2020年 01期

摘要(Abstract)：

为了解决手工特征提取方法依赖广泛的专业知识和先验知识,难以挖掘新特征而影响识别结果的问题,将一维卷积神经网络应用于锚杆锚固系统类型识别,以实现端到端的分类过程;为了避免随机初始化卷积核会造成网络在训练时收敛速度慢、易陷入局部最优等问题,利用稀疏自编码器对网络的卷积核进行预训练,并利用实验锚杆锚固数据对稀疏自编码器一维卷积神经网络模型、传统一维卷积神经网络模型和反向传播神经网络模型进行测试。结果表明:一维卷积神经网络可应用于锚杆锚固系统类型识别,实现端到端的分类过程;在锚杆锚固系统类型识别中,稀疏自编码器一维卷积神经网络模型的准确率高于传统一维卷积神经网络模型和反向传播神经网络模型的准确率,识别率可达98.57%。

关键词(KeyWords)： 一维卷积神经网络;锚杆锚固系统;稀疏自编码器;预训练

基金项目(Foundation): 国家自然科学基金项目(51674169)

作者(Author): 郑海青,张玉,孙晓云

DOI: 10.13349/j.cnki.jdxbn.2020.01.006

参考文献(References)：

[1] 李志辉,李亮,李建生.应力波法锚杆无损检测技术研究[J].测绘科学,2009,34(1):205-206.

[2] 陈建功,李昕,张永兴.基于小波神经网络的锚杆-围岩结构系统的识别[J].煤炭学报,2009,34(10):1333-1338.

[3] 孙晓云,吴世星,韩广,等.修剪型神经网络在锚杆锚固缺陷识别中的应用[J].振动与冲击,2018,37(5):221-227.

[4] 刘明贵,岳向红.基于小波神经网络的锚杆锚固质量分析[J].岩石力学与工程学报,2006,25(1):83-87.

[5] 张世雷.基于PSO-SVM的锚杆锚固质量无损检测方法研究[D].石家庄:石家庄铁道大学,2017.

[6] JING L Y,ZHAO M,LI P,et al.A convolutional neural network based feature learning and fault diagnosis method for the condition monitoring of gearbox[J].Measurement,2017,111:1-10.

[7] 余永维,殷国富,殷鹰,等.基于深度学习网络的射线图像缺陷识别方法[J].仪器仪表学报,2014,35(9):2012-2019.

[8] 段艳杰,吕宜生,张杰,等.深度学习在控制领域的研究现状与展望[J].自动化学报,2016,42(5):643-654.

[9] XIA Y,WULAN N,WANG K Q,et al.Detecting atrial fibrillation by deep convolutional neural networks[J].Computers in Biology and Medicine,2017,93:84-92.

[10] 傅隆生,冯亚利,ELKAMIL T,等.基于卷积神经网络的田间多簇猕猴桃图像识别方法[J].农业工程学报,2018,34(2):205-211.

[11] 余永维,殷国富,殷鹰,等.基于深度学习网络的射线图像缺陷识别方法[J].仪器仪表学报,2014,35(9):2012-2019.

[12] 吴春志,江鹏程,冯辅周,等.基于一维卷积神经网络的齿轮箱故障诊断[J].振动与冲击,2018,37(22):51-56.

[13] 李东东,王浩,杨帆,等.基于一维卷积神经网络和Soft-Max分类器的风电机组行星齿轮箱故障检测[J].电机与控制应用,2018,45(6):80-87,108.

[14] 张晴晴,刘勇,潘接林,等.基于卷积神经网络的连续语音识别[J].工程科学学报,2015,37(9):1212-1217.

[15] 彭亘昌,姚干,周凯波,等.基于一维卷积神经网络和i-vector的孤立词语音识别[J].信息与电脑(理论版),2018(4):43-46.

[16] 李恒,张氢,秦仙蓉,等.基于短时傅里叶变换和卷积神经网络的轴承故障诊断方法[J].振动与冲击,2018,37(19):124-131.

[17] 刘万军,梁雪剑,曲海成.不同池化模型的卷积神经网络学习性能研究[J].中国图象图形学报,2016,21(9):1178-1190.

[18] 刘庆,唐贤伦,张娜.基于非监督预训练的结构优化卷积神经网络[J].工程科学与技术,2017,49(增刊2):210-215.

[19] 瓮佳良.基于深度学习的玻璃缺陷识别方法研究[D].太原:中北大学,2017.

[20] 刘兴旺,王江晴,徐科.一种融合AutoEncoder与CNN的混合算法用于图像特征提取[J].计算机应用研究,2017,34(12):3839-3842,3847.