基于改进卷积神经网络的矿井巷道场强预测
王安义
周孝铭
西安科技大学通信与信息工程学院,陕西西安 710054
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
分类号：TD655(矿山电工)
资助基金：国家自然科学基金(U19B2015)
论文发表日期：2021-10-10
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：6( 49-53,84 )
英文信息