软测量建模的关键在废水处理过程中基于SAE-NN污水参数

文摘

关键的污水参数的实时测量数据在废水处理中发挥非常关键的作用。在本研究中,我们提出一个基于深度学习相结合的软测量模型叠加autoencoders与神经网络(SAE-NN)。首先,在实验数据的基础上,辅助变量(容易衡量)具有很强的相关性与生化需氧量(BOD5)选为模型的输入。此外,随机梯度下降法(SGD)是用来训练每一层的SAE优化权重参数,而遗传算法识别的策略在每个隐层神经元的数量。研究了软测量模型预测污水处理厂的BOD5评估建议的方法。有趣的是,实验结果表明,该SAE-NN-based软传感器在预测有一个更好的性能比目前常用的方法。

1。介绍

最近,水污染一直是我们的世界面临的最严重的和正在进行的问题。废水处理中的关键变量需要评估为了控制污染和确保水排放计算国际标准。

几种方法被用来计算处理废水的关键变量。然而,在污水处理系统中,有大量的变量难以在线测量,如BOD5,由正常5天离线计算延迟。这使得它不适合实时测量和可能导致污水质量违规行为。软测量技术提供了一个很好的解决这些问题1- - - - - -3]。难以衡量的软测量估计变量关联可用变量容易衡量。软传感器可以分为两个独立的类,也就是说,模型驱动和数据驱动,可以区分在一个非常一般的水平。第一原理模型通常软传感器模型驱动的家庭(4]。模型驱动(白盒模型)建立基于深层知识背景的过程机制。但是,由于复杂的物理背景和工厂的恶劣条件下,当使用第一原理方法,很难模型时,整个过程的阶段。然而,数据驱动(黑盒模型)是建立在历史数据,可以从工业过程和获得建造没有任何操作经验或先验知识,使其复杂过程的软测量建模的一个可接受的选择(5]。发展的数据驱动的软传感器、丰富的多元统计方法和机器学习方法等部分最小二乘(PLS),主成分分析(PCA),模糊逻辑,支持向量回归(SVR)和人工神经网络(ANN)已经使用6]。

数据驱动模型高度敏感维数伴随着高度的相关性,从而导致重要的相关数据以来大量;但是,它缺乏鲁棒性。这样的问题会导致贫穷的软测量算法的鲁棒性和不稳定性,除了性能下降的预测。因此,为软测量模型提取最有用的信息是一个关键的一步(7]。最著名的线性算法特性表示从两个不同的角度发现数据模型是请和主成分分析。此外,机器学习算法,如支持向量机(SVM)和安,因为它们能够处理非线性,常用在软测量建模。然而,随着一个隐藏层模型结构,这些算法是肤浅的学习方法。肤浅的学习可以用于简单的流程和应对问题由于耗时,成本,或一些样品和技术限制使用带安全标签的数据时,包括输入和目标值。因此,这些方法往往不适合现代应用程序当面对高度复杂的过程。应该开发更多潜在的解决方案来处理这些问题。因此,在比较浅的深度学习与多层架构更好的性能在这些复杂的过程。

深度学习已被广泛应用于自然语言处理、图像处理、语音识别等,在过去的几年里(8- - - - - -11]。为了优化深层网络的重量,辛顿提出了贪婪layer-wise无监督pretraining学习过程,是一个很好的解决方案,吸引更多的关注和迅速发展12,13]。最近,在许多领域,提出了神经网络和无疑取得了成功。在这些复杂的问题,传统的神经网络不能妥善解决,表现出了深层神经网络的性能。它可以创建更复杂的功能成功;同时,当学习直接深架构,它可以防止梯度消失和爆炸问题,基于导致梯度反向传播无法运行网络中较低的层(14,15]。深度学习也被证明是特别适合软测量建模,因为它比传统的描述性的软测量模型。秋等人使用堆叠autoencoders软测量预测BOD5的污水处理过程。他们表明,当浅神经网络相比,深神经网络可以实现更好的预测和综合效率(16]。王等人提出了一种数据驱动的软测量模型,集成了堆叠autoencoders与支持向量回归(SAE-SVR)来估算转子变形在热电厂锅炉空气预热器。他们使用Broyden-Fletcher-Goldfarb-Shanno有限内存(L-BFGS)算法来优化权重参数和GA实现最佳SVR参数(17]。燕等人提出了一个基于深度学习相结合的软测量建模和神经网络去噪autoencoder (DAE-NN)来估算烟气氧含量在ultrasuperficial单位1000兆瓦。他们使用改进的梯度下降来更新模型的参数(18]。元等人提出了一个新颖的variable-wise加权叠加autoencoder (VW-SAE)软测量高层output-related特征提取工业去丁烷塔列过程估计产品浓度预测(8]。刘等人提出了一个基于堆叠autoencoder深层神经网络实现齿轮箱故障诊断(19]。

在这目前的研究工作中,我们提出一种新型软测量预测建模方法在废水处理关键参数的在线测量,结合深SAE-NN神经网络和遗传算法。本文的主要贡献是适时总结如下。(我)SAE于一体的autoencoder (AE)和神经网络(NN),已被用于预测建模的关键BOD5废水在线监测参数。为了获得SAE,通过无监督学习多层AEs实现粗调优;然后通过监督学习BP SAE达到微调。辅助变量之间的非线性映射问题,主要变量是更好的解决。(2)遗传算法实现确定每个隐层神经元的数量,针对问题,深层神经网络结构优化是很困难的。因此,预测模型的准确性提高了优化网络结构。(3)为了进一步提高模型的性能,增强了原数据集重新采样和多项式插值,以改善数据的完整性。模型过度拟合问题的缓解。 Our approach is employed for the modeling and prediction of BOD5 in WWTPs. The experimental results showed a better prediction performance by using the proposed soft sensor modeling method based on the combination of SAE-NN and GA for on-line wastewater monitoring.

2。问题陈述

2.1。堆叠Autoencoders

Autoencoder (AE)是一种无监督的机器学习神经网络,旨在把输入变成输出尽可能少的失真;即目标变量匹配作为输入变量。输出层的维数,因此,将相当于输入的维数层。AE和多层神经网络之间的主要区别如下:(i) AE仅仅需要数据输入和unsupervisely评估输出数据,而多层神经网络受到严格的监管,这意味着需要带安全标签的数据时,(2)AE是基于降维。这是很重要的,如果输入组件包括,还是高度相关,大量的冗余。AE解码器和编码器。图1描绘了AE模型的基本结构。假设AE输入 ,在哪里代表输入的维数。

输入映射到隐层吗 通过函数作为 在哪里代表隐藏变量向量维度和W代表 权重矩阵和 软译码器的传感器;隐藏的表示映射到输出层的 通过映射函数 。 在哪里代表一个 权重矩阵和 代表输出层偏差函数。的非线性激活函数和代表修正线性单元(ReLU),可以被描述为

AE的参数集 。最初的输入AE是使用类似于重建的输出越好。这是AE试图学习的任务 。假设的输入数据集 ,在哪里N代表一个整体训练的样本数量。通过计算均方误差、重建减少损失函数来获取模型参数

由autoencoder SGD参数可以优化。

在堆叠autoencoder,有多个AEs连接一层一层地,可以通过监督微调和layer-wise无监督pretraining训练。使用原始输入数据,使用一个无监督pretraining训练第一AE和获得训练函数向量。前层的函数向量作为下一层的输出,这个过程可以重复之前层pretraining培训整个SAE层。输出层将被应用到顶部的SAE训练后所有的隐藏层和反向传播(BP)使用标记训练集最小化代价函数和更新权重来实现监督微调。

2.2。SAE参数优化算法

通过使用一种优化算法,我们必须优化权重pretraining过程中每一层的AE网络;那么这些初始参数用于深AE网络。BP算法是最常用的方法,但深层反向传播训练AE网络通常导致低质量的泛化。即顶层参数只会尽可能适应适应训练数据集,无论下层参数估计。我们采用SGD算法研究工作以优化初始参数。这是一个无约束优化问题的优化方法。在SGD,对于每一次迭代,几个随机选择样本而不是整个数据集(19- - - - - -25]。在每个样本进行一次迭代更新的过程基本上取决于随机洗牌,因此更新模型的参数估计

在每个迭代中,我们算出成本函数梯度的一个例子,而不是总成本函数梯度的例子,所以SGD算法执行速度高,也可以用于在线学习。

2.3。模型结构识别利用遗传算法(GA)

如何评估网络体系结构是至关重要的一个方面,需要处理的神经网络。换句话说,适当的为每个隐层神经元的数目应该选择。在现在的工作中,遗传算法被用来确认每个隐层神经元的数量,这是一个过程的搜索和优化方法,该方法是基于自然选择的过程驱动的。一般来说,它被广泛用于寻找大参数空间的算法解决优化问题。采用遗传算法时,有两个前提条件必须意识到,和一个适应度函数定义染色体或解决方案表示评估解决方案。在这项工作中,根意味着均方误差(RMSE)作为健身价值。

3所示。主要结果

3.1。软测量建模的关键BOD5基于SAE-NN污水参数

SAE-NN主要目标的基于软测量的是软测量建模的无标号的原始数据和处理数据背后的关键信息中获益。

SAE-NN-based软传感器结构如图2。首先,从污水处理厂将原始数据集进行分析。然后,二级BOD5选择相关的变量(包括标记数据和未标记数据)用于pretrain SAE有改进的神经网络对标签数据初始化训练y。最后,通过SAE-NN BOD5的预测价值。软传感器提出了工作有两个主要部分:监督学习古典神经网络(NN)和一个无监督pretraining层(SAE)。在废水处理等应用的大规模数据集的数据集,可以利用三层SAE通过以下步骤。首先,将训练来获得一个AE特征。第二,学习辅助功能在使用的主要功能为原始输入下一个AE。这样的重复采购达到最后的AE水平。建筑编码器的叠加后,获得的特性作为原始输入神经网络回归量。最后,数据标签映射后应用培训过程。最终,所有图层合并成叠autoencoder和最后一层神经网络回归量废水能够回归BOD5的关键参数。

SAE-NN软传感器建模过程总结如下:步骤1。基于过程的知识和选择辅助变量数据收集和把他们分成训练集,验证集和测试集。步骤2。数据预处理:重采样和插值数据集包括改变时间序列观测率和应用数据归一化,这样所有的观察都是在0和1。步骤3。定义深SAE结构,培养个人AE在一个无监督pretraining层和使用SGD算法得到优化的重量值,并使用遗传算法确定最优在每个隐层神经元的数量。步骤4。为主,节约的起始重量将被认为启动监督神经网络和训练它监督标准的培训。步骤5。测试一个SAE-NN基于软传感器的性能。

3.2。案例研究

在本节中,为了预测污水处理厂的BOD5,提出软测量模型应用于一个实际的WWTP。BOD5是由标准,离线5天的延迟,在控制中扮演着重要的角色的关键和防止水体富营养化废水指标。软测量技术提供了一个良好的解决方案来处理这些问题。与其他数据驱动的建模方法相比,提出的软传感器表现出了更好的性能预测。

3.2.1之上。例描述

WWTP,基本上旨在去除有机质和养分,激活污水处理厂是常用的。影响速度、性能和种类的微生物的数量变化随着时间的推移,和处理信息是非常受限制的。因此,由于其气候敏感性和季节性变化,在线分析仪似乎是不可用。基于上述,复杂性和波动导致的在线分析仪的性能恶化,甚至失败。该污水处理厂(26)如图3包括四个要素:预处理、初级定居者、曝气坦克,和次要的定居者。

首先,污水处理后主要移民微生物的生物反应器槽衬底的水平降低。其次,对于生物质雪橇结算,污水被转移到次要的定居者。

因此,顶部的移民,有干净的水和污水处理厂。保留足够的生物量、污泥的一小部分添加到输入的曝气池允许有机物被氧化和剩余污泥被净化。35000年的植物主要是处理污水流 。一系列的设备变量,8的性能指标,计算几家工厂位置的常规测量传感器,每天给一组38的值,9个百分比的性能。在这个工作中,植物在527天的行为被认为是;分别涉及38个流程变量。然而,减少数据集是为了应付任何缺失的值的属性。换句话说,所有行与任何缺失的数据从数据集合中删除,从而导致一个数据集有381实例。必须选择正确的辅助变量以达到高性能因为不相关的变量将软测量的预测性能恶化。图4显示了皮尔森的线性相关性。被选出的19流程变量预测BOD5,包括当地居民性能基于SS / COD、BOD5、悬浮物(SS)、沉积物、生物化学氧需求量(BOD),不稳定的悬浮固体,化学氧需求量(COD),输入,和全球植物性能基于BOD / COD / SS输入。然后,这些十九变量被用作软测量模型的输入,和BOD5受雇软测量模型的输出。表1显示辅助变量的详细信息。

3.2.2。增强处理和数据预处理

因为过度拟合,训练一个深SAE小数据集将SAE的性能恶化;即网络训练集上运行良好,但测试集是值得的27,28]。增加数据被用来解决这个问题为了扩大数据集和减少过度拟合的问题29日,30.]。样品的数量是增加数据扩增方法运用抽样多项式插值的数据集,我们增加了数据集的频率从天小时,使用插值计划填写新的每小时的频率。

消除不同尺度的数据集,数据集比例为(0,1)min-max定标器根据以下方程: 在哪里是指归一化变量和指的是数据集的维数。

3.2.3。设置参数的神经网络

软传感器的性能是由每个隐层神经元的数量;这个过程建模并不是最新的。遗传算法用于这项工作是选择隐层神经元的数目。软测量模型的性能进行评估,根均方误差(RMSE)和相关系数( )使用。

均方根误差的计算 在哪里和,分别预测价值和实际价值的例子;在给定的数据集,N指的是总数的例子。

(1)通过计算 在哪里代表测试集的输出值的平均值。

4所示。仿真实验和结果分析

提出软传感器相比,本研究和验证三个传统软传感器:SVR(有很多核心功能像线性内核,多项式内核,乙状结肠内核,RBF内核,等等,γ=规模(硬没有限制的迭代解算器)max_iter =−1), PCA-SVR结合PCA(组件的数量= 10)和支持向量回归和神经网络三个隐藏层(激活= relu,优化器= sgd动量梯度下降法更新= 0.9,和初始学习速率= 0.001)。训练数据集本身将用于模型进行比较,以确保一个公平的比较。确定隐层神经元的数量在每一个实验,13日,13日,13日,C和正则化参数ε分别是5和0022,基于SVR的线性核函数,使用GA。已使用12749个样本作为训练样本(初始训练样本分为新的训练样本和检验样本,其中30%是初始训练样本)和3188年作为测试样本。为了获得SAE,无监督pretraining layer-wise方法是用来实现一个好的初始化每个AE的重量和偏见。AE都配备了SGD批规范化算法加速训练,辍学是用于正则化,设置批大小为512个样本。每个AE被50时代迭代训练,除了监督backpropagation-trained微调。批量的大小设置为128样品和迭代150时代。我们可以看到在图5、RMSE和分别为0.0051和0.989,被提议的软测量预测基于SAE-NN。可以看出,BOD5匹配实际值的预测值和面对激烈变化表现更好。数据显示只有100 100训练样本和测试样本,因为训练和测试数据集太大。表2描述了基于不同方法预测软传感器的性能。PCA-SVR的结果,SVR,多层神经网络,提出了基于SAE-NN软测量预测表2在训练和测试数据集。可以看到,SAE-NN-based软传感器具有更好的性能比其他传统的学习和泛化软传感器和给定一个相当满意的估计的BOD5,虽然PCA-SVR, SVR,多层神经网络获得相对贫穷的结果。SVR的最糟糕的结果,因为它无法充分描述非线性结构数据。PCA-SVR模型实现稍微更好的预测结果作为PCA可以消除输入数据噪声和数据冗余来提高预测的性能。更准确地比PCA-SVR SVR,传统的多层神经网络可以近似复杂的数据关系。尽管如此,神经网络与3隐藏层SAE-NN相比并不提供伟大的预测性能。

多层神经网络的网络参数随机初始化和当地最适条件很容易处理。,培训结果与BP神经网络收敛速度缓慢和困难在决定一个合适的体系结构来实现最低。相比之下,一层一层地从模型中提取高层SAE的抽象特性。因此,对于任务的预测,这些特性更结构化的。即SAE-NN的性能优于多层神经网络。其他传统软传感器的比较结果如图6- - - - - -8。它可以观察到从数据6- - - - - -8从估计的BOD5 WWTP植物,这明确显示软传感器基于SAE-NN具有良好的性能。即从跟踪BOD5的变化趋势,SAE-NN表现良好。预测的错误SAE-NN比其他的更小,我们可以看到。即SAE-NN预测容易变化没有显著变化和显示比浅架构的模型预测更加充沛。实验进行一个电脑使用英特尔®CPU核心™i5 - 8250 u @1.60 GHz CPU (8)∼1.8 GHz, 4 GB RAM使用Python Keras深度学习库(使用TensorFlow端)2.2.4。(31日]。

5。结论

本文在一个污水处理厂,SAE-NN提出了基于数据驱动的软传感器估计BOD5和实现。堆叠AEs已经训练了监督神经网络来获取初始化权值,导致神经网络系统的最好的泛化和避免过度拟合的问题。此外,在每一个隐藏层,GA开发确定适当数量的神经元。一般来说,软传感器的输出是由近似估计BOD5的真正价值。在大多数情况下,SAE-NN-based软传感器优于所有其他工具对于软传感器。深度学习在许多工业过程中应用优于浅层学习当面对复杂的情况,是一种很有前途的方法建模软传感器。自动选择适当的参数值来提高性能的深层网络将在未来的工作重点。未来的工作还将进一步扩展我们的方法pretraining layer-wise监督或semisupervised方式。

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有关的出版。

确认

这项研究是由中国国家自然科学基金(批准号61763027和61763027)。

引用

1. h . Haimi m·穆勒、f .电晕和r . Vahala”数据软生物污水处理厂:概述,“环境建模与软件47卷,第107 - 88页,2013年。视图:出版商的网站|谷歌学术搜索
2. h·汉,朱,j .乔和m .郭“数据驱动的智能监控系统关键变量在污水处理过程中,“中国化学工程杂志》上,26卷,不。10日,2093 - 2101年,2018页。视图:出版商的网站|谷歌学术搜索
3. 诉Gopakumar,美国女子,拉赫曼,“基于深度学习的数据驱动的生物过程软测量,”生化工程杂志卷。136年,28-39,2018页。视图:出版商的网站|谷歌学术搜索
4. p . Kadlec b Gabrys, s . Strandt“数据驱动的软传感器在流程行业,”计算机与化学工程,33卷,不。4、795 - 814年,2009页。视图:出版商的网站|谷歌学术搜索
5. c . m . Thurlimann d . j . Durrenmatt, k . Villez“软测量与定性趋势分析污水处理厂控制”控制工程实践卷,70年,第133 - 121页,2018年。视图:出版商的网站|谷歌学术搜索
6. h .金子和k . Funatsu”应用程序的在线支持向量回归软传感器,”AIChE杂志,60卷,不。2、600 - 612年,2014页。视图:出版商的网站|谷歌学术搜索
7. s . i Abba, g . Elkiran废水化学需氧量的预测astewater处理厂使用人工神经网络的应用程序,“Procedia计算机科学卷,120年,第163 - 156页,2017年。视图:出版商的网站|谷歌学术搜索
8. x元,黄,y, c·杨和w . Gui,“深上优于特性表征及其应用软测量建模与variable-wise加权SAE,”IEEE工业信息,14卷,不。7,3235 - 3243年,2018页。视图:出版商的网站|谷歌学术搜索
9. w•朱马y, y, m·本顿和j . Romagnoli“深度学习软传感器及其应用基于热解反应器的气相成分的预测组件”13日过程系统工程国际研讨会2018 (PSE)爱思唯尔,页2245 - 2250年,阿姆斯特丹,荷兰,2018年。视图:出版商的网站|谷歌学术搜索
10. c .商f·杨,d·黄和w·律,“数据驱动的软传感器开发基于深度学习技术,”《过程控制,24卷,不。3、223 - 233年,2014页。视图:出版商的网站|谷歌学术搜索
11. x元,c . Ou y . Wang c·杨和w . Gui,“深软测量建模的质量相关特征提取:深度学习的方法与混合VW-SAE,”Neurocomputing卷,396年,第382 - 375页,2019年。视图:出版商的网站|谷歌学术搜索
12. j·朱、z .通用电气和z的歌,“大规模的分布式并行PCA建模和监视工作流程与大数据”IEEE工业信息,13卷,不。4、1877 - 1885年,2017页。视图:出版商的网站|谷歌学术搜索
13. Hamedmoghadam H。,N。Joorabloo, and M. Jalili, Australia’s long-term electricity demand forecasting using deep neural networks, arXiv preprint arXiv:1801.02148, 2018.
14. r . Zhang和j·道,“数据驱动建模为焦炭炉使用基于改进的多目标优化的神经网络系统,”IEEE工业电子产品,卷64,不。4、3147 - 3155年,2017页。视图:出版商的网站|谷歌学术搜索
15. y Bengio,“贪婪layer-wise培训深度网络”先进的神经信息处理系统麻省理工学院出版社,页153 - 160年,剑桥,妈,美国,2007年。视图:谷歌学术搜索
16. 刘裘y, y, d .黄”Date-driven软生物废水处理设计使用深层神经网络和遗传算法,”日本化学工程杂志》上卷,49号10日,925 - 936年,2016页。视图:出版商的网站|谷歌学术搜索
17. 王x h·刘,“软传感器基于堆叠auto-encoder深层神经网络对空气预热器转子变形预测,“先进的工程信息36卷,第119 - 112页,2018年。视图:出版商的网站|谷歌学术搜索
18. w·严Di唐,y林,“基于深度学习的数据驱动的软测量建模方法及其应用,”IEEE工业电子产品,卷64,不。5,4237 - 4245年,2016页。视图:出版商的网站|谷歌学术搜索
19. 保h . g . Liu,汉族,“一堆autoencoder-based深实现齿轮箱故障诊断神经网络,”数学问题在工程卷,2018篇文章ID 5105709, 10页,2018。视图:出版商的网站|谷歌学术搜索
20. b . Scholkopf j·普拉特,t·霍夫曼,“贪婪layer-wise培训深度网络”国际会议上神经信息处理系统麻省理工学院出版社,页153 - 160年,剑桥,妈,美国,2006年。视图:出版商的网站|谷歌学术搜索
21. c . x, y . Wang, z .通用电气、z的歌,和w . Gui,“加权线性动态系统非线性动态特性表示和软测量应用程序的工业过程,”IEEE工业电子产品,卷65,不。2、1508 - 1517年,2018页。视图:出版商的网站|谷歌学术搜索
22. c . j . Yu香港、y鲁伊和d道,“多任务autoencoder模型恢复人类的姿势,“IEEE工业电子产品,卷65,不。6,5060 - 5068年,2017页。视图:出版商的网站|谷歌学术搜索
23. y榉、j .郭和刘,“深与支持向量机学习方法结合稀疏autoencoder”《2015年国际会议上Cyber-Enabled分布式计算和知识发现2015年9月,西安,中国,。视图:出版商的网站|谷歌学术搜索
24. S.-Z。b . Yu, w . Wu S.-Z。苏,R.-R。霁,“功能学习人力手势识别基于SAE-PCA网络RGBD图像,”Neurocomputing卷,151年,第573 - 565页,2015年。视图:出版商的网站|谷歌学术搜索
25. g·e·辛顿和r . Salakhutdinov”,与神经网络,降低数据的维数”科学,卷313,不。5786年,第507 - 504页,2006年。视图:出版商的网站|谷歌学术搜索
26. c·l·布莱克和c·j·梅尔兹UCI机器学习数据库的存储库美国加州大学,奥克兰,1998。
27. 冯,h .周董和h,“使用深层神经网络和小数据集来预测材料缺陷,”材料和设计卷,162年,第310 - 300页,2019年。视图:出版商的网站|谷歌学术搜索
28. c . y . Lee, s .谢·加拉格尔z, z涂,“Deeply-supervised网,”《18人工智能国际会议上和统计圣地亚哥,页562 - 570,美国2015年5月。视图:谷歌学术搜索
29. k .徐X沈,T姚明,X田,和T梅,“贪婪layer-wise培训的短期记忆网络,”学报2018年IEEE国际多媒体会议及博览会研讨会(ICMEW)美国圣地亚哥CA, 2018年7月。视图:谷歌学术搜索
30. 美国汗:伊斯兰教,z 1月,即Ud喧嚣,和j·j·p·c·罗德里格斯”小说深度学习的基础框架,使用转移乳腺癌的检测和分类学习,”模式识别的字母卷,125年,页1 - 6,2019。视图:出版商的网站|谷歌学术搜索
31. Chollet F。Keras,https://keras.io,2015年。

版权

版权©2020优素福Babiker m .奥斯曼和李魏。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。