关于无网格方法中点插值形函数的研究

点插值法与其他无网格方法不同的是采用多项式近似来构造形函数，这种形函数具有Kronecker delta函数的特性，因此，易于施加本质边界条件．本文研究了点插值法中以单项式为基函数的形函数的建立及其性质，并通过矩阵三角化算法来克服形函数矩阵大奇异性．同时，本文所给出的数值算例验证了形函数具有Kronecker delta函数的特性，说明了点插值形函数具有精确的曲线拟合特性并能通过分片试验．     

比较机器学习等算法对肉鸡产蛋性状育种值估计的准确性

我国白羽肉鸡育种中,通过遗传途径提高产蛋数和控制合适的蛋重是培育优良品系的一个重要方面。为探索适合我国白羽肉鸡育种中的基因组选择模型,本研究以2 474只白羽肉鸡品系的产蛋性状为研究对象,主要分析了机器学习算法KAML、BLUP(包括：PBLUP、GBLUP、SSGBLUP)和Bayes(包括：Bayes A、Bayes B和Bayes Cπ)方法对产蛋数和蛋重性状的预测准确性,准确性以5倍交叉验证进行评估。利用系谱以及基因组信息估计了产蛋数和蛋重性状的遗传力和遗传相关。结果表明,产蛋数性状遗传力为0.061~0.16,属于低遗传力性状;蛋重遗传力为0.28~0.39,属于中等遗传力性状;产蛋数与蛋重是中等遗传负相关(-0.518~-0.184),不同阶段产蛋数之间是强的遗传正相关(0.736~0.998)。不同模型预测43周产蛋数和52周蛋重的育种值估计准确性结果表明,KAML方法对两者的预测准确性分别为0.115和0.266,与GBLUP方法(准确性分别为0.118和0.283)和SSGBLUP方法(准确性分别为0.136和0.259)的准确性差异显著,同时显著低于Bayes方法(准确性分别为0.230~0.239、0.336~0.340)的预测准确性, PBLUP方法预测准确性最低(准确性分别为0.095和0.246)。因此,在白羽肉鸡产蛋数和蛋重性状中应用Bayes方法将获得最高的育种值估计准确性。     

基于机器学习算法的奶牛疾病预测模型的研究

【目的】评估建立奶牛疾病预测模型的6种机器学习（machine learning,ML）算法的性能及预测变量的重要性。【方法】选取2020年12月至2021年11月,共计944头泌乳牛的生产信息、行为信息作为预测因子,疾病信息作为输出变量,训练并验证模型。将日产奶量、反刍量、活动量、胎次和泌乳天数作为输入变量,利用ML算法建立奶牛疾病的预测模型,评估决策树（Decision Tree,DT） C5.0、CHAID算法、人工神经网络（Artificial Neural Network,ANN）、随机森林（Random Forests,RF）、贝叶斯网络（Bayesian Networks,BN）和逻辑回归（Logistic Regression,LR）6种ML算法的性能,评估预测变量的重要性,以及将胎次和泌乳天数纳入预测变量后模型性能的改善情况。采用敏感性和特异性评估模型性能,按照权重排序评估输入变量对模型预测的重要性。【结果】DT C5.0算法敏感性>85%,特异性>90%,为性能最佳的模型;RF总敏感性为56.8%,对各类牛预测的性能较稳定;ANN、BN、DT CHAID则对样本量较多的疾病预测性能较好,可达74.4%;LR对病牛正确识别率不足40.0%,大多识别为健康牛。产奶量为RF、ANN、LR最重要的预测变量,泌乳天数为DT C5.0、CHAID和BN最重要的预测变量;纳入胎次和泌乳天数后,模型预测的敏感性平均提高9.8%。【结论】ML算法在对奶牛疾病的预测方面表现出很大潜力,其中,DT C5.0更适合用于预测奶牛疾病。产奶量和泌乳天数为疾病预测模型中相对重要的变量,此外,将胎次和泌乳天数纳入预测变量,可提高模型的预测精度。     

The Weighted Ideal Point Method and Its Application in Forest Harvest Regulation

本文通过对理想点法进行分析，认为该法取不同的ｐ值代表决策者对不同目标的偏爱程度；但ｐ值过大模型求解比较困难，故实际应用时ｐ值取较大的值并不现实．为进一步突出决策人对不同目标的偏爱程度，作者对理想点法进行改进，引进了各目标的权重，提出了加权理想点法．与前者比较，它进一步突出了不同目标对决策结果的影响，使决策结果更符合决策者的愿望，便于在生产中实施．通过用该法对山西省千秋沟林场某经营类型进行收获调整，表明用该法进行森林收获调整，到调整期末龄级结构基本达到完全调整林状态，且可将决策者对不同目标的要求落实到合理水平上．     

A family of segmented polynomial functions for modelling the border effect on the diameter growth of Ayous (Triplochiton scleroxylon K. Schum)

This paper introduces a family of four segmented (or grafted) polynomial functions for modelling the decrease in the diameter of Ayous (Triplochiton scleroxylon K. Schum) with distance from the border of the plantation. The functions, each comprising two segments of second degree or less, were fitted to data collected in the Cameroon rain forest. A comparative assessment of the fit was carried out using criteria such as mean deviation, root mean squared deviation, and fit index.

The border effect extended to 10 m inside the plantation where a 50% decrease in diameter occurred. Beyond that distance, the diameter appeared to be stable except for random variation. The estimated functions performed equally well as they all provided a good fit to the data, with a small bias. Most importantly, they proved to be flexible and thus adaptable to a wide variety of situations.

Recommendations are made concerning setting up a guard area and ways of improving the silviculture of Ayous. Also, the possibilities for an agrisilvipastoral system are explored.     

促进高校发展的科技政策及科研管理办法

高等院校是国家科学研究的一个重要方面军。怎样才能发挥高校的人才、学科、实验测试设备、图书资料等优势,是当今"科技创新"、"科教兴国"中需要研究的热点问题。从我国目前有关高校的科技政策入手,就其政策执行过程中所出现的问题提出了我们的看法,高校在用好、用活、用足这些优惠政策的同时,制定出高校内部的有关管理办法,使高校的科研为国家经济建设作出应有的贡献。     

基于改进DeepLabv3+的水稻田间杂草识别方法

针对实际稻田环境中水稻与杂草相互遮挡、难以准确区分的问题,提出一种基于改进DeepLabv3+的水稻杂草识别方法。以无人机航拍的复杂背景下稻田杂草图像为研究对象,在DeepLabv3+模型的基础上,选择轻量级网络MobileNetv2作为主干特征提取网络,以减少模型参数量和降低计算复杂度;融合通道和空间双域注意力机制模块,加强模型对重要特征的关注;提出一种基于密集采样的多分支感受野级联融合结构对空洞空间金字塔池化模块(ASPP)进行改进,扩大对全局和局部元素特征的采样范围;对模型解码器部分进行改进。设置消融试验验证改进方法的有效性,并与改进前DeepLabv3+、UNet、PSPNet、HrNet模型进行对比试验。试验结果表明,改进后模型对水稻田间杂草的识别效果最佳,其平均交并比(MIoU)、平均像素准确率(mPA)、F1值分别为90.72%、95.67%、94.29%,较改进前模型分别提高3.22、1.25、2.65个百分点;改进后模型内存占用量为11.15 MB,约为原模型的1/19,网络推算速度为103.91 f/s。结果表明改进后模型能够实现复杂背景下水稻与杂草分割,研究结果可...     

基于无人机多光谱影像和关键点检测的雪茄烟株数提取

为从无人机遥感影像中准确识别烟草,实现植株定位与计数,以雪茄烟草植株为研究对象,提出一种新的深度学习模型。区别于传统的利用检测框识别目标,本文模型利用少量的关键点学习烟草中心形态学特征,并采用轻量级的编、解码器从无人机遥感影像快速识别烟草并定位计数。首先,提出的模型针对烟草植物形态学特点,通过中心关键点标注的方法,使用高斯函数生成概率密度图,引入更多监督信息。其次,对比不同主干网络在模型中的效果,ResNet18作为主干网络时平均精度大于99.5%,精度和置信度都高于测试的其他主干网络。而MobileNetV2在CPU环境下达到运行效率最优,但平均置信度相对较低。使用损失函数Focal Loss与MSE Loss结合的Union Loss时,平均精度大于99.5%。最后,利用不同波段组合作为训练数据,对比结果发现使用红边波段更有助于模型快速收敛且能够很好地区分烟草和杂草。由于红边波段与植株冠层结构相关,使用红边、红、绿波段时平均精度达到99.6%。本文提出的深度学习模型能够准确地检测无人机遥感影像中的烟草,可为烟草的农情监测提供数据支持。     

考虑输出刚度不确定性的柔顺机构拓扑优化设计

为了降低机构性能对输出刚度不确定因素的敏感程度,提出一种考虑输出刚度不确定性的柔顺机构拓扑优化设计方法。采用区间模型描述输出刚度的不确定性,利用多项式混沌展开式(Polynomial chaos expansion, PCE)和Smolyak稀疏网格积分法计算随机响应统计矩,以机构输出位移的期望值最大化和标准差最小化为目标函数,以机构结构体积为约束,建立考虑输出刚度不确定性的柔顺机构稳健性拓扑优化模型,采用移动渐近线优化算法更新设计变量。夹持器和咬合机构数值算例验证提出设计方法的有效性,与确定性拓扑优化结果比较,稳健性拓扑优化设计获得的柔顺机构构型有所不同,机构的输出位移标准差减小,有效地降低机构对输出刚度不确定性的敏感程度。随着加权系数增大,获得的柔顺机构输出位移标准差和期望值减小。随着不确定输出刚度幅值增大,获得的柔顺机构输出位移标准差增大,并且输出位移期望值有所减小。     

基于DiMP的类特定养殖奶山羊跟踪方法

为准确实时跟踪羊只目标,进行疾病异常预警,实现奶山羊精细化养殖,本文基于DiMP跟踪模型,利用奶山羊跟踪对象单一且图像样本丰富的特点,结合迁移学习和类特定融合方法,设计了一种类特定的奶山羊目标跟踪模型,能够有效克服DiMP算法在跟踪类特定目标时定位精度不足的缺点。利用构建的奶山羊视频跟踪数据训练集对跟踪算法进行迁移训练,加快模型收敛速度,使评估网络预测出的边界框更贴合奶山羊真实框的位置和尺寸。在线跟踪阶段,针对目标模板仅采用第1帧特征制作整个序列的调制向量,导致该调制向量相对整个跟踪阶段特征不具代表性,与后续帧差异大的缺点,使用训练集制作包含奶山羊各种姿态的类调制向量,以指数消融方式更新奶山羊类调制向量与第1帧调制向量间的比重,增强边界框回归任务中的奶山羊特征与背景的判别性。提出的算法在测试集上的AUC(Area under curve)和精准度(Precision)分别为76.20%和60.19%,比DiMP方法分别提升6.17、14.18个百分点,跟踪速度为30 f/s,满足实时跟踪的要求。实验结果表明,提出的类特定奶山羊目标跟踪方法可用于监测复杂场景下奶山羊的运动,为奶山羊精细化...