashuvlarida keng qamrovli tarzda tasdiqlanmagan.

Foiz 100 test aniqligi belgilangan APT II ma’lumotlar to‘plami va beshta ma’lumot bo‘linishi uchun xabar qilingan. Bu qiymat barcha ko‘p qavatli uylar yoki real hayot sharoitlari uchun kafolat emas. Tadqiqot usulning huquqiy shovqin aniqlash, qo‘shni javobgarligini belgilash yoki rasmiy akustik o‘lchov vositasi sifatida ishlatilishi mumkinligini ko‘rsatmaydi.

Mazmun faqat PDFda mavjud usul, ma’lumotlar to‘plamlari, tenglamalar, jadvallar, tasvirlar, tajriba natijalari va cheklovlar asosida tayyorlangan. PDFda mavjud bo‘lmagan tijoriy tizim muvaffaqiyati, aniq qo‘shni aniqlash, xavfsizlik kafolati yoki keng ko‘lamli maydon validatsiyasi haqidagi da’volar qo‘shilmagan.