実環境データのドメイン転移による構造物内部の音源位置推定手法

点击翻译按钮获取中文摘要

本年度では、構造物内部の音源を探査するシミュレーション上で構築された音源探査モデルを実環境へ適応することを目的に、実環境のデータを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を導入した音源探査手法の性能評価を実施した。本音源探査手法は構造物外部の3箇所で観測された加速度周波数応答を学習モデルの入力データとし、音源位置を教師ラベルとして利用することで、分類・回帰問題として定義され性能が評価された。ドメイン変換モデルとしては、Autoencoder、Deep convolutional autoencoderならびにpix2pixを比較対象とし、それぞれの変換性能は実環境データの割合に対してRoot Mean Squared Errorとt-Distributed Stochastic Neighbor Embeddingを利用した2次元の可視化によって評価された。結果としては、pix2pixによって変換された実環境のデータの分布は最もシミュレーションデータの分布に一致しており、その変換データをConvolutional neural networkに入力することで高精度な音源探査が可能であることがわかった。また、学習安定性に関しては、加速度周波数応答のデータをベクトルとして扱うのではなく、画像として扱う方が優れていることがわかった。ただし、本手法は2つの目的関数を利用することが原因で、変換性能の向上が直接的に音源探査性能の向上に寄与する保証はない。そのため今後は、ドメイン変換モデルと音源探査を実施するモデルの統合を検討する。※本研究の一部は、Inter-noise 2022にて発表、ならびにIEEE/ACM Transactions on Audio, Speech, and Language Processingに掲載済みである。