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。     

岩石-土壤-四川牡丹元素迁移体系中的微生物效应

[目的]研究四川牡丹岩土环境背景以及微生物在元素迁移过程中的作用,为了解营养元素的表生地球化学行为规律及微生物在元素迁移体系中的作用提供理论依据。[方法]利用ICP-OES测定四川牡丹生境母岩、土壤以及种子的大量(P,S,K,Ca,Na,Mg,Al)、微量(Fe,Mn,Cu)营养元素含量,同时利用Illumina高通量测序技术测定根际土壤中细菌、真菌的组成和结构。[结果](1)四川牡丹生长土壤以弱碱富钙为主要特征,元素组成基本保留了母岩特征;(2)元素从母岩到土壤中的迁移富集系数排序为:CaNaSPMgKAlFeMnCu,植物吸收系数排序为:PSKCuMgCaNaMnFeAl;(3)碱土金属淋溶率和铝铁率对土壤细菌的多样性(Alpha)影响显著,但对真菌的影响不显著;(4)P,Mn的迁移主要受母岩控制,而Ca,Mg,Fe,S等元素的迁移富集受到了微生物的影响。[结论]细菌和真菌在元素迁移体系中的作用相似,主要参与Fe,S,Mg,Ca的相关反应过程。     

基于微课的翻转课堂在生物防治技术课程中的应用——以河北北方学院为例

生物防治技术是高等农业院校植物保护专业一门实践性很强的专业选修课。本研究将微课与翻转课堂结合运用于课程实践之中,针对前期调研结果对课程教学设计、教学资料、互动平台、评价方式等方面进行详细分析,最终能够增加学生学习兴趣,提高学生参与度,使学生专业基础扎实,实践能力强,对课程的掌握程度高。     

“一带一路”背景下农业类本科生外语素养的培养研究——基于项目式学习理论

随着“一带一路”倡议的不断推进,农学人才在逐渐加深的中国与沿线国家农业合作中的重要性日渐凸显。在此背景下,国家对农业类人才的要求也越来越高,仅掌握农业类专业技术的人才已不能很好地适应新时代的农业发展要求,英语素养成为农学人才的必备的语言能力。本文从提升农学本科生英语素养的重要性出发,分析目前农学本科生外语教学现状,并结合项目式学习理论探索提升农学本科生外语素养的途径,旨在为培养具有较高外语素养的应用型农学人才提供可行建议。     

磷硫配施对冬小麦硒吸收及转运的影响

为了探讨磷硫配施对冬小麦产量、硒的吸收及转运的影响，为生产富硒小麦或合理调控小麦硒含量提供理论依据，采用盆栽试验，设置不同磷、硫水平，在小麦成熟期测定产量及植株各部位硒含量。结果表明：硫磷的配合施用能显著提高冬小麦产量，S0.1P0.4处理下冬小麦产量最高。除颖壳外，冬小麦各部位硒含量最高值都出现在S0P0处理。不论施硫与否，施磷均能显著降低冬小麦各部位硒含量，提高小麦植株硒累积量，促进冬小麦茎叶向颖壳的硒迁移，降低根向茎叶、颖壳向籽粒的硒迁移系数，还会减小籽粒的硒分配。单独施硫会降低植株的硒累积量，促进冬小麦根向茎叶、茎叶向颖壳的硒迁移，降低颖壳向籽粒的硒迁移系数，低硫处理能增加小麦籽粒的硒分配，高硫处理则降低了籽粒的硒分配。S0P0.2处理能显著提高籽粒硒累积量，而高浓度的磷硫配施会降低籽粒硒累积量；S0.1P0和S0.1P0.2处理籽粒硒分配较大,分别是45.3%和44.8%。因此，硫磷的合理配施能显著提高小麦产量，低硫（S0.1）高磷（P0.4）处理增产最显著。低硫（S0.1）低磷（P0.2）处理能更有效地增加植株硒累积量，增强硒在籽粒中的累积。     

基于非接触式的牛只身份识别研究进展与展望

快速精准确定牛个体身份对疾病防控、品种遗传改良、奶制品和肉制品质量溯源以及改善农业假保险索赔等方面具有重要意义。传统的牛个体识别使用诸如烙印、耳纹、耳标和无线射频识别等方法，易遭受设备损失/工作重复、标记欺诈、动物福利安全以及监测成本和距离等方面的挑战；而基于生物特征的非接触识别由于其独特性、不变性、低成本易操作以及动物福利高，成为牛身份识别的新趋势。主要介绍了几种基于非接触式的牛身份识别的研究进展，重点关注牛脸识别的最新成果，讨论当前牛脸识别在实际应用中面临的挑战，在此基础上对深度学习在牛脸身份识别研究中的应用进行了设计构思与展望。     

基于深度学习的高鲁棒性恶意软件识别研究

提出了一种基于深度学习的高鲁棒性恶意软件识别算法,该算法利用软件的操作码序列来检测恶意软件。首先采用类信息增益进行特征选择,然后提出了基于启发式规则的图生成算法,并将图转换为矢量空间,最后应用基于堆叠自编码器的深度学习框架对恶意和正常软件进行分类。实验评估结果说明了与现有的算法相比,恶意软件识别算法具有较高的鲁棒性。     

基于快速卷积神经网络的果园果实检测试验研究

近年来,基于数字图像处理和机器学习算法的果实自动识别检测研究已经越来越成熟。针对传统检测方法检测过程中难以满足实时性要求的缺点,采用了基于Faster-RCNN的果实快速检测模型。模型由卷积神经网络(CNN)和区域提议网络(RPN)组成,首先由CNN进行卷积和池化操作提取特征,然后由RPN选取候选区域,通过网络全连接层参数共享,由目标识别分类器和边界框预测回归器得到多个可能包含目标的预测框,最后通过非极大值抑制挑选出精度最高的预测框完成目标检测。分别对桃子、苹果和橙子的三种果实进行检测,采用迁移学习方法,使用已经预训练好的两种深度神经网络模型ZFnet和VGG16,通过数据集的训练对Dropout及候选区域数量进行参数调整完成网络调优。检测并分析果实不同布局形态下模型的检测效果。试验结果表明,当Dropout取值为0.5或0.6,候选区域数量为300时网络模型最佳,ZFnet网络中,苹果平均精确度为92.70%,桃子为90.00%,而橙子为89.72%。VGG16网络中,苹果平均精度为94.17%,桃子为91.46%,橙子为90.22%。且ZFnet和VGG16的图像处理速度分别达到17 fps和7 fps,能够达到果实实时检测的目的。