村镇街区污水处理工艺研究及运行效果分析

针对村镇街区污水排放方式与收集特点,提出了微动力A/O一体生化降解+尾水人工湿地生态强化技术,实现了污水收集与有效处理,CODCr、NH3-N、TN、TP等污染物指标均达到《城镇污水处理厂污染物排放标准(GB 18918-2002)》一级B要求。经测算,采用本技术治理的常州市武进区石坝上街区工程,运行费用仅为0.163元/m3污水,每年可实现CODCr、NH3-N、TP和TN减排量分别为9.95、2.61 t和0.15、3.17 t,减排效果明显。对于整个苏南乃至全国同类村镇街区污水处理都有一定的技术参考价值。     

一种基于CAN总线的多路换向多级调节液压系统

设计一种基于CAN总线的多路换向多级调节的工程机械液压系统,提供一种功能更优、控制管理化、制造成本低、维护费用低、工程机械效率更高、灵活多变开放模式,可适用于各种车辆与工程机械相结合的液压传动驱动系统。CAN总线有效支持分布式控制的应用,以及实际生产中各种行走机械-液压系统。     

双输入双任务注意力网络融入噪声标签纠正机制的人脸美丽预测

人脸美丽预测是研究让计算机具有与人相似的人脸美丽预测能力的前沿课题,目前存在监督信息不足、模型易受噪声标签影响等问题。多任务注意力网络（Multi-Task Attention Network,MTAN）利用单个数据库的多种标签类型数据进行监督训练,但忽略了多个仅有一种标签类型的数据库进行多任务训练时效果不佳的问题;同时,未考虑噪声标签对MTAN的影响。噪声标签纠正机制通过比较最大预测概率和标签对应预测概率,来纠正噪声标签。为此,本文结合MTAN,提出双输入双任务注意力网络（Dual-Input Dual-Task Attention Network,DIDTAN）,并融入噪声标签纠正机制。其中,DIDTAN能同时利用两个单标签类型人脸美丽数据库的监督信息,从而解决监督信息不足;而该网络融入噪声标签纠正机制,解决了噪声标签的影响,进而提高了人脸美丽预测准确率。DIDTAN将MTAN中任务共享的批量归一化层（Batch Normalization,BN）扩展为不同任务特定的BN层;引入神经辨别性降维（Neural Discriminative Dimensionality Reducti...     

重污染村镇河道水环境生态修复治理技术与示范

针对重污染村镇河道——常州武进南宅河现状,采用底质改性、微纳米气泡复氧系统、微气泡复氧造流器系统、高效净水膜、浮岛式湿地与底栖动物控养等组合式生态修复工艺技术进行治理。工程运行结果表明,原河道的水质得到明显的改善,河水水质由治理前有劣Ⅴ类达到了治理后Ⅳ～Ⅴ类(《地表水环境质量标准(GB3838-2002)》),氮磷流失得到有效控制,为苏南地区乃至我国南方黑臭河道的治理提供了一种借鉴,工程示范与推广意义重大。     

村镇工业集中区生活污水处理技术分析

以苏南某工业集中区及其周边村庄排放的生活污水为对象,采用"砖砌地埋式A/O"结合"河道生物强化"技术,污水经二级串联厌氧、五级串联好氧生化处理,尾水进入河浜进行原位河道生物强化,出水COD、NH3-N、TP、SS等均达到《城镇污水处理厂污染物排放标准(GB 18918-2002)》的一级B标准。该技术具有投资少、成本低,运行管理方便等特点,对于工业集中区生活污水处理具有一定的示范作用。     

氟化废水臭气处理工程实例

某氟化企业污水处理厂臭气处理工程,针对臭气成分复杂、浓度高的特点,以两级碱洗+生物滤池+植物液喷淋为主体工艺,合理配置附属设备,处理效果稳定,处理后的气体满足《恶臭污染物排放标准》(GB 14554—1993)的二级排放标准。     

一种基于自监督学习的人脸美丽预测方法

人脸美丽预测是研究如何让计算机判断人脸美丽的前沿课题，随着深度学习的不断进展，已经取得了一定效果。然而，基于深度学习的人脸美丽预测需要大量的训练数据和昂贵的人脸美丽标注。因此，如何在少样本条件下取得较好效果，仍有待深入研究。自监督学习可在上游任务中利用无标注数据来学习较好的特征，从而能在下游任务中降低对标注数据的依赖。为此，本文将自监督学习应用于人脸美丽预测，采用批次内对象识别和多视图特征聚类。其中，批次内对象识别通过给每批次不同样本分配独立的伪标签来学习特征，使得网络有区分每个样本对象的能力。多视图特征聚类首先将人脸图像进行多次数据增强；再经过编码器，得到人脸属性特征；最后通过自监督约束使人脸属性特征聚合在一起。基于大规模亚洲人脸美丽数据库（Large Scale Asia Facial Beauty Database, LSAFBD）和SCUT-FBP5500数据库的实验结果表明，本文所提方法降低了模型对有标注数据的依赖，提高了预测准确率，在少样本条件下优于以Resnet18为基线的有监督学习方法，准确率高于常规自监督学习方法，可广泛应用于目标检测和图像分类等领域。