基于中心损失的条件生成式对抗网络的冷水机组故障诊断

针对冷水机组产生的故障数据不足,数据集中正常数据和故障数据数量不平衡,进而导致故障诊断精度下降的问题,提出一种基于中心损失的条件生成式对抗网络(central loss conditional generative adversarial network,CLCGAN)和支持向量机(support vector machine,SVM)的故障诊断方法。首先,CLCGAN利用少量真实故障数据生成新的故障数据;然后,将生成的故障数据与初始数据集混合,使正常数据与故障数据的数量达到平衡;最后,利用平衡数据集构建SVM模型进行故障诊断。在GAN生成冷水机组故障数据时,构建动态中心损失项并加入到目标函数中,利用动态的中心损失减少冷水机组生成的各种故障数据的类内距离,从而降低各个故障生成数据之间的重叠程度,增加生成数据的可靠性。在生成故障数据之前配置相应的故障标签,并输入到CLCGAN中指导数据生成过程,使生成的故障数据可以均衡地分布于各个故障类别。在ASHRAE 1043-RP数据集上对所提方法进行了验证,结果表明,相较于其他解决数据不平衡问题的故障诊断方法,所提方法具有更高的故障诊断准确率。     

面向城市固废焚烧过程的二噁英排放浓度检测方法综述

焚烧在城市固体废物(Municipal solid wastes, MSW)的无害化、减量化和资源化处理方面优势显著. MSW焚烧(MSW incineration, MSWI)过程副产品之一的剧毒持久性污染物二噁英(Dioxins, DXN)是造成焚烧建厂“邻避效应”的主要原因. DXN排放浓度难以在线实时检测的工业现状已成为制约MSWI过程运行优化与城市环境污染控制的瓶颈. 首先, 结合典型MSWI过程分析DXN的生成特性与排放控制策略; 接着, 将DXN排放浓度检测方法从测量原理、复杂度和时间尺度等视角分为离线直接检测法、指示物/关联物在线间接检测法和软测量法并进行综述; 然后, 对不同方法的发展阶段和关联性进行分析, 指出各自的优劣性和相互间的互补性, 结合MSWI过程特点归纳基于过程数据进行DXN排放浓度软测量的难点, 并将其提炼为一类面向小样本高维稀疏标记数据的智能建模问题; 最后, 指出进行DXN排放浓度智能软测量的未来研究方向和发展前景.     

基于简化型LSTM神经网络的时间序列预测方法

针对标准长短期记忆(long short-term memory, LSTM)神经网络用于时间序列预测具有耗时长、复杂度高等问题,提出简化型LSTM神经网络并应用于时间序列预测.首先,通过耦合输入门与遗忘门实现对标准LSTM神经网络的结构简化;其次,从门结构控制方程中消除输入信号与偏差实现进一步精简;然后,采用梯度下降算法更新简化型LSTM神经网络的参数;最后,通过2个时间序列基准数据集及污水处理过程出水生化需氧量(biochemical oxygen demand, BOD)质量浓度预测进行实验验证.结果表明:在不显著降低预测精度的情况下,所设计的模型能够缩短训练时间,减少LSTM神经网络的计算复杂度,实现时间序列的预测.     

基于邻域信息约束与自适应窗口的立体匹配算法

针对传统的Census立体匹配算法对噪声敏感,在视差不连续区域容易出现误匹配的问题,提出了一种基于邻域信息约束与自适应窗口的立体匹配算法.首先,针对传统Census算法对中心像素依赖高的问题,采用邻域十字窗口的加权平均和的方式对中心像素进行赋值.然后,通过设置自适应阈值,将支持窗口的邻域像素与中心像素进行相似性的二次代价计算并与初始代价进行融合,对匹配结果进行进一步约束.在代价聚合阶段,采用颜色阈值不断变化的三约束法进行窗口的构建,并在聚合过程中引入噪声剔除策略.最后,在视差精化阶段采用左右一致性检测与区域投票相结合的方法对视差图进一步优化.使用Middlebury测试平台的标准立体图像进行实验,结果表明:该方法能够有效降低图像对高斯噪声的敏感性,并在误匹配率上低于多种立体匹配算法.     

城市污水处理过程自适应滑模控制

针对城市污水处理过程时滞导致难以稳定控制的问题, 提出一种自适应滑模控制方法(Adaptive sliding mode control, ASMC). 首先, 分析推流时滞对城市污水处理生化反应过程的影响, 建立时滞影响下的城市污水处理运行控制模型; 其次, 设计一种基于模糊神经网络的预估补偿模型, 完成滞后变量的准确预测, 实现控制模型中变量时刻的统一; 最后, 设计一种具有自适应开关增益系数的滑模控制器(Sliding mode control, SMC), 实现溶解氧和硝态氮的稳定控制. 将提出的自适应滑模控制方法应用于城市污水处理过程基准仿真平台, 实验结果显示该方法能够实现城市污水处理运行过程稳定控制.     

基于多分支网络的深度图帧内编码单元快速划分算法

3维高效视频编码(3D-HEVC)标准是最新的3维(3D)视频编码标准,但由于其引入深度图编码技术导致编码复杂度大幅增加。其中,深度图帧内编码单元(CU)的四叉树划分占3D-HEVC编码复杂度的90%以上。对此,在3D-HEVC深度图帧内编码模式下,针对CU四叉树划分复杂度高的问题,该文提出一种基于深度学习的CU划分结构快速预测方案。首先,构建学习深度图CU划分结构信息的数据集;其次,搭建预测CU划分结构的多分支卷积神经网络(MB-CNN)模型,并利用构建的数据集训练MB-CNN模型;最后,将MB-CNN模型嵌入3D-HEVC的测试平台,通过直接预测深度图帧内编码模式下CU的划分结构来降低CU划分复杂度。与标准算法相比,编码复杂度平均降低了37.4%。实验结果表明,在不影响合成视点质量的前提下,该文所提算法有效地降低了3D-HEVC的编码复杂度。     

基于双鉴别器生成对抗网络的单目深度估计方法

针对自监督单目深度估计精度不高的问题, 提出一种基于双鉴别器生成对抗网络的自监督单目深度估计方法. 该方法利用生成对抗网络在合成视觉上可信的图像方面的优势, 进一步提高了自监督单目深度估计的精度. 首先, 为充分利用重建图像, 在Wasserstein生成对抗网络的基础上进行改进, 构建了2个鉴别器的结构. 双鉴别器对生成器的要求和训练目标更加严苛, 避免了由于只在左图像或右图像上引入鉴别器而造成的信息损失. 其次, 针对该网络的结构, 提出了一种局部-全局一致的损失函数, 保证了像素的真实性和局部-全局内容的一致性. 在KITTI基准测试集中与单目深度估计的相关代表方法进行了比较, 实验结果表明, 该方法有效地提高了单目深度估计的精度, 具有较好的深度估计的性能.

     

污水处理厂出水水质变量区间预测建模

为了实现污水处理厂的有效运行,需要建立能够精确描述水厂行为的模型。根据水厂入水和出水数据,采用径向基函数神经网络建立污水处理过程模型。考虑到建模误差有界,使用参数线性集员辨识算法分别得到隐含层到输出层各神经元连接权值向量的不确定集合描述。与现有的单输出区间预测模型相比,该模型能够根据水厂入水数据同时给出多个出水水质变量的置信区间。这些区间能表征出水变量的存在范围,从而实现水质变量的可靠估计,进而评估出水水质或水厂性能。此外,还将此出水区间预测模型用于污水处理厂的故障检测与隔离,以提高水厂运行的可靠性。实验结果表明文中所提方法的有效性。     

基于量子行为烟花算法的移动机器人路径规划及平滑

针对移动机器人全局路径规划问题,提出一种基于量子行为烟花算法(quantum-behaved fireworks algorithm,QFWA)的路径规划方法.改进算法在基本烟花算法(fireworks algorithm, FWA)的基础上增加了基于量子行为的烟花爆炸策略.该策略使得种群在接近全局最优时具有较强的局部搜索能力,同时在种群远离全局最优位置时具有较强的全局搜索能力.改进算法提高了烟花爆炸产生火花的多样性和算法的收敛速度.在Benchmark测试函数上将改进算法与其他几种优化算法进行了对比,结果表明改进算法的性能优于其他算法.将QFWA应用于求解移动机器人路径规划问题,并采用均值滤波结合人工势场法对规划出的路径进行路径平滑处理.仿真实验结果表明改进方法在移动机器人路径规划问题上的可行性和有效性.     

基于自组织递归模糊神经网络的BOD软测量

生化需氧量是污水处理过程中评价水质的重要指标之一,神经网络软测量是解决其在线测量困难的主要方法。污水处理是一个动态的过程,而前馈神经网络由于缺乏动态性而难以保证对其的测量精度。本文提出了一种自组织递归模糊神经网络,建立了内部的反馈连接以增强网络动态性能,通过评估神经元的互信息关系和激活强度以增长或修剪规则层神经元,采用梯度下降学习算法进行参数更新,并结合自适应学习率以提高收敛精度。通过对实际污水厂数据的实验结果表明,本文提出的模型结构更紧凑,对出水生化需氧量的预测精度更高。