采用混合多分支CNN基于在杂环境中注意力机制融合的碳团声识别
Qingjun Song1, Wenchao Hao1, Qinghui Song1
1College of Intelligent Equipment, Shandong University of Science and Technology, Shandong, 271000, Taian, China.
Scientific reports
|October 9, 2024
概括
一个新的混合多分支卷积神经网络 (HMBCNN) 通过融合Mel频率 Cepstral 系数和Mel光谱图特征来改善煤带识别. 这种方法在复杂,杂的采矿环境中提高了准确性和稳定性.
科学领域:
- 采矿工程 采矿工程 采矿工程
- 人工智能的人工智能
- 信号处理 信号处理
背景情况:
- 对于智能采矿和煤炭质量改进而言,煤炭通道的识别至关重要.
- 现有的方法在复杂的环境中经常失败,特别是在顶部煤炭洞穴中.
- 环境噪声对识别性能的影响需要解决.
研究的目的:
- 提出一个混合的多分支卷积神经网络 (HMBCNN) 以实现强大的煤电带识别.
- 为了提高在具有挑战性的,杂的采矿条件下识别性能.
- 通过先进的识别技术提高煤炭质量.
主要方法:
- 利用改进的Mel频率 Cepstral系数 (MFCC) 和Mel光谱图特征.
- 采用了具有1D和2D分支的混合多分支卷积神经网络.
- 集成的多头和软注意力机制,用于适应性特征提取和融合.
- 制定了决策层面的融合战略,以实现最佳绩效.
主要成果:
- 与先进的算法相比,HMBCNN实现了更高的识别精度.
- 在杂的环境中表现出优越的稳固性.
- 有效地融合了各种特征 (MFCC,Mel光谱) 以提高分类.
结论:
- 拟议的HMBCNN在煤识别技术方面取得了重大进展.
- 混合方法有效地处理复杂的环境因素和噪音.
- 这项技术有助于智能采矿和加强煤炭质量控制.
