学分制背景下高校学生学习规划教育的探究

在大学生当中开展职业生涯规划教育已经得到了高等教育界的普遍重视,但学习规划教育是职业规划教育的前提和需要,本文就目标与动力、观念与方法等两个方面对学习规划教育加以探讨,供在校大学生和有关管理人员借鉴。     

基于CARS-RUN-ELM算法的水稻叶片氮磷含量协同反演方法

同时反演氮、磷元素含量相对于单一元素反演可以更加全面地表达水稻的营养状况,为快速、准确获取水稻叶片氮、磷含量和精准变量施肥提供依据。该研究基于不同氮肥处理的田间小区试验,获取水稻叶片氮、磷含量数据,采用竞争性自适应重加权采样法（Competitive Adapative Reweighted Sampling,CARS）筛选氮素与磷素共同特征波长,以特征波长反射率为输入,以化学方法测得叶片氮、磷元素含量为输出,分别使用反向传播神经网络、极限学习机（Extreme Learning Machine,ELM）、龙格-库塔算法优化极限学习机（RUNge Kutta optimizer-Extreme Learning Machine,RUN-ELM）构建水稻叶片氮、磷含量反演模型并分析。结果表明：采用CARS方法有效去除了高光谱中大量无用、冗余信息,得到5个氮、磷元素共同特征波长,去除具有共线性的特征波长,最后筛选出的特征波长分别是451、488、780、813 nm。使用筛选后的特征波长反射率构建RUN-ELM水稻叶片氮、磷含量反演模型效果最好,氮素训练集的决定系数R2为0.690,均方根误差为0.669 mg/g,磷素训练集的决定系数R2为0.620,均方根误差为0.027 mg/g。通过对比,RUN-ELM在预测能力、模型稳定性上优于反向传播神经网络以及ELM模型。综上研究,基于CARS-RUN-ELM的水稻叶片氮、磷含量反演模型可以快速、准确获取水稻叶片氮、磷含量,可为水稻精准施肥提供参考。     

基于PSO-Stacking的河蟹投饵量预测模型

河蟹作为我国重要的水产养殖物种之一,深受消费者喜爱,在河蟹养殖过程中,科学的投饵量是保证河蟹健康生长及提高养殖效益的关键因素。本文通过综合分析影响河蟹养殖投饵量的多种因素,采用集成学习算法建立河蟹养殖投饵量预测模型。搭建数据采集系统,采集包括河蟹生物量、河蟹数量、性别比例、水体pH值、温度、溶解氧含量以及河蟹摄食量等关键参数数据,建立投饵量数据集;运用数据预处理技术对数据集进行平滑处理以及归一化,减少异常值对预测结果的干扰,同时消除特征数据不同量纲的影响;引入粒子群优化算法改进集成学习,建立了河蟹养殖投饵量预测模型,实现河蟹养殖投饵量的准确预测。实际应用测试结果表明本文模型平均绝对误差为0.34971 g,均方根误差为0.49114 g,决定系数达0.903 58。     

基于保距与保拓扑的流形学习算法

流形学习是一种新的数据降维方法,能揭示数据的内在变化规律,其目标是发现嵌入在高维数据空间中的低维流形结构,并给出一个有效的低维表示。介绍了流形学习的基本思想,介绍了基于保距和保拓扑的一些流形学习算法,分析了这些算法的优缺点,并提出了有待进一步研究的问题。     

基于无人机RGB影像的染条锈冬小麦花青素含量监测

小麦植株感染条锈病后叶片花青素含量会发生明显变化。为了在地块尺度上利用冬小麦花青素值实现条锈病害的直观、快速监测,通过监测叶片花青素含量评估小麦条锈病严重程度,2021年获取感染条锈病的小麦田块的无人机RGB影像和采集地面病害区域的花青素含量数据,利用影像提取采样点感兴趣区的光谱特征参数和基于灰度共生矩阵的纹理特征参数,采用连续投影算法(SPA)结合相关性分析优选特征参数,分别采用单一光谱特征参数和组合参数,结合主成分回归(PCR)、拉索回归(LR)、随机森林回归(RFR)、梯度提升回归(GBR)和误差反向传播神经网络(BPNN)等方法构建了小麦花青素含量估算模型,并利用最优模型反演了田块的花青素含量。结果表明,图像光谱特征结合纹理特征后,花青素估算模型的R²增大,RMSE减小,模型精度显著提升。基于组合特征参数构建的随机森林模型精度最高,验证集R²、RMSE和MAE分别为0.801、0.026、0.021。该模型具有良好的花青素含量估算能力,得到的花青素值分布图与条锈病的空间分布具有一致性,能够定量化、可视化地反映病害严重程度。     

农产品市场监测预警深度学习智能预测方法

【目的/意义】 农产品供给、消费和价格的变化直接影响市场监测和预警。随着中国农业生产方式和市场体系的转型;数据获取技术的进步使得农业数据呈现爆炸式增长。然而;农产品多品种的联动监测和预测仍面临数据复杂、模型狭窄、应变能力弱等挑战。因此;亟需构建适应中国农业数据特点的深度学习模型;以提升农产品市场的监测与预警能力;推动精准决策和应急响应。 【方法】 本研究应用深度学习方法;从中国多维农业数据资源实际出发;创新提出了一套不同监测预警对象条件下深度学习综合预测方法;构建了生成对抗与残差网络协同生产量模型（Generative Adversarial Network and Residual Network, GAN-ResNet）、变分自编码器岭回归消费预测模型（Variational Autoencoder and Ridge Regression, VAE-Ridge）、自适应变换器价格预测模型（Adaptive-Transformer）。为适应实际需求;研究在CAMES中采用“离线计算与可视化分离”策略;模型推理离线完成;平衡了计算复杂度与实时预警需求。 【结果和讨论】 深度学习综合预测方法在玉米单产、生猪消费量和番茄市场价格的预测上;均表现出显著的精度提升。GAN-ResNet生产量预测模型进行县级尺度玉米单产预测的平均绝对百分比误差（Mean Absolute Percentage Error, MAPE）为6.58%;运用VAE-Ridge模型分析生猪消费量的MAPE为6.28%;运用Adaptive-Transformer模型预测番茄价格的MAPE为2.25%。 【结论】 该研究提出的深度学习综合预测方法;具有较先进的单品种、多场景、宽条件下的农产品市场监测预警分析能力;并在处理不同区域多维数据、多品种替代、市场季节性波动等分析方面显示出优良的指标性能;可为中国农产品市场监测预警提供一套新的有效分析方法。     

基于深层神经网络的猪声音分类

猪的声音能够反映生猪的应激状态以及健康状况,同时声音信号也是最容易通过非接触方式采集到的生物特征之一。深层神经网络在图像分类研究中显示了巨大优势。谱图作为一种可视化声音时频特征显示方式,结合深层神经网络分类模型,可以提高声音信号分类的精度。现场采集不同状态的猪只声音,研究适用于深层神经网络结构的最优谱图生成方法,构建了猪只声音谱图的数据集,利用Mobile Net V2网络对3种状态猪只声音进行分类识别。通过分析对比不同谱图参数以及网络宽度因子和分辨率因子,得出适用于猪只声音分类的最优模型。识别精度方面,通过与支持向量机,随机森林,梯度提升决策树、极端随机树4种模型进行对比,验证了算法的有效性,异常声音分类识别精度达到97.3%。该研究表明,猪只的异常发声与其异常行为相关,因此,对猪只的声音进行识别有助于对其进行行为监测,对建设现代化猪场具有重要意思。     

论农业高等教育与农业的可持续发展

本以高等教育在未来经济发展中所占有的重要地位为出发点,分析了科学人主义教育观与持续发展思想间的契合关系,着重阐述了实施农业可持续发展战略中化力的作用特别是农业高等教育在优化人环境中的作用。     

基于深度学习的75种阔叶材微观辨识方法

目的: 对75种南美进口阔叶材提出微观图像辨识模型TimberIDNet75,为海关、进出口检疫检验以及从事木材鉴定研究的人员提供一种准确的多材种辨识方法。方法: TimberIDNet75模型是包含1个输入层、4个隐含层的34层卷积层的中浅层神经网络。为尽量扩大感受野以提取更多图像特征,输入层采用13×13×256的卷积核,对每张图像提取256类特征,经激活、池化处理后作为输出。第1个隐含层采用2次卷积、激活后再进行残差修正,称作“两卷一修正块”。第1个隐含层包含3个“两卷一修正块”,提取256类特征作为输出。第2个隐含层包含4个“两卷一修正块”,再次提取512类特征作为输出。第3个隐含层包含6个“两卷一修正块”,对上一层的输出进行特征提取,获得1 024个类的特征。第4个隐含层包含3个“两卷一修正块”,对第3层的输出进行特征提取,获得2 048个类的特征,经全局平均池化后输入到全连接层映射出75个树种的分类。结果: TimberIDNet75模型的准确率达99.4%,损失值为0.044。将TimberIDNet75模型与现阶段较先进的深度学习模型进行比较,ResNet模型的准确率为98.1%、VGGNet模型的准确率为 97.1%、GoogleNet模型的准确率为96.2%、AlexNet模型的准确率为94.7%、ViT模型的准确率为53.2%,TimberIDNet75模型的准确率相比其中准确率最高的ResNet模型提高1.3%。利用TimberIDNet75模型对随机获取的75种进口阔叶材微观解剖样本进行实际测试,样本全部准确辨识,准确率达100%。结论: TimberIDNet75模型中的“两卷一修正块”,在节省机器资源的同时,可消除模型梯度下降导致过拟合的问题,同时利用残差法使得模型训练时人工干预降至最低,准确率和效率大幅提升。     

基于改进ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法

为解决活体黄羽鸡表皮层黑色素分级方法成本高、效率低下、分级环境易受环境光干扰等问题,该研究探索一种基于ConvNeXt模型的黄羽鸡表皮层黑色素智能分级方法 ConvNeXt-WPCA,用于实现活体黄羽鸡表皮层黑色素智能分级。ConvNeXt-WPCA模型通过以下3点改进提高模型对黄羽鸡黑色素的识别效果：1）针对黄羽鸡黑色素图像RGB三通道内黑色素信息分布不均衡问题,改变输入图片通道权重来增强模型对黑色素特征的提取能力;2）使用部分卷积代替深度可分离卷积,减少模型计算量和内存访问次数提高对计算资源的利用率;3）引入坐标注意力机制,引导模型关注黄羽鸡胸腹部及肛门附近皮肤提升模型精度。同时,该研究还设计一种双光源图像获取装置,分别在自然光和偏振光条件下拍摄黄羽鸡样本,以减小分级结果受环境光干扰的影响,并探索偏振光在黑色素分级任务中的应用潜力。结果表明ConvNeXt-WPCA模型相较标准ConvNeXt模型,针对自然光下黄羽鸡黑色素图像数据集分级准确率提升9.68个百分点,最终达到89.03%的识别准确率,针对偏振光下黄羽鸡黑色素图像数据集分级准确率提升15.26个百分点,最终达到98.87...