基于改进卷积神经网络的矿井巷道场强预测

作者

王安义周孝铭
单位

西安科技大学通信与信息工程学院
摘要

针对现有场强预测模型建模过程复杂、计算复杂度高、预测精度低等问题，提出了一种基于改进卷积神经网络（CNN）的矿井巷道场强预测模型。通过分析矿井大尺度衰落信道电磁波传输影响因素，以天线工作频率、巷道截面尺寸、巷道壁粗糙度、巷道壁倾斜度、巷道壁相对介电常数、收发端距离等作为模型输入，将电磁波传播路径损耗作为模型输出，从而预测巷道场强变化；改进CNN在每个卷积层后加入批量归一化层来代替原有的池化层，以避免池化层下采样导致的数据特征丢失，让每一层卷积输出保持相似分布，提高网络泛化能力，加快网络收敛。仿真结果表明，与基于CNN、BP神经网络、支持向量机的场强预测模型相比，该模型预测值与实际值吻合度较高，具有较强的鲁棒性，有效提高了矿井巷道场强预测精度。
关键词

矿井无线通信矿井巷道场强预测电磁波路径损耗卷积神经网络
基金项目(Foundation)

国家自然科学基金资助项目（U19B2015）。
引用格式

王安义，周孝铭.基于改进卷积神经网络的矿井巷道场强预测［J］.工矿自动化，2021,47（10）：49-53.
相关文章

[1]基于遗传算法优化的LS-SVM井下场强预测
[2]基于LS-SVM的矿井巷道场强预测
[3]基于Q—学习算法的矿井自适应OFDM调制研究
[4]基于自监督学习的IRS辅助矿井通信系统信道估计方法
[5]基于双路径网络的矿井无线信号检测方法的研究

煤问提

煤传媒

煤视界

科技创新50强

会员中心