一种面向蔬菜中文知识图谱表示学习的改进方法

由于TransE模型在处理不同类别关系时,忽略了同类别向量的语义差别,在对蔬菜领域知识图谱中存在的一对多、多对一和多对多的复杂属性关系进行表示学习时效果较差。本文在TransE方法的基础上,提出PTA(Path-based TransE for Attribute)模型对其进行改进。首先,将蔬菜领域实体和关系通过word2vector映射到一个低维稠密向量空间中;其次,将复杂的属性关系和上下位关系进行结合构成关系路径进行训练;并采取Mean Rank和Hits@10两个评价指标衡量表示学习模型的链接预测效果。试验结果表明:PTA模型较TransE模型在不考虑关系分类的情况下,链接预测效果有较大的提高,Mean Rank最高提前6个次序;且在对属性关系按照复杂度进行分类的情况下,链接预测Hits@10的值较TransE模型最高提高13%。     

基于CNKI数据的农业物联网热点研究与分析

农业物联网技术在现代农业的发展历程中占有重要地位.通过关键词"农业物联网"在中国知网(CNKI)进行相关文献的采集和筛选,利用CiteSpace软件对所采集数据进行可视化分析,对国内农业物联网的研究热点进行分析与总结.结果表明:目前农业物联网的研究已进入快速发展阶段,但仍然有较大的研究空间可探索,需要诸多专家学者与科研单位进行合作和探究.随着国家对农业的重视以及乡村振兴战略的实施,农业物联网技术将会在农业生产中发挥巨大的作用.     

偏高岭土对高强机制砂混凝土性能的影响

利用扫描电子显微镜(SEM)、压汞法(MIP)、快速氯离子迁移系数法(RCM)等手段,研究了偏高岭土(MK)掺量对高强机制砂混凝土抗压强度以及抗氯离子渗透性能的影响.研究发现: 掺入MK能够有效改善高强机制砂混凝土的力学性能和抗氯离子渗透性能:随MK掺量增加,抗压强度与抗氯离子渗透性能均呈先增大后减小的趋势,最佳MK掺量为8%,此时28 d抗压强度为98.5 MPa,较基准组增加13%,氯离子迁移系数为1.89×10^-12 m²/s,较基准组减小60%.微观结构试验表明适宜的偏高岭土掺量能够有效促进水泥水化;偏高岭土颗粒的晶核效应和微集料填充效应协同作用,使得机制砂混凝土的微观结构更加均匀密实,机制砂混凝土的多害孔、有害孔减少,少害孔增加,从而提高了机制砂混凝土抗压强度和抗氯离子渗透性能.     

采用双模态联合表征学习方法识别作物病害

基于深度卷积神经网络的视觉识别方法在病害诊断中表现出色,逐渐成为了研究热点。但是,基于深度卷积神经网络建立的视觉识别模型通常只利用了图像模态的数据,导致模型的识别准确率和鲁棒性,都依赖训练数据集的规模和标注的质量。构建开放环境下大规模的病害数据集并完成高质量的标注,通常需要付出巨大的经济和技术代价,限制了基于深度卷积神经网络的视觉识别方法在实际应用中的推广。该研究提出了一种基于图像与文本双模态联合表征学习的开放环境下作物病害识别模型(bimodalNet)。该模型在病害图像模态的基础上,进行了病害文本模态信息的嵌入,利用两种模态病害信息间的相关性和互补性,实现了病害特征的联合表征学习。最终bimodalNet在较小的数据集上取得了优于单纯的图像模态模型和文本模态模型的效果,最优模型组合在测试集的准确率、精确率、灵敏度、特异性和F1值分别为99.47%、98.51%、98.61%、99.68%和98.51%。该研究证明了利用病害图像和病害文本的双模态表征学习是解决开放环境下作物病害识别的有效方法。     

基于云班课平台《动物生物化学》线上线下混合式教学模式探讨

为了研究基于云班课平台的线上线下混合式教学模式,进行了《动物生物化学》线上线下混合教学实践,对获得的云班课数据和教学效果进行了分析,结果表明:64.71%的学生云班课资源学习低于60%;云班课测试分数46.16%学生在60分以下,作业/小组任务分数33.33%学生测试成绩在60分以下,教师需进一步研究增加学生自主学习积极性的方法,达到更优的教学效果。     

基于迁移学习的GoogLeNet果园病虫害识别与分级

为提高果树病虫害危害程度分级精度进而更好地指导果园病虫害防治，采用迁移学习技术与GoogLeNet模型相结合的方法，对6种果园作物的25类病虫害样本进行识别与危害程度分级研究；同时，探究不同数据集大小以及不同优化算法对模型性能的影响；基于MATLAB平台设计了一款可视化的病虫害识别与分级系统。结果表明:1)基于迁移学习的GoogLeNet模型，对病虫害识别精度可达99.35%，危害程度分级精度可达92.78%；2)在相同训练参数下，本研究模型比AlexNet、VGG-16、ResNet-18、SqueezeNet、原GoogLeNet及MobileNet-v2模型验证精度提高了2.38%~11.44%，并且收敛速度最快；3)本研究模型识别精度随着数据集的增大而提高；在3种优化算法中SGDM算法耗时最短且精度最高，更适合本研究模型。通过拍摄果树叶片病害区域图像，本研究设计的系统能够在0.43 s左右准确识别出果树种类、病害类型以及危害等级等信息。     

我国樟树害虫研究文献计量分析

采用文献计量学方法,统计分析了1980—2021年在国内期刊上发表的165篇关于樟树害虫研究的中文文献,系统梳理了我国樟树害虫研究概况,明确了该领域的研究热点和发展趋势.研究结果表明目前我国樟树害虫研究处于逐渐发展阶段;应用VOSviewer软件分析文献关键词共现图谱,历年来相关领域研究主要集中在园林植物上的樟树害虫,研究方向主要关注樟树害虫的生物学特性、发生规律、虫情调查和综合防治技术等方面.通过中文文献研究热点知识图谱分析可知,相关研究热点主要在樟巢螟、樟颈曼盲蝽、黑翅土白蚁、樟叶蜂等樟树害虫的研究.文献计量分析结果为我国樟树害虫研究提供了思路和方法.     

基于BERT+BiLSTM+CRF深度学习模型和多元组合数据增广的渔业标准命名实体识别

为解决渔业标准命名实体识别任务中部分实体语料分布稀疏导致的效果不佳问题,提出了基于多元组合数据增广(data augmentation method based on multiple combination,MCA)的渔业标准命名实体识别方法,该方法融合了基于领域词典的联合替换算法(joint replacement algorithm based on domain dictionary,DDR)、基于槽点保护的随机删除算法(random deletion algorithm based on slot protection,SPD)和基于槽点保护的随机插入算法(random insertion algorithm based on slot protection,SPI)进行语料库的数据增广,首先构建"水产品名称"同类词词典和领域同义词词典,通过两个词典分别对"水产品名称"类实体和随机词进行同类词替换和同义词替换,生成新的句子,以增加目标实体数量和句子的多样性,然后在基于槽点保护的情况下对原句子分别进行随机删除和随机插入操作,在保留实体及上下文特征的情况下进一步丰富语料的多样性,提高模型的泛化能力.结果表明,采用基于融合注意力机制的BERT+BiLSTM+CRF网络模型和多元组合数据增广方法进行渔业标准命名实体识别,准确率、召回率、F1值分别达到了91.73％、88.64％、90.16％,具有较好的效果.研究表明,基于多元组合数据增广的渔业标准命名实体识别方法有效解决了部分实体样本稀疏问题,提升了渔业标准命名实体识别的整体效果.     

基于知识图谱的燃煤电厂与汞研究态势分析

为追踪燃煤电厂与汞的最新进展和排放控制,基于Web of Science数据来源,使用VOSViewer、CiteSpace软件对比了论文数量时间变化、主题演化路径,主要研究实力分布、高影响力论文等知识图谱进行了比较分析,系统了解到中美两国在该领域研究领先,而近期热点是围绕烟气、减排和有害微量元素。     

基于超星学习通的混合式教学模式应用研究——以发酵工程课程为例

为了提高发酵工程课程的教学质量和教学效果,针对发酵工程课程的内容和特点,将互联网+技术与教学相结合,进行了基于超星学习通平台的混合式线上线下教学方式的改革,结果表明:在增强了学生自主学习能力的同时,也促进了教师的自我提升。