城市污水处理过程动态多目标智能优化控制研究

城市污水处理过程(Municipal wastewater treatment process,MWWTP)是一个典型的复杂流程工业过程,其优化运行涉及到多个动态性能指标.为了实现城市污水处理运行过程的优化控制,本文提出了一种城市污水处理过程动态多目标智能优化控制方法(Dynamic multiobjective intelligent optimal control,DMIOC).首先,建立了一种基于自适应核函数的动态性能指标模型,实现了城市污水处理关键性能指标的准确描述;其次,设计了一种基于自适应飞行参数调整机制的动态多目标粒子群优化算法(Dynamic multiobjective particle swarm optimization,DMOPSO),可有效平衡粒子的多样性和收敛性,完成了溶解氧和硝态氮优化设定值的实时获取;最后,利用多回路PID控制方法对溶解氧和硝态氮优化设定值进行控制,实现了城市污水处理过程安全稳定运行.将提出的DMIOC应用于城市污水处理基准仿真平台,实验结果显示:DMIOC能够提高溶解氧和硝态氮的控制效果,实现城市污水处理过程出水水质达标,并降低运行成本.

城市污水处理水质多尺度自适应特征提取

针对城市污水处理中水质数据样本存在时间和空间尺度不一致,导致水质特征变量难以准确提取的问题,提出了一种基于数据自适应重构的城市污水处理水质多尺度特征提取方法。首先,在数据时间尺度处理方面,设计了一种基于多尺度多样性熵计算的变量时间尺度优化方法,运用插值法构造等时间尺度的数据样本矩阵;其次,在数据空间尺度处理方面,设计了一种k近邻算法的多尺度数据空间重构方法,获取了数据同一空间分布的样本矩阵;最后,设计了一种基于自适应主元分析法(PCA)的数据特征动态提取方法,从数据重构样本矩阵中动态提取水质的特征变量。实验结果表明,基于数据自适应重构的多尺度特征提取算法能够准确地提取水质的特征变量。

乳腺近红外光谱断层成像系统研究进展

近红外光谱断层成像是一种可以获得乳腺组织内部光学特性,弥补传统乳腺影像学检查方法的不足,具有无创无辐射、高特异性等特性,在乳腺成像中有重要应用价值的光学成像技术。近红外光谱断层成像系统对该技术在乳腺疾病临床诊断中的应用起着重要的作用。然而,近红外光谱断层成像系统的空间分辨率低,限制了其在乳腺成像中的应用。将连续波模式与频域或时域测量模式相结合,并融合临床用的数字乳腺断层摄影、超声或核磁共振成像等技术有助于解决上述问题。先对近红外光谱断层成像系统的测量模式、多模态系统和多模态融合技术进行梳理、对比,然后介绍了该技术在乳腺成像中的最新应用,进一步讨论了乳腺近红外光谱断层成像系统未来的发展方向。

城市污水处理过程优化设定方法研究进展

城市污水处理过程优化运行的目标是保证出水水质达标,降低运行成本.为了实现该目标,需要动态更新污水处理过程操作变量的最优设定值.由于城市污水处理过程具有多变量、多冲突、多目标、多约束、动态、时变等特点,如何设计精确的污水处理过程运行指标模型,如何优化过程操作变量的最优设定值,是实现城市污水处理过程优化运行亟待解决的难题.本文梳理了城市污水处理过程优化设定方法的研究进展.首先,介绍了城市污水处理过程特性和过程优化设定问题;其次,分别概述了基于机理和基于数据驱动的城市污水处理过程运行指标建模方法;然后,分别讨论了城市污水处理过程单运行指标和多运行指标的操作变量设定值寻优算法;最后,展望了城市污水处理过程优化设定问题的未来研究方向.

数据和知识驱动的城市污水处理过程多目标优化控制

城市污水处理过程优化控制是降低能耗的有效手段,然而,如何提高出水水质的同时降低能耗依然是当前城市污水处理过程面临的挑战.围绕上述挑战,文中提出了一种数据和知识驱动的多目标优化控制(Data-knowledge driven multiobjective optimal control,DK-MOC)方法.首先,建立了出水水质、能耗以及系统运行状态的表达关系,获得了运行过程优化目标模型.其次,提出了一种基于知识迁徙学习的动态多目标粒子群优化算法,实现了控制变量优化设定值的自适应求解.最后,将提出的DK-MOC应用于城市污水处理过程基准仿真模型1(Benchmark simulation model No.1,BSM1).结果表明该方法能够实时获取控制变量的优化设定值,提高了出水水质,并且有效降低了运行能耗.

基于模糊神经网络的废旧手机价值评估方法

针对废旧手机回收过程中难以精准定价的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的价值评估方法.首先,设计了一种基于主成分分析(principal component analysis,PCA)的特征提取方法,获得了影响废旧手机回收价值的关键特征变量.其次,建立了基于FNN的价值评估模型,实现了回收价值与关键特征变量之间的非线性关系描述.最后,提出了一种自适应二阶参数学习算法(adaptive second-order parameter learning algorithm,ASOPLA),实现了价值评估模型自适应调整.将提出的价值评估方法应用于实际交易过程,结果表明,基于FNN的价值评估方法能够实现对废旧手机的准确定价.

多目标进化算法的污水处理过程优化控制

污水处理过程中,能耗与出水水质是两个相互矛盾的评价指标.为了找出这两个目标的最优解,本文在基于分解的多目标进化算法(MOEA/D)的基础上进行改进,期望用更少的进化次数得到分布均匀的近似帕累托前沿.针对MOEA/D算法每一次产生的新解,本文中改进的算法从所有子问题中找到最合适新解的子问题,并在其邻域范围内进行种群的更替,在原本子问题的基础上进行二次寻优,提高子代利用率,进而用更少的迭代次数找到优化问题中的近似帕累前沿.实验证明,该算法明显减少了找到帕累托前沿的步数,使得MOEA/D算法的性能明显提升,在污水处理过程优化问题中达到了优化目标的作用.

基于孪生卷积神经网络的手机型号识别方法

针对废旧手机回收过程中型号难以精确识别的问题,提出一种基于孪生卷积神经网络的废旧手机型号识别方法.首先,利用基于最大类间差分的边缘检测算法解析手机图像的区域特征,构建手机型号识别数据库;其次,构造一种共享权值孪生卷积网络(siamese convolutional neural network,S-CNN)的手机识别模型,实现废旧手机图像特征的快速提取;最后,设计一种自适应学习率的识别模型参数更新策略,提高手机型号识别的精度.将其应用于不同场景下废旧手机的分拣,实验结果表明该方法具有较好的快速性和准确性.

基于GM-RBF神经网络的污水环境预测

针对测量污水环境水参数化学需氧量(COD)难于测量的问题,提出了基于径向基网络的灰度理论预测模型(GM-RBF),对化学需氧量进行预测。利用灰度理论能对系统行为的发展变化进行预测的特点,结合径向基神经网络的高精度逼近能力,提高了预测模型的精度。研究了对污水处理过程关键水质参数的建模预测,实验证明该模型能以较高精度对COD进行预测,预测值最接近真实值,提供了可靠的COD参数值。

深度学习在多天气分类算法中的研究与应用

针对目前多天气识别分类问题,提出了一种基于深度学习和计算机视觉的天气现象自动分类算法。采集并建立了一个包括雾霾、沙尘、雨、雪、霜、露6类天气的适用于任意场景的多天气现象数据集,改善了目前已见报数据集规模小、种类单一、只面向特定场景的情况;同时采用密集连接和池化均衡的结构搭建深度卷积神经网络(CNN)模型,训练并挖掘天气数据的特征与内在规律,用深度学习方法实现天气现象的自动分类。实验结果表明相比传统计算机视觉算法,该算法解决了严重依靠特征提取、适用场景单一问题;且比大多数深度网络模型参数更少、识别准确性更高,算法泛化性能大幅提升。

城市污水处理过程出水氨氮优化控制

为了改善城市污水处理过程出水氨氮的处理效果,提出一种城市污水处理过程出水氨氮优化控制方法.首先,基于机理特性分析影响出水氨氮浓度的性能指标,建立一种基于自适应核函数的性能指标与控制变量的关联模型,并通过粒子群优化算法获取控制变量溶解氧浓度的优化设定值;其次,设计自适应模糊神经网络控制器,完成溶解氧浓度优化设定值的跟踪控制;最后,将出水氨氮优化控制方法应用于基准仿真平台BSM1.实验结果表明,该优化控制方法不仅提高了出水氨氮的去除效果,而且有效降低了能耗.

基于高斯混合模型最大期望聚类的同时定位与地图构建数据关联

数据关联是移动机器人同时定位与地图构建(SLAM)中状态估计的前提和基础,针对当前联合兼容分支定界算法存在计算复杂度高、耗时长的问题,提出了基于高斯混合模型(GMM)最大期望聚类分组的SLAM数据关联算法.首先,为减少同一时刻参与关联的观测值数目,在局部区域内采用GMM最大期望聚类算法对当前时刻的观测值进行分组;其次,在各观测小组中采用联合兼容分支定界算法进行数据关联;最后,综合各观测小组的观测值同局部地图特征得到的关联解,得到最优的关联结果.仿真实验结果表明,基于高斯混合模型最大期望聚类分组的SLAM数据关联算法在保证数据关联准确度的前提下,计算复杂度得到了降低,缩短了运行时间.

基于TG–LSTM神经网络的非完整时间序列预测

针对传统模型对含数据缺失的非完整时间序列预测精度不高的问题,利用长短期记忆(LSTM)神经网络强大的时序建模能力,提出一种带时间门的长短期记忆(TG-LSTM)神经网络.首先,提出一种能同时对输入值在线估计和输出值实时预测的TG-LSTM单元结构;其次,基于TG-LSTM结构设计一种网络的前向传播算法,实现输入填补和输出预测同步进行;然后,建立TG-LSTM神经网络的学习算法来对输入填补和输出预测任务整体训练;最后,通过在Mackey-glass基准数据集,月平均气温数据集和污水处理出水氨氮预测中的实验结果表明:与传统方法相比,TG-LSTM神经网络模型能以更高精度对非完整时间序列进行填补和预测.

多尺度数据驱动的石化污水可生化性评价

针对石化污水可生化性难以获得实时准确评价的问题,提出了一种多尺度数据驱动的石化污水可生化性评价方法。首先,通过分析石化污水组分和水质数据特点,解析水质数据的时间尺度特征以及与可生化性指标的关联关系;其次,设计基于主元分析法的多尺度特征提取算法,获取石化污水可生化性的特征变量;然后,构建基于模糊最小最大神经网络的智能评价模型,实现对石化污水可生化性的实时准确评价;最后,将提出的评价方法应用于实际石化污水处理过程中。验证结果表明,所提方法能够实现对石化污水可生化性进行实时准确的评价。

改进的小脑模型神经网络及其在时间序列预测中的应用

针对小脑模型神经网络(cerebellar model neural network,CMNN)中泛化能力与存储空间容量之间的冲突这一关键问题,提出了一种改进的小脑模型神经网络——模糊隶属度小脑模型神经网络(fuzzy membership cerebellar model neural network,FM-CMNN),用于解决非线性动态系统的时间序列预测问题.首先,FM-CMNN在保留原始CMNN输入变量的地址映射方式的情况下,在CMNN存储空间中引入铃型模糊隶属度函数,从而保证在不需增加量化级数的情况下提高网络的泛化能力.然后,使用梯度下降算法对网络权值进行更新,提高网络的逼近强度.最后,通过非线性时间序列预测基准实验和污水处理中水质参数预测实验,验证了FM-CMNN性能的可靠性.

基于迭代优化展开的Cherenkov激发的荧光扫描成像重建算法

Cherenkov激发的荧光扫描成像(CELSI)是一种新型的光学成像技术,为监测体内恶性肿瘤的生物学特性提供了一种手段.为提高CELSI图像重建质量,本文提出了一种基于迭代优化展开的深度学习图像重建算法——ADMM-Net.在该算法中,交替方向乘子法(ADMM)与卷积神经网络(CNN)相结合组成一个深度网络,网络中的所有参数通过端到端训练进行学习.实验结果表明:该算法可以有效提升重建图像的质量.当网络层数为5时,该算法重建的单荧光目标图像的平均峰值信噪比和结构相似性值分别可达到33.75dB和0.86.该算法不仅可以分辨出边沿距离最小为2 mm的双荧光目标,而且在多荧光目标和不同荧光量子产额比率下表现出了良好的泛化能力.

基于量化隐私保护一致性的热电联产系统分布式协同调度

传统集中式调度无法有效解决大规模能源设备接入导致的实时性欠佳问题.本文通过引入一致性算法,提出复杂通信环境下的热电联产系统分布式优化调度方案.针对决策信息交换过程中存在的隐私性,引入有效的掩码函数,防止各类能源设备在协同调度过程中造成系统敏感信息泄露.在此隐私保护方案的基础上,考虑到通信环境中通信资源有限和分布式通信滞后,提出了一种基于量化隐私一致性算法的分布式优化调度方案,并快速获取能源设备协同调度的最优解.此外,对所设计算法的收敛性进行了严格的理论分析,确保其具有可行性.值得指出的是,本文设计的隐私量化方案也适用于基于加权平均一致算法的协同优化调度.最后,通过对热电联产系统模型进行实验,验证了所提出的算法能够实现供需平衡下的运行成本最小化,并具有良好的收敛性能.

基于Unet的切连科夫激发的荧光扫描断层重建

切连科夫激发的荧光扫描成像(CELSI)是一种新兴的成像技术,在生物医学领域有着广阔的应用前景。本课题组前期分别基于Tikhonov正则化和稀疏正则化实现了CELSI断层成像,但重建图像的质量仍有待提高。基于此,本文提出了一种基于Unet的图像后处理算法。该算法将Tikhonov方法只迭代一次得到的低质量图像作为Unet网络的输入,通过网络学习对重建的图像进行一定的修正,以进一步提高重建图像的质量。实验结果表明,所提算法可以提高计算效率,而且当荧光目标在深度50 mm处时重建图像的峰值信噪比和结构相似度分别能达到28 dB和0.92。所提算法基于单荧光目标数据集训练的网络模型能够较好地重建出多荧光目标,表明了该算法具有较好的泛化能力。

基于近似消息传递的切伦科夫激发的荧光扫描断层重建

切伦科夫激发的荧光扫描成像(CELSI)作为一种新兴分子成像技术,具有空间分辨率高和成像深度深的优点,在监测放疗过程中肿瘤的生理变化方面具有巨大潜力。前期工作基于Tikhonov方法成功实现了CELSI断层成像,但该方法无法对位置深度超过3 cm或低对比度的荧光目标进行准确重建。为克服这一问题,提出了一种基于近似信息传递算法的断层CELSI稀疏重建方法。为说明该算法的优点,将其与传统的Tikhonov正则化算法以及3种基于稀疏的重建算法进行比较。实验结果表明,就均方误差和对比噪声比而言,本文算法可以获得最优的重建结果。