浅谈人工湿地处理垃圾渗滤液的应用

论述了人工湿地处理垃圾渗滤液的国内外处理现状、特点、机制,包括有机物、氨、重金属、藻类、悬浮物的去除机理。提出了人工湿地处理垃圾渗滤液目前存在的问题,并对今后的研究做出了展望。     

乳化液膜法分离含氰废水

通过介绍乳化液膜法分离含氰废水的原理、过程，分析了该法的分离效果及影响条件，并结合该工艺存在的问题提出了合理性的建议与展望。     

试论新形势下松辽流域水文化建设对策措施

文章阐述了流域水文化的内涵,介绍了松辽流域概况、水文化建设历史沿革及水文化建设现状,系统分析了加快推进松辽流域水文化建设的必要性,研究提出了新形势下松辽流域水文化建设对策措施。     

松辽流域水资源保护实践与探索

松辽流域水资源保护事业伴随着中国改革开放的步伐,自1978年开创以来,已经走过了30多年的光辉历程。为适应经济社会的发展需求,30年来流域水资源保护工作者坚持改革创新,锐意探索实践,对水资源保护事业的特点和规律认识不断深化,业务范围不断拓展,能力不断加强,基本     

松花江干流水质与主要城市取排水量径流量的关系

选取松花江干流具有代表性的14个监测断面,选择反映流域水环境特征指标的高锰酸盐指数、化学需氧量(COD)、五日生化需氧量(BOD5)、氨氮(NH3-N)、总磷等作为水质评价因子,运用基于因子分析定权的水质评价模型和零维河流完全水质模型评估水质状况.选取流域重要城市哈尔滨市、牡丹江市,分析其取排水和径流变化对河流水质的影响.     

基于阈值的脑白质纤维概率跟踪算法

概率跟踪算法仅对行走概率最大的方向进行跟踪,忽略了纤维走向概率较大的方向,且运算速度较慢。为此,提出一种基于阈值的快速概率跟踪算法。设定纤维走向的概率阈值,以找到更多交叉和分叉的纤维,在不影响纤维跟踪效果的情况下,对计算参数进行简化,从而提高运算速度。实验结果表明,与概率跟踪算法相比,该算法能更好地反映脑白质内神经纤维的分布情况,且缩短运算时间。     

基于感兴趣区域的边缘结构相似度图像质量评估

目前常用的评估算法忽视了图像中携带重要信息的边缘特征。基于感兴趣区域的双尺度边缘结构相似度算法虽然考虑了边缘信息的重要性,但对边缘信息的识别效果不理想。针对以上问题,提出边缘结构相似度图像质量评估算法,将图像分为感兴趣区域与不感兴趣区域,分别用边缘结构相似度算法和结构相似度算法对2种区域进行质量评估,并实现加权组合。实验结果表明,该算法对边缘信息的识别能力更强,对图像质量的变化更加敏感。     

结合梯度信息的特征相似性图像质量评估

目的 图像的边缘信息对于图像质量的评估非常重要.基于底层特征的图像质量评估算法(FSIM),虽然考虑了图像的底层特征,但该算法对边缘信息的识别能力不理想.针对以上问题,将FSIM算法与对边缘信息更敏感的梯度结构相似度(GSSIM)算法相结合得到一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法(FGSIM).方法 该算法将FSIM算法的相位一致性部分与GSSIM算法的提取图像信息的部分相结合从而得到一种新的图像质量评估算法FGSIM.其中,采用相位一致性表示图像的特征,用于保持评估算法接近人类视觉系统的特点,提取图像信息的部分通过图像的梯度来实现,用于更有效的识别图像边缘.结果 分别使用FSIM、GSSIM以及FGSIM算法对不同运动模糊程度、不同高斯模糊程度以及不同高斯噪声的图像进行质量评估,将得到的数据用曲线图表示,从图中可以看出:在运动模糊实验中,随图像模糊程度的增大,FGSIM算法的数值由0.8943下降到0.3443,变化更加明显,对运动模糊表现出更好的敏感性;在高斯模糊和高斯噪声实验中,FGSIM算法数值变化的程度虽然不如GSSIM算法好,但相较FSIM算法有一定的提高.FGSIM算法在公共测试图像库中与FSIM、GSSIM算法进行实验比较,FGSIM算法的散点图较FSIM算法稍差些,但与GSSIM算法相比具有非常大的改进,其散点图比GSSIM更为集中.采用较为常用的衡量评估方法性能的指标:皮尔逊相关系数、斯皮尔曼秩相关系数、KROCC 和均方根误差对评估算法的性能进行衡量,数据显示,FGSIM算法的性能比GSSIM算法好.结论 实验结果表明,FGSIM算法是一种既符合人眼视觉系统特点又能有效识别图像边缘的新的图像质量评估算法,该算法对边缘信息的识别能力更强,对图像质量的变化更加敏感.     

松辽流域生态风险管理对策研究

流域生态风险管理是水资源管理急需解决的重要问题。针对目前松辽流域生态风险评价的研究现状,探讨水生态毒理变化规律,解析流域中生物多样性,寻求建立适于松辽流域水功能区生态评价的指标体系,进而提出松辽流域多目标优化管理对策。     

基于FOA-SVM的汽轮机振动故障诊断

为解决支持向量机算法(Support Vector Machine,SVM)的核函数参数及惩罚因子参数选取的盲目性,利用果蝇优化算法(Fruit Fly Optimization Algorithm,FOA)对SVM中参数进行优化。提出基于FOA的SVM故障诊断算法,并对汽轮机故障实验数据进行模式识别。该算法能对SVM相关参数自动寻优,且能达到较理想的全局最优解。通过与常用的粒子群算法(Particle Swarm Optimization,PSO)与遗传算法(Genetic Algorithm,GA)优化后支持向量机进行对比。结果表明,FOA-SVM算法稳定、识别速度快、识别率高。