针对再生水中氮、磷、有害病菌难以同步去除问题，以天然沸石为载体，对其进行盐-热复合改性，负载镧氧化物，再载入无机抗菌离子，赋予沸石同步脱氮除磷抗菌功能，为再生水处理提供重要技术支撑。氨氮初始浓度为 8mg/L、总磷浓度为 1mg/L、大肠杆菌浓度为 104cfu/L，复合水处理材料投加量为 2g/L，搅拌 3h 后，其脱氮率达到 99.2％，总磷和大肠杆菌均未能检出，吸附饱和材料可多次进行再生利用。

本发明是一种活性污泥与生物膜协同作用的污水处理设备，适用于处理石化工业废水，以及低浓度和高浓度的生产或生活污废水。处理工艺的处理效果稳定，运行可靠，出水水质可以达到国家排放标准的一级标准；产生的污泥具有较好的沉降性能，易于处理；与其它处理设备或构筑物相比较，工艺流程短，污泥回流量减少40％～ 80％，运行费用降低18％～31％。通过处理设备的内外成结合达到多种处理工艺的组合，运行方式灵活，节省工程的投资，减少占地面积。

依托学校与烟台拓伟智能科技股份有限公司联合北京理工大学、中国科学院电子所、北京京仪自动化研究总院共建的烟台智能技术应用联合创新研究院，开发了系列具有自主知识产权的智能机器人产品和智能制造系统，其中“4-6自由度关节型工业机器人”可负载7kg-200kg；自主视觉引导+二维码定位的AGV，两轮差动、麦克纳姆轮全向，可负载20kg-2000kg。利用自主研发的全向无轨堆垛机、AGV、工业机器人等，在自主研发MES、车管调度、WMS系统监控下完成一系列智能制造和组装，打造了“汽车制动油泵壳体智能制造系统”“智能精密铸造工厂”等一批系统集成示范项目。 为服务烟台苹果产业高质量发展，研究院制定了烟台红富士苹果等级分选省级标准，研发了无损伤智能分选与包装及冷风库智能监管系统、该系统包括智能信息采集与分级子系统、智能输送调度子系统、苹果排面子系统、机器人智能装箱子系统，整线状态监测与数据库子系统。该系统采用人工智能及深度学习技术，有效结合近红外光谱与计算机视觉技术，完成苹果糖度、色泽、果形、霉心病、果锈、重量等21项指标检测，根据检测结果和新的分级标准，对苹果重新进行分类分级，检测准确率达到95%以上，分选效率2个/秒，磕碰率控制在1%以下，装箱速度达到1个/秒。通过该系统，开展苹果大数据信息采集工作，建立种植-加工-储存-销售全链条标准化苹果大数据综合运营平台，现从苹果单一价值到资源价值的跨越，从而促进苹果产业转型升级，高质量发展。

本系统包括温室栽培优化模型动态仿真、专家系统集成与智能控制算法设计等三部分内容。系统采用了基于知识的智能解决方案，系统的三个部分紧紧围绕专家知识与智能，不仅构成统一的整体又能分别独立运行。系统以大量的实验数据和专家经验为基础，采用智能控制方法、智能推理方法和多媒体技术，能提供病虫害在线预报，为温室环境控制提供最佳环境条件，并能对温室环境和作物生长过程进行仿真和预测。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

提出一种汉克尔矩阵扫描的图像置乱方法，算法实现简单，置乱度高，通用性强，并且能抵抗一定的攻击，可以很好的用于信息隐藏的预处理和图像加密，而且可以满足数字图像加密和隐藏的鲁棒性要求。

本发明实施例提供了一种视频图像中提取前景的方法及装置，所述方法包括：利用根据预设数量的背景帧图像建立的高斯模型消除有前景进入的视频帧图像的背景，获得消除背景后的视频帧图像；根据所述消除背景后的视频帧图像的信息和所述预设数量的背景帧图像的信息，生成预先训练好的神经网络模型的输入参数的值；根据所述输入参数的值以及所述训练好的神经网络模型生成相应的输出值；根据所述消除背景后的视频帧图像的信息和所述神经网络模型的输出值的关系，检测出所述消除背景后的视频帧图像包含的阴影点和光照噪声点。

小试阶段/n钢板表面质量检测经历了人工目测检测、传统无损检测和基于机器视觉检测的三个发展阶段。人工目视检测表面缺陷的方法效率低、容易漏检、劳动强度大和实时性差。传统无损检测方法包括涡流检测、红外检测、漏磁检测和激光检测等, 这些方法检到的缺陷类型少, 检测实时性不强, 检测的表面缺陷分辨率也不高, 无法有效评估产品的表面质量状况。本技术涉及一种基于多流形学习的带钢表面缺陷识别方法。其方案是：对于任一副带钢表面缺陷图像向量化的向量数据点分别选择类别相同和类别不同的K 个近邻点建立对应的同类数据子图和异