文章連結：

http://www.acoustics.org.tw/committee/2008/proceedings/A2-5.pdf

簡介

此篇文章為中文論文。與筆者想要處理的情境不同，但因為筆者沒有統計學的基礎，此文透過實例操作了一些統計方法與名詞，可做為學習的參考，整理如下：

新名詞

1. 三分貝差值 (3 dBA difference)
   1. 1 dB 大致會有 26% 的能量差距。
   2. 3 dB 大致差距一倍。
   3. 參考資料
2. Leq
   1. Equivalent Energy Sound Level: 均能音量
   2. 此數值為平衡在單位時間內每一個時間點的音量，以獲得一個均值。
3. 成對樣本t檢定
   1. 與之相反的為獨立樣本t檢定：比較兩獨立樣本的平均數是否有顯著差異。
   2. 成對樣本是比較兩組「相依樣本」之間的平均數差異。
      1. 第一組的樣本與第二組的樣本之間不獨立，即選擇一案例為樣本時，會影響另一樣本是否被納入。
      2. 例如分析一群學生，在入學前與入學一年後智力測驗分數是否有差異，需同時納入入學前與入學一年後兩次量測，故為相依事件。
   3. 以上參考自這個跟統計有關的商業部落格
4. Z 分配
   1. 樣本資料是否來自於某一特定平均值族群的檢定：判斷此樣本是否來自於某一特定的族群。
   2. 應用在抽得樣本的族群平均數未知、但此族群標準差已知為 σ 的情況。參考
   3. 不知母群標準差、且為小樣本時，若採用Z 檢定，會發生低估誤差的情形。參考
5. t 分配 (t 檢定)
   1. t-檢定是應用在抽得樣本的族群平均數未知、族群標準差也未知的情況。參考
   2. t 檢定適用於小樣本，即30個樣本以下時。參考
   3. 當樣本數變大時，t 分配會趨近於 Z 分配。

新知識：

1. 精確評估噪音影響，要每隔一定距離於虛擬方格的節點測量噪音。
2. 成本考量，發展出各種道路噪音預測模式，預測的因素大致為：
   1. 車種
   2. 車速
   3. 時段
   4. 路面材質及紋理
   5. 道路結構(高架或路堤)
   6. 反射物
   7. 受影響之距離
3. 那時候的背景，國內大多導入國外預測軟體及資料庫，不過由於國情不同，需要調校參數。
4. 內文提到各種不同國家的道路噪音預測法：可以進一步搜尋單一音源的預測法或是其他類型的噪音預測標準。
5. 合格的模型標準：「實測 Leq 與預測 Leq，其兩者之差絕對值小於等於 3dB」。
6. 噪音預測值與實測值均為相同的交通與環境狀況，兩者母群體樣本間之關係為相依。

原本是要讀以下這篇的，但是由於篇幅以及內容的關係，很快就讀完了，也順便摘錄如下：

Why We Need Noise Prediction Modelling

以下內容編譯自
https://www.wkcgroup.com/newsletter/news/why-we-need-noise-prediction-modelling/

主要內容

1. 主要圍繞一套商用軟體打轉，不過還是有一些之前沒想過的點，於是也摘錄了這篇文章的重點。
2. 在計算多音源且/或不同地形、折射反射等因素時，計算噪音的程度就會變得很複雜。
3. 不同的噪音在不同情境有不同的衡量標準及規格，例如一般交通、鐵道以及建設工程。
4. 好的噪音預測可以更有效地評估：
   1. 是否個別機構需要採取昂貴的噪音控制措施。
   2. 將來需要擬定的法規以及都市計劃。

許多統計概念與名詞解釋筆者看過去還是不太理解，就留待明天再來學習吧～

今天收工！