低温对污水生物处理过程的影响及改进措施

就低温对污水生物处理系统的硝化/反硝化进程、除磷过程、有机物去除和污泥沉降性等方面的影响,以及低温微生物的种类和特性进行分析,提出了若干条件下提高低温污水生物处理系统处理效能的改进措施.     

生物脱氮技术研究进展

传统的生物脱氮工艺存在许多不足之处,研究经济、高效、低耗的可持续脱氮工艺已成为污水处理的主要发展方向.笔者介绍了SHARON工艺、CANON工艺、ANAMMOX工艺、CAST等脱氮工艺的机理和特点,探讨了生物脱氮技术深入研究的方向.     

二龙山水库水体污染评价及治理措施

连续监测和分析了二龙山水库的水质,对水污染程度进行了评价,水库高锰酸盐指数、总氮和总磷超标严重,呈现富营养化状态,总体水质为Ⅳ类和Ⅴ类,已无法满足集中式生活饮用水水源地的水质要求.针对水库污染严重的现状,提出了控制污染源、削减污染物的综合治理措施.     

低温SBR法污水处理工艺若干研究进展

在阐述研究低温SBR工艺运行特性意义的基础上,分析了目前国内外关于低温微生物的研究现状,并通过对工程应用实例的剖析,探讨了低温SBR工艺去除有机污染物及脱氮除磷的效能.     

即食茼蒿生产工艺研究及贮藏期营养品质评价

本实验通过正交实验,以感官品质为指标,对即食茼蒿的加工条件(消毒浓度、焯水时间与甩干时间)进行优化,并测定其贮藏期间营养品质变化。结果表明:最佳工艺为消毒浓度为75 mg/kg,焯水时间为60 s,甩干时间为45 s。贮藏至4 d,其VC含量为2.53 mg/100 g,类黄酮含量为0.99 mg/g和多酚含量12.36 mg/g。该条件有利于提高即食茼蒿的商品价值,为人们提供营养。     

Granger因果关系时空图推理的群体行为分析

因果关系普遍存在于群体交互行为中，体现出主动体行为对被动体行为的有向影响.因果关系检测的难点在于交互双方的行为具有复杂的时间动态性.现有方法使用循环神经网络，来描述交互关系的时间变化特性，并使用时间注意力机制，来描述时间依赖关系.上述方法忽视了对多人依赖关系的分析，难以区分交互双方中的主动行为者和被动行为者.本文设计了一种基于Granger因果关系的时空图推理模型，来学习交互双方的主动和被动关系.为了实现Granger因果关系检测，该模型对单个个体时序特征进行自回归建模，来描述行为对个体自己的依赖.该模型对两个个体时序特征进行相关回归建模，来描述行为对两个个体的依赖.该模型通过比较自回归误差和相关回归误差，当自回归误差明显大于相关回归误差，则说明相关个体改变了另一方个体的行为特征，从而检测出相关个体为主动个体，另一方为被动个体.相关回归模型考虑了多种时间延迟量的两个个体的时序特征序列，用于学习两个个体之间行为的时间延迟量.该时间延迟量用于将主动个体时间特征与被动个体时间特征进行对齐.时间对齐后的主动个体特征提供了被动个体的时间和空间上下文特征，并与被动个体特征进行通道级的融合.为了充分...     

新型絮凝剂在污水处理和污泥脱水中的应用

根据污水和污泥处理中絮凝沉淀的作用机理与特点,针对实际工程应用中存在的问题,阐述了近年来新型絮凝剂在污水处理和污泥脱水中的应用状况,并与传统絮凝剂进行了比较;说明采用天然高分子物质(如淀粉、甲壳素、纤维素)通过改性,可制成高效、无毒、可生物降解、廉价的天然高分子絮凝剂,并与微生物絮凝剂共同逐步取代传统的无机和有机絮凝剂.     

基于对比记忆网络的弱监督视频异常检测

异常检测使用有限的训练集获得区分度高的特征，但是当异常实例与正常实例存在较多相似特征时，模型会因为异常特征参与正常特征编码产生误差。针对上述问题，提出了一种新型的对比记忆网络的弱监督视频异常检测方法。该方法在自动编码器的基础上使用对比学习框架，分离出与实际异常相似的样本特征，并设计记忆网络抑制正常样本内偏向异常的特征表达，提高了重建样本的稳定性。该算法构建了一种两阶段的异常行为检测网络。在阶段一，利用对比学习方法来增加正常行为特征和异常行为特征的差异，并利用该阶段学习到的特征构造记忆网络的增强项与抑制项。在阶段二，将记忆网络增强项设为多时刻正常行为特征，并利用记忆网络的抑制项更新增强项中偏向异常的特征信息，从而区分编码中正常与异常特征。该方法在UCF Crime和ShanghaiTech数据集的平均AUC值达到83.26%和87.53%,相较于现有方法分别提升了1.14%和2.43%。结果显示，该方法能够有效预测异常事件的发生时间。     

场景关系图学习的群组行为识别

为解决群组行为识别中复杂个体关系描述不准确，造成的个体关系推理不可靠的问题，关注于面向个体、群体、场景三个方面来构建场景关系图，提出场景关系图网络用于实现群组行为识别。该网络包括特征提取模块、场景关系图推理模块以及分类模块。特征提取模块通过卷积神经网络提取个体特征、群组特征、和场景特征。为了充分描述场景对于个体和群组描述的影响，场景关系图推理模块通过使用两分支网络分别建立个体—场景关系图以及群组—场景关系图帮助学习个体特征和群组特征。场景关系图推理同时考虑了个体特征对群组特征的影响，并引入了跨分支关系。分类模块用于将个体特征和群体特征进行分类预测。实验结果显示该方法在volleyball和collective activity数据集上的群组识别准确率分别提升了1.1%和0.5%,证实了提出的场景关系图在描述个体特征和群组特征上的有效性。