公开(公告)号：CN115329863A

公开(公告)日：2022-11-11

申请号：CN202210962736.1

申请日：2022-08-11

Applicant: 厦门大学

Inventor： 吴清锋 ,  张泽洋 ,  周昌乐

IPC: G06K9/62 ,  G06N3/04 ,  G06N3/08

Abstract: 本发明提出了一种新的线性整流梯度平衡损失函数分类方法，该方法包括如下步骤：定义线性整流梯度平衡损失函数；构建模型并初始化模型的参数；获取数据集并对数据集进行预处理；对所述模型按照预设方式进行迭代训练。通过本发明所训练模型的测试精度远高于其他4组对比模型，甚至高于对比模型200轮迭代时的测试精度，模型分类精度得到了提升，模型训练初期的更新梯度更有效，能加速模型的收敛，训练完成时，本发明所训练模型相比对照模型拥有最高的测试精度，相比对照模型拥有最高小类样本F1值，即有能够最有效的学习数据集中的小类样本知识，模型对小类样本的准确率和召回率更高。

公开(公告)号：CN115784523A

公开(公告)日：2023-03-14

申请号：CN202211631277.5

申请日：2022-12-19

Applicant: 厦门大学

Inventor： 王远鹏 ,  孙宇辰 ,  张泽洋

IPC: C02F9/00 ,  C02F1/44 ,  C02F1/38 ,  C02F1/56 ,  C02F1/00 ,  C02F101/10 ,  C02F101/16

Abstract: 一种用于分离沼液中碳氮磷组分的连续式三级膜分离‑真空膜蒸馏处理工艺，包括以下步骤：1)沼液废水预处理：首先采用管式离心机离心，然后用PAM对沼液进行絮凝预处理，然后放置于沉降柱中进行沉降，再使用高速离心机进一步离心；2)连续式三级膜分离设备：采用不同膜孔径的微滤膜、超滤膜和纳滤膜依次对步骤1)处理后的沼液进行碳氮磷组分分离；3)真空膜蒸馏：将步骤2)处理后的沼液进行膜蒸馏，采用硫酸或磷酸作为汲取液。

公开(公告)号：CN115784523B

公开(公告)日：2025-03-11

申请号：CN202211631277.5

申请日：2022-12-19

Applicant: 厦门大学

Inventor： 王远鹏 ,  孙宇辰 ,  张泽洋

IPC: C02F9/00 ,  C02F1/44 ,  C02F1/38 ,  C02F1/56 ,  C02F1/00 ,  C02F101/10 ,  C02F101/16

Abstract: 一种用于分离沼液中碳氮磷组分的连续式三级膜分离‑真空膜蒸馏处理工艺，包括以下步骤：1)沼液废水预处理：首先采用管式离心机离心，然后用PAM对沼液进行絮凝预处理，然后放置于沉降柱中进行沉降，再使用高速离心机进一步离心；2)连续式三级膜分离设备：采用不同膜孔径的微滤膜、超滤膜和纳滤膜依次对步骤1)处理后的沼液进行碳氮磷组分分离；3)真空膜蒸馏：将步骤2)处理后的沼液进行膜蒸馏，采用硫酸或磷酸作为汲取液。

公开(公告)号：CN118304761A

公开(公告)日：2024-07-09

申请号：CN202410606498.X

申请日：2024-05-16

Applicant: 厦门大学

Inventor： 王远鹏 ,  张泽洋 ,  孙宇辰

IPC: B01D61/36 ,  B01D3/10 ,  B01D3/42

Abstract: 一种使用真空膜蒸馏组件分离沼液中氨氮组分的工艺，包括以下步骤：1)沼液预处理：采用管式离心机离心，将沼液中的悬浮物去除；2)真空膜蒸馏：将处理后的沼液置于原料液储罐中，然后放置于恒温水浴锅中，加热后由蠕动泵将沼液泵送到膜组件的原料侧入口，沼液中的氨氮组分在压力差的作用下通过膜组件的疏水膜进入渗透侧，真空泵抽取膜组件渗透侧的气体使其吸入到洗气瓶中的酸性承接液中富集并回收；沼液中其他不可挥发组分被截留至原料侧内，然后经过膜组件原料侧出口回流至原料液储罐内，实现原料液热循环；所述膜组件包括下方的原料侧和上方的渗透侧，原料侧和渗透侧之间设有疏水膜；原料侧内设有曝气石、磁力搅拌子中的至少一种。

公开(公告)号：CN115331053A

公开(公告)日：2022-11-11

申请号：CN202210962126.1

申请日：2022-08-11

Applicant: 厦门大学

Inventor： 邱鲤鲤 ,  张泽洋 ,  周昌乐

IPC: G06V10/764 ,  G06N3/04 ,  G06N3/08

Abstract: 本申请涉及一种基于L2NU激活函数的图像分类模型生成方法，该方法包括以下步骤：S101：将ResNet‑50图像分类模型中所有残差模块原生结构中的ReLU激活函数替换为L2NU激活函数；S102：移除步骤S101中的ResNet‑50图像分类模型中的所有BN层；S103：将步骤S102中的ResNet‑50图像分类模型的输出层的激活函数设置为S104：将步骤S103中的ResNet‑50图像分类模型的神经网络的各权值矩阵初始化为标准正态分布，且将神经网络的各层偏置设置为0向量；S105：基于图像分类训练数据集对步骤S104中的ResNet‑50图像分类模型进行训练，得到基于L2NU激活函数的图像分类模型。相比传统激活函数，本申请的L2NU激活函数应用于图像分类的深度学习模型时具有模型分类精度函数得到了提升的有益效果。