校园网络舆情视域下高职院校学生党员教育管理体系构建研究

高职院校学生党员思想培养是校园党务工作者的重要任务。随着互联网的快速发展,高职院校学生党员成为网络阵地的新生力量。新媒体下网络舆情因其自由性、隐秘性、多样性等特点,因此党务工作也应与时俱进,重视校园网络舆情,构建合理的管理体系,进而强化对学生党员的教育管理工作。     

信息化、社会网络与农户农资购买渠道选择——基于公司直销与农资零售店的比较

农户购买农资时面临多样化的购买渠道,而信息化与社会网络是影响农户农资购买渠道选择的重要因素。本文利用陕西、甘肃、山东和云南四省农户调研数据,比较了公司直销与农资零售店两种购买渠道的差异,运用二元 Logit 模型和中介效应模型,分析信息化与社会网络对农户农资购买渠道选择的影响。结果表明,农户选择公司直销与农资零售店的比例分别为10.1%和89.9%,即大多数农户选择农资零售店购买农资。信息利用对农户选择公司直销渠道具有显著正向影响;从亲戚和朋友两个维度测量社会网络,发现宗族型社会网络对农户选择公司直销渠道产生了正向影响,朋友圈型社会网络影响不显著;农户农资市场信息认知在信息利用促进农户选择公司直销渠道中发挥部分中介效应。因此,政府应加强农村信息基础设施建设,培养农户信息利用能力。公共信息供给过程中扩大宣传对象群体,促使信息在农户社会网络中有效扩散传播。建设农资企业与农户间有效的信息交流平台,打破信息壁垒,从而帮助农户改进农资购买决策。     

一种改进的双能量源电动汽车功率分配策略

以并联式双能量源(锂电池组&超级电容)纯电动汽车为研究对象,提出一种改进的功率分配策略。这种功率分配策略在模糊控制的基础上增加深度神经网络训练过程,以获得更精确的功率分配因子。通过整车模型构建、功率分配模型构建、功率分配策略制定、仿真验证结果分析后得出结论:与电量消耗功率分配策略相比,这种改进的功率分配策略能优化锂电池组和超级电容二者之间的功率分流,限制锂电池组充放电的峰值电流,延长复合储能系统的工作寿命,提升动力系统的工作效率。     

基于网络安全等级保护2.0的农业科研单位网络安全体系研究——以中国农业科学院为例

[目的/意义]大数据时代,中国农业科研单位持续加强信息化建设,给科学研究和科研管理带来极大的便利,但相应的信息安全问题也开始逐渐显现。依托信息等级保护工作,深入分析农业科研单位信息系统建设中各个薄弱环节,提高信息系统安全,避免发生网络安全事件已被摆在农业科研单位工作的突出地位。[方法/过程]按照等级保护制度要求,论文主要围绕加强农业科研单位信息安全管理的内容进行探讨,介绍了信息等级保护的重要性,对比分析了等级保护2.0标准与等级保护1.0标准的不同;详细分析中国农业科学院的网络安全管理制度体系和网络安全管理技术等内容,最后对加强农业科研单位信息安全建设的有效策略提出了相关建议。[结果/结论]论文以中国农业科学院为例详细论述其相关做法,希望为各农业科研机构开展网络安全等级保护安全建设提供借鉴。     

医学图像精细化分割方法研究

指出了深度学习方法在医学图像分割中取得较大的进展,但医学图像处理的复杂性使得全自动分割方法难以取得较好的分割效果。在卷积网络分割的基础上,结合应用场景使用适当的后处理手段来提升图像的分割效果是一种比较有临床意义的研究方法。主要研究了基于概率图的全连接条件随机场模型和基于用户交互的深度编辑网络,并分析总结了这两种方法的实现原理和各自优势,并对未来的研究工作进行了一些展望。     

基于多能互补的光伏木耳大棚智慧控制系统设计

【目的】针对光伏木耳大棚的智能化管理和现代设施农业资源高效利用问题,设计光伏农业大棚供能系统和改造传统大棚控制方式。【方法】设计一种以光伏发电为主的光、水、热、储微能源网络和物联网智慧控制系统,建立数学模型分析能源需求和供应,同时利用控制系统为木耳生产、管理提供远程客户端服务。【结果】微能源网络系统中,光伏发电量为13 654 (kW·h)/a,占年总发电量的92%,直接用于需求侧负荷;水轮机发电量为1 108 (kW·h)/a,占年总发电量的8%,用于无光环境下的系统补能;盈余电能为5 109 (kW·h)/a,占年总发电量的34.6%,用于相变储热和蓄电池储能,或者送入配电网。控制系统采集点温度正常值设置为20～25℃,预警值设置为15～32℃,采集点空气相对湿度正常值设置为90%～95%,预警值设置为80%～98%,测试过程中通风系统、供热装置和报警系统正常工作。【结论】通过不同状态下微能源网络系统的功率调配,能够提高光伏大棚能源利用率,同时自动调控大棚环境参数,满足了木耳大棚远程遥控和预警要求。     

全双工双通路中继网络干扰处理与信号检测算法

全双工双通路连续中继(FD-TPSR)网络频谱效率高,状态控制简单,但全双工中继存在残留自干扰(RSI),发射中继对接收中继也会形成中继间干扰(IRI),会导致通信性能下降.这里提出一种中继间干扰处理方法,中继节点消除部分IRI,以提高端到端信干噪比;保留部分IRI,在目的节点构成延迟转发编码结构,以提供分集增益.同时提出一种基于并行软干扰消除的匹配滤波(MF-PSIC)信号检测算法,匹配滤波器结构简单,实现复杂度低,基于软输出的并行干扰消除能同时检测所有时隙的符号,处理时延小.仿真结果表明,中继间干扰处理方法兼顾了分集增益和累积干扰与噪声因素,相比于无IRI消除和完全IRI消除,误比特率最低; MF-PSIC信号检测算法实现复杂度低,相比于ML信号检测算法仅有很少的性能损失.     

基于级联卷积神经网络的番茄花期识别检测方法

对作物花期状态的准确识别是温室作物执行授粉的前提。为提高花期状态识别的准确度，该研究以温室番茄为例提出了一种基于级联卷积神经网络的番茄花朵花期识别方法。首先采用改进的端到端的特征金字塔网络FS-FPN实现番茄花束的分割，然后采用Prim最小生成树对分割后的花束图片进行花期识别优先级排序，最后将已排序的分割花束图片输入改进的Yolov3网络，实现番茄花朵花期状态的精准识别。在由1600幅包含花蕾期、全开期、谢花期、初果期4类花期状态的番茄花束图像构成的数据集上，所提方法对番茄花朵花期平均检测时间为12.54 ms，平均检测精度分别比Mask R-CNN和SPP-Net提高了3.67%和2.39%，识别错误率比改进前的Yolov3网络降低了1.25%。最终将该方法部署到番茄授粉机器人上，并在大型玻璃温室内进行验证，结果表明，所提方法对番茄花朵各花期的检测精度分别为花蕾期85.71%、全开期95.46%、谢花期62.66%、初果期88.34%，该研究结果可为智能授粉机器人的精准作业提供重要依据。     

基于广义回归神经网络的灌溉系统首部多用户配水快速PID控制

针对多用户配水状态下灌区流量、压力需求变化范围大,传统流量、压力控制响应速度慢等问题,建立适用于多用户灌区配水的灌溉系统首部控制技术。该研究通过分析供水系统流量、压力调节方式,提出了流量、压力PID(Proportion Integration Differentiation)耦合调节方法,建立以电动阀开度为流量控制量、变频器频率为压力控制量对流量和压力进行调控的灌溉首部控制系统。为了减少系统的调节时间,提高系统的运行效率,采用广义回归神经网络(Generalized Regression Neural Network,GRNN)建立流量、压力和电动阀控制模拟量、变频器控制模拟量间的预测模型,形成神经网络PID控制模型(GRNN_PID),并进行模型精度和控制精度验证。GRNN训练结果显示,变频器控制模拟量的相对误差为0.11%～3.86%,电动阀控制模拟量相对误差为0.09%～5.74%,模型精度较高。使用3个调节过程模拟3个用户的需水行为对模型进行验证,结果表明,GRNN_PID模型3个过程的调节时间分别为11.6、10.7和7.2 s,PID模型3个过程的调节时间分别为31.7、29.6和16.9 s,GRNN_PID模型大幅减少了系统的调节时间,提高了系统的运行效率;分别计算了2种模型的控制精度,GRNN_PID调节方法和传统PID调节方法的稳态流量和压力误差都在1%以内,最大超调量为8%,控制精度较高但相差不大,表明GRNN是从策略上加速系统调节速度,其本身并没有对PID的参数进行调整,因此对系统的控制精度影响不大。研究可为灌溉系统流量压力快速控制提供参考。     

基于SDAE-BP的联合收割机作业故障监测

为了解决联合收割机作业故障的非线性特征信号难以提取的问题,该研究提出了一种基于堆叠去噪自动编码器(Stack Denoising Auto Encoder, SDAE)和BP神经网络(Back Propagation,BP)融合的联合收割机作业故障监测及诊断的方法(SDAE-BP)。以转速传感器采集联合收割机脱粒滚筒转速、籽粒搅龙转速、喂入搅龙转速、杂余搅龙转速、风机转速、输送链耙转速、割刀频率以及逐稿器振动频率,并将采集的数据集作为系统的输入。利用SDAE提取输入信号的深层次特征,并由BP神经网络辨识收割机作业状态,实现联合收割机故障监测。在SDAE-BP模型训练过程中,去噪自动编码器(Denoising Auto Encode, DAE)依次经带有不同分布中心噪声的原始数据进行训练,然后将其堆叠,并通过误差反向传播算法对模型参数进行优化,以提升模型识别故障性能和泛化能力。试验结果表明,对于2018年联合收割机田间试验数据,模型的故障诊断准确率达到99.00%,与SDAE和BP神经网络相比,分别提高了1.5和4.5个百分点。将SDAE-BP故障诊断模型用2019年的试验数据进行更新,并用2018年和2019年试验数据进行测试,结果表明,更新后的模型对2018年试验数据的故障识别准确率为99.25%,对2019年试验数据的故障识别准确率为98.74%,更新后模型在2019试验数据集上的故障识别准确率较未更新模型提高了6.52个百分点。该文所建模型能够准确识别联合收割机的故障类型,且具有较好的鲁棒性,对旋转型机械故障监测及预警具有参考价值。