基于小波分析的水质变化及预测研究——以涡河为例

以涡河流域2005—2018年(共168个月)的水质指标月监测数据为背景资料,探究小波分析和神经网络在流域水质方面的应用。通过小波分析来判别涡河流域水质指标的多尺度变化规律;运用主成分分析法选取涡河水质主要影响因子,并对主要影响因子建立小波神经网络预测模型。研究结果表明:各水质指标具有多尺度振荡的特点,且主要存在以8、20、30个月左右变化的主周期;目前影响涡河流域水质的主要因子是以化学需氧量为代表的污染因子;通过小波神经网络得到的化学需氧量预测值与实测值的曲线拟合较好,平均百分比误差(MRE)为8.4%,均方根误差(RMSE)为1.5,模型较稳定且预测精度较高。基于小波神经网络的应用为流域水质污染研究提供了一个新的思路。     

一种“KooN”结构的马尔可夫简并建模和简化计算的方法

IEC61508等标准提出了几种计算安全仪表系统需求时平均失效概率的方法,但是,对于具有冗余配置的复杂系统,随着组件数量的增加,系统的中间状态数量快速增长,用户难以构建马尔可夫模型,即便借助计算机来建模运算也较为耗时。提出了一种同型“K oo N”简并状态的马尔可夫建模的通用方法,首先是根据降级状态进行判断,将符合条件的状态进行简并,然后对标记为危险失效状态的概率进行计算。通过严格的理论推导,该简并状态方法可以在不损失精度的前提下简化马尔可夫建模。     

发酵工艺对白啤4-VG含量的影响分析

为提高白啤特征香气水平，研究了酵母菌种、酵母代数、酵母接种量、发酵温度、冷麦汁充氧量5种发酵工艺参数对白啤4-乙烯基愈创木酚（4-vinylguaiacol,4-VG）含量的影响。结果表明，选择酵母菌种为NO.3、0代酵母、酵母接种量为10百万个/mL、发酵温度为20℃、冷麦汁充氧量为22 mg/L的发酵工艺，白啤的4-VG含量有显著提高，为通过改进发酵工艺提高白啤4-VG含量提供了理论依据。     

紫外/氯胺消毒对供水系统中微生物数量分布的影响

针对上海临江水厂紫外/氯胺组合消毒供水系统，研究了紫外关闭前后，紫外/氯胺组合消毒和单氯胺消毒对供水系统中微生物数量分布的影响。结果表明：紫外/氯胺组合消毒对出厂水微生物的消毒效率比氯胺消毒更高。目前工艺条件下，组合消毒可做到对可培养细菌的100%灭活，单氯胺消毒只能达到97.71%～99.98%。单氯胺消毒下，管网异养菌平板计数均值相对紫外/氯胺组合消毒增加128.78%，二次供水异养菌平板计数均值相对增加8.94%，紫外/氯胺组合消毒相对单氯胺消毒可改善管网微生物生长水平，但不能改变管网微生物生长变化规律。二次供水的微生物水平仍明显高于供水管网。二次供水模式中，直供水模式的水质相对最好，水池+水箱供水模式的水质相对最差。相同供水模式下，组合消毒比单氯胺消毒对二次供水微生物的控制效果更好。     

基于图像处理研究铁尾矿的熔化行为

作为主要成分的SiO2是铁尾矿中最难熔化的部分.通过一组SiO2的熔化时序图像来探究铁尾矿的熔化情况.首先,进行图像预处理,建立质心位置追踪模型和体积估算模型.将灰度图转化为二值图,利用卡尔曼滤波器进行质心追踪和对质心运动轨迹的描述.通过计算二值图中0像素的数量得到面积随时间变化的图像,拟合出熔化过程函数.结合二值图中目标物体的边界信息得到的参数量建立多元线性回归模型.估算颗粒扁平度和物体的体积,熔融速率通过颗粒集合的质量变化函数得出.     

能耗优化的神经网络轻量化方法研究进展

近年来，神经网络在语音识别、计算机视觉、自然语言处理等领域都取得了良好的进展.大量的神经网络被部署于诸如手机、摄像头等依赖电池或太阳能供电的小型设备.但神经网络参数量大计算复杂，需占用大量计算资源并消耗电能，从而限制了其在资源受限平台上的应用.学术界和工业界逐渐关注于神经网络的高能耗问题.神经网络轻量化方法可以有效地减少参数数量、降低参数精度或优化计算过程从而降低神经网络能耗.本文从能耗优化的角度梳理了神经网络能耗估算方法和神经网络轻量化方法的基本思路，综述了近年来该领域主要研究成果，并提出了能耗估算和能耗优化的神经网络轻量化方法存在的挑战及进一步研究的方向.其中神经网络能耗估算方法包括测量法、分析法和估算法.能耗优化的神经网络轻量化方法包括剪枝、量化、张量分解和知识蒸馏.对于进一步研究方向我们认为，首先需要建立可自适应网络类型的能耗模型；然后需要考虑平衡精度和能耗的轻量化方法.其次需要实现硬件平台可泛化的轻量化方法；最后开发搜索空间可约束的轻量化方法.     

基于卷积神经网络的5G蜂窝网络无线定位方法

5G蜂窝网络发展迅猛，其覆盖面积将逐渐增大，因此使用5G蜂窝网络进行定位是有研究潜力的研究方向。本文提出一种新的深度学习技术来实现高效、高精度和低占用的定位，以代替传统指纹定位过程中繁重的指纹库生成以及距离计算。该方法建立了一个特殊的卷积神经网络，并根据5G天线信号的接收信号强度指示、相位和到达角等特征量，选择合适的输入数据格式构造样本组建训练集，对该卷积神经网络进行训练。训练得到的卷积神经网络可以替代指纹定位中的庞大指纹库，非常有利于直接在5G移动设备端实现定位。虽然卷积神经网络在训练过程中需要大量时间，但在训练完毕后直接进行分类定位的速度非常快，可以保障定位实现的实时性。本文所实现的卷积神经网络权重与偏置所占内存不到0.5 MB，且能够在实际应用环境中以95%的定位准确率以及0.1 m的平均定位精度实现高精度定位。