低风险疾病情境下农村居民健康信息规避行为研究

[目的/意义]本研究旨在揭示低风险疾病情境下农村居民健康信息规避的程度、策略、成因及其关联。[方法/过程]研究采用理论抽样方法和半结构化访谈法收集了江苏省45位农村居民的相关数据。研究采用开放式编码和主轴编码方法对访谈数据进行分析,同时采用社会网络分析软件对规避策略和成因之间的关系进行可视化展示。[结果/结论]（1）农村居民在低风险疾病情境下存在全面型和选择型两种不同程度的健康信息规避。其中,全面型健康信息规避主要发生在信息需求阶段,具体的规避策略为完全不治疗;而选择型信息规避发生在信息获取阶段,具体的规避策略为自己治疗或者拖延治疗。（2）该情境下农村居民健康信息规避的成因主要包括感知风险、对信息源的信任、健康信息素养水平、文化水平、情绪、经济水平、小世界、时间和医疗资源的可及性。（3）农民健康信息规避的成因与规避策略存在特定的关联。文化水平和医疗资源的可及性只对完全不治疗规避策略有影响;情绪因素只对拖延治疗规避策略有影响;健康信息素养水平只对自己治疗规避策略有影响。该研究可为改善农村居民的健康状况提供指导建议。     

基于卷积神经网络的拖拉机工况识别

农机工况识别在细化农机作业状态和帮助掌握区域污染物排放趋势方面有着重要的研究价值。基于拖拉机不同运行状态下的行驶速度、发动机转速以及实时油耗等时间序列,首次提出将图像识别方法引入到拖拉机工况识别中的思路,并分别应用参数优化的支持向量机与卷积神经网络对实际作业拖拉机工况进行研究。结果表明:(1)基于参数优化的支持向量机可以较好地实现样本点的工况识别且识别准确度达到99.851 9%,但无法实现农机工况的连续性识别,同时无法对农机工况转换阶段进行有效识别。(2)以拖拉机运行速度与发动机转速等信息构建样本图像来描述农机工况变化的数据表达,并在此基础上应用卷积神经网络可以有效实现农机工况的连续性识别,且识别准确率可以达到93.3%。本研究在农机工况识别方面具有一定参考价值,并为后续农机不同工况下区域污染物排放研究提供技术支持。     

基于BP神经网络的柴油发动机特性建模

建立连续的发动机燃油特性和调速特性数学模型作为液压机械无级变速器虚拟试验平台的动力源。根据虚拟平台对不同特性区域的精度需求对柴油发动机不同特性区域的试验数据进行不同的密度选取、乱序和归一化处理,采用单隐层BP神经网络对试验数据进行训练,对比不同隐层节点数网络的训练误差和测试误差,选取误差最小的网络,求解出网络的数学表达式。通过该方法以ISLe310柴油发动机为例建立燃油特性和调速特性的连续数学模型,这两个简单的数学表达式准确反映了发动机万有特性和外特性,连续模型避免了虚拟试验中出现信号的突变和奇异点。通过和经典的最小二乘法拟合得到的最优特性模型进行对比,其具有更小的误差、更强的泛化能力,能够更好地反映柴油发动机的相关特性。     

信息化时代大学生信息素养教育实践研究——以沈阳理工大学图书馆为例

[目的/意义]信息素养是人们在现实生活中就信息应用方面的综合表现,信息素养是大学生必备的基本素质,对其未来发展具有重要意义。[方法/过程]以沈阳理工大学图书馆信息素养教育为例,从大学生教育、教师教学和科研发展等需求多样性出发,开展多元化信息素养教育实践,形成了“课程整合教学—资源系列讲座—学科化服务—营造书香校园”的多层级、系统化信息素养教育体系。[结果/结论]建立一支学科知识齐全的信息素养专职师资队伍,发挥新媒体技术优势,积极开展线上教育新模式,加强与国内外知名大学图书馆交流与协作,引领高校师生信息素养教育沿着正确道路稳步发展。     

基于声振信号对称极坐标图像的苹果霉心病早期检测

为实现苹果早期霉心病较高精度的检测，该研究采用对称极坐标法（Symmetrized Dot Pattern，SDP）将苹果声振信号变换为雪花图，然后采用AlexNet、VGG16和ResNet50卷积神经网络以迁移学习方式深度挖掘SDP雪花图像的特征信息，将其输入到支持向量机（Support Vector Machine，SVM）分类器，对霉心程度≤7%的苹果进行检测。研究结果表明，当时间间隔系数为25和角度放大因子为50°时，健康果与早期霉心果声振信号的SDP图形状特征差异最大，在此条件下获取的SDP图经卷积神经网络AlexNet、VGG16和ResNet50提取特征并构建了不同核函数的SVM霉心果检测模型，在各类SVM模型中，ResNet50-SVM-gaus（高斯基）模型用相对较少的训练时间和参数量可取得训练集霉心果较高分类准确率，经超参数优化训练该模型对健康果和早期霉心果测试集不平衡样本（10∶1）的总体分类准确率达到96.97%，平均查准率、平均查全率、平均加权调和均值、Kappa系数和马修斯相关系数值分别为80.19%、90.36%、86.21%，82.54%和82.68%，该模型不仅对多数类的健康果保持较高分类准确率，而且对少数类的早期霉心果也具有较高判别能力。这些研究结果为声振法应用于果蔬内部病害的早期在线检测系统研发提供了技术支撑。     

基于原型网络的小样本禽蛋图像特征检测方法

机器视觉因具有检测速度快、稳定性高及成本低等优点，已发展成为禽蛋无损检测领域主流检测手段。使用该技术对禽蛋进行无损检测时，需要依赖大量禽蛋图像作为数据支撑才能取得较好的检测效果。由于养殖安全等限制，禽蛋图像数据的采集成本较高，针对该问题，提出了一种适应于小样本禽蛋图像检测的原型网络（Prototypical network）。该网络利用引入注意力机制的逆残差结构搭建的卷积神经网络将不同类别的禽蛋图像映射至嵌入空间，并利用欧氏距离度量测试禽蛋图像在嵌入空间的类别，从而完成禽蛋图像的分类。本文利用该网络分别验证了小样本条件下受精蛋与无精蛋、双黄蛋与单黄蛋及裂纹蛋与正常蛋的分类检测效果，其检测精度分别为95%、98%、88%。试验结果表明本文方法能够有效地解决禽蛋图像检测中样本不足的问题，为禽蛋图像无损检测研究提供了新的思路。     

基于卷积神经网络的玉米病害识别方法研究

为解决传统的玉米病害识别方法中特征提取主观性强及误识率高的问题,提出利用卷积神经网络对玉米病害进行识别。以玉米病害图像和健康图像共5种类别的玉米图像为研究对象,并采用LeNet模型进行试验。首先,按照8∶2的比例为每种玉米病害图像选择训练集和测试集。然后,通过试验组合和对比分析的方法比较不同卷积神经网络结构设置对准确率的影响,选出最佳参数。另外,选用Adam算法代替SGD算法来优化模型,通过指数衰减法调整学习率,将L2正则项添加到交叉熵函数中,并选择Dropout策略和ReLU激励函数。最后,确定了一个10层CNN网络结构。试验结果显示,玉米花叶病、灰斑病、锈病、叶斑病和玉米健康识别率分别为95.83%、90.57%、100%、93.75%、100%,平均识别率达96%,平均计算时间为0.15 s。经试验结果比较,该模型识别效果明显高于传统方法,为玉米病害的防治提供技术支持。     

2000—2015年西南区县域土地利用变化特征及驱动力分析——以重庆市奉节县为例

综合分析重庆市奉节县土地利用格局时空演变及其驱动力,为优化西南区县域尺度的土地利用规划、生态大保护和区域可持续发展提供理论参考和数据支持。基于RS和GIS技术,利用四期（2000、2005、2010和2015年）土地利用基础数据,从土地利用动态模型和地学信息图谱等方面出发,揭示区域2000—2015年的土地利用动态变化特征及时空演变规律。依据主成分分析模型和线性回归分析模型,并基于奉节县社会经济统计数据,探究研究区土地利用驱动机制。研究期内,研究区土地空间格局呈现以林地和耕地为主体,同时交错分布其它土地类型的特点。耕地、草地和未利用地土地面积分别减少 78.84 km²、3.73 km²、2.54 km²,而林地、水域和居民工矿用地面积分别增加23.36 km²、46.67 km²、9.03 km²。受三峡移民影响,区域土地利用分布格局由整体无序向局部有序的方向发展。研究期的前10年间,土地利用类型转移主要发生在林地、草地和耕地之间,林地→耕地和草地的面积总和分别为849.38 km²和425.17 km²;2010—2015年间林地和居民工矿用地新增面积分别为9.93 km²和7.09 km²。从产业结构调整、政策影响和社会发展等方面探究区域城镇化的驱动机制,城镇化因素、政策因素、经济因素、社会发展因素和农业因素是影响奉节县土地利用类型变化的主要驱动力。     

河南省农业干旱脆弱性分析

为减轻旱灾损失,根据2005、2015年河南省统计与气象数据,采用10项指标和灰色关联分析法,以最劣值为参照系列分析了该省农业旱灾脆弱性。结果表明,豫西的济源、三门峡、洛阳,豫东的开封、漯河与豫北的鹤壁是河南省干旱脆弱性较强的区域,而豫东南的商丘、驻马店、信阳,豫北的新乡、豫西南的南阳则脆弱性较弱,其他地区居于两者之间;2005—2015年河南省干旱脆弱性呈明显的增加趋势。河南省是中国粮食生产核心区,首先要依靠科技创新,大力发展节水农业、循环农业;其次要重视水资源的节约与保护、加大农业投入以降低干旱的脆弱性,确保粮食安全。     

主成分分析和长短时记忆神经网络预测水产养殖水体溶解氧

为了提高水产养殖溶解氧预测的精度,提出了基于主成分分析(principal component analysis,PCA)和长短时记忆神经网络(long short-term memory,LSTM)的水产养殖溶解氧预测模型。首先通过主成分分析提取水产养殖溶解氧的关键影响因子,消除了原始变量之间的相关性,降低了模型输入向量维度;然后,在Tensorflow深度学习框架的基础上建立LSTM神经网络的水产养殖溶解氧预测模型;最后,利用该模型对浙江省淡水水产养殖研究所综合实验基地某池塘溶解氧进行验证。试验结果表明:该模型与BP神经网络等其他浅层模型相比,模型评价指标平均绝对误差、均方根误差和平均绝对误差分别为0.274、0.089和0.147,均优于传统的预测方法;该模型具有良好的预测性能和泛化能力,能够满足水产养殖溶解氧精确预测的实际需要,可以为水产养殖水质精准调控提供参考。