基于BP神经网络的欠发达地区失地农民生计方式选择预测——以甘肃省兰州市安宁区为例

[目的]探析欠发达地区失地农民生计方式选择的影响因素,推进失地农民可持续生计研究,为精准实现失地农民可持续生计提供政策参考.[方法]以甘肃省兰州市安宁区失地农民群体为研究对象,基于可持续生计分析框架及实地调查数据,采用BP神经网络及二元Logistic回归模型定量分析人力资本和政策性因素对失地农民生计方式选择影响的边际效应.[结果]BP神经网络检验分类预测准确率达92.44%,二元Logistic回归模型检验分类预测准确率为78.15%,且BP神经网络的AUC值显著高于二元Logistic回归模型,表明BP神经网络具有更好的拟合性能,能更有效地分析失地农民生计资本对其转移就业选择的影响及边际效应.因征地补偿所获得的财产性收入和转移性收入在一定程度上降低了失地农民转移就业率;年龄对转移就业概率的边际效应呈倒U形,35岁以上失地农民的转移就业概率显著低于35岁以下群体,45岁以上失地农民的转移就业概率已低至0.5以下;欠发达地区教育水平仍是影响非农就业水平的关键因子,且高中以上教育水平对就业概率提升的影响显著.[建议]提高人力资本存量,增强职业技能培训;选取更合理的征地补偿措施,正确引导失地农民合理分配使用货币性补偿;完善失地农民劳动力市场体系,提供更有针对性的就业扶持及保障措施,缓解失地农民提前退出劳动力市场的现状.     

面向深度增强学习的网络数据流优化研究

探讨面向分布式深度增强学习框架的网络数据流优化,设计使深度学习训练能容忍无损网络的数据流优化策略。对于参数服务器同步架构,假设计算节点和服务器之间的网络通信会产生丢包,该优化策略需要保证分布式训练在无损网络中的性能。采用理论分析与实验评估相结合的方式来验证所提出策略的性能。     

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。     

FCN用于母猪性能测定的探索

种猪性能测定对于猪的育种工作至关重要。目前常用B超测定猪活体的背膘厚和眼肌面积,但是也存在一些问题。全卷积神经网络(FCN)在计算机视觉方面应用广泛。基于FCN模型和猪B超图片,开展背膘厚和眼肌面积的图像识别很有价值,但是也存在一定的挑战。对FCN应用于种猪性能测定的前景和技术进行分析     

施肥深度对设施葡萄产量和品质的影响

为了明确葡萄的施肥深度,以5a生红地球葡萄为研究对象,采用随机区组的方法进行了施肥深度的研究。结果表明:施肥深度以30cm效果最佳,葡萄产量及品质均达到了最优,最高产量为24.93t/hm2,糖酸比为36.03。     

马铃薯全膜覆盖栽培播深试验报告

研究表明,马铃薯全膜覆盖栽培,播深对结薯数、产量等商品性状影响明显,尤其是显著影响大薯的数量、产量和商品性,其最佳播深12 cm左右。     

绿色食品韭菜栽培技术

一、品种选择韭菜选择抗病、抗寒、优质新品种四季翠绿。二、播前整地育苗地选择前茬不是种植葱、蒜、韭菜的地块。土壤要求土层疏松透气。翻耕深度25~30 cm,耙碎整平。整地前每667 m²施氮磷钾复合肥(15-15-15)50 kg,深翻细耙,起埂做成1.2~1.5 m宽的平畦。畦长因需而定。三、播种播种时间一般在3—5月,以干播种子为主,也可采用浸种催芽播种。     

采用卷积神经网络构建西北太平洋柔鱼渔场预报模型

对远洋渔场资源和位置进行预报可以为远洋渔业生产及管理提供重要信息。该研究针对西北太平洋柔鱼渔场，利用海洋表面温度遥感信息和中国远洋渔船生产资料，基于深度学习原理，选取卷积神经网络构建西北太平洋柔鱼渔场预报模型。根据不同月份、不同通道构建了多种数据集，用于训练渔场预报模型。训练结果表明，4个通道组合的数据集的训练结果最优，渔汛早期（7-8月）、中期（9月）和后期（10-11月）测试样本的准确率分别为80.5%、81.5%和81.4%。以2015年的真实渔场数据对模型进行验证，模型的平均召回率为82.3%，平均精确率为66.6%，F1得分平均值为73.1%，预测的高产渔区与实际作业的高单位捕捞努力量渔获量区基本匹配。该研究构建的渔场预报模型可以获得较好的准确率，可为其他鱼种的渔场预报模型构建提供新的思路。     

基于迁移学习的棉花叶部病虫害图像识别

针对传统图像识别方法准确率低、手工提取特征等问题,该研究以棉花叶部病虫害图像为研究对象,利用迁移学习算法并辅以数据增强技术,实现棉花叶部病虫害图像准确分类。首先改进AlexNet模型,利用PlantVillage大数据集训练取得预训练模型,在预训练模型上使用棉花病虫害数据微调参数,得到平均测试准确率为93.50%;然后使用数据增强技术扩充原始数据集,在预训练模型上再训练,得到最终平均测试准确率为97.16%。相同试验条件下,该研究方法较支持向量机(Support Vector Machine,SVM)和BP(Back Propagation,BP)神经网络以及深度卷积模型(VGG-19和GoogLeNet Inception v2)分类效果更好。试验结果表明,通过迁移学习能把从源领域(PlantVillage数据集)学习到的知识迁移到目标领域(棉花病虫害数据集),数据增强技术能有效缓解过拟合。该研究为农作物病虫害识别技术的发展提供了参考。