基于智能前馈的垃圾焚烧炉脱硝控制策略

针对选择性非催化还原（SNCR）脱硝控制系统大迟延、大惯性的特点,以及垃圾特性不稳定和燃烧状态波动大导致的脱硝控制稳定性差的问题,设计了一套基于智能前馈的垃圾焚烧炉脱硝控制策略。该控制策略以串级PID控制为基础,采用基于偏最小二乘法（PLS）的模型预测前馈和关键变量前馈相结合的智能前馈结构,同时采用模型预测误差自修正方法以保证模型预测的精度和稳定性。将该脱硝智能控制策略应用于某500 t/d垃圾焚烧机组,应用结果表明:脱硝智能控制投入前,NOx排放质量浓度波动较大,统计时间内NOx质量浓度相对标准偏差为19.81%,其中瞬时NOx排放质量浓度小于150 mg/m3的占比为95.62%;脱硝智能控制投入后,NOx排放质量浓度波动显著减小,统计时间内NOx质量浓度相对标准偏差为12.40%,其中瞬时NOx排放质量浓度小于150 mg/m3的占比为99.31%,,控制稳定性显著提高,统计时间内日均进氨流量和日均进氨总量较智能控制投入前分别下降38.81%和38.82%,实现了垃圾焚烧炉SNCR脱硝系统的稳定、经济和环保运行。     

基于贝叶斯推断的脑源定位估计技术及应用

脑电图和脑磁图信号具有无创性和高时间分辨率,能够反映快速变化的大脑神经活动.然而,由于容积传导,脑电图和脑磁图空间分辨率较低.根据头表脑电图和脑磁图估计皮层脑源活动,即脑源定位技术,能够提供具有更高空间分辨率的信息,在认知过程基本机理理解和脑损伤病理学特征分析上发挥重要的作用.本文首先介绍脑源定位技术基本概念,然后具体介绍了基于贝叶斯概率推断的脑源定位技术,将当前的脑源定位技术分为基于空间先验约束和基于时间空间先验约束两大类,分析了不同算法的特性,接着介绍了基于贝叶斯的脑源定位技术的应用领域,最后介绍脑源定位技术的未来发展趋势.     

宽度学习系统在蘑菇毒性判别中的应用

为了提升蘑菇毒性判别的准确率,消除个体差异,本文提出了一种基于宽度学习系统的蘑菇毒性判别方法。文章首先对蘑菇各特征指标与其毒性判别的相关性进行了探究,其所得结果显示蘑菇的气味和颜色是其区分度最大的特征,该结果与人工判别积累的经验相符。接着构建宽度学习系统并进行训练,对比分析不同样本量情况下所提方法的准确率,发现当样本数量大于1000时,宽度学习系统分类准确率便高于99.5%。与BP-神经网络相比,该方法准确率高且所需训练时间短。最后依据宽度学习系统的增量学习算法,在模型性能不满足要求时,通过增加隐藏层节点快速更新系统,使系统分类准确率从98.55%提升至99.99%,而不需要将网络重新进行训练,这使实时判别蘑菇毒性成为可能。因此对比其他方法,基于宽度学习系统的蘑菇毒性判别方法具有准确率高、训练时间短、判别迅速且易拓展的优点。