《表1 电熔镁炉欠烧工况的诊断率 (%)》
从表1可以看出,由于缺少在时间维度上的特征提取,文献[21]中的卷积神经网络模型的总诊断率最低;文献[12]中的循环神经网络模型由于缺少对图像序列中每个像素的领域像素进行编码(即空间特征提取)而导致总的诊断率低于本文提出的方法;本文提出的CNN与RNN结合的方法通过对图像序列的空间特征和时序特征同时进行提取,从而能够达到较高的诊断率,且误诊断率较低(对本次实验的序列4和5,误诊断率为0).
图表编号 | XD0070799200 严禁用于非法目的 |
---|---|
绘制时间 | 2019.08.01 |
作者 | 吴高昌、刘强、柴天佑、秦泗钊 |
绘制单位 | 东北大学流程工业综合自动化国家重点实验室、东北大学流程工业综合自动化国家重点实验室、国家冶金自动化工程技术研究中心、东北大学流程工业综合自动化国家重点实验室、国家冶金自动化工程技术研究中心、东北大学流程工业综合自动化国家重点实验室、美国南加州大学化工系 |
更多格式 | 高清、无水印(增值服务) |