融合注意力機制和先驗知識的刮板輸送機異常煤塊檢測

摘 要：刮板輸送機作為綜采工作面的主要運輸設備，運行狀態直接影響生產效率。在其工作過程中，由于采煤過程產生的較大煤塊，易造成板刮輸送機運輸過程的擁堵。然而，煤礦工作環境的惡劣、煤的顏色屬性等造成大塊煤的檢測異常困難，為此本文提出一種融合注意力機制和先驗知識的煤礦刮板輸送機異常煤塊檢測模型。為兼顧異常煤檢測的準確性與實時性，采用YOLO v4端到端檢測模型同時檢測出異常煤塊的類別信息；考慮到刮板輸送機中包含與異常煤塊無關的信息，以神經科學和空間抑制思想為基礎，構建一種以能量函數為載體的注意力機制檢測刮板輸送機中不同區域異常煤塊，提高異常煤塊的檢測精度；針對基于深度神經網絡的異常煤塊檢測過多依賴數據且泛化能力較低，受人們經驗學習影響的問題，提出具備特征提取的先驗知識來降低模型對數據的依賴和提高模型的檢測效率；構建了煤礦實際生產場景中異常煤塊檢測數據集。結果表明：與其他模型相比，所提出模型在測試集上的檢測精度可達90.28%，相比YOLO v3和YOLO v4分別提高了5.82%和5.17%，明顯優于其他模型；檢測速度每秒可達28幀，滿足實時檢測的需求，同時驗證了本文所提出注意力機制和先驗知識模型的有效性。關鍵詞：刮板輸送機；煤塊檢測；目標檢測；SimAM注意力機制；YOLO；先驗知識中圖分類號：TH 227

Detection of abnormal coal block in scraper conveyor integrating attention mechanism and prior knowledge

WANG Yuan¹，GUO Wei¹，ZHANG Chuanwei¹，HE Haitao²，ZHAO Shuanfeng¹，LU Zhengxiong¹

（1.College of Mechanical and Engineering，Xi’an University of Science and Technology，Xi’an 710054，China；2.State Energy Shendong Coal Group Company，Shenmu 719315，China）

Abstract：Scraper conveyor is the main transport equipment in the fully mechanized mining face，and its operation status directly affects the production efficiency.Due to the large coal produced in the coal mining process，it is easy to cause congestion in the transport process of the scraper conveyor.However，the bad working environment and the color attribute of coals make the detection of large coal extremely difficult.Therefore，a coal scraper conveyor anomalous coal detection model based on attention mechanism and prior knowledge was proposed.In order to ensure the accuracy and real-time of anomalous coal detection，YOLO v4 end-to-end detection model was used to simultaneously detect the category information of anomalous coal blocks.Considering that the scraper conveyor contains information unrelated to anomalous coal，based on neuroscience and spatial inhibition，an attention mechanism with energy function as the carrier was constructed to detect anomalous coal in different areas of the scraper conveyor，so as to improve the detection accuracy of anomalous coal.Aiming at the problem that the anomalous coal block detection based on deep neural network depends much on data and has low generalization ability，and is affected by people’s experience learning，a prior knowledge with feature extraction was proposed to reduce the model’s dependence on data and improve the model’s detection efficiency.The detection data set of abnormal coal blocks in the actual production scene of the coal mine was constructed.The test results show that，compared with other models，the detection accuracy of the proposed model on the test set can reach 90.28%，and it is 4.46% and 3.84% higher than that from YOLO v3 and YOLO v4 respectively，which is obviously superior to other models.The detection speed can reach 28 frames per second，which meets the requirements of real-time detection.At the same time，the effectiveness of the attention mechanism and prior knowledge model proposed in this paper is comfirmed.

Key words：scraper conveyor；coal block detection；target detection；SimAM attention mechanism；YOLO；priori knowledge

0 引 言

煤礦智能化生產是煤炭工業高質量發展的核心技術支撐，綜采工作面采煤機割煤與刮板輸送機運煤協同作業將持續產生的煤運出綜采工作面，是煤礦智能化的關鍵技術之一。綜采生產過程中產生的煤塊大小不一，刮板機上的煤流中往往摻雜部分體積較大的煤塊。由于設備及煤礦井下空間光線有限，導致異常煤塊不能被及時地發現并處理，易造成刮板輸送機機頭位置煤塊擁堵，從而影響整個綜采工作面割煤、裝煤、輸煤和卸煤生產過程，嚴重時會造成設備故障，影響煤礦企業生產安全^[1-4]。因此，對煤流中異常煤塊進行實時監測，對煤礦企業保障生產效率以及生產安全具有重大意義。

傳統井下煤塊檢測以人工觀察為主，要求工作人員注意力高度集中。然而井下環境惡劣，長時間觀察易引發視覺疲勞，由于注意力不集中漏檢造成煤流擁堵的情況時有發生，依靠人工檢測已無法滿足現代煤礦生產需求。隨著煤礦生產自動化、智能化發展，實現煤流中異常煤塊的實時檢測已成為新的發展趨勢。

鮑勇豪以煤塊顏色特征為研究對象，通過設置敏感檢測區域檢測二值圖像中黑色像素包圍白色像素是否超過限定從而判斷異常煤塊是否存在^[5]。許軍等結合大塊物在圖像中的亮度特征與運動特征檢測異常煤塊^[6]。劉麗霞等針對異常煤塊的邊緣特征通過增加Canny邊緣算子計算圖像中異常煤塊邊緣的梯度信息，采用圖像分割方法檢測異常煤塊^[7]。杜京義等對現有的方法進行改進，將HED神經網絡與Canny算子融合，從圖像處理和邊緣檢測方面進行異常煤塊檢測^[8]。胡璟皓、杜京義、葉鷗、張旭輝等分別采用深度學習方法，利用目標檢測算法的多尺度檢測機制檢測煤流中的異常煤塊^[9-12]。

上述研究表明，當前異常煤塊檢測以圖像處理算法為主，但算法自身仍存在部分缺陷，檢測精度和算法處理速度達不到實際生產需求。近年來部分目標檢測算法也被應用于煤礦生產過程的目標檢測中，算法的多尺度檢測機制對較大目標也可進行檢測識別，但其本質仍以煤流中的煤矸石、鐵絲網等多目標異物檢測任務為主，針對異常煤塊檢測的目標檢測算法尚無更多研究。本文以刮板輸送機運輸過程中的異常煤塊為研究對象，基于YOLO^[13-14]系列算法端到端檢測的思想，提出一種融合注意機制與先驗知識的異常煤塊檢測方法。在傳統卷積網絡的基礎上加入注意力模塊提取異常煤塊特征，同時融入先驗知識加速模型收斂，提高網絡訓練效率，增強模型的泛化能力及魯棒性。在不增加額外參數的前提下，聚焦異常煤塊的檢測。實時監測刮板輸送機運輸煤流中異常煤塊，保證綜采工作面煤流的通暢。

1 異常煤塊檢測模型構建

異常煤塊檢測模型在YOLO算法端到端檢測機制的基礎上增加注意機制以及先驗知識模型，以達到提高模型檢測精度與訓練效率的目的。該模型直接將采集到的煤流圖像作為模型的輸入進行檢測并輸出檢測結果。圖1為異常煤塊檢測模型結構，包含圖像預處理、特征提取、異常煤塊檢測。

1.1 圖像預處理

YOLO系列算法中，圖像預處理部分多通過對原始圖像做隨機旋轉、隨機裁剪、隨機組合等操作增強圖像多樣性，使得模型具有更強的泛化能力^[15]。異常煤塊由于自身特征及所處場景的特殊性，隨機旋轉等圖像增強操作對提升模型性能無顯著效果。煤礦井下光線強度較弱，所得圖像畫面質量較差，極大影響模型檢測效果。因此，在異常煤塊檢測模型圖像預處理過程中，主要從圖像亮度及對比度2個方面進行適當調節，增強圖像質量，突出圖像中的異常煤塊目標，提高模型檢測精度。處理前后圖像分別如圖2（a）和圖2（b）所示。

1.2 特征提取

特征提取過程可分為2步，第1步引入先驗知識，利用已具有特征提取能力的訓練模型初始化異常煤塊檢測模型，加快模型收斂速度。第2步使用加入了SimAM/3DW注意力模塊^[16]的CSP結構提取異常煤塊特征信息，通過計算提取異常煤塊特征的神經元，增強異常煤塊特征，抑制背景煤流等干擾因素，使得模型聚焦于異常煤塊檢測。

1.2.1 先驗知識

人類快速學習新知識的能力源于其積累的經驗，該經驗被稱為先驗知識，由此得知：先驗知識可以提升學習的效率。借鑒人類學習的經驗，考慮到異常煤塊數據的有效性，提出基于先驗知識去獲取刮板輸送機上異常煤檢測的能力。使用先驗知識初始化模型參數時，預訓練模型參數在源域上已趨于穩定，且針對部分特征已具有很好的提取性能。因此使用先驗知識訓練異常煤塊檢測模型可以極大加快模型訓練速度，同時在模型訓練過程中可有效避免出現梯度消失、梯度爆炸等情況。由于刮板輸送機上異常煤檢測本質是一個目標檢測問題，因此面向刮板輸送機上異常煤檢測的先驗知識指的是具備良好的目標檢測能力。為獲取較好的先驗知識，將本文構建的刮板輸送機上異常煤檢測模型在數據充足的VOC 2012數據集上進行訓練以獲取目標檢測的先驗知識。

1.2.2 CSP_AM/3DW結構

在先驗知識訓練模型中同樣加入SimAM注意力模塊，可使獲得的模型參數能夠更好的應用于異常煤塊檢測中。異常煤塊檢測模型使用CSP結構提取異常煤塊特征信息，同時在CSP結構中加入SimAM/3DW注意力模塊，融合注意力模塊的CSP_AM/3DW結構如圖3所示，主要由注意力模塊與CBS模塊構成。

SimAM/3DW注意力機制以能量函數為載體計算異常煤塊特征圖中每個神經元的重要性，突出異常煤塊特征，每個神經元下的能量函數表達式如下。

分別為目標神經元t和其他神經元x_i的線性變換；i為在當前輸入煤流特征圖的任一通道內神經元的索引；M為當前通道內神經元的數量。

w_t和b_t分別為權重和偏置量，由于卷積神經網絡權值共享的特性，每個通道空間的煤流特征圖具有相同的權重和偏置量。對上式取最小值即可得目標神經元t和其他神經元x_i的線性相關性，y_t和y₀分別為2個不同的數值，為方便計算分別取y_t=1，y₀=-1，并添加正則項λw²_t可得能量函數的最終表達式

由上式得每個通道可得到M個能量函數，解得權重w_t和偏置量b_t如下。

由上述計算方式可得當前輸入的所有神經元均值及方差，故當前通道能量函數的最小值如下。

由于大腦中注意力調節通常表現為對神經元反應的增益（即縮放）效應，因此使用縮放算子細化目標特征，細化過程如下。

式中 E為所有通道空間內e^*_t的集合;Sigmoid函數用來限制E的值不至于過大；⊙為縮放算子。

CBS模塊包含卷積、歸一化和激活函數等操作提取異常煤塊特征，文中采用

SiLU作為激活函數，表達式見式（6）。

SiLU（X）=X·Sigmoid（X） "（6）

式中 X為經過歸一化操作的特征圖。

1.3 檢測部分

文中只有異常煤塊一種較大檢測目標，對應特征圖中較大的感受野。相比YOLO算法的多尺度檢測機制，單一尺度即可滿足文中檢測任務需求。故文中去掉多尺度檢測機制，僅保留多尺度檢測9個錨框中的3個錨框用于異常煤塊檢測，極大地降低了模型計算量，加快模型推理速度。

考慮只有異常煤塊一種檢測對象，因此構建模型損失函數時不考慮多目標檢測任務中存在的分類損失和置信度損失，預測框的回歸損失即為模型最終的損失。考慮回歸問題中預測框與標注框的重疊面積、中心點距離及長寬比等因素，選用CIOU_Loss作為異常煤塊檢測模型的損失函數進行訓練更符合文中需求。CIOU_Loss計算方式見式（7）。

式中 L_CIOU為使用CIOU作為評估預測框與標注框匹配程度指標時模型的損失函數；IOU為異常煤塊預測框與標注框的交并比；

D₂為異常煤塊預測框與標注框中心點的距離；D_C為標注框最小外接矩形的對角線距離；α為平衡參數，不參與梯度下降；v為衡量預測框與標注框長寬比的一致性。α與v的計算方式如下。

式中 w^gt，h^gt分別為標注框的寬和高；w^p，h^p分別為預測框的寬和高。IOU的計算方式如下。

IOU=S₁∩S₂/S₁∪S₂ "（10）

式中 S₁為煤塊預測框的面積；S₂為煤塊標注框的面積。

2 數據來源

所用異常煤塊圖像數據來自中國神東煤炭集團下屬大柳塔煤礦某綜采工作面。大柳塔煤礦位于中國陜西省神木縣境內，工作面寬305.4 m，煤層厚度4～6 m。該區域煤層縱向節理比較發育，當工作面快來壓時，容易引起工作面片幫，產生大塊煤；同時由于開采任務重，采煤機牽引速度快。煤機割過之后，護幫板打開不及時，煤壁不能得到及時有效的支護，引起片幫產生異常煤塊。

異常煤塊圖像采集裝置如圖4所示，主要由電源、工控機和數據采集端等3部分構成。通過煤礦井下順槽計算機遠程訪問工控機啟動相機捕捉刮板輸送機中的煤流視頻畫面，相機通過USB接口將視頻傳回工控機并存儲在系統中，順槽計算機遠程訪問工控機獲取采集的視頻內容，篩選視頻文件中包含異常煤塊的視頻幀作為訓練數據訓練異常煤塊檢測模型。表1為工控機參數，表2為采集端工業相機參數。

提取采集裝置中存儲一周的視頻數據進行篩選，共得到異常煤塊圖像5 000張，圖像尺寸792×592。按照訓練集∶測試集=8∶2的比例劃分數據集，可得用于模型訓練的異常煤塊圖像4 000張，測試圖像1 000張，部分異常煤塊圖像如圖5所示。

3 實驗與分析

3.1 實驗

3.1.1 網絡參數設置

實驗在搭載Ubuntu 18.04操作系統的硬件設備上完成，配備i9-10900K CPU和64 GB內存，搭配顯存為24 GB的Nvidia RTX3090 GPU加速模型訓練和推理。使用TensorFlow-GPU 1.15.0深度學習框架、Keras 2.1.5深度學習工具包和Python 3.6共同搭建訓練環境進行異常煤塊檢測模型訓練。

參與模型訓練的超參數設置見表3。模型共計迭代100個Epoch，將訓練集分批次送入網絡訓練，每個Batch 64張，每訓練1個批次為1個Step，所有訓練集全部訓練一次即為1個Epoch，故訓練集所有數據全部訓練1個Epoch需要迭代63個Step。模型初始學習率設置為0.000 1，采用Adam優化器更新模型參數，同時采用earlyStopping機制控制訓練進度，當模型在訓練集上的損失達到收斂狀態時，模型參數停止更新，模型將提前停止訓練。

3.1.2 評價指標

目標檢測任務中，常用Accuracy，Precision，Recall及FPS和mAP等^[17-20]作為檢測模型的評價指標。其表達式分別如下。

式中 TP為所有正樣本中被預測正確的樣本數；TN為所有負樣本中被預測正確的樣本數；FP為所有負樣本中被預測為正樣本的樣本數；FN為所有正樣本中被預測為負樣本的樣本數。Precison為模型檢測出的目標中被正確分類的樣本數占所有被預測為該類樣本的樣本總數的占比；Recall為模型檢測出的目標中被正確分類的樣本數占該類樣本總數的占比；FPS為模型每秒可處理的圖片數，反映了模型的推理速度。煤礦綜采工作面中刮板輸送機需要將開采的煤塊及時運出，對檢測模型的實時性提出了很高的要求。因此FPS是評估文中異常煤塊檢測模型的一個重要指標，其中t為模型處理一幀圖像所需的時間。

mAP表示模型在所有目標類別上檢測精度的平均值，計算方法如下。

式中 n為目標類別數量。對于多目標場景，采用平均精度值mAP作為評估指標更為直觀。然而文中只有異常煤塊一種目標對象，因此可直接采用AP進行評估。AP可由Precision和Recall求得，以Recall為橫軸，Precision為縱軸繪制P-R曲線，對P-R曲線上的精度計算均值即可得到模型的AP值。

3.2 結果和分析

3.2.1 結果

異常煤塊檢測模型訓練過程如圖6所示，除使用文中構建的網絡結構訓練檢測模型外，文中同時與Yolo v3，Yolo v4及使用文中構建的網絡結構但未添加注意力機制的模型等進行了對比試驗。

圖6中，橫軸表示迭代次數，縱軸表示訓練過程中模型的損失。圖6（a）表示模型全部訓練過程中的損失變化曲線，由圖6（a）可以看出，4個模型的損失曲線均較為平滑，無明顯震蕩，模型在迭代一定次數后均收斂于一定范圍區間內，模型訓練過程較穩定。圖6（b）表示從第50個Epoch開始到模型訓練結束的損失變化曲線，可以更清楚看到各模型的收斂情況，由圖6（b）可知，在earlyStopping機制作用下4個模型在經過不同迭代次數后停止訓練，具體訓練次數見表4。

由表4可知，引入注意力機制和先驗知識訓練模型后，模型取得了最小的損失。相對應地，模型獲得了最高的檢測精度，具體檢測精度見表5。

由表5知，YOLO v3和YOLO v4檢測模型在異常煤塊檢測中表現檢測精度相近，精度差值不超過1%。文中所提單尺度異常煤塊檢測模型在不使用注意力機制和先驗知識的前提下，對異常煤塊的檢測精度相比YOLO v3和YOLO v4分別提高了4.49%和3.84%。引入注意力機制和先驗知識后，模型精度超過90%，檢測性能取得進一步提升，分別提高了5.82%和5.17%。

上述結果表明，在異常煤塊單目標檢測中，單尺度檢測器比多尺度檢測器具有更好的檢測效果。同時在注意力機制和先驗知識的作用下，模型對異常煤塊特征提取更加充分，能夠有效提升模型檢測精度，使得模型獲得更好的檢測性能。

3.2.2 檢測結果可視化

可視化驗證上述對比模型的檢測結果，圖7～圖9為上述4種對比模型分別對4個編號煤塊的檢測結果，其中綠色表示圖像中異常煤塊的標注框，藍色表示檢測模型的檢測到異常煤塊的檢測框，紅色表示誤檢的檢測框，粉色表示漏檢的異常煤塊。

由圖7～圖9可知，除圖（d）外，其余3種模型均出現了漏檢、誤檢等現象。其中，在圖7（a）、圖7（b）、圖7（c）中對#0036號煤塊檢測時均出現漏檢現象，在圖8（c）中對#0040號煤塊檢測時出現對背景誤檢的現象。從整體來看，使用文中提出的單尺度檢測器的2種模型檢測框與標注框的重合度最高，驗證了使用單尺度檢測器的2種模型相比YOLO v3，YOLO v4等多尺度檢測的模型具有更高的檢測精度。引入注意力機制和先驗知識后的模型在上述測試中未出現漏檢、誤檢等現象，同時，檢測框與標注框的重合度最高，驗證了相比其他3種模型引入注意力機制和先驗知識的異常煤塊檢測模型具有最好的檢測性能。

4 結 論

1）構建了煤礦實際生產場景中異常煤塊檢測數據集，對后續相關研究及煤礦生產自動化、智能化將具有重要作用。

2）基于現有目標檢測算法，提出了一種融合注意力機制與先驗知識的異常煤塊檢測模型，通過計算提取異常煤塊特征的神經元能量函數，使用3D無參注意力模塊聚焦異常煤塊特征，提高檢測精度。引入了先驗知識訓練模型，極大提高了模型訓練效率。將所構建異常煤塊檢測模型與部分現有模型的檢測效果進行了對比，并對檢測結果進行了可視化，模型檢測精度可達90.28%以上，證明了該模型的有效性與實用性。

參考文獻（References）：

[1] 韓存地，朱興攀，符立梅，等.改進空間通道注意力與殘差融合的煤矸石識別[J].西安科技大學學報，2021，41（6）：1113-1121.

HAN Cundi，ZHU Xingpan，FU Limei，et al．Coal gangue recognition using improved convolution network[J].Journal of Xi’an University of Science and Technology，2021，41（6）：1113-1121.

[2]王國法，杜毅博，任懷偉，等.智能化煤礦頂層設計研究與實踐[J].煤炭學報，2020，45（6）：1909-1924.

WANG Guofa，DU Yibo，REN Huaiwei，et al． Top level design and practice of smart coal mines[J].Journal of China Coal Society，2020，45（6）：1909-1924．

[3]崔衛秀.刮板運輸系統煤流通道堵塞防控技術[J].煤炭科學技術，2021，49（11）：236-242.CUI Weixiu．Prevention and control technology of coal passage blockage in scraper transportation system[J].Coal Science and Technology，2021，49（11）：236-242.

[4]XIE J C，YANG Z J，WANG X W，et al.Cooperative solving method of chute postures in the bending section of a scraper converyor[J].Advances in Mechanical Engineering，2018，10（3）：1-13.

[5]鮑勇豪.基于視覺信息識別的煤流控制系統[J].電子技術與軟件工程，2019，156（10）：55.BAO Yonghao.Coal flow control system based on visual information recognition[J].Electronic Technology amp; Software Engineering，2019，156（10）：55.

[6]許軍，呂俊杰，楊娟利，等.基于圖像處理的溜槽堆煤預警研究[J].煤炭技術，2017，36（12）：232-234.XU Jun，LYU Junjie，YANG Juanli，et al.Research on early warning of coal chute blocking based on image processing[J].Coal Technology，2017，36（12）：232-234.

[7]劉麗霞，李寶文，王陽萍，等.改進Canny邊緣檢測的遙感影像分割[J].計算機工程與應用，2019，55（12）：54-58.

LIU Lixia，LI Baowen，WANG Yangping，et al.Remote sensing image segmentation based on improved Canny edge detection[J].Computer Engineering and Applications，2019，55（12）：54-58.

[8]杜京義，郝樂，王悅陽，等.一種煤礦井下輸煤大塊物檢測方法[J].工礦自動化，2020，46（5）：63-68.DU Jingyi，HAO Le，WANG Yueyang，et al.A detection method for large blocks in underground coal transportation[J].Industry and Mine Automation，2020，46（5）：63-68.

[9]胡璟皓，高妍，張紅娟，等.基于深度學習的帶式輸送機非煤異物識別方法[J]．工礦自動化，2021，47（6）：57-62.

HU Jinghao，GAO Yan，ZHANG Hongjuan，et al.Research on the identification method of non-coal foreign object of belt conveyor based on deep learning[J].Industry and Mine Automation，2021，47（6）：57-62.

[10]杜京義，陳瑞，郝樂，等.煤礦帶式輸送機異物檢測[J].工礦自動化，2021，47（8）：77-83.

DU Jingyi，CHEN Rui，HAO Le，et al.Coal mine belt conveyor foreign object detection[J].Industry and Mine Automation，2021，47（8）：77-83.

[11]葉鷗，竇曉熠，付燕，等.融合輕量級網絡和雙重注意力機制的煤塊檢測方法[J].工礦自動化，2021，47（12）：75-80.

YE Ou，DOU Xiaoyi，FU Yan，et al.Coal block detection method integrating lightweight network and dual attention mechanism[J].Industry and Mine Automation，2021，47（12）：75-80.

[12]張旭輝，閆建星，張超，等.基于改進Yolo v5s+Deepsort的煤塊行為異常識別[J].工礦自動化，2022，48（6）：77-86，117.

ZHANG Xuhui，YAN Jianxing，ZHANG Chao，et al.Identification of abnormal coal behavior based on improved yolo v5s and deepsort[J].Industry and Mine Automation，2022，48（6）：77-86，117.

[13]TULBURE A A，TULBURE A A，DULF E H.A review on modern defect detection models using DCNNs Deep convolutional neural networks[J].Journal of Advanced Research，2022，35：33-48.

[14]KOIRALA A，WALSH K B，WANG Z，et al.Deep learning method overview and review of use for fruit detection and yield estimation[J].Computers and Electronics in Agriculture，2019，162：219-234.

[15]WANG Y，FU G.A novel object recognition algorithm based on improved YOLO v5 model for patient care robots[J].International Journal of Humanoid Robotics，2022，19（2）：1-13.

[16]WANG Z，LU H，JIN J，et al.Human action recognition based on improved two-stream convolution network[J].Applied Sciences，2022，12（12）：5784.

[17]ABOUELNAGA Y，ERAQI H M，MOUSTAFA M N，et al.Real-time distracted driver posture classification[C]//1st Confernce on Robot Learning（CoRL 2017），Monntain View，United States，2017.

[18]HUANG T，FU R，CHEN Y.Deep driver behavior detection model based on human brain consolidated learning for shared autonomy systems[J].Measurement，2021，179：109463.

[19]KONG D，HU S，WANG J，et al.Study of recall time of associative memory in a memristive Hopfield neural network[J].IEEE Access，2019，7：58876-58882.

[20]PIETRO?AJ" M，BLOK M.Neural network training with limited precision and asymmetric exponent[J].Journal of Big Data，2022，9（1）：1-17.

（責任編輯：楊泉林）