基于多核支持向量机的小麦条锈病遥感监测研究

为提高小麦条锈病的遥感探测精度,依据日光诱导叶绿素荧光和冠层反射光谱数据在小麦条锈病遥感探测中的优势及其与病情严重度之间的映射关系,在运用独立分量分析法对光谱数据降维的基础上,利用核学习算法分别确定冠层光谱特征和日光诱导叶绿素荧光特征反映小麦条锈病病情严重度的最优核,同时针对冠层光谱与叶绿素荧光特征组,建立基于不同特征最优核映射的多核学习支持向量机模型,并与基于特征直接拼接的模型结果进行对比。结果表明,对于冠层光谱而言,采用高斯核构建的支持向量机模型可较好估测小麦条锈病病情指数,而日光诱导叶绿素荧光指数则是采用多项式核的效果更优;采用直接拼接法融合叶绿素荧光指数和冠层光谱特征能够在一定程度上改善小麦条锈病病情指数估测精度,决定系数(r~2)最高为0.847,而单独利用冠层光谱信息或者叶绿素荧光信息时,r~2最高仅为0.802;对日光诱导叶绿素荧光和反射光谱特征分别利用其最优核进行映射构建的多核学习支持向量机模型精度最高,r~2为0.915,RMSE为0.090,优于基于特征直接拼接构建的支持向量机模型精度。     

基于迁移学习和改进残差神经网络的黄瓜叶部病害识别方法

针对在黄瓜叶部病害识别过程中使用传统卷积神经网络存在模型训练时间长、识别准确率低等问题，提出一种迁移学习和改进残差神经网络相结合的方法对黄瓜叶部病害进行识别。首先对数据集图像进行预处理，将数据集划分为训练集和测试集；然后对传统残差神经网络进行改进；最后使用迁移学习的方式对网络模型进行训练。利用该研究方法对不同的黄瓜叶部病害进行识别试验，结果表明该方法具有较高的识别准确率，可为其他作物的识别方法研究提供参考。      

多黎曼流形的判别分析与融合

为了得到低维且更具有判别性的流行表示,并进一步融合各种流行判别分析的结果,本研究提出了基于局部重构的黎曼流形判别分析统一框架,在动态纹理分类,物体识别和人脸识别任务中,验证了该框架的有效性。     

基于Citespace的大学生学习投入研究可视化分析

以中国知网(CNKI)中2009—2018年间"大学生学习投入"或"本科生学习投入"为主题的520篇文献为研究对象,运用CiteSpace工具对相关文献数据的发表年份、研究机构、关键词等进行可视化分析,探讨当前大学生学习投入研究现状及热点,以期为未来大学生学习投入方面的研究提供借鉴。研究得出结论:国内学者对大学生学习投入领域的关注度不断增加,关于大学生学习投入研究的文献数量总体呈上升趋势;国内该领域相关学者较多,但高产出作者相对较少;高等院校教育科学研究院是大学生学习投入研究的重要科研平台,各机构间合作较少;学者对大学生学习投入的研究主要集中于对学习投入、专业承诺、学习收获、专业认同等的研究。     

基于机器视觉的奶牛发情行为自动识别方法

及时检测奶牛发情、适时人工授精、减少空怀奶牛，是奶牛养殖场增加产奶量的关键手段。针对基于运动量和体温等体征的接触式奶牛发情识别方法会造成奶牛应激反应且识别准确率不高的问题，提出了一种非接触式奶牛发情行为自动识别方法。该方法首先使用改进的高斯混合模型实现运动奶牛目标检测，然后基于颜色和纹理信息去除干扰背景，再利用AlexNet深度学习网络训练奶牛行为分类网络模型，识别奶牛爬跨行为，最终实现对奶牛发情行为的自动识别。在供试数据集上的试验结果表明，本文方法对奶牛发情的识别准确率为100%，召回率为88.24%。本文方法可应用于奶牛养殖场的日常发情监测中，为生产管理提供辅助决策。     

基于WT-CNN-LSTM的溶解氧含量预测模型

溶解氧（Dissolved oxygen, DO）含量是影响水产养殖产量的重要因素之一，具有时序性、不稳定性和非线性等特点，且其影响因子过多、存在复杂的耦合关系，难以实现精准预测。针对传统长短时记忆神经网络（Long short term memory, LSTM）预测模型易引入冗余数据，且在训练过长序列时会出现梯度消失现象，从而不能捕捉因子间长期的依赖性问题，提出了基于小波变换（Wavelet transform, WT）、卷积神经网络（Convolutional neural network, CNN）和LSTM的溶解氧含量预测模型。首先，使用WT降低数据噪声；然后，使用CNN深度挖掘各变量之间的潜在关系；最后，利用LSTM的时序性预测2h后的水产养殖溶解氧含量。结果表明，本文提出的WT-CNN-LSTM模型预测效果良好，其平均绝对误差、均方根误差和决定系数分别为0.138、0.229和0.954，比传统LSTM模型分别优化了28.87%、21.03%和4.61%。     

以学生为中心网络教育平台助推UBL教育模式在电气工程及其自动化专业实践教学中应用研究

通过培养学生的学习兴趣,让学生主动参与学习过程,在兴趣的驱使下自发地获取知识,体现了以学生为中心。在这种模式下,教师主要职责不是进行知识机械灌输,而是引领学生思考方向、激发学生求知的主动性。学生在主观求知意识驱使以及教师引导下可以有选择地获取知识。这样不仅提高了学习内化效率,也培养了学生在问题意识下的主动思考、分析及具体解决问题的能力,达到高阶化学习、活学活用的效果。     

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。     

叠印在记忆中的荷花

“荷叶罗裙一色裁,芙蓉向脸两边开。乱入池中看不见,闻歌始觉有人来。”王昌龄的这首《采莲曲》,总会勾起我仿佛并非很久但其实已经很久的记忆,让我想起故乡凝翠的荷塘,想起荷塘里盛开的荷花,想起小妹在荷塘采摘荷花的往事。故乡地处滇南,是一个依山傍水的山寨。     

基于卷积神经网络的小麦产量预估方法

小麦产量是评估农业生产力的重要指标之一,针对小麦产量人工预估困难,提出将卷积神经网络运用于小麦产量预估,为农业生产力的预估提供参考,指导农业生产管理决策。利用无人机分别在河南省新乡、漯河两地进行图片采集,并以之构建麦穗数据集,分为正样本(麦穗)和负样本(叶子和背景)。针对小麦常规的生理形态和生长环境,设计卷积神经网络识别模型,以图像金字塔构建多尺度滑动窗口,以非极大值抑制(NMS)去除重叠率较高的目标框,实现对单位面积内麦穗的计数,并利用随机采样的方式对大田麦穗进行单位面积图像采样,以采样图像中麦穗数量的平均值作为产量预估基准,进一步实现麦穗产量预估。随机抽取100幅不同小麦图片进行测试,与人工计数结果进行对比,准确率达到97.30%,漏检率为0.34%,误检率为2.36%,误差率为2.70%。试验结果表明,此方法能够克服环境中的多种噪声干扰,能够在不同光照条件下对麦穗进行计数和产量预估。