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.
针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。...
详细信息
针对三维高效视频编码(three-dimensional high efficiency video coding,3D-HEVC)深度图编码单元(coding unit,CU)划分复杂度高的问题,提出一种基于卷积神经网络(convolutional neural networks,CNN)的算法来实现快速深度图帧内编码。首先,提出一种具有3个分支的注意力-残差双特征流卷积神经网络(attention-residual bi-feature stream convolutional neural networks,ARBS-CNN)模型,其中基于残差模块(residual module,RM)和特征蒸馏(feature distill,FD)模块的2个分支用于提取全局图像特征,基于动态模块(dynamic module,DM)和卷积-卷积块注意力模块(convolutional-convolutional block attention module,Conv-CBAM)的分支用于提取局部图像特征;然后,将提取到的特征进行整合并输出,得到对深度图CU划分结构的预测;最后,将ARBS-CNN嵌入到3D-HEVC测试平台中,利用预测结果加速深度图帧内编码。与原始算法相比,提出的算法能在维持率失真性能几乎不受影响的条件下,平均减少74.2%的编码时间。实验结果表明,该算法能够在保持率失真性能的条件下,有效降低3D-HEVC的编码复杂度。
暂无评论