文摘

研究国内外电子垃圾的反向资源网络仍处于起步阶段,大部分只是基于传统的正向物流。反向运输货物资源的过程,从他们的回收价值的典型最终目的地或适当的处置。市场竞争的加剧和政府加强环保立法,扭转资源不再是一个被忽视的角落在供应链。电子垃圾的DLRNN模型本文构造反向资源回收系统能提供一个重要的理论和实证基础的合理利用废物电子产品,充分利用废旧电子产品的潜在价值,这是自然资源的回收利用具有重要意义。本文基于深度学习的混合网络框架DLRNN (DL)和循环神经网络(RNN)是专为问题分类。实验结果表明,该框架的分类精度提高了2.4%在TREC和2.5% MSQC没有额外的词向量转换工具。

1。介绍

由于电子行业的技术水平的快速发展和社会的需求不断扩大的电子消费产品,电子产品淘汰和更新非常快,导致大量的浪费,包括各种废弃电脑、打印机、通讯设备、家用电器、精密电子仪器仪表。欧盟发布的电子垃圾报告指出,这种电子垃圾-28%每五年增加16%,这比其他废弃物(快3倍1]。电子垃圾中含有多种危险、有害物质;污染的主要组件包括铅、镍、镉、汞、六价铬、溴化阻燃剂。如果这些物质处理不当,会对环境和人类健康有很大的影响(2,3]。然而,电子垃圾的资源特点突出。如果处理得当,它不仅可以有效地解决环境污染的问题,而且节省大量的资源和[创造了可观的经济效益4]。其中,贵金属的价值占总价值的-70% 40%电子废物,具有极高的回收利用价值(5,6]。

由于政治、经济和文化的原因,在中国电子废物的回收率很低,产业化和规模的电子废物回收和治疗尚未实现。目前,回收、治疗和处理电子垃圾在中国非正规回收渠道(主要是7]。中国现有的电子垃圾回收系统分散的回收渠道,原始的治疗方法和低附加值产品。除了大量的流入外国电子废物,就中国而言,一旦电子和电气产品成为废物,通常有四个主要目的地:电子废物存储自己的持有者进入二手市场,个体回收者拆除后购买他们,和回收工厂回收他们(8]。在这种情况下,有必要分析扭转资源电子垃圾的产生和发展从经济学的角度,进行深入研究,并对其产生和发展的本质,以促进反向电子资源在中国的发展和保持符合构建和谐社会的循环经济目标(9,10]。

深度学习(DL)是一种技术,它使用与不少于两个隐藏层神经网络进行非线性变换或表示学习输入。使用递归神经网络(RNN)提取和训练数据功能将大大减少DL的敏感性数据样本。RNNDL算法是一个人工神经网络,使用多个单一节点生成定向输入和输出连接到一个戒指。它传递信息在流动的时间和可以使用内存来处理时间序列信号,但它不能保持长期记忆,只记得信息在很短的时间内(11]。在此基础上,本文使用定性分析和定量分析,作为废弃手机电子垃圾的代表,研究相应的网络设计为扭转资源网络,并提出扭转资源回收系统的施工方法基于DLRNN结合DL和RNN的电子垃圾。

2。相关工作

电子垃圾的特点如下:(1)增长势头非常快,造成资源的浪费;(2)垃圾不能有效地回收和重用,这给环境带来了严重的危害;和(3)也可能带来严重危害人体健康。这项研究在12)指出,扭转资源是一个广泛的术语用来描述物流管理和处置各种有害或无害的废物从包装到产品,其中包括反向分布导致商品和信息流向相反的方向正常的物流活动。这项研究在13)发现,第一个人是不同的物流网络,特别是回收中心的位置,尤其是经销商,需要接受许多和分散的物流资源,其位置的特点是“多一些”,甚至“许多,”和传统的设施选址模型已得到改进和完善。这项研究在14]总结扭转资源网络系统的一些基本特征,包括网络复杂性高,目标的复杂多样性,供需失衡,“从多到少”的特点。本文系统地,全面分析了扭转资源网络系统的基本特征,为未来的研究和发展奠定了基础(15]。针对循环系统的使用手机在英国,目前在英国主流回收网络框架是由三个方面:产品流、信息流、和激励措施。这项研究在16)分析和研究了手机回收系统的手机制造商,手机服务提供商和移动电话零售商店在美国市场,并总结了使用手机回收网络结构的差异之间的美国和巴西。这项研究在17)分析和研究了两种不同的反向资源化modes-integrated和分散式和得出结论,扭转资源的分散模式是最好的选择恢复模式。这项研究在18提出“返回物流被称为反向资源,有效地实现产品复苏的目的,”并返回产品是指产品已经被消费者使用和废弃的正向供应链和结束他们的生命周期。这个定义包括产品生命周期理论。

反向资源化是一系列的活动和过程,如规划、执行、和控制在制品库存,成品,和相应的信息流动和资本流动从最终消费者最初的供应来源,正确治疗的目标产品或恢复其价值的一部分。逆向物流是循环经济,这是一种经济发展模式的核心资源的高效利用和循环利用;低消费的基本特征、低排放和高效率;和可持续发展的目标。从本质上讲,电子垃圾的回收过程就是从消费者转移到生产者为原料的新产品,这是对新产品从生产者到消费者的过程,所以它也被称为反向资源。这项研究在19]研究了扭转资源网络结构的问题浪费电子产品和建立数学规划模型从所有者的角度,收藏家,废电子产品和材料处理程序,各方采取行动根据利润最大化的原则。这项研究在20.),旨在扭转资源网络的发展中存在的问题在中国的制造业企业中,分析和研究了利用循环经济理论;同时提到了开发模型领域的国内外反向资源;并提出一系列建设性的建议长远发展,技术开发和中国扭转资源产业发展的措施。这项研究在21]介绍了国内外城市固体垃圾的回收问题,包括处理技术和处理方法,根据不同的治疗方法进行比较分析。文献[22)扭转资源网络分为复苏,检查,再加工,转售,废物处理。根据不同的废料的回收方法,扭转资源网络结构分为重用、再制造、回收、和商业回报。这项研究在23]分析了反向的操作模式资源网络回收废物国内外电子产品,在此基础上,设计了一种新模式的扭转资源网络回收与回收联盟为主体。文献[24)认为,政府在建立和运行中发挥着重要作用的扭转资源浪费电子和电气产品。

总之,通过咨询相关的国内外研究文献,我们可以发现,在大多数的文献,反向的设置条件资源网络操作过程在一个确定的环境。然而,反向的不确定性资源远远高于正向物流,逆向的实际操作资源,回收的数量,节点的数量,和物流节点之间的量也不确定,所以当前文学在实际操作没有实际意义。

3所示。研究方法

3.1。深度学习

DL是机器学习旨在构建一个深层结构模型。一般来说,它是同意模型包含至少三个隐藏层。这种网络具有multi-hidden-layer结构很难被普通神经网络训练算法,如BP算法,因为大量的样本数据和训练过程缓慢,和参数容易收敛于局部而不是全局最优,这是没有实际意义的。

限制了玻耳兹曼机(元)是一种改善玻耳兹曼机(25]。玻耳兹曼机是一个随机网络。因为单元之间的互连层,网络训练过程非常缓慢。Somlensky引入了限制玻耳兹曼机,1986年,其中包括一个明显的层和一个隐藏层,而且没有单位之间的互连层。因此,它变得非常高效的推理计算使用遏制。

假设一个遏制包含视觉的单位和隐藏的单位,美国的视觉单位和隐藏的单位可以用向量表示和 ,在哪里代表的状态th视觉单元和代表的状态隐藏的单位。然后,对于一个给定的一组状态 ,遏制的联合概率分布作为一个系统可以通过能量函数表示:

在这里, 是遏制的参数。代表视觉单元之间的连接强度和隐藏的单元 , 代表视觉单元的偏移量 ,和代表隐藏单位的抵消 。学习元的任务是找到这些参数的值,以适应给定的训练数据。

给定一组随机选择的训练数据 ,因为隐藏单位的条件概率值只取决于明确的单位的分布,隐藏单位的条件概率

同样,明确单位的条件概率可以很容易地计算如下:

是乙状结肠函数的定义是 。然后,辛顿提出了对比扩散算法,改进的方法获取模型的重构价值通过大量的吉布斯。算法的效率大大提高,权重的更新标准如下:

是学习速率,输入数据的期望值,的期望值是重建数据。上述公式表明,权重的更新取决于输入数据和重建数据之间的区别,并减少这种差异可以使遏制更好的隐藏层提取输入的基本特征的显式的层。通过进一步观察公式(4),它可以发现培训标准元只需要简单的加法和乘法,因此计算量不是太大,和重量更新过程可以很容易地完成。

4所示。循环神经网络

普通BP网络和卷积神经网络前馈神经网络。在前馈神经网络中,神经元之间的连接层的边缘,虽然在同一层神经元不通过边连接。神经网络是最初由模仿人类神经元的连接模式。此外,从输入到输出的计算步骤也固定;也就是说,网络的层数是预设的。很难学习的长期依赖输入连接。此外,在语言模型中,前面的文本和当前输入文本用于预测下一个单词。前馈神经网络不能完成,但是循环网络可以解决这些问题。RNN,上一次的输出也将输入当前时间,所以网络的电流输出也是上一次的输入有关,所以学习的操作序列的依赖关系。

理论上,RNN可以处理任意长度的输入序列,但在实践中,很难学习的依赖序列由于梯度消失或梯度爆炸当培训网络。图1是一个卷积神经网络的构造图。

最基本的RNN公式如下: 在哪里在时间序列输入吗 , 是输入层和隐层之间的权矩阵,然后呢是在相同的隐层神经元之间的权重矩阵。是一个激活函数,一般sigmod,双曲正切,或ReLU函数;是在最后一刻隐层的输出;隐层的输出在当前时间;和初始一般设置为0。

图2是一个RNN的结构图和时机扩张图。

从RNN的级数展开图,我们可以看到,网络输入的增长将导致扩大模型的延长。培训网络基本上是梯度下降方法,但是有一个严重的问题在梯度下降方法,梯度消失或梯度爆炸。

5。建设基于DLRNN扭转资源回收系统的电子垃圾

5.1。模型的假设

二次利用率和废物的电子废物,模块和部分是固定的和已知的。单位回收成本,单位运输成本,单位检验,拆解电子垃圾的成本是固定的和已知的。运输成本在整个扭转资源网络的过程,包括检查和再加工中心的加工成本,提出了一种线性关系。电子垃圾回收的回收中心的数量没有指定,但随机变化。整个扭转资源过程只考虑了静态和单循环物流网络。

5.1.1。反电子垃圾的资源网络模型

网络的盈利模式:收入=二级销售收入+二次制造模块收入+二次制造部分收入(这个公式不是唯一的),也就是说, 在这里,是检测电子废物的数量由加工中心吗二次消费市场 ; 正在测试单位再加工中心的产品销售价格二次消费市场 ; 检测模块的数量吗交付的加工中心到辅助制造业市场 ; 是单位销售模块的价格吗从检测加工中心二次制造市场 ;和销售价格每单位重量的部分从检验加工中心二次制造市场 。

(1)碳排放模型的网络。从交通碳排放活动=碳排放从回收中心分类存储中心+碳排放从分类存储中心检查和再加工中心+碳排放从检验和再加工中心二次消费市场+碳排放从模块运输检验和再加工中心二级制造业市场+碳排放从零部件运输检验和再加工中心二级制造业市场+碳排放从检验和再加工中心处理站无害: 在这里,电子垃圾的数量的产品交付的回收中心吗分类存储中心 ; 在交通运输碳排放单位距离;恢复中心的距离吗分类存储中心 ; 电子垃圾的数量的产品交付的分类存储中心吗检测和加工中心 ; 整理仓库中心的距离吗检测加工中心 ; 是检测电子废物的数量由加工中心吗二次消费市场 ; 是检测的距离再加工中心二次消费市场 ; 检测模块的数量吗交付的加工中心到辅助制造业市场 ; 是检测的距离再加工中心到辅助制造业市场 ; 测量内部部件的数量吗交付的加工中心到辅助制造业市场 ; 是内部的重量检测部分的垃圾回收中心的运输无害的治疗中心;和是测量的距离再加工中心无害的治疗中心 。

反向资源化是复苏的规则数量等于分类存储数量,经济复苏的数量等于运输数量检验加工中心,加工数量,数量检验后处理中心等于运输到辅助消费市场,和部分的重量是相等的。

5.1.2中。长期和短期记忆RNN

短期和长期记忆模型提出了一种新结构称为存储单元的原理图和结构如图3。存储单元由四个主要部分组成:输入门,self-circulating连接节点(self-connected节点),忘记门,和输出门。它可以允许存储单元根据需要记住或者忘记之前的状态。

长期和短期记忆RNN (LSTM-RNN)模型不同于标准的长期和短期内存模型。短时记忆RNN的起始值输出的存储单元的门不依赖于状态的值存储单元的时间步 ,使网络模型更有效地执行每个部分的计算如下:

6。结果分析和讨论

6.1。模型的解决方案的结果

根据相关参数设置,我们使用LINGO15.0×64软件解决方案的工具,使用混合线性规划的优化算法来解决这个问题。

实验参数替换到网络优化模型。首先,单目标优化单独考虑,即单一的利润目标是最大化(经济效益最大化)和单目标碳排放最小化(环境效益最大化)。进一步优化以供应点模型,检测加工中心的位置变化,并进一步优化的位置。当只有一个目标是,优化网络模型下的碳配额政策的结果如表所示1。

根据上述模型,因为碳配额策略集不同的碳排放,第三方回收企业的利润和碳排放的扭转资源网络模型和第三方回收企业的碳排放的变化如表所示2。

从表中的数据1和2,可以发现,平均利润增加了1.28%,平均碳排放量减少了4.37%,和第三方回收企业的平均碳排放量减少了12.71%从原始选址方案目前选址方案。碳配额政策下,当分配给第三方回收企业的碳排放变化从原始选址方案目前的选址方案,整个扭转资源网络的利润表现出上升趋势。在这个时候,为了进一步减少相关的碳排放,第三方回收企业必须降低产品的总量,模块和部分正在测试和再加工。

碳配额政策下,当分配给第三方回收企业的碳排放变化从原始选址方案目前的选址方案,整个扭转资源网络的利润表现出上升趋势。在这个时候,为了进一步减少相关的碳排放,第三方回收企业必须降低产品的总量,模块和部分正在测试和再加工。

这可以从图中找到4,在碳配额政策,改变碳排放配额,而反向利润的资源网络的原始选址方案,物流网络当前的利润选址方案增加了很多,和不断增加的碳排放配额,其利润也增加了。它可以发现,碳配额政策下,增加的利润相对较小,经济效益并不显著。

这可以从图中找到5,在碳配额政策,目前选址方案的碳排放已经减少到一定程度上与原选址方案。当碳排放配额分配给第三方回收企业正逐渐增加,整个物流网络的碳排放也显示了一个上升趋势,减少碳排放并不是显而易见的。此外,碳排放量的逐渐增加的物流网络,整个反向的总碳排放资源化网络也表现出上升趋势,以及减排的影响几乎是零。

通过上面的网络优化模型的计算结果,这是发现,在碳配额政策,整个扭转资源网络的平均碳排放活动减少了4.37%。可以发现,碳配额政策下,碳排放减少很多,有一定的环境效益。

7所示。实验结果及其分析

显示的优越性DLRNN问题分类,比较它与经典的方法。比较算法主要包括两个部分,其中一个是最近提出的经典DL算法。为了确保公平,实验结果发表的算法直接引用。另一部分是传统的机器学习算法,包括传统的朴素贝叶斯和支持向量机。表3显示了问题分类的实验结果。

与这些神经网络方法和传统方法相比,实验结果表明,DLRNN可以处理问题的分类任务。在TREC数据集,与传统方法相比DLRNN,它提高了约3.5%,与最新的神经网络方法相比,提高了大约2.4%。在MSQC数据集,提高了神经网络与传统方法相比约2.5%。

为了进一步分析每个模块的作用在DLRNN混合网络框架,本部分还设计了许多对比实验来验证每个模块的有效性。为了确保公平的比较实验,只修改测试模块,其他模块都不变。在对比实验中,我们不仅测试分层的功能也比较分层和nonlayered网络。

图6显示了测试精度单层网络和多层网络的训练过程。从实验结果可以清楚地看到,无论是单层卷积神经网络还是个RNN的分类精度可以达到分层框架。在单层神经网络中,卷积网络是最接近的分类效果层次框架,而RNN是相对贫穷。这表明卷积网络有一个强大的分类能力。同时,提取文本特征等级可以进一步提高问题分类的能力。

图7显示了卷积神经网络的测试精度和nonconvolution神经网络训练过程。从实验结果可以清楚地看到,当CNN DLRNN取代任何RNN,分类效果会严重降低。这表明卷积网络分类问题中起着重要的作用。此外,在实验中发现,如果从字符特征提取词仍然采用循环网络,它将导致耗时的训练。

参数敏感性分析:本文模型显示三个superparameters的影响在两个数据集Amazon-CDs Amazon-Books:项目嵌入维数和长度和连续的用户交互。嵌入维数的影响数据所示8和9。

从上面的图可以看出,当项目的嵌入维数太小,模型的性能建议是不好,因为项目的尺寸太小不足以模型项目的潜在功能。通过增加项目嵌入的维度,模型更有能力模拟项目的复杂特性。随着项目的增加嵌入维度 ,模型的性能逐渐提高和稳定。

8。结论

电子垃圾扭转资源回收系统是一个综合的问题。上述问题,本文结合低碳理论,碳足迹计算理论、低碳政策、回收模式,和网络优化;综合考虑定性分析和定量分析;最后得到一个网络模型的电子垃圾扭转资源回收低碳政策形势下。在这篇文章中,我们不仅分析碳排放在整个运输过程也是碳排放在仓储、分类、拆卸、处理和其他相关活动。模型的构建不仅考虑整个扭转资源网络的利润,但也。摘要DLRNN经典TREC问题分类数据集和测试数据集MSQC从问答中提取数据。实验结果表明,DLRNN TREC达到最好的分类结果和MSQC数据集。

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。