面向开放式创新的中小企业技术竞争情报方法体系研究

[目的/意义]科技型中小企业正在面临严峻的市场考验,可利用技术竞争情报理念与方法工具,使科技型中小企业有效规避技术竞争的潜在风险,发掘并利用潜在技术发展机遇,进而提高其创新能力和竞争实力。[方法/过程]文章基于元分析集成思想提出了一种结合多源数据与复合关系的技术竞争情报分析范式,在此概念框架下,中小企业的技术竞争情报分为3个层次:框架层、业务层与操作层,框架层确立技术竞争情报活动的核心,业务层描述技术竞争情报业务流,操作层体现技术竞争情报分析的关键环节。[结果/结论]此分析范式面向开放式创新的中小企业技术竞争情报方法体系得到了应用,验证了其可用性和有效性。     

论国家情报力量的发育与中美实践的启示

[目的/意义]中国国家情报力量的国际化问题,是个非常紧迫而关键的课题。目前,中国在对外政策、地缘部署、科学运筹、情报基础设施建设等方面的研究已经取得了初步成果,但对情报力量的规模形态、结构动力等方面的研究尚未展开。[方法/过程]首先提出国家情报力量的发育这一概念,并采用文献回顾、学科嫁接与历史研究3种方法,对现有的生物学发现和中美现代情报活动历史进行专题性研究。[结果/结论]国家情报力量的发育是个复杂而庞大的研究课题,它的研究对中国国家情报力量的国际化具有巨大的借鉴意义。因此,笔者建议中国采用战略牵引、政治主导、经贸主题、系统进化的发育模式,逐步培育起现代化的国家情报体系及其对应的能力结构。     

认知计算及其在农业领域的应用研究

认知计算是认知科学、神经科学、数据科学和云计算的交叉学科。数据的急剧增长、算法的不断优化和高性能计算能力的发展加速了认知计算在健康医疗、智慧城市、农业等各个领域的研究和应用。认知计算提供了一种新的模式,是大数据、机器学习、深度学习、自然语言处理、IOT (The Internet of Things)、云计算等不同成熟技术的结合体。在此模式下,研究人员不再满足于继续延用传统的数据分析方法,开始寻求新的方法以期在大规模结构和非结构数据中探索其中模式和相关性。从而认知系统可以提供学习、推理、发现、自然语言交流、决策支持的功能。农业领域的数据量呈现爆发式的增长,认知计算和农业大数据的结合有效促进了智慧农业的发展,但是由于数据不仅包括时空数据、图像、视频等多种类型,其数据质量和地理位置、网络连接和数据来源密切相关。所以对于认知计算在农业领域的应用,这既是机遇也是挑战。基于已有研究工作探讨了认知计算的概念和相关学科;阐述了认知计算的发展历程、不同架构类型和技术体系;总结了近年来认知计算的研究进展;简要介绍了认知计算在农业领域的应用现状,同时对认知计算在农业领域应用中的挑战和发展趋势进行了总结、思考与展望。     

管道泄漏分布式光纤监测时-空大数据分析方法

分布式光纤传感器能够灵敏地感知管道任意位置泄漏导致的局部温度变化,但是海量监测数据却具有显著的时-空非平稳性特征,难以直接根据监测数据进行泄漏诊断。在统计模式识别框架下,提出一种基于滑动窗口离群值分析的时-空大数据分析方法,仅利用分布式温度监测数据的内秉特征即可实现管道泄漏的智能化识别,确定了滑动窗口长度和异常状态诊断窗口长度的取值方法,并且进行了原型保温钢管泄漏监测的物理模拟。结果表明:在管道完好的状态下,该方法不会发生误报警的情况,而管道一旦发生泄漏,该方法能够快速识别管道泄漏事件,并对泄漏位置进行精准定位。该方法是一种无监督的人工智能大数据处理方法,在埋地管道泄漏监测中具有良好的应用前景。     

茄果类蔬菜日光温室智能化育苗关键控制技术

为了制定出1套可操作性强的日光温室智能化育苗关键控制技术体系,经实践并结合智能化育苗数据检测控制及管理系统,总结和完善了茄果类蔬菜幼苗不同阶段对温度、基质湿度及光照等的具体要求,最终形成了1套可操作性强的技术体系。     

文本挖掘下的话语认知与构建——以人工智能和5G领域白宫新闻文本为例

[目的/意义]政府新闻文本是政策文本的表达形式之一。对政府新闻文本进行挖掘分析,能直观的展现表面动态,揭示对话事件的立场及其背后关系,能对情报分析工作、中国新型智库的发展建设,提供有效的助力。[方法/过程]文章利用TextRank算法进行核心句提取,并结合批评话语分析理论框架来做评估,以语料驱动从关键句、关键词两个宏观角度讨论政府决策态度,以词性从话语策略的微观角度总结美国官方对人工智能和5G领域的话语认知形象。[结果/结论]通过分析可以看出,美国政府对于人工智能和5G领域的态度将持续保持在“政府引领下的美国需优先”这一局面,面对发展中国家的科技竞争,增加政府政策性文本的指导无疑是最好的对策建议。     

The use of infrared spectroscopy and machine learning tools for detection of Meloidogyne infestations

Plant parasitic nematodes are generally soilborne pathogens that attack plants and cause economic losses in many crops. The infested plants show nonspecific symptoms or, often, are symptomless; therefore, diagnosis is performed by taking soil and root tissue samples. Here, we show that a combination of different infrared spectra analysis and machine learning algorithms can be used to detect plant parasitic nematode infestations before symptoms become visible, using leaves instead of roots and soil as samples. We found that tomato and guava plants infested with Meloidogyne enterorlobii produced different spectral patterns compared to uninfested plants. Using partial spectra from 1,450 to 900/cm as the "fingerprint region", principal component analyses indicated that after 5 (tomatoes) or 8 weeks (guava), plants with no visible symptoms of infestations were positively diagnosed. To improve the early detection response, we used machine learning modelling. A support vector machine (SVM) was used to obtain more robust, accurate models. The SVM model contained 34 support vectors, 17 for each level. The overall performance of the model was >97% and the total accuracy was significantly higher, demonstrating the absence of chance prediction. The best prediction of infestation was obtained at the second and fourth weeks for tomatoes and guavas, respectively, reducing the diagnostic time by half. The combined application of these techniques reduces the processing time from field to laboratory and shows enormous advantages by avoiding root and soil sampling.     

农业大数据助力现代农业高质量发展

农业大数据对推动我国现代化农业强国建设具有重要的意义,本文较为细致地梳理了农业大数据的发展意义和存在的问题,并对其未来的发展趋势进行讨论。