The Korean Society Of Automotive Engineers
[ 응용논문 ]
Transactions of The Korean Society of Automotive Engineers - Vol. 26, No. 6, pp.819-827
ISSN: 1225-6382 (Print) 2234-0149 (Online)
Print publication date 01 Nov 2018
Received 04 May 2018 Revised 02 Jul 2018 Accepted 09 Jul 2018
DOI: https://doi.org/10.7467/KSAE.2018.26.6.819

다중회귀분석 및 인공신경망을 이용한 과부하 굴삭기 소음의 음질 인덱스

심상덕1) ; 송오섭*, 2)
1)볼보건설기계 연구소
2)충남대학교 기계공학과
Sound Quality Index of Excavator's Noise Under Overload Operation Using Multiple Regression Analysis and Artificial Neural Network
Sangdeok Sim1) ; Ohseop Song*, 2)
1)Technology, Volvo Construction Equipment, 160 Doosanvolvo-ro, Seongsan-gu, Changwon-si, Gyeongnam 51710, Korea
2)Department of Mechanical Engineering, Chungnam National University, Daejeon 34134, Korea

Correspondence to: *E-mail: songos@cnu.ac.kr

* This is an Open-Access article distributed under the terms of the Creative Commons Attribution Non-Commercial License(http://creativecommons.org/licenses/by-nc/3.0) which permits unrestricted non-commercial use, distribution, and reproduction in any medium provided the original work is properly cited.

Abstract

The excavator's noise under overload operation gives displeasure to the operators while working. In this study, a jury test with a magnitude estimation method using 24 sound samples was conducted in order to find the cause of displeasure with this noise. We separated the jury test results into 2 groups according to different preference tendencies through the k-means cluster analysis due to the lack of consistency of the jury test results. In addition, the new various sound metrics, such as partial loudness, were extracted since this unpleasant noise could not be expressed by the sound metrics of psychoacoustics in the past. As a result, extracted sound metrics satisfied the condition of the multiple regression analysis and they were able to express this unpleasant noise. Furthermore, significant sound metrics extracted from multiple regression analysis were used as input parameters of the artificial neural network, and the result showed a higher correlation with the jury test than via multiple regression analysis.

Keywords:

Sound quality, Jury test, Regression analysis, Artificial neural network, Magnitude estimation method

키워드:

음질, 청음평가, 회귀분석, 인공신경망, 크기 평가법

1. 서 론

자동차 산업의 발달로 전 세계적으로 차량 소음문제가 증가하고 있으며 음질은 자동차의 품질을 측정하는 중요한 지표가 되었다.1) 이미 자동차 소음의 주관적 평가를 객관화하는 음질연구는 많이 진행되었다.2-5) 그러나 아직까지 굴삭기 차량 소음에 대한 음질연구는 거의 없는 실정이다. 최근 생활수준의 향상과 정숙 환경에 대한 기대 증가로 인해 굴삭기 운전실 소음에 대하여 승용차 수준의 정숙함을 요구하고 있다. 최근 저소음 엔진을 적용한 굴삭기의 경우 기존에 없었던 유압시스템 소음의 부각으로 인한 불만이 제기되었다.6) 특히 장비의 설정압력을 초과하는 과부하 하중이 작용할 때 엔진과 유압시스템 소음 등을 포함한 장비 전체 소음이 갑자기 커지는데 이러한 과부하 소음은 장비에 따라 운전자에게 상당히 불쾌감을 준다.

본 연구에서는 이러한 과부하 작업 조건에서 운전자에게 불쾌감을 주는 엔진 및 유압시스템 소음 등을 포함하는 장비 전체 과부하 소음에 대한 객관적인 평가를 위한 음질인덱스를 개발하였다. 이를 위해 과부하 조건에서 굴삭기 6개 모델의 운전실 소음을 측정하고 이를 편집한 24개의 운전실 소음에 대해 크기 평가법에 의한 청음평가를 수행하였다. 일관성이 낮은 청음평가 결과는 군집분석을 통해 선호도 성향이 다른 2개의 선호도 그룹으로 분류한 다음 각 선호도 그룹에 대해 다중회귀분석을 통해 유의한 음질인자를 도출하여 불쾌감을 예측할 수 있는 음질 인덱스를 개발하였다. 그리고 심리음향학의 음질인자만으로 회귀분석 조건을 만족시키기 어려워 추가로 부분 라우드니스 등의 새로운 음질인자를 추출하여 함께 사용하였다. 그 결과 다중회귀분석 조건을 만족하는 음질인자를 추출할 수 있었고 추출한 인자를 다시 인공신경망의 입력변수로 사용하여 보다 높은 상관성을 갖는 과부하 굴삭기 소음에 대한 실내 음질 인덱스를 개발하였다.


2. 운전실 소음의 측정 및 편집

2.1 소음 측정

작업 장치에 장비의 용량보다 큰 하중이 작용할 경우, 메인 릴리프 밸브가 열리게 되는데 이때 발생하는 과부하 소음은 엔진 최고 회전모드에서 가장 부각된다. 따라서 동일한 과부하 조건을 반복 시험하기 위해 모든 시험 장비에 대해 엔진은 최고 회전수로 설정하고 작업 장치는 암 오므림(Arm in)상태로 고정하여 아이들 모드(Idle mode)에서 1.25초, 컨트롤 레버(RCV lever)를 완전히 당긴 상태인 릴리프 모드(Relief mode)에서 3.75초 동안 Head Acoustics사의 SQuadriga를 사용하여 운전실 소음을 녹음하였다. Table 1에서 소음측정 조건과 기록시간을 나타내었다.

Noise measurement condition and recording time

2.2 음원 편집

6개의 굴삭기 모델에 대해 문을 열고 닫고 상태에서 전체 12개의 운전실 소음을 녹음하였다. 그리고 Table 2와 같이 E1, E3 음원과 동일한 음압레벨을 갖도록 12개의 음원을 편집하여 총 24개 음원을 청음평가를 위해 제작하였다.

Measured and edited 24 sound samples

Fig. 1은 24개 음원의 전체 음압레벨과 전체 라우드니스 값을 나타낸다. 전체 음압레벨은 73~86 dB(A)범위를 가지며 전체 라우드니스는 24~57 sone 범위를 갖는 음원으로 구성되어 있다.

Fig. 1

SPL and total loudness of 24 sound samples

그리고 Fig. 2는 6모델의 운전실 음원(A1~F1)의 임계대역의 비라우드니스 그래프를 나타낸다. 0.7 Bark의 1차 엔진 폭발 소음의 크기는 2.5~9.2 sone이며 3.0~3.4 Bark범위의 1차 유압 맥동 소음의 크기는 3.8~6.5 sone범위를 갖는 장비들로 구성되었다.

Fig. 2

Specific loudness of 6 sound samples


3. 크기 평가법(MEM)에 의한 청음평가

청음평가는 다년간의 굴삭기 운전 경험을 가진 굴삭기 소음에 익숙하고 친숙한 26명의 엔지니어를 대상으로 크기 평가법(MEM)으로 암소음의 영향이 없는 반무향실에서 Fig. 3과 같이 수행되었다. 젠하이져(Shenheiser)의 HD650 헤드셋으로 구성된 헤드 어쿠스틱(Head acoustic)사의 음원 재생 장비인 PEQV를 사용하여 음을 재생하였다. 전체 24개의 음원에 대해서 6개의 음원씩 4번에 걸쳐서 청음평가를 수행하였다.

Fig. 3

Jury test in semi-anechoic room

크기 평가법은 이론적으로는 무한대 해상도를 갖지만 본 연구에서는 Fig. 4와 같이 9점 스케일을 사용한 변경된 크기 평가법을 사용하였다.

Fig. 4

9-point scale method for MEM

Fig. 5는 크기 평가법에 의한 청음평가를 위한 프로그램을 나타낸다. 프로그램을 이용한 4번의 평가에서 E1, E2, E3, E4 음원을 기준사운드(Anchor sound)로 제시하여 평가자가 먼저 기준사운드에 점수를 부여하고 그 점수를 기준으로 다른 음원에도 상대적인 점수를 부여하도록 하였다.

Fig. 5

Program used for jury test by MEM

또한 평가음 6개 중에도 기준사운드가 들어 있기 때문에 평가자가 같은 평가 점수를 부여하였는지를 확인할 수 있도록 하여 유사한 점수를 부여하지 않은 평가자의 데이터는 신뢰성이 부족함으로 평가에서 제외하고자 하였다. 그리고 평가자들의 청음평가 결과는 일관성이 떨어지는 경향을 보여 26명의 평가자들의 평가결과를 군집분석을 통해 Table 3과 같이 성향이 다른 2그룹으로 분류하여 분석하였다.4)

Preference score of group1 and group2


4. 회귀모형의 유효성 검증

크기 평가법에 의한 청음평가 결과를 종속변수로 사용하여 SPSS를 이용하여 다중회귀분석을 수행하였다. 종속변수에 영향을 주는 변수들을 찾기 위하여 Table 4에 표현한 인자를 포함하여 추출 가능한 모든 음질인자를 추출하여 독립변수로 투입한 후에 단계적 선택 방법(Stepwise)을 이용하여 다중회귀분석을 실시하였고 그 결과 선택된 유의한 인자를 Table 56에 나타내었다. 그룹1의 경우 5개, 그룹2의 경우 4개의 독립변수가 유의한 인자로 선택되었다.

Sound quality metrics used for MRA

Sound quality metrics of selected by MRA (group1)

Sound quality metrics of selected by MRA (group2)

4.1 모형 적합도 검정

독립변수가 종속변수를 설명하는 설명력인 결정계수(R2)는 그룹1과 그룹2의 경우, 각각 92.8 %와 89.5 %가 나왔고 수정된 결정계수(Adjusted R2)는 각각 90.8 %와 87.3 %로 나왔다. 수정된 결정계수와 설명변수와의 차이가 크지 않으므로 좋은 모형이라 할 수 있다.

4.2 자기상관 검정

Durbin-Watson 지수(d)가 그룹1과 그룹2의 경우, 각각 2.010과 1.858(dU=1.90184(그룹1), 1.77526(그룹2)< d)이므로 종속변수는 자기상관 없이 독립적이다. 따라서 Table 56의 음질인자를 이용하여 다중 회귀분석을 실시할 수 있음을 알 수 있다.

4.3 회귀분석 결과 해석

분산분석(ANOVA) 결과 F값에 대한 유의확률이 .000으로 0.05보다 작아 회귀모형이 적합하다고 할 수 있다. 즉 여러 독립변수 중에 종속변수에 유의한 영향을 주는 변수가 있음을 알 수 있다.

4.4 다중공선성 검정

Table 78에서 모든 독립변수의 VIF 지수는 기준값 10미만으로 나왔다. 즉 투입된 변수 간에는 다중공선성이 존재하지 않음을 알 수 있으며 표준화 회귀계수인 베타(Beta) 값을 확인 한 결과, 그룹1의 경우 독립변수 x1이 0.741로 가장 큰 영향을 미치고 있으며 가장 낮은 영향을 미치고 있는 독립변수는 x3으로 만족도에 음의 영향을 미치고 있다. 또한 그룹2의 경우 독립변수 x3이 0.882로 가장 큰 영향을 미치고 있으며 x2와 x4는 전체 만족도에 음의 영향을 미치고 있다.

Results of multiple regression analysis (group1)

Results of multiple regression analysis (group2)

4.5 산점도 및 이상값 확인

행렬 산점도를 이용하여 종속변수와 독립변수간의 선형성과 이상값의 존재 여부를 대략 확인한 후 정확한 이상값을 확인하기 위해 표준화 잔차(ZRE)와 표준화 DFFIT(SDF)를 검토하였다. 그룹1의 표준화 잔차는 -1.90852로 가장 크며 그 절대값이 기준값 3.0 보다 작고 표준화 DFFIT 값은 -1.82205로 그 절대값이 기준값 2보다 작아 이상값이 존재하지 않음을 확인하였다.

그룹2의 표준화 잔차는 -1.76879로 가장 크나 기준값보다 낮았고 DFFIT값은 -1.67773으로 기준값보다 낮아 이상값이 존재하지 않음을 확인하였다. 또한 그룹1과 그룹2는 모두 독립변수 간에는 상관관계가 높지 않아 다중공선성이 존재하지 않음을 확인 할 수 있었다.

4.6 잔차의 등분산성(Homoscedasticity) 검정

회귀모형의 적합도 검정은 잔차분석을 이용하며 잔차분석에서는 잔차의 정규성과 등분산성을 검토하였다. 그 결과 잔차의 등분산 그래프는 평균 0을 중심으로 ±2 이내에서 어떤 규칙, 추세, 경향, 주기등이 보이지 않고 무작위로 분포되어 있어 잔차는 등분산으로 판정하였다.

4.7 잔차의 정규성(Normality) 검정

SPSS에서 제공하는 정규성 검정방법에는 Shapiro-Wilk 검정과 Kolmogorov-Smirnov 검정이 있다. Shapiro-Wilk 정규성 검정은 비교적 적은 수의 표본(50 이하)에서 사용하도록 고안된 방법이고 Kolmogorov-Smirnov 검정은 대단위 데이터(2000 이상)에서 사용하도록 개발된 방법이나 최근 적은 수의 표본에서도 쓸 수 있도록 보완되었기 때문에 2가지 검증방법을 모두 사용하여 잔차의 정규성을 검증하였다. 검정 결과 유의확률이 Kolmogorov-Smirnov 결과는 0.200과 0.63이며 Shapiro-Wilk 결과는 0.847과 0.287로 모두 0.05보다 크므로 H0가설을 채택하게 되어 그룹1과 그룹 2의 종속변수 Y값은 정규분포를 따른다고 할 수 있다.

4.8 불쾌감 음질인덱스

다중회귀분석을 통해 도출한 차량 운전실 소음의 불쾌감(낮은 선호도)에 대한 각 그룹의 음질인덱스는 식 (1)(2)와 같다.

SQgroup1=5.408+1.824NEG-N1NEG+46.303PN2N-2.409PND3+6.789S×R-FL-0.782PN3(1) 
SQgroup1=16.307-0.232dBA+0.088dBEG+0.085dBmasking-35.995PN1N(2) 

Fig. 67은 크기 평가법에 의한 선호도 그룹1과 그룹2의 청음평가 결과와 회귀분석에 의한 예측값을 비교하였다. 회귀분석에 의한 그룹1과 그룹2의 예측값은 청음평가 결과와 96.2 %와 94.6 %의 높은 상관관계를 가지고 있어 도출한 음질인덱스는 청음평가 결과를 잘 예측하고 있음을 알 수 있다.

Fig. 6

Results of jury test and RA (group1)

Fig. 7

Results of jury test and RA (group2)


5. 인공신경망을 이용한 예측모형

본 논문에서 음질 인덱스 구축을 위한 신경망 모형의 학습에 관한 소프트웨어는 Matlab의 Neural Network Tool을 사용하였다. 신경망의 학습을 위한 자료는 통계적 회귀분석에서와 동일한 입출력 데이터를 사용하였다. 즉 Fig. 89에서와 같이 신경망의 입력 값으로 회귀분석에서 유의한 인자로 선택된 음질인자를 사용하였고 목표 값으로는 청음평가 결과를 사용하였다.

Fig. 8

Structure of the developed ANN (group1)

Fig. 9

Structure of the developed ANN (group2)

신경망 예측모형을 구성하기 위해 은닉층의 뉴런의 수를 결정하는 것은 매우중요한 부분이다. 본 연구에서는 일반적인 경험법칙에 따라 출력 변수의 개수와 입력변수 개수 사이의 값을 은닉층의 뉴런 수로 선택하였다.7) 따라서 1에서 5사이의 값을 은닉층의 뉴런의 수로 대입 시킨 후 과적합(Over fitting)이나 부적합(Under fitting)이 발생하지 않고 낮은 에러를 갖는 최적의 뉴런의 수를 갖는 모형을 추출하였다.7)

선호도 그룹1은 Fig. 8과 같이 2개의 뉴런(Neuron)을 갖는 1개의 은닉층과 출력층으로 구성된 2개의 레이어(Layer)의 인공신경망을 구성하였고, 선호도 그룹 2는 Fig. 9와 같이 3개의 뉴런을 갖는 1개의 은닉층과 출력층으로 구성된 2개의 레이어(Layer)의 인공신경망을 구성하였고 모두 역전파 알고리즘(BP neural network)을 사용하였다.

구성된 인공 신경망(ANN)을 통해 최종 가중치 행렬 W와 바이어스 b를 구하였다. 그 결과는 Table 9, 10과 같다.

ANN model for preference (group1)

ANN model for preference (group2)

Fig. 1011은 최적 검증 수행 결과를 나타낸다. 훈련된 인공 신경망 모형은 과적합되지 않았고 낮은 평균제곱오차(MSE)를 갖는 결과를 얻었다.

Fig. 10

Best validation performance (group1)

Fig. 11

Best validation performance (group2)

Fig. 1213은 에러 히스토그램을 나타낸다. 사용된 24개의 데이터가 0을 중심으로 정규성을 가지고 에러가 ±0.4이하의 값을 나타내었다.

Fig. 12

Error histogram (group1)

Fig. 13

Error histogram (group2)

Fig. 1415는 목표값과 인공신경망 출력값 사이의 상관계수를 나타낸다. 전체 24개의 데이터 중에서 18개의 데이터는 훈련(Training)에 사용되었고 4개의 데이터는 검증(Validation)과 시험(Test)에 각각 사용되었다.

Fig. 14

Correlation between target and ANN output of training, validation, test and All (group1)

Fig. 15

Correlation between target and ANN output of training, validation, test and All (group2)

인공신경망 모형에 의한 그룹1과 그룹2의 예측값은 청음평가 결과와 98.6 %의 높은 상관관계를 가지고 있어 도출한 예측모형은 청음평가 결과를 잘 예측하고 있음을 알 수 있다. Fig. 1617은 청음평가 결과와 인공신경망에 의한 출력을 비교하여 나타내었다.

Fig. 16

Results of ANN and jury test (group1)

Fig. 17

Results of ANN and jury test (group2)


6. 결 론

과부하 굴삭기 소음에 대해 평가자들이 느끼는 불쾌감에 대한 청음평가는 일관성을 갖지 못하였다. 따라서 군집분석을 통해 선호도 성향이 다른 두 그룹으로 나누어 각 그룹에 대한 음질인덱스를 구축하여 각 평가자 그룹의 성향을 반영한 평가를 할 수 있었다. 정신음향학 음질인자만으로 과부하 굴삭기 소음을 표현하기 어려워 부분라우드니스 등의 새로운 음질인자를 추출하여 다중회귀분석의 독립변수로 사용하여 과부하 굴삭기 소음을 표현할 수 있는 음질인자 추출할 수 있었다. 다중회귀분석을 통해 추출된 음질인자가 유의한 음질인자임을 확인하였고 또한 인공신경망의 입력변수로 투입하여 청음평가와 높은 상관관계를 갖는 음질인덱스를 구축할 수 있었다.

References

  • Z. Duan, Y. Wang, and Y. Xing, “Sound Quality Prediction of Vehicle Interior Noise Under Multiple Working Conditions Using Backpropagation Neural Network Model”, Journal of Transportation Technologies, 5(2), p134-139, (2015). [https://doi.org/10.4236/jtts.2015.52013]
  • H. K. Park, and J. T. Kim, “Evaluation of Door Closing Sound by Using Semantic Difference Method”, Transactions of KSAE, 6(2), p67-79, (1998).
  • S. K. Lee, B. S. Kim, D. C. Park, and S. G. Jung, “Transient Rumbling Index Development of Sound Quality on a Passenger Car”, KSAE Fall Conference Proceedings, p744-749, (2003).
  • J. K. Lee, Y. W. Park, J. B. Chai, and H. K. Jang, “Development of a Sound Quality Index on the Interior Noise of Vehicle at Wide Open Test Condition”, KSAE Spring Conference Proceedings, p1225-1230, (2004).
  • H. S. Park, and Y. J. Kang, “Effectiveness Comparison of Sound Quality Evaluation Index Designs through Exploratory Factor Analysis and Linear Regression Analysis for Sporty Engine Sound”, KSAE Spring Conference Proceedings, p623-624, (2016).
  • S. D. Sim, B. J. Ryu, S. H. Cha, S. H. Shin, and O. S. Song, “Development of Sound Quality Index for Excavator's Hydraulic Relief Noise”, KSNVE Autumn Conference, p799-800, (2015).
  • F. S. Panchal, and M. Panchal, “Review on Methods of Selecting Number of Hidden Nodes in Artificial Neural Network”, International Journal of Computer Science and Mobile Computing, 3(11), p455-464, (2014).

Fig. 1

Fig. 1
SPL and total loudness of 24 sound samples

Fig. 2

Fig. 2
Specific loudness of 6 sound samples

Fig. 3

Fig. 3
Jury test in semi-anechoic room

Fig. 4

Fig. 4
9-point scale method for MEM

Fig. 5

Fig. 5
Program used for jury test by MEM

Fig. 6

Fig. 6
Results of jury test and RA (group1)

Fig. 7

Fig. 7
Results of jury test and RA (group2)

Fig. 8

Fig. 8
Structure of the developed ANN (group1)

Fig. 9

Fig. 9
Structure of the developed ANN (group2)

Fig. 10

Fig. 10
Best validation performance (group1)

Fig. 11

Fig. 11
Best validation performance (group2)

Fig. 12

Fig. 12
Error histogram (group1)

Fig. 13

Fig. 13
Error histogram (group2)

Fig. 14

Fig. 14
Correlation between target and ANN output of training, validation, test and All (group1)

Fig. 15

Fig. 15
Correlation between target and ANN output of training, validation, test and All (group2)

Fig. 16

Fig. 16
Results of ANN and jury test (group1)

Fig. 17

Fig. 17
Results of ANN and jury test (group2)

Table 1

Noise measurement condition and recording time

Operation condition of excavator Time (s)
Idle mode of engine maximum rpm 0 ~ 1.25
Relief mode of when RCV lever was pulled to its limit 1.25 ~ 5.0

Table 2

Measured and edited 24 sound samples

Class Description Door
A1~F1 Original sounds of 6 vehicle models Closed
A2~F2 Edited sounds with same SPL as E1 Edited
A3~F3 Original sounds of 6 vehicle models Open
A4~F4 Edited sounds with same SPL as E3 Edited

Table 3

Preference score of group1 and group2

Sounds Group1 Group2
A1 6.15 4.12
B1 3.75 2.77
C1 2.44 1.81
D1 5.00 4.12
E1 4.30 5.46
F1 5.51 4.31
A2 6.06 5.64
B2 4.37 4.36
C2 3.10 2.71
D2 5.56 5.29
E2 3.83 4.79
F2 5.97 4.29
A3 6.68 3.53
B3 4.70 2.97
C3 3.28 2.32
D3 4.58 4.12
E3 4.00 5.29
F3 5.70 2.97
A4 6.79 5.83
B4 5.36 4.44
C4 3.89 3.00
D4 5.04 5.39
E4 3.50 4.78
F4 5.53 4.17

Table 4

Sound quality metrics used for MRA

Class Metrics Remark
SPL dB(A) A-weighted SPL
dBEG Single SPL corresponding to first engine firing frequency
dBmasking Residual SPL cut by the masking curve at first hydraulic pulsation frequency
Psychoacoustics N Total loudness
S Sharpness
R Roughness
FL Fluctuation strength
Partial loudness
(sone)
PNEG Partial loudness between 0 and 3.0 Bark
PN1 Partial loudness related to first hydraulic frequency(=Z1) between Z1 and Z1+1.0 Bark
PN2 Partial loudness related to second hydraulic frequency(=Z2) between Z2 and Z2+1.0 Bark
PN3 Partial loudness related to third hydraulic frequency(=Z3) between Z3 and Z3+1.0 Bark
PND3 = (PN3 - PNEG) / PNEG
Peak loudness
(sone)
NEG Single loudness corresponding to first engine firing frequency
N1 Single loudness corresponding to first hydraulic pulsation frequency

Table 5

Sound quality metrics of selected by MRA (group1)

Sounds x1 x2 x3 x4 x5
(NEG-N1)/NEG PN2/N PND3 S*R-FL PN3
A1 0.567 0.059 -0.680 -0.503 1.580
B1 0.323 0.052 -0.570 -0.568 2.640
C1 -0.863 0.078 -0.620 -0.693 1.650
D1 -0.023 0.064 -0.600 -0.462 1.720
E1 -0.540 0.067 -0.370 -0.501 1.140
F1 0.132 0.056 -0.590 -0.452 1.840
A2 0.548 0.059 -0.678 -0.530 1.087
B2 0.271 0.053 -0.563 -0.646 1.681
C2 -1.318 0.074 -0.656 -0.697 0.606
D2 -0.083 0.066 -0.582 -0.479 1.272
E2 -0.490 0.067 -0.370 -0.505 1.141
F2 0.093 0.057 -0.580 -0.465 1.435
A3 0.659 0.065 -0.640 -0.451 2.020
B3 0.218 0.067 -0.590 -0.518 2.460
C3 -0.233 0.051 -0.590 -0.607 1.760
D3 0.149 0.066 -0.510 -0.589 2.070
E3 0.239 0.061 -0.250 -0.533 1.920
F3 0.356 0.054 -0.650 -0.424 2.010
A4 0.665 0.066 -0.628 -0.525 1.239
B4 0.212 0.069 -0.572 -0.571 1.578
C4 0.325 0.053 -0.556 -0.700 0.976
D4 0.107 0.068 -0.491 -0.611 1.478
E4 -0.063 0.061 -0.249 -0.543 1.916
F4 0.356 0.055 -0.637 -0.421 1.370

Table 6

Sound quality metrics of selected by MRA (group2)

Sounds x1 x2 x3 x4
dB(A) dBEG dBMasking PN1/N
A1 79.300 94.750 9.349 0.072
B1 80.700 86.050 0.493 0.059
C1 86.300 77.450 30.856 0.113
D1 78.228 82.450 18.142 0.083
E1 73.247 74.850 29.230 0.099
F1 77.400 84.000 7.800 0.071
A2 73.247 88.750 11.890 0.073
B2 73.247 78.650 2.877 0.056
C2 73.247 64.500 33.189 0.122
D2 73.247 77.450 18.133 0.085
E2 73.247 75.850 29.230 0.099
F2 73.247 80.000 5.425 0.072
A3 82.283 98.350 1.437 0.060
B3 81.522 88.450 3.347 0.068
C3 83.775 83.000 25.146 0.121
D3 79.740 89.050 21.355 0.087
E3 74.218 77.700 28.663 0.071
F3 80.459 92.300 -0.598 0.077
A4 74.218 0.096 4.783 0.702
B4 74.218 0.111 5.788 0.824
C4 74.218 0.161 26.630 1.039
D4 74.218 0.130 23.618 0.901
E4 74.218 0.122 19.215 0.900
F4 74.218 0.114 -1.145 0.719

Table 7

Results of multiple regression analysis (group1)

B SE β t p VIF
Constant
x1
x2
x3
x4
x5
5.408
1.824
46.303
-2.409
6.789
-.782
1.066
.213
12.268
.632
.989
.175
.741
.285
-.251
.487
-.314
5.075
8.560
3.774
-3.811
6.868
-4.475
.000
.000
.001
.001
.000
.000
1.869
1.423
1.078
1.251
1.227
R2=.928, adj R2=.908, F=46.235(p< .001)
Durbin-Watson's d = 2.010 (dU=1.90184)

Table 8

Results of multiple regression analysis (group2)

B SE β t p VIF
Constant
x1
x2
x3
x4
16.307
-.232
.088
.085
-35.995
1.760
.025
.017
.014
6.849
-.829
.628
.882
-.672
9.268
-9.238
5.063
6.133
-5.256
.000
.000
.000
.000
.000
1.457
2.782
3.744
2.955
R2=.895, adj R2=.873, F=40.461(p< .001)
Durbin-Watson's d = 1.858 (dU=1.77526)

Table 9

ANN model for preference (group1)

Weights of input layer,IW(1) Weights of hidden layer, LW(2)
0.25776
0.044319
-0.070368
0.10296
-0.15073
1.5133
-3.531
-1.587
0.23139
-2.0937
4.2025
-0.7756
Bias of input layer, b(1) Bias of hidden layer b(2)
0.17072
-6.0056
-1.8611

Table 10

ANN model for preference (group2)

Weights of input layer, IW(1) Weights of hidden layer, LW(2)
-0.87937
0.092901
0.85985
-1.5701
-0.91698
4.1734
0.67233
2.0742
-1.3818
0.51072
-0.52266
-2.0873
0.9625
0.40289
0.12676
Bias of input layer, b(1) Bias of hidden layer b(2)
-0.72638
0.67266
2.6808
-0.19005