论电子阅览室的知识导航与信息服务

本文立足于知识导航与信息服务，对网络环境下电子阅览室的服务内容、服务保障、目前面临的现状进行了论述，并提出了服务对策。     

岭西电网经济分析

本文对岭西电网的经济运行调整进行了分析、总结。并应用《岭西电网经济运行计算》系统的计算结果，提出了岭西电网的经济运行调整办法。     

浅析电网谐波问题

文章论述了目前电网谐波来源、影响及处理方式。     

信息网络发展与农业信息咨询服务创新

本文针对信息网络迅速发展时期，农业科技信息机构信息咨询工作面临的挑战、有利条件和发展机遇，总结了农业信息机构在信息咨询工作中观念、机制、服务内容、方式和手段上的创新与实践。     

基于NGO-CNN-SVM的高标准农田灌溉工程施工成本预测

为提高高标准农田项目施工成本的预测精度,控制施工成本在合理范围,减少投资风险,该研究从单体灌溉工程施工成本预测角度出发,通过随机森林（random forest,RF）筛选出高标准农田灌溉工程施工成本的关键影响因素,结合卷积神经网络（convolutional neural networks,CNN）和支持向量机（support vector machine,SVM）两种模型的优点,通过北方苍鹰优化算法（northern goshawk optimization,NGO）对模型里的惩罚因子和核参数进行寻优,构建基于NGO-CNN-SVM的施工成本预测模型。通过辽宁省2018—2023年高标准农田工程中灌溉工程的施工成本数据,选取样本决定系数R²、平均绝对误差MAE、平均绝对百分比误差MAPE和均方根误差RMSE作为精度指标进行分析,结果表明：基于NGO-CNN-SVM的施工成本预测模型在渠道工程中MAE低于0.615万元,RMSE低于0.512万元,R²达到0.968以上,相对误差小于4.210%;在进水闸工程中MAE低于0.610万元,RMSE低于0.536万元,R²达到0.966以上,相对误差小于4.410%;在桥涵工程中MAE低于0.494万元,RMSE低于0.477万元,R²达到0.970以上,相对误差小于3.548%,并相比较于反向传播神经网络,CNN和CNN-SVM模型,NGO-CNN-SVM模型的预测结果均最优。通过特征选择、模型融合、算法优化以及不同模型对比表明NGO-CNN-SVM模型具有更高的预测准确率和泛化性,可为高标准农田灌溉工程施工成本预测提供理论依据。     

理化复合参数和神经网络结合的冬小麦长势遥感监测

准确、及时地监测区域作物长势状况对农业规划和政策的制定与调整具有重要的意义。遥感技术作为一种收集大面积作物长势信息的有效手段,正日益受到关注。为提高冬小麦长势遥感监测的准确性和全面性,该研究基于田间实测的冬小麦拔节期地上鲜生物量（aboveground fresh biomass,AFB）、叶面积指数（leaf area index,LAI）、叶片叶绿素相对含量（soil and plant analyzer development,SPAD）和叶片氮含量（leaf nitrogen content,LNC）4种生长相关理化参数,利用熵值法获取各参数权重构建冬小麦理化复合参数（physico-chemical composite parameter,PCCP）。利用显著性检验和籽粒产量数据分析复合参数在量化冬小麦长势方面的性能。然后,以Sentinel-2A作为数据源,分析不同遥感指数与LAI、SPAD、AFB、LNC和PCCP的相关性。选取相关性较高的遥感指数作为反向传播（back propagation,BP）人工神经网络（artificial neural networks,ANN）的输入,建立冬小麦长势遥感监测模型,对PCCP进行估计。评价模型精度并用于监测研究区冬小麦长势分布特征。赋权结果表明,作物物理参数的权重大于生化参数,其中LAI的权重最大,为0.387,AFB和SPAD次之,LNC的权重最小,为0.105;PCCP性能评估结果表明,与单一理化参数相比,PCCP值能更好地揭示作物长势状况的差异,其与最终籽粒产量的相关性更好, 决定系数提高0.035～0.468,均方根误差减少46.2～520.0 kg/hm²;在遥感监测过程中,PCCP比单一理化参数有更好的应用潜力,BP-ANN长势遥感监测模型模拟PCCP精度较高,在测试集中决定系数为0.830,均方根误差为0.080;研究区冬小麦总体长势稳定且分布集中,呈现"中部差,南北好"的空间分布特征。因此,构建作物理化复合参数用于量化作物长势是提高长势监测可靠性和准确性的一种有效方式,可为冬小麦田间管理提供科学依据,服务于发展智慧农业和建设农业强国的战略需求。     

森工劳动保障计算机网络需求分析

本文针对劳动和社会保障的具体义务,对森工劳动和社会保障计算机网络进行了分析.     

BP神经网络在储粮害虫分类中的应用研究

综合利用计算机视觉技术和BP神经网络技术,实现对粮仓害虫的无损检测.通过对粮仓害虫图像的CCD图像预处理,获取了几何特征和不变矩等15个特征参数,并通过优化选取其中七个参数输入神经网络进行训练.仿真结果表明训练网络对粮仓四类常见害虫的识别率达到了85%,得到了较好的识别结果.     

基于神经网络的树叶识别系统研究

在林业系统注册树木种类时,通常采用大量树叶上的可见外形特点来辨别数目繁多的树木种类。针对此问题,本文提出了基于神经网络的树叶识别方法,该方法建立并管理一个分等级的树叶图像体系,通过对不同种类树叶的边缘提取来识别每种树叶的特征点,从而得到树叶的外部轮廓来区分树木种类:给出了相应的改进型神经网络算法,并给出详细的论述过程:最后,通过Java语言给出了系统实现并做了大量的数值仿真。结果证明本文方法是可行有效的。图4表1参8。     

基于CNN-Transformer的农作物病虫害知识问答意图识别与槽位填充联合模型

意图识别与槽位填充是农作物病虫害知识问答中问题理解的两个重要任务。在已有面向农业领域的研究中,上述任务仍被视为两个完全独立的子任务,并且未充分利用意图识别与槽位填充的语义信息。为此,该研究提出一种基于CNN-Transformer的意图识别与槽位填充联合模型（CDPCT-IDSF）。该模型根据农作物病虫害文本语义复杂设计CNN网络与多层Transformer结合强调局部的有用信息以缓解语义缺失问题;然后在Transformer解码器中引入对齐保证输入与输出一对一关系以提高识别正确槽位标签的能力。此外,进一步构建了包含20个意图类别、12个槽位类别和11242条标注样本的农业病虫害知识问答数据集进行对比试验,CDPCT-IDSF模型在该语料库上的槽位填充F1值为94.36%,意图识别精度为92.99%,整体识别精度为87.23%,优于其他对比模型,结果证明了所提模型在农作物病虫害意图识别与槽位填充任务上的有效性,可为面向农作物病虫害的知识问答研究提供理论支撑。