ABSTRACT In order to explore the effect of added bacteria on microbial community and determine the dominant bacteria in the aerobic composting process of household food waste (HFW), two groups of HFW composting experiments were conducted for 30 days. The final degradation rates of the two groups were 69.95% (group A, natural composting) and 73.52% (Group C, composting with added bacteria), respectively. 16S rRNA high-throughput sequencing was used to analyze the changes of microbial community in the composting process. As the result displays, at the classification of phylum level, the relatively abundant bacteria of two groups were Firmicutes, Proteobacteria and Cyanobacteria . At the classification of genus level, Pediococcus is the dominant bacteria of group A, which performed better in maintaining the microbial community stable in the later stage of composting, while Weissella accounted for a relatively large proportion of group C and behaved well in promoting the final degradation rate of composting. The proportion of Ochrobactrum in the early stage of group C is considerable and it is closely related to the removal of odour during composting. The relative abundance of added bacteria was always in a rather low level, suggested that the way they affect the composting process is to change the proportion of dominant bacteria in different stage of composting. This experiment provides an important reference for improving the microbial degradation efficiency of HFW. IMPORTANCE In recent years, food waste has gradually become a global problem, the annual waste of food is as high as 1.3 billion tons. FW, especially HFW, as a high content of organic matter waste, has a pretty good recycling value. So how to deal with and recycle it efficiently, quickly and conveniently becomes more and more important. Among many treatment and recovery methods, microbial treatment (including anaerobic digestion and aerobic composting) has gradually become a research hotspot due to its advantages of low pollution and low energy consumption, and microorganisms play a crucial role in these process. In this study we use 16S rRNA high-throughput sequencing method to explore aerobic composting of HFW. The purpose of this study is to find out the dominant bacteria which can improve the degradation efficiency, remove the odor and prolong the treatment cycle, and then provide further theoretical reference for future HFW related research.

Building operations account for a large amount of energy use and CO2 emissions, and the morphology of buildings in residential clusters strongly impacts energy efficiency performance. However, little research has focused on the morphology and energy electricity usage of high-rise residential clusters in hot summer and cold winter (HSCW) regions. We investigated 96 residential clusters in Hangzhou, China, and established a corresponding morphology database. Additionally, we obtained annual electricity consumption for 16 of these residential clusters. With this database, we performed optimization of morphological parameters upon energy use intensity (EUI) using a genetic algorithm (GA). Specifically, the cooling, heating, and lighting EUIs of high-rise residential clusters were studied. After implementing the optimized morphological parameters, there was a reduction of up to 7.73% in EUI. According to regression analysis, the average aspect ratio was the most significant factor influencing EUI (r = −0.907), followed by floor area ratio (r = −0.755), average orientation (r = 0.502), and average number of floors (r = −0.453). These results indicate that a higher intensity of land development with a greater floor area ratio, average aspect ratio, and average number of floors can reduce total energy consumption. Additionally, we found that an average building orientation of southwest 15° (with respect to south) is optimal. The findings of this study can assist urban planners and designers in developing more sustainable residential clusters, leading to decreased energy costs and CO2 emissions.

In order to extract the line-spectrum features of underwater acoustic targets in complex environments, an auditory convolutional neural network (ACNN) with the ability of frequency component perception, timbre perception and critical information perception is proposed in this paper inspired by the human auditory perception mechanism. This model first uses a gammatone filter bank that mimics the cochlear basilar membrane excitation response to decompose the input time-domain signal into a number of sub-bands, which guides the network to perceive the line-spectrum frequency information of the underwater acoustic target. A sequence of convolution layers is then used to filter out interfering noise and enhance the line-spectrum components of each sub-band by simulating the process of calculating the energy distribution features, after which the improved channel attention module is connected to select line spectra that are more critical for recognition, and in this module, a new global pooling method is proposed and applied in order to better extract the intrinsic properties. Finally, the sub-band information is fused using a combination layer and a single-channel convolution layer to generate a vector with the same dimensions as the input signal at the output layer. A decision module with a Softmax classifier is added behind the auditory neural network and used to recognize the five classes of vessel targets in the ShipsEar dataset, achieving a recognition accuracy of 99.8%, which is improved by 2.7% compared to the last proposed DRACNN method, and there are different degrees of improvement over the other eight compared methods. The visualization results show that the model can significantly suppress the interfering noise intensity and selectively enhance the radiated noise line-spectrum energy of underwater acoustic targets.

Abstract Traffic signal failures can lead to severe accidents and citywide traffic disruptions, making their reliable operation essential. This study collected real-world data from intersection traffic signals and constructed a dataset. Based on the current data from traffic signals, the Formatted pass-Dot product attention-LSTM (FD-LSTM )model was proposed. The model utilizes one-dimensional convolution and max pooling
for feature extraction, employs dual LSTM units to process forward and backward information, incorporates Dropout to prevent overfitting, and uses the dot-product attention mechanism to enhance the importance of key features. The model is trained using the Adam optimization algorithm. Comparative experiments demonstrate that the FD-LSTM model outperforms other models.