专题学习网站建设初探

随着高校教育信息化步伐的逐步推进,专题学习网站的建设成为广大教育工作者探究的新热点,本文基于分析专题学习网站特性上.结合网站开发的实用技术,探讨如何开发高质量的专题学习网站.     

理工科大学生学习心理压力及影响研究

通过对503名在校大学生心理压力的问卷调查，比较了文理科学生不同的学习心理压力，重点分析了理工科学生的学习心理压力、影响、应对方式。笔者认为，由于学科特点，理工科学生在大学生活中面临的学习压力较大。必须把握理工科学生学习心理压力的特点及规律，适时有效地进行引导和教育。     

基于完全自适应策略的遗传算法

为改善标准遗传算法的优化性能,延长种群搜索过程,提出了完全自适应策略的遗传算法.自适应策略不仅基于进化阶段,同时基于个体,特别采用了自适应的适应值转换策略,大大降低了早熟的概率,保证算法能以较大的概率收敛到全局最优解.     

履带式收割机全田块路径跟踪算法设计与试验

针对中小型传统收割机无人化作业需求，该研究设计了一套后装式全田块自动驾驶系统。以沃得锐龙单边制动转向型履带式收割机为平台，搭建手自兼容自动驾驶系统，并进行系统特性辨识试验，明确其测控性能限制。针对测控性能限制设计一种PD-Fuzzy-BangBang组合路径跟踪算法，并进行样机集成与试验。水泥地面直线行驶试验表明，组合算法相较单一PD算法的上线距离缩短57.3%，稳态标准差缩小81.3%。全田块模拟试验证明，组合算法在理想条件下的路径跟踪最大偏差为6.00 cm，标准差为2.42 cm，样机具备全田块自动驾驶功能。实际水田收割作业试验证明，样机在车速0.7 m/s条件下，上线过程的路径跟踪最大偏差为12.00 cm，标准差为 6.18 cm，全田块不漏割，割幅利用率大于80%，满足田间作业需求。     

林业院校实践教学课程教师评学体系的探索研究

从构建合理的指标体系、健全组织体系、建立运行和反馈机制3个方面探索了如何构建实践教学的教师对学生评价体系。     

遗传算法及其在渔饲料配方中的应用

首先阐述了参数编码、初始群体、适应度函数、遗传操作以及算法控制参数等遗传算法基本原理,然后着重介绍其在渔饲料配方中的应用,在该应用中采用了实数编码、基于线性排名的选择、算术杂交和非一致变异等遗传算法方法。结果表明,在渔饲料配方优化中应用遗传算法要优于目前饲料配方软件中大多采用的常规应用数学的优化方法。主要体现在单位产量饲料配方中的成本价格前者要低于后者。由于遗传算法能够解决因子较多,非线性程度高的问题,从而得出的饲料配方能更好的符合相关鱼种的营养含量标准。     

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．     

一类矩形切割的优化模型

研究了工业中常遇到的先将原料板切割成加工拼板后，再将拼板切割成单元板的一类矩形板材切割问题，此类问题归结为二维排布的双层优化，针对单元板在拼板上和拼板在原料板上的4种不同排布情形，建立了统一的非线性整数规划模型，根据问题的特点，给出了该模型的一个化双层优化为单层优化的求解算法，实际应用中，该算法能在数秒钟内按工艺要求给出最优切割方案，与传统方法相比，料板利用率常可提高5％～10％．     

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。