基于CNN-RNN集成的隧道事故异常声音识别

来源：电子测量技术杂志2023年第20期北京时间：

作者：郎巨林，郑晟

单位：太原理工大学数字化融合监控实验室 太原 034000

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。

关键词：集成学习;Stacking;CNN;RNN;声音识别