• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文OA文献 >Improving Stockline Detection of Radar Sensor Array Systems in Blast Furnaces Using a Novel Encoder–Decoder Architecture
【2h】

Improving Stockline Detection of Radar Sensor Array Systems in Blast Furnaces Using a Novel Encoder–Decoder Architecture

机译：使用新型编码器解码器架构改善高炉中雷达传感器阵列系统的储存检测

代理获取
本网站仅为用户提供外文OA文献查询和代理获取服务，本网站没有原文。下单后我们将采用程序或人工为您竭诚获取高质量的原文，但由于OA文献来源多样且变更频繁，仍可能出现获取不到、文献不完整或与标题不符等情况，如果获取不到我们将提供退款服务。请知悉。
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

The stockline, which describes the measured depth of the blast furnace (BF) burden surface with time, is significant to the operator executing an optimized charging operation. For the harsh BF environment, noise interferences and aberrant measurements are the main challenges of stockline detection. In this paper, a novel encoder−decoder architecture that consists of a convolution neural network (CNN) and a long short-term memory (LSTM) network is proposed, which suppresses the noise interferences, classifies the distorted signals, and regresses the stockline in a learning way. By leveraging the LSTM, we are able to model the longer historical measurements for robust stockline tracking. Compared to traditional hand-crafted denoising processing, the time and efforts could be greatly saved. Experiments are conducted on an actual eight-radar array system in a blast furnace, and the effectiveness of the proposed method is demonstrated on the real recorded data.
机译：股票线，其描述了具有时间的高炉（BF）负荷表面的测量深度，对执行优化充电操作的操作者具有重要意义。对于苛刻的BF环境，噪声干扰和异常测量是股票线路检测的主要挑战。本文提出了一种由卷积神经网络（CNN）和长短期存储器（LSTM）网络组成的新型编码器 - 解码器架构，其抑制了噪声干扰，对扭曲的信号进行分类，并回归股票一种学习方式。通过利用LSTM，我们能够为强大的股票线路跟踪模拟较长的历史测量。与传统的手工制作的去噪加工相比，可以大大节省时间和努力。实验在高炉中的实际八雷达阵列系统上进行，并且在真实记录的数据上证明了所提出的方法的有效性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
代理获取

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号