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.     

基于模糊神经网络的污水处理生化除磷过程控制

针对污水处理生化除磷过程中出水总磷难以实时达标的问题,提出了一种基于模糊神经网络(fuzzy neural network,FNN)的出水总磷控制方法。首先,通过分析污水处理生化除磷机理,确定了控制器的操作变量为生化反应池第五分区外部碳源(external carbon, EC)与溶解氧(dissolved oxygen, DO)传递系数。其次,设计了一种基于FNN的出水总磷控制器,采用梯度下降算法更新控制器参数;最后,将基于FNN的出水总磷控制器应用于污水处理过程基准仿真平台(benchmark simulation model No.1,BSM1),实验结果表明,基于FNN的出水总磷控制器能够保证出水总磷的达标排放,具有较好的控制效果。     

基于孪生卷积神经网络的手机型号识别方法

随着城市矿产资源循环利用技术的不断发展, 废旧手机回收已成为当前研究热点。受限于计算资源和数据资源的相对缺乏, 目前基于线下智能回收装备的废旧手机识别精度难以达到实际应用。针对上述问题, 提出一种基于多元特征异构集成深度学习的图像识别模型。首先, 利用字符级文本检测算法(character region awareness for text detection, CRAFT)提取手机背部字符区域, 再利用ImageNet预训练的VGG19模型作为图像特征嵌入模型, 利用迁移学习理念提取待回收手机的局部字符特征和全局图像特征; 然后, 利用局部特征构建神经网络模式光学字符识别(optical character recognition, OCR)模型, 利用全局和局部特征构建非神经网络模式深度森林分类(deep forest classification, DFC)模型; 最后, 将异构OCR和DFC识别模型输出的结果与向量组合后输入Softmax进行集成, 基于权重向量得分最大准则获取最终识别结果。基于废旧手机回收装备的真实图像验证了所提方法的有效性。

     

高校实验室安全风险评估与监管体系构建的实践与思考

针对高校化学实验室安全风险难以量化评估的问题,采用一种基于离散Hopfield神经网络(discrete Hopfield neural network, DHNN)的化学实验室安全评估方法. 首先,利用层次分析法建立化学实验室安全状况多指标评估体系;然后,使用模糊综合评价法对评估指标进行量化,对评估指标编码;最后,使用学习率对DHNN进行优化,将该方法与传统评估方法进行对比,结果表明该方法能够实现对样本的准确评估. 将该方法应用于高校危险化学品实验室安全评估过程中,仿真实验结果表明该方法构建的指标体系合理可行且评估精度较高.

     

基于区间二型模糊神经网络的出水氨氮软测量

针对污水处理过程出水氨氮（ammonia nitrogen,NH₄-N）难以实时检测的问题,提出了一种基于区间二型模糊神经网络（interval type-2 fuzzy neural networks,IT2FNN）的软测量方法,建立了出水NH₄-N的软测量模型,实现了出水NH₄-N的实时检测。首先,采集和预处理相关过程变量的实际运行数据,通过主元分析法筛选出与出水NH₄-N相关性较强的过程变量。其次,利用IT2FNN建立所选变量与出水NH₄-N的软测量模型,通过梯度下降算法对模型相关参数进行修正。最后,将基于IT2FNN的出水NH₄-N软测量模型应用于实际污水处理过程。实验结果表明,提出的出水NH₄-N软测量方法不仅能够实现污水处理过程出水NH₄-N的实时检测,而且具有较高的检测精度。     

基于递归RBF神经网络的MBR膜透水率软测量

针对膜生物反应器(membrane bio-reactor,MBR)污水处理过程中膜透水率难以测量的问题,提出一种基于递归径向基神经网络(recurrent radial basis function neural network,RRBFNN)的软测量方法.首先,基于污水处理过程中的实际运行数据,应用偏最小二乘法(partial least squares,PLS)筛选出与膜透水率相关的过程变量;其次,基于RRBFNN建立膜透水率的软测量模型,利用快速梯度下降算法对RRBFNN的参数进行调整,保证了软测量模型的精度;最后,将设计的膜透水率软测量模型应用于实际污水处理过程中,使用污水处理厂实测数据对模型进行验证.验证结果表明,该软测量模型能够实现膜透水率的准确预测,具有较好的预测精度.     

基于EKF 的自组织T-S 模糊Elman 网络

针对模糊神经网络结构设计问题及模糊集在语言描述上存在的不足, 提出一种基于扩展的卡尔曼滤波(EKF)的自组织T-S 模糊Elman 网络, 并推导了网络训练算法. 分别采用递归最小二乘法和EKF 对线性参数和非线性参数进行更新; 基于模糊规则生成准则和误差下降率修剪策略实现了模糊规则的增删减. 最后通过系统辨识和污水处理建模实验, 表明了该算法在保证网络精度和泛化能力的同时, 可以有效地简化网络结构.

     

基于神经网络的污水处理预测控制

针对国际水协(IWA)开发的基准仿真模型(Benchmark simulation model No.1,BSM1)中第5分区溶解氧质量分数和第2分区硝态氮质量分数的控制问题,提出了一种基于神经网络的多变量预测控制系统。控制系统中主要包括两部分:神经网络辨识器,用于提取对象的输出数据;神经网络控制器,用于输出控制变量。仿真结果表明:基于神经网络的预测控制系统具有较好的适应性和鲁棒性。     

基于RBF神经网络的出水氨氮预测研究北大核心CSCD

针对污水处理中关键水质参数氨氮(NH4+-N)难以在线实时准确检测且实验室取样检测时间长,精度低等问题,提出了基于RBF神经网络的出水氨氮软测量模型研究。首先,选择出对出水氨氮影响较大的辅助变量去预测氨氮的变化,然后,利用梯度下降算法优化RBF网络的结构和参数,结合北京市某污水处理厂的实测数据,对出水氨氮的预测进行仿真并与其他模型对比,结果显示,该模型具有预测误差相对较小,预测准确等优点,说明该预测模型对于氨氮的预测具有一定的实用价值。     

神经网络结构动态优化设计的分析与展望

阐述了神经网络结构设计对神经网络性能的影响. 介绍了动态结构神经网络, 尤其是增长型和修剪型神经网络研究的发展过程, 分析了动态设计方法研究在计算能力、学习理论和网络的稳定性等方面取得的成果. 最后对神经网络动态设计的研究进行总结, 给出了神经网络结构动态设计研究的发展趋势.