生态旅游景区注意力管理的探讨

介绍了国内外对"注意力"、"注意力管理"研究的现状.论述了注意力管理在生态旅游景区中应用的重要意义.生态旅游景区的注意力管理包涵经营者的注意力管理,对环境保护的注意力管理、员工的注意力管理、生态旅游者的注意力管理、当地居民的注意力管理等.     

论小区的绿化问题

经济的迅速发展带动了对自然资源的过度开发,同时生活节奏的加快使得人们需要有一个环境来调节身心。在此,笔者浅淡一下小区的绿化问题。     

图书编目应注意的六个问题

论述了图书编目中的卡片格式与机读格式、文字标点的使用规范、题名责任者项著录、标准书号与统一书号著录、出版发行项著录、版本项著录工作中需要注意的问题,阐述了图书编目涉及的有关技术问题。     

运用注意规律提升教学效果

有意注意和无意注意对人完成工作、学习任务有不同的作用，而学生注意品质的好坏将直接影响学习效果。教师只有了解学生的注意特点，遵循注意规律，精心设计教学形式，加强对学生的目的性教育，激发学生的学习兴趣和积极性，培养学生坚强的意志力和良好的注意品质，进而全面提升教学效果。     

内源性注意和外源性注意条件下线索提示有效性对数字距离效应的影响

采用内源性和外源性注意实验范式,考察了内源性和外源性注意不同注意条件下线索提示有效性对数字加工距离效应的影响,材料为小数(1～4)和大数(6～9)的阿拉伯数字,以判断数字是否比5大为任务,结果发现:①内源性注意条件下,当线索提示有效性为80%时,注意和非注意条件下,大、小数都出现了距离效应;当线索提示有效性为50%时,注意条件下,大、小数都出现了距离效应,但非注意条件下,只有小数出现了距离效应,大数的距离效应明显减弱或消失;②外源性注意条件下,无论线索提示有效性为80%还是50%,注意和非注意条件下,大、小数均出现了距离效应.     

基于双阶段注意力机制和LSTM的鸡舍氨气浓度预测算法

为寻求准确的鸡舍氨气浓度预测方法,构建基于双阶段注意力机制和长短时记忆神经网络(Long shortterm memory,LSTM)的鸡舍氨气浓度预测模型,将该模型应用于山东省商河县某蛋鸡养殖场,采集二氧化碳(CO_2)、氧气(O_2)和氨气(NH_3)的体积分数,细颗粒物(PM_(2.5))质量浓度,温度,相对湿度时间序列数据对模型进行验证,并与支持向量回归(Support vector regression,SVR)、人工神经网络(Artificial neural network,ANN)模型和无注意力机制的LSTM模型对比研究。结果表明:1)不同时间窗口T下NH_3体积分数预测精度不同。T∈{2,3,4,8}时,均方根误差(Root mean square error,RMSE)分别为0.433 4,0.394 8,0.379 9和0.405 1μL/L,平均绝对误差(Mean absolute error,MAE)分别为0.267 4,0.262 9,0.228 9和0.272 4μL/L;2)基于双阶段注意力机制和LSTM的鸡舍NH_3浓度预测模型在RMSE和MAE评价指标框架下优于SVR、ANN和无注意力机制的LSTM模型。基于双阶段注意机制和LSTM的模型能较好地对鸡舍氨气浓度进行预测,可为鸡舍氨气浓度预测及调控提供技术支持。     

基于卷积注意力的无人机多光谱遥感影像地膜农田识别

监测地膜覆盖农田的分布对准确评估由其导致的区域气候和生态环境变化有着重要作用,基于DeepLabv3+网络,通过学习面向地膜语义分割的通道注意力和空间注意力特征,提出一种适用于判断农田是否覆膜的改进深度语义分割模型,实现对无人机多光谱遥感影像中地膜农田的有效分割。以内蒙古自治区河套灌区西部解放闸灌区中沙壕渠灌域2018—2019年4块实验田的无人机多光谱遥感影像为研究数据,与可见光遥感影像的识别结果进行对比,同时考虑不同年份地膜农田表观的变化,设计了2组实验方案,分别用于验证模型的泛化性能和增强模型的分类精度。结果表明,改进的DeepLabv3+语义分割模型对多光谱遥感影像的识别效果比可见光高7.1个百分点。同时考虑地膜农田表观变化的深度语义分割模型具有更高的分类精度,其平均像素精度超出未考虑地膜农田表观变化时7.7个百分点,表明训练数据的多样性有助于提高地膜农田的识别精度。其次,改进的DeepLabv3+语义分割模型能够自适应学习地膜注意力,在2组实验中,分类精度均优于原始的DeepLabv3+模型,表明注意力机制能够增加深度语义分割模型的自适应性,从而提升分类精度。本文提出的方法能够从复杂的场景中精准识别地膜农田。     

基于注意力机制的时空卷积数控机床热误差模型研究

为了提高数控机床热误差模型的精度与泛化性,提出了基于注意力机制的长短时记忆卷积神经网络(Long short term memory convolutional neural network based on attention mechanism, AM-CNN-LSTM)热误差模型。利用卷积神经网络提取高维数据空间状态特征的能力和长短时记忆网络提取长时间序列状态特征的能力,构建具有2个支路的热误差模型,分别提取特征后输入到注意力机制中进行特征重要性重构,建立原始数据与热误差的特征映射,最后通过全连接层进行热误差预测。采用G460L型数控机床进行实验数据采集,将不同季节采集到的温度数据和热误差作为模型输入,采用循环学习率与正则化优化方法对模型进行训练。与LSTM、ConvLSTM和CNN-LSTM热误差模型对比,结果表明,AM-CNN-LSTM模型对特征还原能力最强,残差波动范围最小,其残差范围较最大值下降62.09%,模型预测精度在2.4μm以内。     

基于注意力机制的小样本啤酒花病虫害识别

为提高啤酒花产业的品质和产量,针对于传统人工识别鉴定难度大,效率低和客观性不够,以及啤酒花病虫害识别无大型公开数据集等问题。本文提出一种基于软注意力机制的小样本啤酒花病虫害识别方法,对传统深度残差网络ResNet模型进行改进,并使用图像增强技术-直方图均衡化处理图片得到新的数据集。实验结果表明,在小样本情况下,相比于传统的模型,改进过后的模型A-ResNet50和A-ResNet101都能准确识别不同类型的病虫害图像,在测试集上的准确率为93.27%和93.11%,Kappa指数达到了0.9027和0.8996,证实了A-ResNet50和A-ResNet101模型在啤酒花病虫害识别上的可行性以及可靠性。本文提出的方法识别精度高,实现了啤酒花病虫害的智能识别,同时也对小样本数据集的高精度识别提供了一种途径。     

浅谈路桥设计构思的一体化

我国已经进入了经济快速发展的崭新时代,随着人们生活水平的提高,人们对城市道路、高速公路和各类桥梁等交通设施的质量提出了更高的要求,其主要体现在行车的舒适度与安全度的更高期望。同时道路与桥梁设计在交通设施中占据着十分重要的地位。本文先后介绍了路桥设计的一体化、山区路桥建设以及路桥建设的一些注意事项,希望对未来的交通道路建设具有一定的借鉴意义。