CN116151768A - 城市污水处理监管方法及其系统 - Google Patents
城市污水处理监管方法及其系统 Download PDFInfo
- Publication number
- CN116151768A CN116151768A CN202310211215.7A CN202310211215A CN116151768A CN 116151768 A CN116151768 A CN 116151768A CN 202310211215 A CN202310211215 A CN 202310211215A CN 116151768 A CN116151768 A CN 116151768A
- Authority
- CN
- China
- Prior art keywords
- feature
- rotation speed
- vector
- stirring rotation
- matrix
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000011282 treatment Methods 0.000 title claims abstract description 89
- 239000010865 sewage Substances 0.000 title claims abstract description 83
- 238000000034 method Methods 0.000 title claims abstract description 64
- 238000003756 stirring Methods 0.000 claims abstract description 269
- 230000008859 change Effects 0.000 claims abstract description 136
- 238000003062 neural network model Methods 0.000 claims abstract description 33
- 239000013598 vector Substances 0.000 claims description 307
- 239000011159 matrix material Substances 0.000 claims description 157
- 238000012544 monitoring process Methods 0.000 claims description 135
- 239000007788 liquid Substances 0.000 claims description 60
- 238000000605 extraction Methods 0.000 claims description 57
- 238000002156 mixing Methods 0.000 claims description 52
- 238000013527 convolutional neural network Methods 0.000 claims description 47
- 238000012545 processing Methods 0.000 claims description 27
- 238000010586 diagram Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 20
- 230000003247 decreasing effect Effects 0.000 claims description 14
- 230000009467 reduction Effects 0.000 claims description 14
- 230000004044 response Effects 0.000 claims description 14
- 230000004927 fusion Effects 0.000 claims description 13
- 230000004043 responsiveness Effects 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000012937 correction Methods 0.000 claims description 5
- 238000012546 transfer Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 19
- 239000000203 mixture Substances 0.000 abstract description 2
- 238000009826 distribution Methods 0.000 description 22
- 238000003860 storage Methods 0.000 description 11
- 239000002699 waste material Substances 0.000 description 11
- 239000011259 mixed solution Substances 0.000 description 10
- 239000000243 solution Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 9
- 238000013135 deep learning Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 239000010841 municipal wastewater Substances 0.000 description 7
- 238000004065 wastewater treatment Methods 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013507 mapping Methods 0.000 description 5
- 238000005065 mining Methods 0.000 description 5
- 239000010802 sludge Substances 0.000 description 5
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 4
- 230000018109 developmental process Effects 0.000 description 4
- 230000001105 regulatory effect Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000670 limiting effect Effects 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000005273 aeration Methods 0.000 description 2
- 238000004378 air conditioning Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 229910002092 carbon dioxide Inorganic materials 0.000 description 2
- 239000001569 carbon dioxide Substances 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011946 reduction process Methods 0.000 description 2
- 241000361919 Metaphire sieboldi Species 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000003750 conditioning effect Effects 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000010336 energy treatment Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 244000005700 microbiome Species 0.000 description 1
- 238000003058 natural language processing Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000003647 oxidation Effects 0.000 description 1
- 238000007254 oxidation reaction Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 238000004064 recycling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
- 238000003911 water pollution Methods 0.000 description 1
Images
Classifications
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/006—Regulation methods for biological treatment
-
- C—CHEMISTRY; METALLURGY
- C02—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F—TREATMENT OF WATER, WASTE WATER, SEWAGE, OR SLUDGE
- C02F3/00—Biological treatment of water, waste water, or sewage
- C02F3/02—Aerobic processes
- C02F3/12—Activated sludge processes
- C02F3/1278—Provisions for mixing or aeration of the mixed liquor
- C02F3/1284—Mixing devices
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/10—Office automation; Time management
- G06Q10/103—Workflow collaboration or project management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W10/00—Technologies for wastewater treatment
- Y02W10/10—Biological treatment of water, waste water, or sewage
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Tourism & Hospitality (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Organic Chemistry (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Chemical & Material Sciences (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Microbiology (AREA)
- Hydrology & Water Resources (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Operations Research (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
Abstract
本申请涉及智能监管领域,其具体地公开了一种城市污水处理监管方法及其系统,其通过采用基于深度学习的神经网络模型,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
Description
技术领域
本申请涉及智能监管领域,且更为具体地,涉及一种城市污水处理监管方法及其系统。
背景技术
近年来,随着社会的发展和技术的进步,对污水处理技术的要求也由简单的无害化,逐渐提升到资源化和能源化。开发经济、高效的无水处理技术已经成为水污染控制工程领域的研究重点。
传统城市污水处理技术的思路是通过曝气氧化,将污水中的有机物分解为二氧化碳,并通过微生物的同化作用,转变为污泥细胞。一方面,曝气需要消耗大量的能量,每氧化1gCOD,有13.9KJ的能量以热的形式散发,不符合目前节能降耗的发展方向;另一方面,大量有机碳转化为气体的二氧化碳,不仅加剧了大气温室效应、造成环境二次污染,还减少了污水可回收碳源的总量。
针对上述技术问题,中国专利CN 107915377A揭露了一种城市生活污水处理方案,其以下步骤:(1)活性污泥或含活性污泥的复合材料处理;(2)静置;(3)调理;(4)制粒;(5)蚯蚓生物处理。
在上述方案的实施中,在活性污泥处理中,关键在于搅拌控制,如果搅拌过分,则会浪费不必要能源,如果搅拌不足,则会影响后续静置及其他后续处理的效果。
因此,期待一种城市污水处理监管方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种城市污水处理监管方法及其系统,其通过采用基于深度学习的神经网络模型,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
根据本申请的一个方面,提供了一种城市污水处理监管方法,其包括:获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;从所述混合液的状态监控视频提取多个状态监控关键帧;将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
在上述城市污水处理监管方法中,所述从所述混合液的状态监控视频提取多个状态监控关键帧,包括:从所述混合液的状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个状态监控关键帧。
在上述城市污水处理监管方法中,所述将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵,包括:从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述多个状态监控特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
在上述城市污水处理监管方法中,所述将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图,包括:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述混合状态变化特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述状态监控特征张量。
在上述城市污水处理监管方法中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在上述城市污水处理监管方法中,所述将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量,包括:将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量。其中,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到第一邻域尺度搅拌转速特征向量;其中,所述公式为:
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述搅拌转速输入向量;以及,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到所述第二邻域尺度搅拌转速特征向量;其中,所述公式为:
在上述城市污水处理监管方法中,所述计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:,其中/>表示所述混合状态变化向量,/>表示所述搅拌转速特征向量,/>表示所述分类特征矩阵。
在上述城市污水处理监管方法中,所述基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵,包括:以如下公式对所述混合状态变化向量和所述搅拌转速特征向量进行类节点的拓扑-类中心优化以得到优化特征矩阵,其中,所述公式为:
,其中/>和/>分别表示所述混合状态变化向量和所述搅拌转速特征向量,/>和/>分别表示矩阵(向量)的Kronecker积和Hadamard积,/>为所述混合状态变化向量和所述搅拌转速特征向量之间的距离矩阵,且/>和/>均为列向量,/>表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示矩阵乘法,/>表示按位置点乘,/>表示所述优化特征矩阵;以及,将所述优化特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述校正后分类特征矩阵。
在上述城市污水处理监管方法中,所述将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小,包括:将所述校正后分类特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及。将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
根据本申请的另一方面,提供了一种城市污水处理监管系统,其包括:信息获取模块,用于获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;关键帧提取模块,用于从所述混合液的状态监控视频提取多个状态监控关键帧;第一卷积模块,用于将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;第二卷积模块,用于将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;降维模块,用于对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;多尺度邻域特征提取模块,用于将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;响应性估计模块,用于计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;类中心偏移校正模块,用于基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;分类结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
根据本申请的再一方面,提供了一种电子设备,包括:处理器;以及,存储器,在所述存储器中存储有计算机程序指令,所述计算机程序指令在被所述处理器运行时使得所述处理器执行如上所述的城市污水处理监管方法。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的城市污水处理监管方法。
与现有技术相比,本申请提供的一种城市污水处理监管方法及其系统,其通过采用基于深度学习的人工智能检测技术,其通过采用基于深度学习的神经网络模型,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1为根据本申请实施例的城市污水处理监管方法的应用场景图;
图2为根据本申请实施例的城市污水处理监管方法的流程图;
图3为根据本申请实施例的城市污水处理监管方法的架构示意图;
图4为根据本申请实施例的城市污水处理监管方法中第一卷积神经网络编码的流程图;
图5为根据本申请实施例的城市污水处理监管方法中第二卷积神经网络编码的流程图;
图6为根据本申请实施例的城市污水处理监管方法中多尺度邻域特征提取过程的流程图;
图7为根据本申请实施例的城市污水处理监管方法中分类过程的流程图;
图8为根据本申请实施例的城市污水处理监管系统的框图;
图9为根据本申请实施例的电子设备的框图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述:如背景技术中所言,中国专利CN 107915377A揭露的一种城市生活污水处理方案在实施中,在活性污泥处理中,关键在于搅拌控制,如果搅拌过分,则会浪费不必要能源,如果搅拌不足,则会影响后续静置及其他后续处理的效果。因此,期待一种城市污水处理监管方案。
相应地,考虑到对于搅拌速度的实时控制应适配于混合液的状态变化,也就是说,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。在此过程中,难点在于如何建立所述混合液的状态变化与所述搅拌转速变化之间的映射关系,以使得基于混合液的状态变化来自适应地调整所述搅拌的转速值,以实现在保证污水处理效果的同时避免不必要的能源浪费的技术目的。
近年来,深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展为挖掘所述混合液的状态变化与所述搅拌转速变化之间的复杂映射关系提供了新的解决思路和方案。本领域普通技术人员应知晓,基于深度学习的深度神经网络模型可以通过适当的训练策略,例如通过梯度下降的反向传播算法来调整所述深度神经网络模型的参数以使之能够模拟事物之间的复杂的非线性关联,而这显然适合于模拟并建立所述混合液的状态变化与所述搅拌转速变化之间的复杂映射关系。
具体地,在本申请的技术方案中,首先,获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频。然后,考虑到在所述混合液的状态监控视频中,所述混合液的混合状态变化特征可以通过所述混合液的状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示混合液的状态变化情况。但是,考虑到所述混合液的状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,避免数据冗余给检测带来的不良影响,并且为了提高对于所述混合液的状态变化和所述搅拌转速变化之间的关联关系提取的精准度以实时准确地进行当前时间点的搅拌转速的自适应控制,在本申请的技术方案中,进一步从所述混合液的状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个状态监控关键帧。
接着,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个状态监控关键帧的特征挖掘,特别地,考虑到在对于所述各个状态监控关键帧的隐藏特征进行提取时,为了能够更准确地提取出所述各个状态监控关键帧中关于混合液的混合状态特征,应更加关注于所述各个状态监控关键帧中关于混合液的颜色、纹理等浅层特征,这些所述浅层特征对于所述混合液的状态识别判断具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被噪声所淹没。因此,在本申请的技术方案中,使用包含深浅特征融合模块的第一卷积神经网络模型来对所述多个状态监控关键帧进行处理以得到多个状态监控特征矩阵,相较于标准卷积神经网络模型,根据本申请的所述第一卷积神经网络模型能够保留所述多个状态监控关键帧中各个状态监控关键帧关于混合液状态的浅层特征和深层特征,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述混合液的状态特征识别的精准度,进而提高对于当前时间点的搅拌转速值控制的准确性。
进一步地,考虑到所述各个状态监控关键帧中关于所述混合液的状态特征在时间维度上具有着关联性,也就是说,所述混合液的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述各个状态监控关键帧下关于混合液的状态特征在时间维度上的动态变化特征分布信息,从而得到混合状态变化向量。特别地,这里,所述第二卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述多个状态监控关键帧排列为状态监控特征张量的时间维度,因此,在进行三维卷积编码时,能提取出所述混合液的状态分布特征在时间维度上的动态变化特征信息。
然后,对于所述搅拌转速值来说,考虑到其在所述预定时间段内的时间维度上的不同时间周期跨度下具有着不同的模式状态变化特征,因此,为了能够充分且准确地提取出所述搅拌转速的动态变化特征信息,进一步将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块中进行处理,以提取出所述搅拌转速值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到搅拌转速特征向量。
接着,为了能够提取出所述混合液的状态变化特征与所述搅拌转速的多尺度动态关联特征间的关联性特征分布信息,需要进一步对于所述混合状态变化特征图进行降维处理,以得到与所述搅拌转速特征向量同维度的混合状态变化向量。进一步地,再计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计来表示所述混合液的状态时序变化特征与所述搅拌转速的多尺度动态关联特征间的关联性特征分布信息,并以此作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的搅拌转速值应增大或应减小的分类结果。
也就是,在本申请的技术方案中,所述分类器的标签包括所述当前时间点的搅拌转速值应增大,以及,所述当前时间点的搅拌转速值应减小,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述当前时间点的搅拌转速值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的搅拌转速值,以此来实现在保证污水处理效果的同时避免不必要的能源浪费的技术目的,从而进行城市污水的处理监管。
特别地,在本申请的技术方案中,由于所述混合状态变化向量的特征分布方向为所述第二卷积神经网络模型的通道分布方向,而所述搅拌转速特征向量的特征分布方向为时序方向,因此所述混合状态变化向量的通道维度视频语义特征分布可能在分类概率表示上偏移所述搅拌转速特征向量的时序多尺度邻域特征分布的分类概率表示,也就是,所述混合状态变化向量与所述搅拌转速特征向量存在类中心偏移,从而影响计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计得到的所述分类特征矩阵的分类结果的准确性。
本申请的申请人考虑到在分类器的二分类问题中,如果将所述混合状态变化向量和所述搅拌转速特征向量/>优化后的类节点表示为树形式,则所述混合状态变化向量和所述搅拌转速特征向量/>各自的类节点分布为基于根节点的子树,因此可以利用节点之间关联的图拓扑,来使得优化后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构,从而表达以所述混合状态变化向量/>和所述搅拌转速特征向量/>各自的类节点为根的子树结构,以实现所述混合状态变化向量/>和所述搅拌转速特征向量的基于类节点-中心的拓扑式优化,从而消除所述混合状态变化向量/>和所述搅拌转速特征向量/>之间的类中心偏移。
进一步地,将优化的特征矩阵与所述分类特征矩阵,例如记为/>进行矩阵相乘,以将所述分类特征矩阵/>映射到消除类中心偏移的优化的特征空间内,以提升所述分类特征矩阵/>的分类结果的准确性,从而得到所述校正后分类特征矩阵。然后,将所述校正后分类特征矩阵通过所述分类器以此来进行当前时间点的搅拌速度值的分类控制。这样,能够实时准确地对于当前时间点的搅拌转速值进行自适应控制,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
基于此,本申请提出了一种城市污水处理监管方法,其包括:获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;从所述混合液的状态监控视频提取多个状态监控关键帧;将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
图1为根据本申请实施例的城市污水处理监管方法的应用场景图。如图1所示,在该应用场景中,通过转速传感器(例如,如图1中所示意的S1)获取预定时间段内多个预定时间点的搅拌转速值,以及,通过摄像头(例如,如图1中所示意的C)获取所述预定时间段的混合液的状态监控视频。接着,将上述信息输入至部署有用于城市污水处理监管算法的服务器(例如,图1中的S2)中,其中,所述服务器能够以所述城市污水处理监管算法对上述输入的信息进行处理,以生成用于表示当前时间点的搅拌转速值应增大或应减小的分类结果。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性方法:图2为根据本申请实施例的城市污水处理监管方法的流程图。如图2所示,根据本申请实施例的城市污水处理监管方法,包括步骤:S110,获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;S120,从所述混合液的状态监控视频提取多个状态监控关键帧;S130,将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;S140,将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;S150,对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;S160,将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;S170,计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;S180,基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;S190,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
图3为根据本申请实施例的城市污水处理监管方法的架构示意图。如图3所示,在该网络结构中,首先,通过获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;继而,从所述混合液的状态监控视频提取多个状态监控关键帧;接着,将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;然后,对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;进而,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
具体地,在步骤S110中,获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频。考虑到对于搅拌速度的实时控制应适配于混合液的状态变化,也就是说,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。因此,在本申请的一个具体示例中,可通过转速传感器来获取预定时间段内多个预定时间点的搅拌转速值,以及,通过摄像头来获取所述预定时间段的混合液的状态监控视频。
具体地,在步骤S120中,从所述混合液的状态监控视频提取多个状态监控关键帧。考虑到在所述混合液的状态监控视频中,所述混合液的混合状态变化特征可以通过所述混合液的状态监控视频中相邻监控帧之间的差分来表示,也就是,通过相邻图像帧的图像表征来表示混合液的状态变化情况。但是,考虑到所述混合液的状态监控视频中相邻帧的差异较小,存在大量数据冗余,因此,为了降低计算量,避免数据冗余给检测带来的不良影响,并且为了提高对于所述混合液的状态变化和所述搅拌转速变化之间的关联关系提取的精准度以实时准确地进行当前时间点的搅拌转速的自适应控制,在本申请的技术方案中,进一步从所述混合液的状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个状态监控关键帧。
具体地,在步骤S130中,将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵。也就是,使用在图像的隐含特征提取方面具有优异表现的卷积神经网络模型来进行所述多个状态监控关键帧的特征挖掘,特别地,考虑到在对于所述各个状态监控关键帧的隐藏特征进行提取时,为了能够更准确地提取出所述各个状态监控关键帧中关于混合液的混合状态特征,应更加关注于所述各个状态监控关键帧中关于混合液的颜色、纹理等浅层特征,这些所述浅层特征对于所述混合液的状态识别判断具有重要意义,而卷积神经网络在编码时,随着其深度的加深,浅层特征会变得模糊甚至被噪声所淹没。因此,在本申请的技术方案中,使用包含深浅特征融合模块的第一卷积神经网络模型来对所述多个状态监控关键帧进行处理以得到多个状态监控特征矩阵,相较于标准卷积神经网络模型,根据本申请的所述第一卷积神经网络模型能够保留所述多个状态监控关键帧中各个状态监控关键帧关于混合液状态的浅层特征和深层特征,以不仅使得特征信息更为丰富,且不同深度的特征能得以保留,以提高对于所述混合液的状态特征识别的精准度,进而提高对于当前时间点的搅拌转速值控制的准确性。在本申请的技术方案中,从所述第一卷积神经网络的浅层(如m层)提取浅层特征矩阵,所述第一卷积神经网络的深层(如n层)提取深层特征矩阵。在一个具体示例中,所述第一卷积神经网络包括相互级联的多个神经网络层,其中各个神经网络层包括卷积层、池化层和激活层。其中,在所述第一卷积神经网络的编码过程中,所述第一卷积神经网络的各层在层的正向传递过程中对输入数据使用所述卷积层进行基于卷积核的卷积处理、使用所述池化层对由所述卷积层输出的卷积特征图进行池化处理和使用所述激活层对由所述池化层输出的池化特征图进行激活处理,其中,第一卷积神经网络的第一层的输入数据为所述多个状态监控关键帧;这里,所述第一卷积神经网络的各层都可以输出特征矩阵。
图4为根据本申请实施例的城市污水处理监管方法中第一卷积神经网络编码的流程图。如图4所示,在所述第一卷积神经网络编码过程中,包括:S210,从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;S220,从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,S230,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述多个状态监控特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
具体地,在步骤S140中,将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图。考虑到所述各个状态监控关键帧中关于所述混合液的状态特征在时间维度上具有着关联性,也就是说,所述混合液的状态信息在时序上是动态变化的。因此,在本申请的技术方案中,进一步将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型中进行特征挖掘,以提取出所述各个状态监控关键帧下关于混合液的状态特征在时间维度上的动态变化特征分布信息,从而得到混合状态变化向量。特别地,这里,所述第二卷积卷积神经网络模型的卷积核为三维卷积核,其具有W(宽度)、H(高度)和C(通道维度),在本申请的技术方案中,所述三维卷积核的通道维度对应于所述多个状态监控关键帧排列为状态监控特征张量的时间维度,因此,在进行三维卷积编码时,能提取出所述混合液的状态分布特征在时间维度上的动态变化特征信息。在一个示例中,所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行:使用卷积模块以三维卷积核对输入数据进行三维卷积编码以得到卷积特征图;使用池化模块对所述卷积特征图进行池化处理以得到池化特征图;以及,使用激活模块对所述池化特征图的各个位置的特征值进行非线性激活以得到烘烤状态变化特征图;其中,所述第二卷积神经网络的第一层的输入为将所述多个状态监控特征矩阵沿着通道维度排列得到的状态监控特征张量,所述第二卷积神经网络的最后一层的输出为所述混合状态变化特征图。
图5为根据本申请实施例的城市污水处理监管方法中第二卷积神经网络编码的流程图。如图5所示,在所述第二卷积神经网络编码过程中,包括:S310,对输入数据进行卷积处理以得到卷积特征图;S320,对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,S330,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述混合状态变化特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述状态监控特征张量。
具体地,在步骤S150中,对所述混合状态变化特征图进行降维处理以得到混合状态变化向量。应可以理解,为了能够提取出所述混合液的状态变化特征与所述搅拌转速的多尺度动态关联特征间的关联性特征分布信息,需要进一步对于所述混合状态变化特征图进行降维处理,以得到与所述搅拌转速特征向量同维度的混合状态变化向量。
具体地,在步骤S160中,将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量。应可以理解,对于所述搅拌转速值来说,考虑到其在所述预定时间段内的时间维度上的不同时间周期跨度下具有着不同的模式状态变化特征,因此,为了能够充分且准确地提取出所述搅拌转速的动态变化特征信息,进一步将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块中进行处理,以提取出所述搅拌转速值在所述预定时间段内的不同时间跨度下的动态多尺度邻域关联特征,从而得到搅拌转速特征向量。特别地,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
图6为根据本申请实施例的城市污水处理监管方法中多尺度邻域特征提取过程的流程图。如图6所示,在所述多尺度邻域特征提取过程中,包括:S410,将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核; S420,将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,S430,将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量。其中,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到第一邻域尺度搅拌转速特征向量;其中,所述公式为:
,其中,a为第一卷积核在x方向上的宽度、/>为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述搅拌转速输入向量;以及,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到所述第二邻域尺度搅拌转速特征向量;其中,所述公式为:
,其中,b为第二卷积核在x方向上的宽度、/>为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述搅拌转速输入向;更具体地,所述将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量,包括:以如下公式来将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量;其中,所述公式为:/>,其中,表示所述第一邻域尺度搅拌转速特征向量,/>表示所述第二邻域尺度搅拌转速特征向量,/>表示级联函数,/>表示所述搅拌转速特征向量。
具体地,在步骤S170中,计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵。在本身轻的技术方案中,计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计来表示所述混合液的状态时序变化特征与所述搅拌转速的多尺度动态关联特征间的关联性特征分布信息,并以此作为分类特征矩阵通过分类器中进行分类处理,更具体地,所述计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵,包括:以如下公式计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为:
具体地,在步骤S180中,基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵。特别地,在本申请的技术方案中,由于所述混合状态变化向量的特征分布方向为所述第二卷积神经网络模型的通道分布方向,而所述搅拌转速特征向量的特征分布方向为时序方向,因此所述混合状态变化向量的通道维度视频语义特征分布可能在分类概率表示上偏移所述搅拌转速特征向量的时序多尺度邻域特征分布的分类概率表示,也就是,所述混合状态变化向量与所述搅拌转速特征向量存在类中心偏移,从而影响计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计得到的所述分类特征矩阵的分类结果的准确性。因此,优选地对所述混合状态变化向量和所述搅拌转速特征向量/>进行类节点的拓扑-类中心优化,表示为:
其中和/>分别表示所述混合状态变化向量和所述搅拌转速特征向量,/>和/>分别表示矩阵(向量)的Kronecker积和Hadamard积,/>为所述混合状态变化向量和所述搅拌转速特征向量之间的距离矩阵,且/>和/>均为列向量,/>表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示矩阵乘法,/>表示按位置点乘,/>表示所述优化特征矩阵。本申请的申请人考虑到在分类器的二分类问题中,如果将所述混合状态变化向量/>和所述搅拌转速特征向量/>优化后的类节点表示为树形式,则所述混合状态变化向量/>和所述搅拌转速特征向量/>各自的类节点分布为基于根节点的子树,因此可以利用节点之间关联的图拓扑,来使得优化后的类节点的节点分布基于图拓扑而表现为以各自节点为中心的子图结构,从而表达以所述混合状态变化向量/>和所述搅拌转速特征向量/>各自的类节点为根的子树结构,以实现所述混合状态变化向量/>和所述搅拌转速特征向量/>的基于类节点-中心的拓扑式优化,从而消除所述混合状态变化向量/>和所述搅拌转速特征向量/>之间的类中心偏移。进一步地,将优化的特征矩阵与所述分类特征矩阵,例如记为/>进行矩阵相乘,以将所述分类特征矩阵/>映射到消除类中心偏移的优化的特征空间内,以提升所述分类特征矩阵/>的分类结果的准确性,从而得到所述校正后分类特征矩阵。然后,将所述校正后分类特征矩阵通过所述分类器以此来进行当前时间点的搅拌速度值的分类控制。这样,能够实时准确地对于当前时间点的搅拌转速值进行自适应控制,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
具体地,在步骤S190中,将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。也就是,将所述校正后分类特征矩阵作为分类特征矩阵通过分类器中进行分类处理,从而得到用于表示当前时间点的搅拌转速值应增大或应减小的分类结果。在本申请的一个具体示例中,所述将所述校正后分类特征矩阵通过分类器以得到分类结果,包括:使用所述分类器以如下公式对所述校正后分类特征矩阵进行处理以获得分类结果,其中,所述公式为:
,其中/>表示将所述校正后分类特征矩阵投影为向量,/>至/>为各层全连接层的权重矩阵,/>至/>表示各层全连接层的偏置向量。具体地,所述分类器包括多个全连接层和与所述多个全连接层最后一个全连接层级联的Softmax层。其中,在所述分类器的分类处理中,首先将所述校正后分类特征矩阵投影为向量,例如,在一个具体的示例中,将所述校正后分类特征矩阵沿着行向量或者列向量进行展开为分类特征向量;然后,使用所述分类器的多个全连接层对所述分类特征向量进行多次全连接编码以得到编码分类特征向量;进而,将所述编码分类特征向量输入所述分类器的Softmax层,即,使用所述Softmax分类函数对所述编码分类特征向量进行分类处理以得到分类标签。在本申请的技术方案中,所述分类器的标签包括所述当前时间点的搅拌转速值应增大,以及,所述当前时间点的搅拌转速值应减小,其中,所述分类器通过软最大值函数来确定所述分类特征矩阵属于哪个分类标签。应可以理解,在本申请的技术方案中,所述分类器的分类标签为所述当前时间点的搅拌转速值的控制策略标签,因此,在得到所述分类结果后,可基于所述分类结果来自适应地调整所述当前时间点的搅拌转速值,以此来实现在保证污水处理效果的同时避免不必要的能源浪费的技术目的,从而进行城市污水的处理监管。
图7为根据本申请实施例的城市污水处理监管方法中分类过程的流程图。如图7所示,在所述分类过程中,包括:S510,将所述校正后分类特征矩阵基于行向量或列向量展开为分类特征向量;S520,使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,S530,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的城市污水处理监管方法被阐明,其通过采用基于深度学习的神经网络模型,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
示例性系统:图8为根据本申请实施例的城市污水处理监管系统的框图。如图8所示,根据本申请实施例的城市污水处理监管系统300,包括:信息获取模块310;关键帧提取模块320;第一卷积模块330;第二卷积模块340;降维模块350;多尺度邻域特征提取模块360;响应性估计模块370;类中心偏移校正模块380;分类结果生成模块390。
其中,所述信息获取模块310,用于获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;所述关键帧提取模块320,用于从所述混合液的状态监控视频提取多个状态监控关键帧;所述第一卷积模块330,用于将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;所述第二卷积模块340,用于将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;所述降维模块350,用于对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;所述多尺度邻域特征提取模块360,用于将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;所述响应性估计模块370,用于计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;所述类中心偏移校正模块380,用于基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;所述分类结果生成模块390,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
在一个示例中,在上述城市污水处理监管系统300中,所述关键帧提取模块320,进一步用于:从所述混合液的状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个状态监控关键帧。在一个示例中,在上述城市污水处理监管系统300中,所述第一卷积模块330,进一步用于:从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及,融合所述浅层特征矩阵和所述深层特征矩阵以得到所述多个状态监控特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
在一个示例中,在上述城市污水处理监管系统300中,所述第二卷积模块340,进一步用于:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及,对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述混合状态变化特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述状态监控特征张量。
在一个示例中,在上述城市污水处理监管系统300中,所述多尺度邻域特征提取模块360,进一步用于:将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及,将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量。其中,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到第一邻域尺度搅拌转速特征向量;其中,所述公式为:,
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述搅拌转速输入向量;以及。所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到所述第二邻域尺度搅拌转速特征向量;其中,所述公式为:/>,
其中,b为第二卷积核在x方向上的宽度、为第二卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,m为第二卷积核的尺寸,X表示所述搅拌转速输入向量。其中,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
在一个示例中,在上述城市污水处理监管系统300中,所述响应性估计模块370,进一步用于:以如下公式计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;其中,所述公式为: ,其中/>表示所述混合状态变化向量,/>表示所述搅拌转速特征向量,/>表示所述分类特征矩阵。
在一个示例中,在上述城市污水处理监管系统300中,所述类中心偏移校正模块380,进一步用于:以如下公式对所述混合状态变化向量和所述搅拌转速特征向量进行类节点的拓扑-类中心优化以得到优化特征矩阵,其中,所述公式为:
,其中/>和/>分别表示所述混合状态变化向量和所述搅拌转速特征向量,/>和/>分别表示矩阵(向量)的Kronecker积和Hadamard积,/>为所述混合状态变化向量和所述搅拌转速特征向量之间的距离矩阵,且/>和/>均为列向量,/>表示矩阵的指数运算,所述矩阵的指数运算表示计算以矩阵中各个位置的特征值为幂的自然指数函数值,/>表示矩阵乘法,/>表示按位置点乘,/>表示所述优化特征矩阵;以及,将所述优化特征矩阵与所述分类特征矩阵进行矩阵相乘以得到所述校正后分类特征矩阵。
在一个示例中,在上述城市污水处理监管系统300中,所述分类结果生成模块390,进一步用于:将所述校正后分类特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及,将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
综上,根据本申请实施例的城市污水处理监管系统300被阐明,其通过采用基于深度学习的神经网络模型,基于混合液的状态变化特征来自适应地调控搅拌转速值,以使得搅拌的速度能够适于混合液的混合,从而在保证污水处理效果的同时避免不必要的能源浪费。
如上所述,根据本申请实施例的城市污水处理监管系统可以实现在各种终端设备中。在一个示例中,根据本申请实施例的城市污水处理监管系统300可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该城市污水处理监管系统300可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该城市污水处理监管系统300同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该城市污水处理监管系统300与该终端设备也可以是分立的设备,并且该城市污水处理监管系统300可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性电子设备:下面,参考图9来描述根据本申请实施例的电子设备。
图9图示了根据本申请实施例的电子设备的框图。
如图9所示,电子设备10包括一个或多个处理器11和存储器12。
处理器11可以是中央处理单元(CPU)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元,并且可以控制电子设备10中的其他组件以执行期望的功能。
存储器12可以包括一个或多个计算机程序产品,所述计算机程序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令,处理器11可以运行所述程序指令,以实现上文所述的本申请的各个实施例的城市污水处理监管方法中的功能以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如状态监控关键帧等各种内容。
在一个示例中,电子设备10还可以包括:输入装置13和输出装置14,这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。
该输入装置13可以包括例如键盘、鼠标等等。
该输出装置14可以向外部输出各种信息,包括分类结果等。该输出装置14可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图9中仅示出了该电子设备10中与本申请有关的组件中的一些,省略了诸如总线、输入/输出接口等等的组件。除此之外,根据具体应用情况,电子设备10还可以包括任何其他适当的组件。
示例性计算机程序产品和计算机可读存储介质:除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的城市污水处理监管方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的城市污水处理监管方法的功能中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
以上结合具体实施例描述了本申请的基本原理,但是,需要指出的是,在本申请中提及的优点、优势、效果等仅是示例而非限制,不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外,上述公开的具体细节仅是为了示例的作用和便于理解的作用,而非限制,上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的,可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇,指“包括但不限于”,且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”,且可与其互换使用,除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”,且可与其互换使用。
还需要指出的是,在本申请的装置、设备和方法中,各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的,并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此,本申请不意图被限制到在此示出的方面,而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外,此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例,但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (10)
1.一种城市污水处理监管方法,其特征在于,包括:获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;从所述混合液的状态监控视频提取多个状态监控关键帧;将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
2.根据权利要求1所述的城市污水处理监管方法,其特征在于,所述从所述混合液的状态监控视频提取多个状态监控关键帧,包括:从所述混合液的状态监控视频提取所述多个预定时间点对应的图像帧作为所述多个状态监控关键帧。
3.根据权利要求2所述的城市污水处理监管方法,其特征在于,所述将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵,包括:从所述第一卷积神经网络模型的浅层提取浅层特征矩阵;从所述第一卷积神经网络模型的深层提取深层特征矩阵;以及融合所述浅层特征矩阵和所述深层特征矩阵以得到所述多个状态监控特征矩阵;其中,所述深层与所述浅层之间的比值大于等于5且小于等于10。
4.根据权利要求3所述的城市污水处理监管方法,其特征在于,所述将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图,包括:使用所述使用三维卷积核的第二卷积神经网络模型的各层在层的正向传递中分别对输入数据进行:对输入数据进行卷积处理以得到卷积特征图;对所述卷积特征图进行基于局部特征矩阵的池化以得到池化特征图;以及对所述池化特征图进行非线性激活以得到激活特征图;其中,所述使用三维卷积核的第二卷积神经网络的最后一层的输出为所述混合状态变化特征图,所述使用三维卷积核的第二卷积神经网络的第一层的输入为所述状态监控特征张量。
5.根据权利要求4所述的城市污水处理监管方法,其特征在于,所述多尺度邻域特征提取模块,包括:第一卷积层、与所述第一卷积层并行的第二卷积层,以及,与所述第一卷积层和所述第二卷积层连接的级联层,其中,所述第一卷积层使用具有第一长度的一维卷积核,所述第二卷积层使用具有第二长度的一维卷积核。
6.根据权利要求5所述的城市污水处理监管方法,其特征在于,所述将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量,包括:将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,其中,所述第一卷积层具有第一长度的第一一维卷积核;将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,其中,所述第二卷积层具有第二长度的第二一维卷积核,所述第一长度不同于所述第二长度;以及将所述第一邻域尺度搅拌转速特征向量和所述第二邻域尺度搅拌转速特征向量进行级联以得到所述搅拌转速特征向量,其中,所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第一卷积层以得到第一邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第一卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到第一邻域尺度搅拌转速特征向量;其中,所述公式为: ,
其中,a为第一卷积核在x方向上的宽度、为第一卷积核参数向量、/>为与卷积核函数运算的局部向量矩阵,w为第一卷积核的尺寸,X表示所述搅拌转速输入向量;以及所述将所述搅拌转速输入向量输入所述多尺度邻域特征提取模块的第二卷积层以得到第二邻域尺度搅拌转速特征向量,包括:使用所述多尺度邻域特征提取模块的第二卷积层以如下公式对所述搅拌转速输入向量进行一维卷积编码以得到所述第二邻域尺度搅拌转速特征向量;其中,所述公式为:/>,
8.根据权利要求7所述的城市污水处理监管方法,其特征在于,所述基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵,包括:以如下公式对所述混合状态变化向量和所述搅拌转速特征向量进行类节点的拓扑-类中心优化以得到优化特征矩阵,其中,所述公式为:
9.根据权利要求8所述的城市污水处理监管方法,其特征在于,所述将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小,包括:将所述校正后分类特征矩阵基于行向量或列向量展开为分类特征向量;使用所述分类器的多个全连接层对所述分类特征向量进行全连接编码以得到编码分类特征向量;以及将所述编码分类特征向量通过所述分类器的Softmax分类函数以得到所述分类结果。
10.一种城市污水处理监管系统,其特征在于,包括:信息获取模块,用于获取预定时间段内多个预定时间点的搅拌转速值和所述预定时间段的混合液的状态监控视频;关键帧提取模块,用于从所述混合液的状态监控视频提取多个状态监控关键帧;第一卷积模块,用于将所述多个状态监控关键帧分别通过包含深浅特征融合模块的第一卷积神经网络模型以得到多个状态监控特征矩阵;第二卷积模块,用于将所述多个状态监控特征矩阵沿着通道维度排列为状态监控特征张量后通过使用三维卷积核的第二卷积神经网络模型以得到混合状态变化特征图;降维模块,用于对所述混合状态变化特征图进行降维处理以得到混合状态变化向量;多尺度邻域特征提取模块,用于将所述多个预定时间点的搅拌转速值按照时间维度排列为搅拌转速输入向量后通过多尺度邻域特征提取模块以得到搅拌转速特征向量;响应性估计模块,用于计算所述混合状态变化向量相对于所述搅拌转速特征向量的响应性估计以得到分类特征矩阵;类中心偏移校正模块,用于基于所述混合状态变化向量和所述搅拌转速特征向量,对所述分类特征矩阵进行类中心偏移以得到校正后分类特征矩阵;分类结果生成模块,用于将所述校正后分类特征矩阵通过分类器以得到分类结果,所述分类结果用于表示当前时间点的搅拌转速值应增大或应减小。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211215.7A CN116151768A (zh) | 2023-03-07 | 2023-03-07 | 城市污水处理监管方法及其系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310211215.7A CN116151768A (zh) | 2023-03-07 | 2023-03-07 | 城市污水处理监管方法及其系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116151768A true CN116151768A (zh) | 2023-05-23 |
Family
ID=86340711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310211215.7A Pending CN116151768A (zh) | 2023-03-07 | 2023-03-07 | 城市污水处理监管方法及其系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116151768A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630857A (zh) * | 2023-05-26 | 2023-08-22 | 宁波开员塑业科技有限公司 | 一种含生物蛋白面料的制备方法及其系统 |
CN116716079A (zh) * | 2023-06-14 | 2023-09-08 | 山东沃赛新材料科技有限公司 | 高性能防霉型醇型美容收边胶及其制备方法 |
-
2023
- 2023-03-07 CN CN202310211215.7A patent/CN116151768A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116630857A (zh) * | 2023-05-26 | 2023-08-22 | 宁波开员塑业科技有限公司 | 一种含生物蛋白面料的制备方法及其系统 |
CN116716079A (zh) * | 2023-06-14 | 2023-09-08 | 山东沃赛新材料科技有限公司 | 高性能防霉型醇型美容收边胶及其制备方法 |
CN116716079B (zh) * | 2023-06-14 | 2024-01-19 | 山东沃赛新材料科技有限公司 | 高性能防霉型醇型美容收边胶及其制备方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116151768A (zh) | 城市污水处理监管方法及其系统 | |
Zhang et al. | Improved deep hashing with soft pairwise similarity for multi-label image retrieval | |
Luo et al. | Short-term wind speed forecasting via stacked extreme learning machine with generalized correntropy | |
CN110188167B (zh) | 一种融入外部知识的端到端对话方法及系统 | |
CN115936682B (zh) | 印制线路板的废料回收系统及其方法 | |
CN116052050A (zh) | 洗涤剂智能化生产系统及其方法 | |
CN112923523B (zh) | 一种基于物联网数据链的智能型新风系统调控方法 | |
CN115880036B (zh) | 一种车位级动态共享智能管控交易平台 | |
CN113537384B (zh) | 基于通道注意力的哈希遥感图像检索方法、装置及介质 | |
CN116624977B (zh) | 一种基于人工智能的楼宇自控系统及其方法 | |
CN116167148A (zh) | 基于局域微气候的城市街区形态优化方法及其系统 | |
CN115984745A (zh) | 用于黑蒜发酵的水分控制方法 | |
CN116477663A (zh) | 电池级五氧化二钒的提纯制备方法及其系统 | |
Bi et al. | Accurate water quality prediction with attention-based bidirectional LSTM and encoder–decoder | |
CN117593398A (zh) | 一种基于扩散模型的遥感图像生成方法 | |
CN117746186A (zh) | 低秩自适应模型的训练方法、文本生成图像方法、系统 | |
CN116362503B (zh) | 基于人工智能的电力调节方法及系统 | |
CN117094365A (zh) | 图文生成模型的训练方法、装置、电子设备及介质 | |
CN116844088A (zh) | 在线除尘器控制系统及其方法 | |
CN116737897A (zh) | 一种基于多模态的智慧楼宇知识抽取模型和方法 | |
CN116030254A (zh) | 一种基于元学习与伪标签策略的增量语义分割方法 | |
CN116483132A (zh) | 基于驱动电机电流控制协同的煤流量控制系统及其方法 | |
CN110765784A (zh) | 一种基于对偶学习的蒙汉机器翻译方法 | |
CN114861645A (zh) | 一种基于长尾数据分布的文档级关系抽取方法 | |
CN110059314B (zh) | 一种基于增强学习的关系抽取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |