基于CNN-RNN集成的隧道事故异常声音识别

作     者：郎巨林 郑晟 Lang Julin;Zheng Sheng

作者机构：太原理工大学数字化融合监控实验室太原034000 

出 版 物：《电子测量技术》 (Electronic Measurement Technology)

年 卷 期：2023年第46卷第20期

页      码：164-169页

摘      要：为提高公路隧道事故异常声音识别的准确率,并针对卷积神经网络只关注局部信息问题,提出了一种基于CNN-RNN集成的声音识别模型。该模型采用Stacking集成策略将CNN的强特征表达能力和RNN的强记忆能力相结合,并使用门控循环单元减少循环神经网络的计算复杂度,将SIREN正弦周期函数作为RNN的隐式激活函数,增强模型对声音数据的拟合能力,设计多通道卷积细化特征提取的精度,实现全局化特征提取。在异常声音数据集上评估了所提声音识别模型的识别性能,实验结果表明:提出的声音模型的识别性能高于其他模型,且更加稳健,可有效识别公路隧道事故的异常声音。

主 题 词：集成学习 Stacking CNN RNN 声音识别 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 

D　O　I：10.19651/j.cnki.emt.2212417

馆 藏 号：203125428...