污水处理过程专家系统的结构特点与应用研究进展

综述了专家系统在污水处理领域的结构和特点、针对的工艺以及应用现状方面取得的研究成果。重点介绍了专家系统中知识的获取和表示、规则的建立以及与故障树和其他人工智能技术的结合情况,并对专家系统在污水处理工艺选择、运行控制以及故障诊断3个阶段的研究现状进行了细致分析。在此基础上,提出了尚需解决的问题以及进一步研究与发展的方向。     

人工智能技术对长江流域水污染治理的思考

随着经济的快速发展和城市化进程的不断加速,促使水污染严重的长江流域需从污染物去除过程的建模与优化、污水处理过程的优化控制、水污染监测系统的构建开展水污染治理研究.传统的水污染处理技术存在污染物去除效率预测精度较低、污水优化控制成本较高、水污染监测滞后效应严重的问题.人工智能技术能够有效克服上述问题,因此通过梳理国内外学者利用人工智能技术在污水污染物去除过程的建模与优化、污水处理过程的优化控制及水污染监测系统的构建等方面的研究成果,为全面加强长江流域水污染治理能力提供科学可靠的技术指导.结果表明:①利用人工神经网络技术（径向基神经网络、多层前馈网络-人工神经网络、多层感知器神经网络）对污水污染物去除过程进行建模与优化,为精确预测长江流域重金属（Cr、Cu）、营养盐（TN、TP）、持久性有机污染物〔PBDEs（多溴二苯醚）、HCH（六氯环己烷）〕的去除率提供重要参考价值.②采用污水处理的自动控制技术与人工智能技术（递归神经网络、支持向量机、模糊神经网络等）构建污水智能控制系统,为长江流域实现高效节能的污水优化控制提供重要的技术指导.③利用在线监测仪器和人工智能技术（小波神经网络、多元线性回归-人工神经网络、叠层去噪自动编码器等）建立水污染智能监测系统,为解决长江流域水污染监测响应滞后问题提供有力的技术支持.因此,人工智能技术对长江流域提高污水污染物去除率,降低污水优化控制成本,提升水污染监测时效性具有重要的推广价值.      

基于神经网络的东北地区秸秆焚烧预测

选取农作物秸秆露天燃烧严重的东北地区,采用人工神经网络的方法,结合卫星火点和气象数据,开展秸秆露天燃烧预测研究.结果表明：人工神经网络预测模型成功验证了松嫩平原地区2015年10月25日~11月15日的秸秆露天燃烧情况,其准确度为67.1%,经过多次试验,在神经网络建模与验证数据配比为80：20时,预测准确度最高,可达69.7%,同时该模型的稳定性较好.而对不同区域,不同时间段的预测研究表明,人工神经网络较适用于长时间序列的预测.就影响因素而言,相对湿度是影响秸秆露天燃烧的最重要因素.本研究结果可为空气质量模式提供火点预测数据,提高其预报预警能力,为区域联防联控政策的制定提供科技支持.     

人工智能在金属塑性加工领域中的应用

概述了人工智能及其 2个主要分支 (专家系统和人工神经网络 ) ,讨论了遗传算法与专家系统集成以及神经网络与模糊逻辑、专家系统集成的必要性和集成方法 ,分别介绍了专家系统和人工神经网络在塑性加工领域中的应用现状。     

工程中的遗传算法

介绍遗传算法的基本原理、基本理论及其在工程决策（包括安全、环保）中的应用，说明这一新的优化技术具有广阔的应用前景。     

人工智能创作物的版权认定及其保护路径

人工智能技术的飞速发展,在丰富文化市场的同时,也对现行版权法提出了新的时代挑战。人工智能创作物因与"独创性"要件不符而无法被纳入"作品"范畴,难以在传统版权法中得到保护。人工智能创作物虽非属"作品",但却是新兴文化商品,具备一定的市场价值。在版权法体系中,应当通过增设新型邻接权,对人工智能创作物采邻接权保护路径。如此,既可与现行版权法协调,也能对人工智能创作物及相关利益主体进行有效保护。     

智能化有害有毒气体污染源监测仪的研究

为了快速寻找有害有毒气体污染源,利用8个红外激光气体传感器,分别安装步进电机驱动旋转的圆盘圆周上在不同的方向上对污染气体进行数据采集。同时与二维热差式风速风向传感器采集到的风速风向数据,一并送入MSC1210单片机进行数据处理和运用智能人工神经网络进行模式训练与模式识别,从而识别出污染源的位置、浓度和种类。通过GPS全球卫星定位系统和GPRS无线传输网络,把监测到的信息发送给相关部门早做处理,并报警,避免污染进一步扩散。实验表明,该智能化追索气体污染源监测仪具有良好的可靠性、安全性和实用性。     

人工智能浪潮下的周界报警系统

一、如何理解周界报警系统周界防护本身是一种防御体系,就像古老的中国长城,一直以来实体周界防御体系都是以围墙、围网、栅栏等方式存在。周界报警系统则是依附在原有实体周界防御体系之上的一种自动化智能设备,它包含传感、网络和分析管理模块,分别完成采集数据、传输和算法分析功能。系统时时刻刻收集传感器采集的数据进行分析处理,判断出符合入侵行为的事件,滤除各种干扰产生的事件。     

人工智能与专家的故事

人工智能几起几落,一般认为这一轮热潮从2012年开始。这一年,Hinton和他的学生Alex Krizhevsky设计的Alex Net采用深度学习算法,在Image Net图像识别竞赛中获得冠军,图像错误识别率下降10多个百分比,同期的其他神经网络每次的成绩提升很少达到5%,立即引起业界对深度学习的极大关注。之后的两年时间,深度学习网络进一步把整体错误率下降至5%以内,达到了人眼的水平。随后,Google、Micro Soft、Facebook先后开源了自己的深度学习框架Tensorflow、CNTK和Caffe。一时间,国内外涌现了大量的人工智能创业公司。除了深度学习技术,GPU芯片、分布式计算、计算位数压缩等新的优化技术也加快了神经网络的训练和使用效率,人工智能应用从高性能数据中心向嵌入式设备发展。