LAFNet：基于模糊注意力门控的轻量级轨道异常分类模型

《Scientific Reports》：LAFNet: a lightweight neural network with fuzzy attention mechanism for rail surface defect classification

　　快速准确地检测轨道异常对铁路运输安全至关重要。尽管现有的深度学习方法取得了一定进展，但它们普遍存在模型参数规模大、计算成本高的问题，难以满足现场部署对实时性能和资源约束的要求。为应对这些挑战，本研究提出了一种用于轨道异常分类的轻量级神经网络模型（LAFNet）。该模型首先采用三层卷积结构提取深度特征。然后，通过增强模糊神经网络分支生成具有明确语义的模糊规则激活向量，并引入模糊注意力门控模块，利用规则向量对卷积特征进行自适应通道级重加权，从而增强异常相关特征并抑制无关特征。此外，采用残差全连接块以提高非线性表示能力并确保梯度稳定传播。实验结果表明，所提出的模型仅有0.46百万个参数，CPU推理时间为1.045毫秒，分类准确率达到99.5%。