基于实时性优化的内燃机燃烧分析系统研究

采用缸压传感器、数据采集卡、光电编码器和Lab VIEW软件,搭建在线缸压采集和实时燃烧分析系统平台,研究HCCI和RCCI燃烧模式的循环波动特性。针对单循环缸压测量过程中的通道效应干扰,基于频谱分析,采用FFT、线性插值法和IFFT等方法相结合的滤波方式,实现共振峰的在线自适应识别与实时滤波,较好地减少了单循环缸压的干扰误差,使单循环的实时燃烧分析成为可能。随后,基于实时滤波后的缸压曲线,计算得到内燃机的最大压力升高率、燃烧放热率、爆发压力等重要燃烧参数。利用程序算法中同步性良好的生产者/消费者运算模式提高数据的共享能力,实现了数据实时运算与数据快速储存的并行处理,提高了燃烧计算的实时性;针对发动机不同工作阶段采用了不同精度层次的计算方法,减少了进排气、压缩和膨胀阶段的计算耗时,在计算量较大的燃烧放热率计算部分,通过适当简化计算公式和公式节点运算模块来提高燃烧系统的实时性。最后,分析了燃烧分析系统的实时性,并进行了燃烧分析系统的实验验证。     

面向养殖水体分布差异的COD光谱法检测研究

面向养殖水体，传统光谱法对化学需氧量（Chemical Oxygen Demand，COD）检测模型构建的基础：源域（现有样本库）与目标域（检测地水体）间光谱数据独立同分布。但是当源域与目标域分布间存在差异时，由源域得到的低误差模型常在目标域上表现下滑。针对该问题，提出面向UV Vis光谱的域对抗训练网络（DAUVwpNet），将分布不同的源域和目标域数据映射至相同分布的特征空间中，使其在该空间的分布距离尽可能接近，从而在特征空间中对源域训练的目标函数也可以迁移至目标域上，以降低模型在目标域的误差。试验表明：面向同一批测试数据，DAUVwpNet的预测误差为0.78，要低于传统模型的预测误差（0.85）；DAUVwpNet预测值与实测值间相关系数为0.95，要高于传统模型的相关系数（0.89）。表明了该网络能够较好对齐两域特征空间数据分布，降低因分布差异带来的COD检测误差。     

家畜环境卫生学课程线上教学模式的研究

随着互联网信息技术发展和智能手机的普及,顺应时代发展的需要,线上教学成为未来高校教学活动开展一种必然途径。本文基于学习通和QQ群课堂平台构建了家畜环境卫生学课程的教学设计方案,并详细介绍了教学活动的实施办法,分析了线上教学面临的困难,并提出了相应对策,以期为高等学校线上教学改革提供参考。     

高等农业院校科技译刊选题刍议

选题是办刊的一个重要环节,高等农业院校科技译刊选题,要根据农业学科本身的特点,根据教学科研的实际需要,又能反映学科发展的新趋势、新动态,同时,选题还要考虑本校翻译队伍的优势,特点。     

社会工作视野下高校和谐教育的构建

基于对我国当前高校不和谐现状的分析,秉持社会工作的理念和视角,探索了我国高校和谐教育的含义,并就社会工作作为一种专业方法在建设高校和谐教育中的策略进行了探讨与创新.     

信息与计算科学专业《数据结构》教学实践与思考

结合信息与计算科学专业设置,本文分析了数据结构课程教学现状,从整合教学内容、设置教学梯度和完善教学手段等方面进行研究与探索。本课题针对交叉学科的特点强调学以致用和知识的融会贯通,搭建了开放的专题学习平台,提高了学生的自主学习和研究能力,初步取得了较好的教学效果,为数据结构课程的教学改革提供了参考。     

基于信息抽取的食品安全事件自动问答系统方法研究

针对从海量食品安全事件新闻报道中很难抽取出所需答案的问题，以食品安全事件语料库为研究对象，提出了一种基于信息抽取技术的自动问答系统。首先，利用深度学习模型TextCNN对用户输入的问题进行分类，得到其所属类型。其次，对于输入问题，借助Lucene搜索引擎找到其最佳匹配文档。再次，根据输入问题的类型，从食品安全事件数据库（采用信息抽取技术自动提取的一个结构化数据库）中筛选出该文档所包含的答案候选句集合。最后，利用深度学习模型Bi LSTM及基于答案候选句上下文的特征提取方法构建一个答案抽取模型，该模型能从给定的答案候选句集合中提取出最终答案。为检查基于食品安全事件数据库的答案候选句筛选方式及基于答案候选句上下文的特征提取方式对整个自动问答系统性能的影响，进行了多种比较实验，结果表明含有基于食品安全事件数据库的答案候选句筛选方式和基于答案候选句上下文的特征提取方式的问答系统表现最佳，其回答准确率达到44%。这相比于传统的问答系统，具有明显的优势。     

基于深度学习的大豆生长期叶片缺素症状检测方法

为了检测作物叶片缺素,提出了一种基于神经网络的大豆叶片缺素视觉检测方法。在对大豆缺素叶片进行特征分析后,采用深度学习技术,利用Mask R-CNN模型对固定摄像头采集的叶片图像进行分割,以去除背景特征,并利用VGG16模型进行缺素分类。首先通过摄像头采集水培大豆叶片图像,对大豆叶片图像进行人工标记,建立大豆叶片图像分割任务的训练集和测试集,通过预训练确定模型的初始参数,并使用较低的学习率训练Mask RCNN模型,训练后的模型在测试集上对背景遮挡的大豆单叶片和多叶片分割的马修斯相关系数分别达到了0.847和0.788。通过预训练确定模型的初始参数,使用训练全连接层的方法训练VGG16模型,训练的模型在测试集上的分类准确率为89.42%。通过将特征明显的叶片归类为两类缺氮特征和4类缺磷特征,分析讨论了模型的不足之处。本文算法检测一幅100万像素的图像平均运行时间为0.8 s,且对复杂背景下大豆叶片缺素分类有较好的检测效果,可为农业自动化生产中植株缺素情况估计提供技术支持。     

疫情防控期间学生思想政治工作创新研究与实践——以北京农业职业学院为例

2020年初，突如其来的疫情给中国人民乃至世界人民身体健康和生命安全带来了极大的威胁。为此，全国学校延迟开学，实行“停课不停教，停课不停学”，采取线上教学形式。面临严峻的疫情防控形势和全新的教学形式，需要创新研究和实践学生思想政治工作。通过分析疫情防控期间学生思政工作面临的挑战，提出通过创新性地发挥基层党组织的作用，保证思政工作大方向，聚焦疫情防控创新思政内容和创新实践思政工作的途径与方法，做好学生思政工作，确保在抗疫工作取得彻底胜利的基础上，全面提高教育教学水平。     

采用全卷积神经网络与Stacking算法的湿地分类方法

高精度湿地制图对湿地生态保护与精细管理具有重要的支撑作用。针对传统湿地分类方法的精度不高和泛化能力弱等问题，提出了一种联合全卷积神经网路（fully convolutional neural network，FCN）与集成学习的湿地分类方法。首先利用全卷积神经网络（SegNet、UNet及RefineNet）对GF-6影像的语义特征进行提取与融合，然后利用Stacking集成算法对融合后的特征进行判别和分类。结果表明，联合全卷积神经网络与Stacking算法能有效提取湿地信息，总体分类精度为88.16%，Kappa系数为0.85。与联合全卷积神经网络与单一机器学习RF、SVM与kNN算法相比，该文提出的湿地分类方法在总体分类精度上分别提高了4.87%，5.31%和5.08%；与联合单一全卷积神经网络（RefineNet、SegNet、UNet）与Stacking算法下的湿地分类结果，该文提出的湿地分类方法在总体分类精度上分别提高了2.78%，4.48%与4.91%；该文方法一方面能通过卷积神经网络提取遥感影像深层的语义特征，另一方面通过集成学习根据各分类器的表征性能进行合理的选择并重组，从而提高分类精度及其泛化能力。该方法能为湿地信息提取及土地覆盖分类方法的研究提供参考。