一种基于VGGish神经网络的水声目标识别方法

水声目标智能识别是水声装备智能化的重要组成部分,深度学习则是实现水声目标智能识别的重要技术手段之一。当前水声目标智能识别经常面临数据集较小带来的训练样本量不足的情况,针对小数据集识别中存在的因过拟合导致模型泛化能力不足,以及输入的水声信号二维谱图样式不统一的问题,文章提出了一种基于VGGish神经网络模型的水声目标识别方法。该方法以VGGish网络作为特征提取器,并在VGGish网络前部加入了信号预处理模块,同时设计了一种基于传统机器学习算法的联合分类器,通过以上措施解决了过拟合问题和二维谱图样式不统一问题。实验结果显示,该方法应用在ShipsEar数据集上得到了94.397%的识别准确率,高于传统预训练-微调法得到的最高90.977%的准确率,并且在相同条件下该方法的模型训练耗时仅为传统预训练-微调方法的0.5%左右,有效提高了识别准确率和模型训练速度。     

低透气性煤层深孔聚能爆破增透技术及实践

针对松树镇煤矿低透气性煤层瓦斯抽采率低的问题,在矿井瓦斯地质研究基础上,分析了聚能爆破煤体致裂机理,将爆破裂隙划分为粉碎区、裂隙发育区和裂隙扩展区,同时对爆破钻孔、装药及封孔工艺进行了设计,并现场应用了深孔聚能爆破增透技术。结果表明,聚能爆破后抽采钻孔平均瓦斯浓度是爆破前的1.70～3.21倍,爆破影响区平均瓦斯体积分数均值为11.26%,是非影响区的2.21倍,而且装药长度越大,爆破增透效果越显著。