摘要：为提升机器人在杂乱环境中推抓协同性能、增强网络感知物体位置和物体间的位置信息的能力,提出一种基于物体位置信息的推动与抓取协同网络来解决机器人在杂乱环境中的抓取问题。该网络使用2个全卷积网络分别从视觉观察中推断出抓取和推动操作的位置与方向。使用坐标注意力模块分别沿着二维空间的2个方向聚合特征,即在水平空间方向上捕获长距离依赖关系的同时在垂直空间方向上保持物体的位置信息。然后生成推动和抓取的位置特征的注意力图,以提升网络推断操作位置的准确性。提出物体分散度从全局角度衡量环境中物体间的分散程度,并设计基于物体分散度的推动奖励函数来提升推动动作的质量。在仿真实验中,该网络的抓取成功率和动作效率分别为75.1%和73.2%。在现实世界中,该网络的抓取成功率和动作效率分别为80.1%和76.2%。

摘要：自适应评判技术已经广泛应用于求解复杂非线性系统的最优控制问题,但利用其求解离散时间非线性随机系统的无限时域最优控制问题还存在一定局限性.本文融合自适应评判技术,建立一种数据驱动的离散随机系统折扣最优调节方法.首先,针对宽松假设下的非线性随机系统,研究带有折扣因子的无限时域最优控制问题.所提的随机系统Q-learning算法能够将初始的容许策略单调不增地优化至最优策略.基于数据驱动思想,随机系统Q-learning算法在不建立模型的情况下直接利用数据进行策略优化.其次,利用执行−评判神经网络方案,实现了随机系统Q-learning算法.最后,通过两个基准系统,验证本文提出的随机系统Q-learning算法的有效性.

摘要：考虑到城市污水处理系统存在保证出水水质达标和降低能耗的需要,将其运行过程视为一个多目标优化控制问题.针对此问题,提出一种基于多目标粒子群优化(Multi-objective particle swarm optimization,MOPSO)算法的污水处理系统自适应评判控制方案,该方案分为上层优化和底层跟踪控制两部分.首先,污水处理过程存在非线性、多变量、大时变等特点,结合数据驱动思想对入水及出水组分数据进行分析,构建关于出水水质和运行能耗的多目标优化模型.采用径向基函数(Radial basis function,RBF)神经网络进行建模,并与反向传播(Back propagation,BP)神经网络进行了对比.然后,结合MOPSO算法强大的优化能力,采用MOPSO算法对优化目标进行求解,并设计一个决策方式从最优解集中选出偏好解,作为溶解氧与硝态氮浓度的最优设定值.接下来,底层跟踪控制部分采用基于自适应动态规划的辅助控制器对比例–积分–微分算法的控制策略进行补充,弥补了传统控制算法自适应能力差的不足.此外,比例–积分–微分算法也为自适应动态规划算法提供了初始的稳定控制策略,克服了学习算法前期控制效果差的缺陷,保证了污水处理过程的安全性和可靠性.最终,该控制器成功实现了对最优设定值的跟踪控制.将所提算法在污水处理基准仿真平台上进行验证,结果表明所提算法能有效地提高污水处理过程的运行性能,不仅能保证出水水质达标,同时能有效地降低污水处理过程产生的能耗.

摘要：针对现有的污水处理过程存在碳排放机理不清且难以评估,无法通过有效的调控方式降低碳排放总量的问题,设计了一种数据驱动的污水处理曝气过程低碳优化控制方法。首先,通过深入分析碳排放影响因素及其与水质指标的相互关系,获得了曝气过程各水质指标和碳排放之间的关联关系;其次,采用数据驱动的方法,设计了曝气过程能耗与碳排放的优化模型,以获取曝气过程最优化的控制策略;最后,将获取的曝气过程低碳优化控制方法应用于基准仿真模型。测试结果说明该方法能够有效地跟踪控制曝气过程,降低能耗与碳排放量总量。

摘要：脱硫过程是具有高度动态非线性和较大延迟时间的复杂工业过程,为了解决烟气脱硫过程的建模问题,设计了注意力机制下的深度长短期记忆(attention mechanism-based long short-term memory,AttLSTM)网络,并基于该网络设计自动编码器,完成脱硫过程异常点的检测。该文首次提出使用AttLSTM网络自编码器对脱硫过程进行离群点检测,并且该网络模型同样首次应用于脱硫过程的辨识任务中。从更深的意义上讲,该文尝试使用深度学习模型对复杂系统进行辨识,所建立的AttLSTM网络之前未出现在系统辨识领域,该网络的出现可以丰富辨识模型的选择,同时为人工智能技术在系统辨识领域和控制领域的应用与推广提供参考。实验结果表明,相比于之前文献出现的脱硫过程建模方法,所提方法在不同性能指标上均具有更好的表现,由此可以证明深度AttLSTM网络在脱硫场景下的有效性。

摘要：视频数据在存储与网络传输时,通常使用标准压缩算法对原始视频进行压缩。针对压缩后视频存在压缩伪影导致视频质量下降的问题,本文提出一种基于深度学习的后处理方法提高压缩视频质量。首先,提出一种新的三维卷积时空融合网络(3D-CSTF),通过三维卷积的滤波特性提取连续视频帧之间的时空信息,并利用视频帧之间信息的强相关性来提高视频质量。其中,设计了一种用于映射和提取视频帧特征的质量增强网络(Qe-Net)。其次,将7个连续的视频帧送到网络进行端到端训练,利用前3帧和后3帧的信息增强当前帧。最后,在MFQE数据集上进行训练和测试。实验结果表明,该方法在视频质量评估标准峰值信噪比(PSNR)上取得了良好的性能。当量化参数(QP)等于37、32、27和22时,相比压缩后的视频,PSNR分别增加0.82 dB、0.83 dB、0.79 dB和0.74 dB。

摘要：针对城市污水处理膜污染难以精准决策的问题,提出一种基于知识模糊迁徙的膜污染决策方法。首先,结合城市污水处理运行过程数据和运行经验,利用模糊规则的形式实现膜污染决策知识的表达;其次,提出一种知识重构机制(knowledge reconstruction mechanism,KRM),动态平衡源域与目标域之间的准确性和多样性,并采用知识迁徙的方法完成决策知识重构;最后,建立一种基于数据和知识驱动的区间二型模糊神经网络(data-knowledge-driven interval type-2 fuzzy neural network,DK-IT2FNN)的决策模型,利用模糊规则设计模型参数,采用迁徙梯度下降算法动态调整网络权值,提高决策精度。实验结果表明,该模型能够实现膜污染的精准决策。

摘要：为及时发现裂缝问题并减少潜在的危害,提出一种公路边坡裂缝的自动监测方法。以公路边坡裂缝为研究对象,针对裂缝图像形态不规则、周边环境干扰大的特点,设计了公路边坡裂缝分割网络(slope cracks segmentation network,SCSNet)和公路边坡裂缝几何参数计算方法。该网络首先采用编码器逐渐捕获更高层次的语义特征,其次采用解码器通过逐渐恢复空间信息并结合跳跃连接融合不同尺度间的信息,然后利用通道注意力机制,学习每个通道间的特征,增强裂缝的特征表达。另外,提出参数计算方法,基于连通域分析得到裂缝连通域,并计算裂缝长度、宽度、面积几何参数。实验结果表明:裂缝分割网络的平均交并比达87.86%,该网络能较好地提取公路边坡裂缝特征;裂缝几何参数计算方法能较准确地测算裂缝的当前状态。

摘要：以北京市东水西调工程中的杏石口泵站为例,泵站人工巡检存在巡检场景多、项目多、工作量大、存在安全隐患等问题,导致人工巡检效率低、工作质量难以得到保证,影响泵站安全稳定的运行。为有效提高巡检效率,保证巡检安全性、可靠性,从根本上实现泵站智能化的建设目标,在泵站巡检中使用行走式智能巡检机器人进行辅助巡检是非常有必要的。泵站行走式智能巡检机器人具有巡检、机器视觉识别、传感器数据采集、数据统计等功能,在泵站巡检中具有其自身独特的优势。本文以杏石口泵站为例,探究了行走式智能巡检机器人的系统设计、主要功能和具体应用,通过实际应用分析,行走式智能巡检机器人能够提升泵站巡检的效率、保证人员巡检的安全,值得进行推广应用。

摘要：为解决泵站场景下远距离小尺寸目标和特征遮挡等因素对泵站安全风险检测任务带来的挑战,文章提出一种融合坐标注意力机制和梯度流特征提取模块的泵站安全风险检测算法。通过在特征提取网络中采用梯度流特征提取模块以提高网络的特征提取能力,同时引入坐标注意力机制模块提升对全局信息的捕获能力,最后在特征融合模块采用BiFPN结构提高对不同尺寸目标特征的融合效果。在泵站场景下进行实验,结果表明文章所提算法在泵站场景下的安全风险检测任务中算法平均准确度达到94.78%,与常见的目标检测算法相比具有较好的效果。