南水北调引江原水强化集成工艺中试研究

以南水北调引江原水为研究对象,比较脉冲澄清强化集成工艺与常规工艺处理效果的差异。试验结果表明,引江原水分别采用常规、加预氧化、加助凝工艺处理后,出水水质均能满足《生活饮用水卫生标准》(GB 5749-2006)的要求。由于引江原水水质较好,采用常规处理工艺即可达到较好的处理效果,采用常规+HCA助凝工艺处理时,对引江原水的浊度和CODMn的去除率最高。

强化集成工艺与常规工艺处理效果的对比研究

针对高温高藻期的滦河水,通过中试试验比较了常规工艺与强化集成工艺处理效果的不同。结果表明,常规工艺对浊度的平均去除率为92.38%,对CODMn的平均去除率为30.63%,经过强化后(预处理+助凝+活性炭),浊度去除率最高可达96%以上,CODMn去除率可达60%以上,处理效果较好。

冬季水质异常引滦原水强化集成工艺中试研究

以水质异常的冬季引滦原水为研究对象,进行以斜管沉淀工艺为主的中试研究。结果表明,相同加药量下,采用脉冲澄清工艺对该原水的处理效果优于斜管沉淀工艺。采用斜管沉淀工艺时,臭氧预氧化处理试验原水,满足出水水质要求所需的混凝剂投加量比采用预加氯工艺时明显减少。"原水-预加氯-混凝-聚丙烯酰胺(PAM)-斜管沉淀-过滤"工艺对该原水有较好的处理效果,建议药剂最佳投量分别为预加氯2.5 mg/L、Fe Cl320 mg/L、PAC 25 mg/L、PAM 0.1 mg/L。

原水高温高藻期强化集成工艺优化运行对比研究

以天津市高温高藻期饮用水原水为研究对象,通过中试对比了脉冲澄清池系列的强化集成工艺与常规工艺,以及斜管沉淀池系列与脉冲澄清池系列强化集成工艺的处理效果。结果表明,脉冲常规工艺对浊度的去除效果较为明显,但并不能有效去除原水中的COD Mn;当进行预加氯、投加聚丙烯酰胺助凝和粉末活性炭吸附后,脉冲澄清池强化集成工艺对原水COD Mn的去除效果有了显著提高;在合理确定药剂投加量后,传统的斜管沉淀池工艺对原水的浊度和COD Mn也有较为理想的去除效果,但脉冲强化工艺对COD Mn的去除率略好于斜管强化工艺。

基于强化集成学习的配变日负荷曲线预测模型

配变日负荷曲线可用于准确监测配变运行状态,文章采用特征工程与相似度聚类的方法生成负荷相似日簇,在此基础上使用集成强化学习构建了配变日负荷预测模型。经应用验证,该模型可对各配变负荷曲线进行准确预测,实现配变负荷状态预感知,为电网调度管理、运行检查工作提供支撑。

强化集成工艺处理不同原水的生产适用性研究

以引滦原水、引江原水和引滦引江掺混原水为研究对象,将天津某净水厂强化集成工艺近三年的实际生产运行数据,特别是高温高藻期的数据进行对比分析。结果表明,预氧化—上向流脉冲澄清—主加氯消毒的强化集成工艺可以适应原水水质的变化,对引滦原水、引江原水和引滦引江掺混原水浊度、CODMn的去除率分别高达94.90%和64%以上,出厂水浊度和CODMn最低分别达到0.13 NTU和0.29 mg/L,藻类均未检出,三卤甲烷、卤乙酸、甲醛、溴酸盐等消毒副产物指标也远低于国标限值,能够保证出厂水的水质安全达标。

液固循环流化床的开发与应用——过程集成与强化

液固循环流化床(LSCFB)是近三十年来发展起来的一种新型流化床反应器,具有传质传热效率高、操作强度大、占地面积小、可同时进行两种反应等优点,在传统化工过程集成和强化中具有广阔的应用前景。本文主要结合液固循环流化床的特点,介绍了液固循环流化床的发展历程、装置结构及基本特性,并结合几个应用实例重点阐述液固循环流化床如何在蛋白质的提取、乳酸发酵与分离、含酚废水中去除苯酚、污水生物处理等方面实现过程集成与强化。最后对液固循环流化床未来的发展进行了展望,提出了在未来的工业生产过程中,可根据工艺的需要并结合反应器的特点,将反应器进行有效地组合改进,从而实现多个反应过程的集成与强化,为今后生产模式的改变提供了新的思路。

基于神经认知计算模型的高分辨率遥感图像场景分类

通过大脑对外界环境感知的神经结构与认知功能的相关研究,构建仿脑的媒体神经认知计算(multimedia neural cognitive computing,MNCC)模型。该模型模拟了感官的信息感知、新皮层功能柱的认知功能、丘脑的注意控制结构、海马体的记忆存储和边缘系统的情绪控制环路等大脑基本的神经结构和认知功能。在此基础上,构建基于MNCC的高分辨率遥感图像场景分类算法。首先,图像经仿射变换后切分为若干图块,通过深度神经网络提取图块的稀疏激活特征,采用概率主题模型获取图块初始场景类别,并利用图块分类错误信息反馈控制场景显著区特征的提取;其次,根据图块的上下文获取场景语义的时空特征,并在此基础上进行图块分类和场景预分类;最后,用场景预分类误差构造奖惩函数,控制和选择深度神经网络中场景区分度较大的稀疏激活特征,并通过增量式强化集成学习,获得最后的场景分类。在两个标准的高分辨率遥感图像数据集上的实验结果表明,MNCC算法具备较好场景分类结果。

基于历史分类加权和分级竞争采样的多视角主动学习

多视角主动学习是一种相比于传统主动学习能够取得更大程度版本空间缩减的技术,已被应用于多种类型的大数据分析中.本文针对现有的多视角主动学习算法在分类假设生成和采样策略中存在的不足分别提出了相应的改进方案.本文将Boosting思想应用到多视角主动学习框架中,通过将历史上各次查询得到的分类假设进行加权式投票来实现每次查询后分类假设的强化;与此同时,还提出了一种自适应的分级竞争采样策略,当分类争议样本规模较大时通过无监督谱聚类获得上述样本的空间分布描述,并在各个聚类中结合样本的分类不确定度和冗余度信息通过二次规划求解以获得可靠的批处理采样.为了证明上述改进的有效性,本文将多视角主动学习应用到图像分类领域中,并通过基于不同图像特征的视角来分别生成相应的分类假设.实验表明,本文提出的两点改进策略不仅均有助于提升多视角主动学习的性能,而且基于上述不同视角随机组合的多视角主动学习方法相比于经典的单视角主动学习算法能够更快地实现收敛并达到较高的场景分类准确性.

Bandwidth-enhanced dual-polarized antenna with improved broadband integrated balun and distributed parasitic element

A bandwidth-enhanced dual-polarized antenna is proposed for 2/3/4/5G applications,which is composed of distributed parasitic elements(DPEs),a main radiator,two improved broadband integrated baluns and a reflector.First,a novel tooth-shape shorted slot line in the improved broadband integrated balun is analyzed to adjust the input impedance of the antenna.Then,DPEs with 2×2 circular plates loading over the main radiator are proposed to improve broadband impedance matching and radiation pattern.By utilizing impedance compensation of the tooth-shaped shorted slot line and the electromagnetic induction of the DPEs,the antenna achieves an enhanced impedance bandwidth and a stable radiation pattern.To verify these ideas,the bandwidth-enhanced dual-polarized antenna was fabricated and measured.The experimental results indicate that the proposed antenna achieves an operating bandwidth of 72.2%(1.69 to 3.60 GHz)with a return loss(RL)less than-15 dB and a port-to-port isolation(ISO)larger than 30 dB.The antenna obtains a half-power beamwidth(HPBW)within(66±5)°and a gain within(9.0±0.6)dBi in the 2/3/4G bands,and an HPBW within(61.5±2.5)°and a gain within(9.8±0.3)dBi in the 5G band.Across the whole band,the cross-polarization discrimination(XPD)and the front-to-back ratio are both larger than 20 dB.