城市污水处理运行过程的优化控制方法是提高其运行效率和改善其运行效果的关键.然而,由于城市污水处理过程进水负荷多变,运行过程存在多种工况且变化频繁,导致城市污水处理过程难以实现优化运行.因此,如何设计优化控制策略应对多种工况变化,保证出水总氮和出水总磷等水质指标达标,是城市污水处理过程亟需解决的挑战性问题.本文设计了基于领域自适应的城市污水处理运行过程多工况优化控制方法(multi-operating optimization control with domain adaptive,MOOC-DA).首先,建立城市污水处理运行过程多工况优化目标模型,捕获运行能耗以及出水水质的时间序列特性,实现运行指标的精确预测.其次,设计基于多任务领域自适应粒子群的多工况优化设定方法,保证多工况运行出水水质达标.最后,设计基于多任务模糊神经网络的优化设定跟踪控制方法,实现城市污水处理过程多工况优化运行.为了验证所提出方法的有效性,基于活性污泥模型仿真平台将提出的MOOC-DA与其他优化控制方法进行对比实验.结果表明,该方法能够实现污水处理过程多工况的优化运行,保证出水总氮和出水总磷等水质指标达标.
卷积神经网络已在多个领域取得了优异的性能表现,然而由于其不透明的内部状态,其可解释性依然面临很大的挑战.其中一个原因是卷积神经网络以像素级特征为输入,逐层地抽取高级别特征,然而这些高层特征依然十分抽象,人类不能直观理解.为了解决这一问题,我们需要表征出网络中隐藏的人类可理解的语义概念.本文通过预先定义语义概念数据集(例如红色、条纹、斑点、狗),得到这些语义在网络某一层的特征图,将这些特征图作为数据,训练一个张量分类器.我们将与分界面正交的张量称为语义激活张量(Semantic Activation Tensors,SATs),每个SAT都指向对应的语义概念.相对于向量分类器,张量分类器可以保留张量数据的原始结构.在卷积网络中,每个特征图中都包含了位置信息和通道信息,如果将其简单地展开成向量形式,这会破坏其结构信息,导致最终分类精度的降低.本文使用SAT与网络梯度的内积来量化语义对分类结果的重要程度,此方法称为TSAT(Testing with SATs).例如,条纹对斑马的预测结果有多大影响.本文以图像分类网络作为解释对象,数据集选取ImageNet,在ResNet50和Inceptionv3两种网络架构上进行实验验证.最终实验结果表明,本文所采用的张量分类方法相较于传统的向量分类方法,在数据维度较大或数据不易区分的情况下,分类精度有显著的提高,且分类的稳定性也更加优秀.这从而保证了本文所推导出的语义激活张量更加准确,进一步确保了后续语义概念重要性量化的准确性.
暂无评论