网络环境下对高校图书馆服务模式创新的思考

分析了高校图书馆的传统服务模式以及在网络环境下图书馆服务模式的转变问题,并探讨了为适应高校学科建设和发展的需要,高校图书馆服务模式的创新。     

农业联合数字图书馆建设初探

作者在简要叙述了数字图书馆概念的基础上，着重对国外数字图书馆的建设模式与特点，我国在数字图书馆建设中值得注意的问题，以及农业联合数字图书馆建设的主要思路进行了探讨。     

面向智能油田的集输管网工艺模拟软件研制

针对集输管网多相输送体系、不同拓扑结构及输送工艺在数字油田智能化建设中的仿真模拟需求,基于图论方法和管网对象设计了可表示复杂连接关系的通用管网数据结构,耦合流动单元水热力数学模型与节点平衡关系建立了普适性的管网非线性方程组,提出了鲁棒性高的求解方法。以油田集输工艺设计、运行及优化等场景中独立使用或在综合管理系统中集成应用为目标研制了计算软件,通过对比商业软件计算结果,验证了所开发软件的适应性和准确性,同时从工程实用方面探讨了其应用前景。     

基于帧间路径搜索和E-CNN的红枣定位与缺陷检测

针对红枣自动分级视频图像中红枣定位、缺陷检测难问题,提出一种基于帧间最短路径搜索的目标定位方法和集成卷积神经网络模型(Ensemble-convolution neural network,E-CNN)。通过建立图像坐标系及图像预处理,获得图像中单个红枣目标的位置坐标,并将其映射至空间坐标系中,结合帧间最短路径判定规则,实现目标位置坐标随视频时间序列更新、传递,并且运用此方法快速、有效地构建数据集。基于Bagging集成学习方式,采用E-CNN通过训练集构建基础卷积神经网络树模型,再根据每棵基础树模型输出结果,通过投票方式得出模型最终结果。试验结果表明,利用帧间最短路径搜索的目标定位方法,定位准确率达100%。同时,使用E-CNN,模型的识别正确率和召回率分别达到98. 48%和98. 39%,分类精度大于颜色特征分类模型(86. 62%)、纹理特征分类模型(86. 40%)和基础卷积神经网络模型(95. 82%)。E-CNN模型具有较高的识别正确率及较强的鲁棒性,可为其他农产品分选、检测提供参考。     

二次聚类与神经网络结合的日光温室温度二步预测方法

精确预测日光温室温度是实现对温室精准调控的前提。由于温室是复杂非线性系统,受室内外众多环境因素影响,且部分因素难以准确测量和建模,因此,难以通过机理分析建立室外因素精确影响室内温度的物理模型。而现有时间序列分析、人工神经网络等仅基于数据的方法预测准确度也较低。本文提出连续时间段聚类与BP神经网络相结合的二步日光温室温度预测方法。首先,进行二次聚类,对室外温度情况相似的日进行聚类,并将全年划分为若干个类似时间段,根据连续时间段内相似日的数量进行聚类,将全年内的连续时间段归入若干类别。其次,对不同类别的时间段,分别采用BP神经网络建立室外温度、相对湿度、太阳辐射、风速和温室室内温度间的关联模型,通过数据训练,能够较为准确的根据室外环境数据预测室内温度。通过涿州实验农场2年数据试验验证,通过二次聚类,全年连续时间段可划分为3类,通过分别建立BP神经网络并分别训练,结果表明本方法预测误差仅为6.23%,与现有未分类的BP神经网络预测算法对比,本文方法有效地提高了准确度,平均误差降低5.4个百分点。     

基于校园网环境下机房总管Ⅱ系统的设计与实现

本文介绍了一种基于校园网实现机房自动化管理系统的设计思路与实现方法.该系统用助于提高机房的管理水平、使用效率与管理质量.     

基于DEM的西辽河流域河网水系提取研究

河网水系是对流域进行水文分析的重要数据,其生成的准确性会直接影响水文模型模拟的精度。以西辽河流域为研究区,在ARCGIS软件操作平台上对研究区的数字高程模型数据进行河网水系提取,设定不同的流域汇流累积阈值,分别计算出各模拟河网的分形维数及河网密度,取二者拟合趋势变化相同处阈值对应的河网与实际河网进行比较,发现此处的模拟河网与实际河网具有较高的拟合度,从而避免阈值确定的随机性、主观性等问题,有效地提高流域河网水系提取的精度。     

一维Theta-神经元网络中规则单放电行波解的讨论

本文主要讨论一维Theta-神经元网络中的规则单放电行波解。首先从理论上论证了通过控制网络中细胞之间的耦合作用时间可得到网络中的单放电行波解;其次通过数值模拟对结果加以验证。     

Detection of cows with insemination problems using selected classification models

In the present study, the detection of cows with artificial insemination (AI) difficulties using selected statistical and machine learning methods is presented. Cows were divided into two classes: those that conceived after one or two services (“GOOD”) and those that required more than two services per conception (“POOR”). The best performance was exhibited by one of the artificial neural networks (ANN) and the multivariate adaptive regression spline (MARS) method (AIC, BIC, RMS and accuracy); whereas logistic regression (LR) and classification functions (CF) were of somewhat lower quality. The detection of cows with AI difficulties, performed on the basis of the test set comprising new instances, showed that the ANN and MARS were more precise in comparison with the statistical methods. Sensitivity and specificity were over 85% for the perceptron with two hidden layers (MLP2) and MARS and approximately 80% or lower for LR and CF. From among variables determining the AI category, the average calving interval and cow body condition index were the most important. Other significant variables were lactation number, pregnancy length, sex of calf from previous calving and cow age. The prognoses obtained using ANN and MARS can be used for the appropriate preparation of cows for AI.     

基于SVM及BPNN的辣椒红外光谱分析

利用小波变换结合反向传播网络(BPNN)和支持向量机(SVM)研究了朝天椒和灯笼椒的傅里叶变换红外(FTIR)光谱,样品1 750~950 cm-1范围的红外光谱经多尺度一维连续小波变换(CWT)和离散小波变换分析,发现第20尺度的连续小波系数,提取该尺度3个区域的系数作为特征参数建立BPNN和SVM模型。结果表明,BPNN和SVM模型都能很好地区别两种辣椒。第5尺度的离散小波细节系数建立BPNN和SVM模型分类的正确率分别为93.3%、100%。小波变换结合BPNN和SVM用于傅里叶变换红外光谱技术中能够准确识别朝天椒、灯笼椒,为区分不同品种的辣椒提供了快速、有效的方法。