-
题名基于CNN-RNN集成的隧道事故异常声音识别
- 1
-
-
作者
郎巨林
郑晟
-
机构
太原理工大学数字化融合监控实验室
-
出处
《电子测量技术》
北大核心
2023年第20期164-169,共6页
-
文摘
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。
-
关键词
集成学习
STACKING
CNN
RNN
声音识别
-
Keywords
integrated learning
Stacking
CNN
RNN
sound recognition
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
