排序方式: 共有5条查询结果,搜索用时 93 毫秒
1
1.
西北地区冬季肉牛养殖环境控制及管理措施研究 总被引:2,自引:0,他引:2
为了改善西北地区冬季肉牛养殖的环境、福利状况,提高肉牛生产水平,试验将环境控制(控制牛舍通风、铺加垫料、增加清粪次数)和管理措施(饮用温水)应用于实际生产,并通过检测牛舍环境、牛体清洁度、日增重等指标来评价改进措施的综合应用效果。结果表明:控制牛舍通风、铺加垫料、增加清粪次数能显著提高牛舍内最低气温和地面温度,对牛舍内日平均气温没有显著影响;降低舍内风速的同时增加了湿度、二氧化碳和氨气浓度,但总的来说在一定程度上改善了牛舍内的环境状况;对牛体清洁度、日增重没有显著影响。说明给牛饮10℃的温水能显著提高肉牛日增重,值得推广。 相似文献
2.
3.
通过分析比较不同算法以及不同输入层因子,构建出最佳的黄龙山区油松人工林树高预测BP神经网络模型。以陕西省延安市黄龙县44块油松人工林样地实测数据为数据源,通过对6种BP神经网络的训练方法进行训练,经过反复筛选找出最优模型并与传统胸径-树高模型作比较;最后将BP神经网络中的输入因子从2个增加到6个后,经过反复训练筛选出最优模型与2因子的BP神经网络模型作比较。结果表明:1)贝叶斯归一化(BR)算法在6种算法中表现最佳,R2和MSE分别为0.963 0和1.168;2)不同隐含层节点数的选取会对BP神经网络模型的建立产生一定的影响,BP神经网络模型的决定系数(R2)随着隐含层节点数的增加呈现先上升后下降的趋势;均方误差(MSE)呈现先下降后上升的趋势,两者都在节点数为10时有极值,此时的模型为最优模型;3)当输入因子为胸径和优势树高时,油松人工林的最优模型结构为(输入层节点数:隐含层节点数:输出层节点数为2∶10∶1),此时BP神经网络模型对树高预测的决定系数(R2)和均方误差(MSE)分别为0.761 0和1.984 7;当输入因子为胸径、优势树高、林分密度、竞争指数、坡度和坡向时,最优模型结构为6∶10∶1,此时BP神经网络模型对树高预测的决定系数(R2)和均方误差(MSE)分别为0.844 7和1.955 7。由此得出,在建立油松人工林树高BP神经网络模型方面优化类算法要优于启发式下降算法;BP神经网络模型与传统模型相比,BP神经网络模型不需要目标方程结构,并且模拟和预测的精度均要优于传统模型;在原有BP神经网络模型的基础上再引入林分密度、竞争指数、坡度、坡向这些输入因子后所得到的新的BP神经网络模型对树高模型的建立和预测要优于原有BP神经网络模型。 相似文献
4.
5.
1