基于大数据的高含硫天然气脱硫工艺优化

为了解决高含硫天然气脱硫工艺中脱硫选择性差、能耗高等问题,提出了基于大数据的高含硫天然气脱硫工艺优化方法。首先,通过工艺流程分析,发现对性能指标有显著影响的决策参数,建立无迹卡尔曼滤波神经网络动态模型,获知了脱硫工艺的潜在规律;然后,针对原脱硫工艺中H_2S、CO_2过分脱除问题,采用偏好多目标优化的方法,分别以H2S浓度逼近2.5 mg/m^3、CO_2浓度逼近2%为目标函数,采用非支配性排序遗传算法对模型进行多目标优化,获得了最佳工艺参数。采集某高含硫天然气净化厂脱硫单元2014年1—12月的生产数据,取前80%数据作为训练集,后20%数据作为测试集,进行了仿真实验。结果表明:1所建立的动态模型能够较好地反映脱硫工艺生产规律;2优化结果建议适当降低一级吸收塔温度,提高二级吸收塔温度,提高闪蒸罐压力,并减少胺液循环量;3优化后净化气中H_2S浓度将由0.62 mg/m^3提高至3.22 mg/m^3,CO_2浓度由1.19%提高至1.99%,脱硫选择性显著提高;4相对胺液循环量下降16.67%,蒸汽消耗量减少,净化气产率提高0.8%,总体实现了增产节能降耗的目的。

核保局鉴别分析人脸识别算法

针对人脸图像的高维、非线性特性,本文结合核函数和鉴别保局投影分析,提出了一种新的非线性子空间特征提取方法——核保局鉴别分析(kernel locality preserving discriminant analysis,KLPDA)。该算法首先利用核函数将输入空间内线性不可分的人脸样本通过非线性映射投影到高维特征空间,以增强样本的可分性,然后在该特征空间内通过保局鉴别分析算法寻求保持样本局部近邻结构的鉴别特征。实验结果指出,在ORL和UMIST人脸图像库上KLPDA的识别结果相较于其对应的线性方法(LPDA)分别高出6.16%和3.48%,而相较于其他几种典型的核方法(KPCA、KFDA和KCLPP)的最高识别率也分别高出1.28%和2.60%,验证了本文提出方法的有效性。

基于动态核独立元统计量的石油管道泄漏检测

石油管道泄漏是受腐蚀、磨损、焊缝缺陷、振动、冲刷以及人为破坏等多种因素影响的连续动态过程,单纯基于压力信号的检测和基于高斯分布假设的信号分析方法不能适应其多变量、强耦合、动态特性。为此,综合考虑与管道泄漏有关的操作参数和环境参数,针对管道监测参数呈现时序自相关性、泄漏检测精度不高的问题,提出一种基于动态核独立分量分析(DKICA)的石油管道泄漏检测方法。首先引入动态特性确定算法(DOD)计算模型最佳参数阶次,解决动态过程导致的监测参数呈现时序自相关性问题;再采用核独立分量分析(KICA)在核主元空间提取独立元;最后通过考察独立元的T2、SPE联合指标判断泄漏发生。通过对某一输送场站采集的数据进行实验验证,结果表明采用联合指标D2的正常样本误检率和泄漏样本漏检率都远低于单独采用T2或SPE统计量;而引入动态特性的2阶DKICA对于正常样本的误检率和泄漏样本的漏检率都低于未引入动态特性的KICA方法。可见,所提出的基于动态核独立分量联合指标的石油管道泄漏检测方法是一种高效且可行的方法。

面向抽油机节能的GRNN过程建模及工艺参数优化

针对抽油机系统效率低,能耗大的问题,提出一种基于数据挖掘的抽油机建模及节能优化方法。抽油机的工艺参数理想与否是决定抽油机效率的一个重要因素,而抽油机模型的有效性又是优化工艺参数的关键。抽油机工作过程是一个复杂非线性系统,很难用准确的数学模型描述,广义回归神经网络(generalized regression neural network,GRNN)非线性映射能力强、容错性高,适于解决非线性系统建模问题。为此,提出利用GRNN确定工艺参数与增产节能指标的映射关系,建立抽油机模型;实验结果表明模型的拟合度较好,建模效果良好。紧接着,运用具有智能特性的Pareto向量评价微粒群算法(vector evaluated particle swarm optimization based on pareto,VEPSO-BP)对模型进行搜索寻优,确定工艺参数的最优值,并用优化后的工艺参数指导实际生产;实验结果表明优化后的抽油机采油系统产量提高6.6%以上,用电量降低4.1%以上,验证了所提方法的可行性和有效性。

有监督图优化保局投影

研究了保局投影中近邻图的构造及更新问题,提出了一种有监督图优化保局投影(SGoLPP)特征提取方法,并应用于人脸识别。不同于传统的保局投影(LPP)算法预先设定权值矩阵并通过一次优化求解投影矩阵,SGoLPP将权值矩阵作为学习项引入到目标函数,通过交替迭代更新逐步获得最优权值矩阵和最优投影矩阵。同时,通过引入类别信息,始终对同类样本点对的权值进行更新,有效地抑制了异类样本的干扰。在UCI模拟数据集上,SGoLPP在较少的迭代次数下获得了更好的聚类和分类效果。在Yale,UMIST和CMU PIE人脸库上,SGoLPP的平均识别率比LPP、有监督保局投影(SLPP)和图优化保局投影(GoLPP)分别高出26.6%、4.8%和8.8%。实验显示本文提出的SGoLPP算法在样本可分性与鲁棒性方面具有优势,可有效地提取人脸特征。

基于演化模型偏好多目标优化的智能采油辅助决策支持

通过智能采油系统自主分析与决策获取油田机采过程最佳决策参数,对解决机采系统效率低、能耗大等问题具有重要意义。受机械、地层、人为等不确定因素影响,智能采油系统难以构建生产参数、环境变量与系统性能、设定生产方式之间的机理关系并优化决策。为此,提出基于动态演化建模的偏好多目标优化方法,以实现采油系统的自主决策。利用无迹卡尔曼滤波神经网络(Unscented Kalman filter neural network,UKFNN)挖掘机采系统潜在规律,建立其动态模型;构建产液量偏好多目标优化目标函数,并利用非改进支配排序遗传算法(Non-dominated sorting genetic algorithm 2,NSGA2)获取相应的最佳决策参数。某油田试验结果表明:该方法使得系统日耗电量降低15.87%,系统效率提高4.9%。可见,所提方法可行且有效。

基于监督保局子空间虚假近邻准则的原始特征选择

提出一种基于监督保局投影(SLPP)与虚假最近邻(FNN)准则的原始特征选择方法。该方法首先将非线性原始数据映射到监督保局子空间,消除样本数据输入变量之间的相关性;然后,利用虚假近邻点方法计算剔除每个原始特征前后输入样本在监督保局子空间里的相似性测度,获得每个原始特征对类别变量不同程度的解释力;最后,从全特征开始逐步剔除解释能力弱的特征进而获得多组特征子集,并建立最近邻分类器,识别率最高且含特征数最少的特征子集即为最优特征子集。采用合成数据对该方法进行了仿真验证,结果表明,该方法可获得与数据集本质分类特征吻合的最佳特征子集。将该方法应用于选择真实的低阻油气层特征,获得的最佳特征子集比全特征集合的特征数量减少了50%以上,分类识别率高出8%。结果显示该方法具有优秀的原始特征选择能力,是一种有效的非线性特征选择方法。

食道癌患者围手术期的整体护理

目的探讨食道癌患者围手术期系统的整体护理方法。方法对13例食道癌手术患者围手术期给予系统的护理,包括术前心理护理、营养支持、呼吸功能训练、床上排尿、排便训练、口腔护理;术后基础生命体征的观察及支持、保持呼吸道通畅、严格的饮食控制及营养支持、引流管的护理等。结果 13例患者经19～31d的治疗和护理,均治愈出院,心理状况良好,除1例患者伤口进行Ⅱ期缝合外,无其他并发症。结论对食道癌手术患者围手术期给予整体护理,可以提高手术成功率、减少并发症的发生,促进患者身心康复。

基于视觉感知和边缘保持的光照不变人脸识别

提出一种具有视觉感知特性和边缘保持特性的光照不变人脸识别方法.方法在各向异性扩散算法基础上引入视觉感知机制,提出具有视觉感知特性的图像梯度替代传统的图像空间梯度,使算法更符合人类视觉系统特性;同时,考虑到传统各向异性扩散算法采用的传递系数受参数影响较大,易产生明显的边缘锐化现象,提出一种新的传递系数,该系数不受参数影响,能够始终保持良好的边缘保持特性.新方法所获的光照不变人脸图像保持了良好的边缘,并极大程度上消除了光晕和白斑现象.在EYaleB和CMU PIE人脸图像库上的实验验证了该方法的有效性.

理工类高校知识教育与文化教育失衡之我见

当今多元化社会要求大学生具有良好的科学素养和人文素养,而目前我国大多数理工类高校却存在着严重的"知识教育"和"文化教育"失衡现象。分析了理工类高校出现失衡的表现形式,从文化课程体系、提高教师人文素养及构建良好的校园人文环境等方面,提出了克服理工类高校"知识教育"和"文化教育"失衡的对策。

饮食指导在预防尿毒症患者血液透析中低血压的作用

目的分析饮食指导在预防尿毒症患者血液透析早期透析中低血压的作用。方法将20例没有接受饮食指导的患者定义为A组,将20例接收饮食指导的患者定义为B组。将2组患者透析中与低血压相关的不良反应进行比较分析。结果 A组患者透析中低血压的发生率为38%,B组患者透析中低血压的发生率为12.3%,差异显著。结论加强对早期透析患者的饮食指导可以有效的控制透析中低血压的发生率,提高透析质量,增强患者对透析治疗的信心,提高生活质量。

手腕标识带在住院病人中的应用与效果评价

目的探讨手腕标志带(以下简称腕带)在住院病人中应用效果。方法对住院病人使用腕带,并采用对病人和工作人员发放问卷的形式进行效果评价。结果病人:41.6%表示非常满意,32.5%表示满意,17.5%表示一般,5%表示不满意,0.3%表示非常不满意。工作人员:54%表示非常满意,30%表示满意,16%表示一般。结论手腕标识带的使用为医务人员的查对增添了更为准确便捷的内容,也为病人增添了一道安全屏障,得到病员及员工的好评,值得广推广。

基于CW-HCA联合指标的高含硫天然气净化过程故障监测

高含硫天然气(HSG)净化过程复杂,导致安全开发风险极高。因此保障净化系统可靠运行、实现过程安全生产具有重要意义。对于类似化工过程,在独立成分分析(ICA)方法基础上,高阶累积量分析(HCA)用样本三阶累积量代替均值方差构造统计指标大大提高了检测率。然而,HCA构造独立分量空间指标时未考虑不同独立分量间重要性差异,这可能致使监测结果经样本高阶累积后出现一定程度的偏差。同时,采用多指标监测策略可能出现指标间监测结果相互冲突问题。为此,提出一种基于贡献度加权高阶累积量分析(CW-HCA)联合指标的故障监测方法。该方法根据独立分量的贡献度对样本的三阶累积量进行加权;再将加权后的指标与残差空间指标联合获得联合指标,实现监测。TE以及HSG净化过程的实验结果表明,所提算法相比ICA算法、HCA算法具有有效性和优越性。

类内-类间通道注意力少样本分类

针对元学习少样本分类样本特征鉴别能力不足的问题,提出了一种类内-类间通道注意力少样本分类方法(Intrainter Channel Attention Few-shot Classification,ICAFSC)。ICAFSC在原型网络基础上设计了一个类内-类间通道注意力模块,该模块通过类内-类间距离度量计算通道权重实现特征加权,提高特征对类别的鉴别能力。为了克服直接在元训练阶段学习类内-类间通道注意力模块容易出现过拟合或欠拟合现象的问题,ICAFSC在原型网络的元训练之前增加一个预训练阶段。该阶段设计具有大量标记样本的分类任务,并利用这些任务充分训练类内-类间通道注意力模块,促使该模块达到较优的状态。在原型网络的元训练和元测试阶段,ICAFSC冻结类内-类间通道注意力模块的参数,分别实现少样本分类经验的学习与迁移。在MiniImagenet数据集上分别开展了1-shot和5-shot的少样本分类实验。实验结果表明:本文提出的类内-类间通道注意力少样本分类方法与原型网络相比,在1-shot和5-shot条件下分类准确率分别提高了1.93%和1.15%。

弱标签声音事件检测的空间-通道特征表征与自注意池化

深度神经网络声音事件检测方法需要大量标记声音事件类别和起止时间的强标签音频样本,然而强标签标注非常困难和耗时.弱标签声音事件检测是解决这一困难的有效途径.本文将弱标签声音事件检测作为多实例学习问题,并基于卷积循环神经网络提出弱标签声音事件检测的空间-通道特征表征与自注意池化方法.该方法研究多实例弱标签声音事件检测的特征表征和帧级预测结果池化两个方面的内容.在特征表征方面,为了增强卷积神经网络的特征表征能力,结合上下文门控和通道注意机制构建门控注意力结构并嵌入到卷积循环神经网络中,实现了音频样本特征的空间和通道特征选择;在预测结果池化方面,引入自注意思想设计音频帧预测结果的自注意池化方法,增强了音频样本中事件帧之间的相关度,使事件帧获得更大的权重.本文方法通过对卷积循环神经网络特征表征和预测结果池化的革新,有效提升了模型的检测性能.本文提出的方法在DCASE 2017任务4和DCASE 2018任务4数据集的评估集中分别取得了52.47%和31.00%的F1得分,性能优于当前绝大部分的弱标签声音事件检测方法.实验结果表明:本文提出的空间-通道特征表征与自注意池化方法能显著改善弱标签声音事件检测的综合性能.

完备鉴别保局投影人脸识别算法

为了充分利用保局总体散布主元空间内的鉴别信息进行人脸识别,提出了一种完备鉴别保局投影(complete discriminant locality preserving projections,简称CDLPP)人脸识别算法.鉴于Fisher鉴别分析和保局投影已经被广泛的应用于人脸识别,完备鉴别保局投影(locality preserving projections,简称LPP)算法将这两者结合起来,分析了保局类内散布、类间散布和总体散布的主元空间和零空间内包含的鉴别信息.该算法采用奇异值分解(singular value decomposition,简称SVD),去除了不含任何鉴别信息的保局总体散布的零空间;分别在保局类内散布的主元空间和零空间提取规则鉴别特征和不规则鉴别特征;用串联的方式在特征层融合规则鉴别特征和不规则鉴别特征形成完备的鉴别特征进行人脸识别.在ORL库、FERET子库和PIE子库上的大量识别实验充分表明了完备鉴别保局投影算法的性能优于线性鉴别分析、保局投影和鉴别保局投影等现有的子空间人脸识别算法,验证了算法的有效性.

Gamma Test噪声估计的Kalman神经网络在动态工业过程建模中的应用

Kalman神经网络以其良好的自适应非线性逼近能力,被广泛用于复杂非线性动态工业过程建模。传统噪声估计方法难以得到观测噪声不确定动态工业过程的噪声估计值,因而常将观测噪声估计值置零以进行Kalman神经网络建模,影响Kalman神经网络的建模效果,限制了Kalman神经网络在观测噪声不确定动态工业过程建模中的应用。有效利用观测输入输出数据,提出样本有效噪声估计(Gamma test,GT)改进的Kalman神经网络建模方法。采用衰减记忆的GT对输入输出数据进行实时估计,得到准确的观测噪声估计值,再利用Kalman神经网络实现精确建模。验证结果表明,该方法对EKF神经网络模型和UKF神经网络模型均有很好的改善作用,有效解决观测噪声不确定引起的Kalman神经网络模型发散问题,为采用Kalman神经网络建立噪声不确定动态工业过程的精确模型提供了一条有效途径。

融合Adaboost和光流算法的视频人脸实时检测

提出一种基于AdaBoost和光流的融合算法实现视频人脸的实时检测,利用AdaBoost算法对人脸进行检测,结合光流算法对视频图像帧间的连续性进行估计,获得人脸在图像中的位置。实验证明,本文介绍的人脸检测和追踪的方法利用了AdaBoost和光流算法各自的优点,一定程度上解决了人脸偏转、部分遮挡、表情变化以及光照等因素对人脸检测的影响。

多尺度光照不变人脸特征图像的提取方法

现实环境下的人脸认证系统性能受光照变化影响很大。本文提出一种基于各向异性扩散算法的多尺度人脸光照不变特征图像提取算法。其特点是针对人脸图像中的光照问题引入新的区间不一致描述子,并提出新的传递系数以消除传统各向异性扩散算法带来的图像光晕效应,进而形成新的各向异性扩散算法。该算法可以在多尺度空间中有效地提取不随光照变化的人脸结构特征图像,不需复杂的光照变化建模,且对训练样本无特殊要求。在Yale B及CMU PIE标准人脸库上进行了实验,结果表明该算法在低频光照域上具有很好的边缘保持能力,即使在光照变化很大的条件下也能获得良好的处理效果,并明显的降低了人脸认证的错误率。

基于UKF神经网络子空间逼近的非线性动态过程演化建模

复杂化工过程建模对于工艺操作变量优化、指导技术决策具有重要意义,人工神经网络是其广泛采用的建模工具.但化工过程往往是复杂非线性动态系统,而描述其过程的神经网络模型往往是一个静态映射.没有考虑也很难考虑其操作变量与内部状态变量共同对目标性能的影响,从而导致依赖静态模型的技术决策效果不稳定.将静态过程模型看成是复杂非线性动态模型在操作变量子空间上的投影模型,为保证该投影模型实时逼近理想的非线性动态模型的精度,提出用Kalman滤波实时更新神经网络模型的权值,建立基于Kalman滤波神经网络子空间逼近的非线性动态工艺演化建模方法.鉴于扩展Kalman滤波的计算复杂性和精确性,采用无迹卡尔曼滤波刷新神经网络模型的权值.最后,把该方法应用于氢氰酸(HCN)工艺过程的动态演化建模试验,结果表明,该方法高精度地跟踪了非线性动态演化化工过程.因此,基于Kalman滤波神经网络子空间逼近的建模方法适用于非线性动态工艺演化建模.