基于 BMCNN 与强化学习增强声学处理的自适应车速分类
声音
2025-09-03 v1 人工智能
音频与语音处理
摘要
交通拥堵仍然是紧迫的城市挑战，需要智能交通系统进行实时管理。我们提出了一个结合深度学习和强化学习的混合框架，用于声学车速分类。双分支 BMCNN 处理 MFCC 和小波特征以捕获互补的频率模式。注意力增强的 DQN 自适应地选择最少数量的音频帧，并在达到置信度阈值后触发早期决策。在 IDMT-Traffic 和我们的 SZUR-Acoustic（苏州）数据集上的评估显示，准确率分别达到 95.99% 和 92.3%，通过提前终止平均处理速度最高提升了 1.63 倍。与 A3C、DDDQN、SA2C、PPO 和 TD3 相比，该方法提供了更优的准确率-效率权衡，适用于异构城市环境中的实时 ITS 部署。
引用
@article{arxiv.2509.00839,
title = {Adaptive Vehicle Speed Classification via BMCNN with Reinforcement Learning-Enhanced Acoustic Processing},
author = {Yuli Zhang and Pengfei Fan and Ruiyuan Jiang and Hankang Gu and Dongyao Jia and Xinheng Wang},
journal= {arXiv preprint arXiv:2509.00839},
year = {2025}
}