摘要：氮氧化物(nitrogen oxides,NO_(x))浓度的实时精准检测是实现脱硝过程闭环控制的前提,对提高城市固废焚烧(municipal solid waste incineration,MSWI)过程脱硝效率具有重要意义。为此,提出了一种基于注意力模块化神经网络(attention modular neural network,AMNN)的MSWI过程NO_(x)排放预测方法。首先,模拟脑网络“分而治之”处理复杂任务的特性,利用模糊C均值(fuzzy C-means,FCM)聚类算法将待预测任务划分为多个子任务,从而降低预测任务复杂度;其次,针对各子任务,设计一种自组织模糊神经网络(self-organizing fuzzy neural network,SOFNN)构建子模型,通过神经元增删机制和二阶学习算法提高子模型的学习效率和学习精度;然后,提出了一种基于注意力机制的子模型整合策略,进一步提高预测模型的泛化性能;最后,通过基准实验Mackey-Glass时间序列预测和北京某MSWI厂实际数据验证了AMNN的可行性和有效性。

摘要：烟气含氧量的精准控制对城市固废焚烧处理厂的稳定高效运行具有重要意义.然而,由于固废焚烧过程固有的非线性和不确定性,难以实现烟气含氧量的有效控制.为此,文中提出一种数据驱动的城市固废焚烧过程烟气含氧量预测控制方法.首先,设计了一种基于自组织长短期记忆(SOLSTM)网络的预测模型,结合神经元活跃度与显著性动态调整隐含层结构,提高了烟气含氧量的预测精度.其次,为了保证优化效率,利用梯度下降法求解控制律.此外,基于李雅普诺夫理论分析了所提方法的稳定性,确保控制器在实际应用过程中的可靠性.最后,基于实际工业数据对所提出的控制方法进行了验证,结果表明,提出的数据驱动预测控制方法能实现对城市固废焚烧过程烟气含氧量的稳定高效控制.

摘要：受限于检测技术难度、高时间与经济成本等原因,难测参数的软测量模型建模样本存在数量少、分布稀疏与不平衡等问题,严重制约了数据驱动模型的泛化性能.针对以上问题,提出一种基于多目标粒子群优化(Multi-objective particle swarm optimization, MOPSO)混合优化的虚拟样本生成(Virtual sample generation, VSG)方法.首先,设计综合学习粒子群优化算法的种群表征机制,使其能够同时编码用于连续变量和离散变量;然后,定义具有多阶段多目标特性的综合学习粒子群优化算法适应度函数,使其能够在确保模型泛化性能的同时最小化虚拟样本数量;最后,提出面向虚拟样本生成的多目标混合优化任务以改进综合学习粒子群优化算法,使其能够适应虚拟样本优选过程的变维特性并提高收敛速度.同时,首次借鉴度量学习提出用于评价虚拟样本质量的综合评价指标和分布相似指标.利用基准数据集和真实工业数据集验证了所提方法的有效性和优越性.

摘要：小世界神经网络具有较快的收敛速度和优越的容错性,近年来得到广泛关注.然而,在网络构造过程中,随机重连可能造成重要信息丢失,进而导致网络精度下降.针对该问题,基于Watts-Strogatz(WS)型小世界神经网络,提出了一种基于突触巩固机制的前馈小世界神经网络(Feedforward small-world neural network based on synaptic consolidation,FSWNN-SC).首先,使用网络正则化方法对规则前馈神经网络进行预训练,基于突触巩固机制,断开网络不重要的权值连接,保留重要的连接权值;其次,设计重连规则构造小世界神经网络,在保证网络小世界属性的同时实现网络稀疏化,并使用梯度下降算法训练网络;最后,通过4个UCI基准数据集和2个真实数据集进行模型性能测试,并使用Wilcoxon符号秩检验对对比模型进行显著性差异检验.实验结果表明:所提出的FSWNN-SC模型在获得紧凑的网络结构的同时,其精度显著优于规则前馈神经网络及其他WS型小世界神经网络.

摘要：全球汽车行业已进入新一轮转型期,智能网联汽车正在高质量发展,与人工智能深度融合。智能交互技术作为智能网联汽车的核心技术之一,是推动智能网联汽车技术发展的重要一环。如何培养具有创新能力的智能交互技术开发人员,并适应智能网联汽车间以及车与环境之间交互技术的快速发展是面临的一项重要挑战。在此背景下,本文结合智能时代高素质工程技术人才培养需求,建设了基于智能网联汽车应用的智能交互技术“五位一体”教学平台,这包括出版产教融合的新型态教材、建设在线课程、开发智能交互轮式机器人教学载体、虚拟仿真教学平台和设计实践教学案例,多维度、立体化地开展智能交互技术课程教学,丰富实践教学资源,并面向人工智能本科专业和智能网联汽车技术、人工智能技术应用等职业教育相关院校开放教学资源,对培养该领域创新型工科人才具有重要意义。

摘要：城市固体废物焚烧(municipal solid wastes incineration, MSWI)技术由于其高效的减容效果逐渐成为了生活垃圾处理的主要方式. MSWI过程产生的氮氧化物(nitrogen oxides, NOx)是大气中的主要污染物之一.为了在控制NOx排放的同时保证燃烧效率,提出一种基于多目标粒子群算法的MSWI过程风量智能优化设定方法.首先,结合最大相关最小冗余算法及前馈神经网络,建立燃烧效率和氮氧化物排放浓度预测模型;然后,提出分阶段多目标粒子群优化算法(staged multi-objective particle swarm optimization, SMOPSO),获得一次风流量和二次风流量的Pareto优化解集;此外,设计效用函数,确定一次风流量和二次风流量的最优设定值;最后,基于国内某城市固废焚烧厂的实际运行数据,验证所提方法的有效性.

摘要：城市污水处理过程优化运行的目标是保证出水水质达标,降低运行成本.为了实现该目标,需要动态更新污水处理过程操作变量的最优设定值.由于城市污水处理过程具有多变量、多冲突、多目标、多约束、动态、时变等特点,如何设计精确的污水处理过程运行指标模型,如何优化过程操作变量的最优设定值,是实现城市污水处理过程优化运行亟待解决的难题.本文梳理了城市污水处理过程优化设定方法的研究进展.首先,介绍了城市污水处理过程特性和过程优化设定问题;其次,分别概述了基于机理和基于数据驱动的城市污水处理过程运行指标建模方法;然后,分别讨论了城市污水处理过程单运行指标和多运行指标的操作变量设定值寻优算法;最后,展望了城市污水处理过程优化设定问题的未来研究方向.

摘要：针对标准长短期记忆(long short-term memory,LSTM)神经网络的结构参数众多、训练过程耗时长问题,提出一种基于自适应动量随机梯度下降(adaptive momentum stochastic gradient descent,AMSGD)算法的改进型长短期记忆神经网络(ILSTM-AMSGD神经网络),并将其用于时间序列预测中。首先,通过简化结构方程中的递归项权值,减少网络中所需训练的参数。其次,设计一种AMSGD算法对神经网络结构参数进行学习。最后,通过2个基准数据集和1个实际数据集对ILSTM-AMSGD神经网络模型在时间序列预测中的准确性和运行效率进行实验验证。结果表明,递归项权值简化方法可以提高模型的泛化能力,同时AMSGD算法加快了模型的收敛速度。与其他模型相比,ILSTM-AMSGD神经网络模型实现了对时间序列更加高效、准确的预测。