基于人工神经网络技术的蔬菜施肥决策研究

阐述神经网络的概念和特点，着重介绍BP神经网络并在Maflab环境下建立基于BP神经网络的施肥模型，以土壤养分（氮、磷、钾)和实际产量为模型输入，以氮肥、磷肥和钾肥的施用量为模型数输出．进行网络训练，直至获得满意的施肥模型。结合投入产出物的价格对模型功能进行扩展，按利润最大化目标进行施肥决策。     

远程拖拉机检测与分析系统的实现

利用虚拟仪器技术、网络技术和数据库技术, 开发了基于B/S模式的远程拖拉机检测和分析系统。远程客户只需使用标准的Internet浏览器,就可以观看或实时控制各个测试点的拖拉机性能检测,如制动力、速度、噪音等。该系统解决了拖拉机检测中大量数据的远程存储和访问等关键技术问题,为远程拖拉机检测提供了一种新的方法。     

基于网络的模具CAD／CAE／CAM一体化系统的研究

对基于网络的模具CAD／CAE／CAM一体化系统进行了研究，提出了基于ASP技术的系统体系结构和框架模型。对系统开发过程中的数据交换技术、数据库开发和管理技术、系统核心组件的开发和集成技术进行了探讨。给出了该系统在轿车行李箱后盖拉 模设计和制造中的应用实例。     

高校图书馆网络文化建设

概述

了网络文化的概念，高校图书馆网络文化的建设状况和作用，提出了图书馆网络文化建设的设想，以使其更好地为素质教育和精神

文明建设服务。

     

无线局域网在解放军医学图书馆的应用

 

结合解放军医学图书馆无线局域网络的实际应用情况，从无线局域网的概况、应用特点及安全防护等几方面介绍了无线局域网络的相关知识。

     

长期秸秆掩埋配施氮肥对土壤细菌群落特征的影响

为揭示典型潮土微生物群落及其生态网络对秸秆还田的响应机制,选择长期小麦-玉米轮作下不同秸秆还田处理的试验地为对象,应用高通量测序和生态网络等方法,阐明秸秆掩埋配施不同氮肥后土壤细菌群落组成、细菌网络共存关系以及与土壤养分的关联。结果表明：（1）与秸秆移除且不施氮肥处理相比,秸秆还田配合常规施肥处理显著降低土壤pH,提高了土壤全氮、有机碳、有效磷、速效钾和硝态氮含量（P < 0.05）。秸秆掩埋配施氮肥有利于增加土壤养分含量。（2）不同秸秆还田方式和氮肥施用量处理的细菌Alpha多样性无显著差异,而细菌群落结构差异显著。pH、SOC和TN等因子驱动了细菌群落结构变异。酸杆菌门、变形菌门、拟杆菌门和绿弯菌门是潮土细菌群落的主要优势菌门。（3）共现网络分析得到4个主要的生态集群,均与土壤养分有显著相关性。模块1中物种丰度与SOC、TN、TP、NO3- -N、AP和AK呈极显著负相关（P < 0.001）,与pH呈极显著正相关（P < 0.001）;模块2和模块3中物种丰度与大部分养分含量呈正相关,与pH呈负相关。因此秸秆还田配施氮肥可以通过调节细菌互作关系,从而调控土壤肥力。研究结果可为秸秆的资源化利用和土壤施肥管理提供科学依据。     

基于启发式Johnson算法优化BP神经网络的水产养殖产量预测模型

针对水产养殖产量预测难的现状,提出一种基于启发式Johnson算法优化的反向传播神经网络(BPNN)的产量预测模型。该模型在传统BP神经网络的基础上,针对网络训练时间长、易陷入局部最优的问题,通过启发式Johnson算法降低输入神经元维度,再结合试凑法确定神经网络隐层个数,构建启发式Johnson反向传播神经网络(HJA-BPNN)学习预测模型。实验结果表明,该模型在山东省对虾海水养殖产量预测中,预测的均方根误差小于传统BP神经网络和GM(1,1),且学习效率相比传统BP神经网络有所提升。研究表明,该学习预测模型在大量历史数据的模型构造上有更大的优势,能够缩短建模时间,同时获得良好的预测效果,为水产养殖产量预测提供了一种可行的新方法。     

网络视频传输技术在水产病害在线诊断与咨询系统中的应用

随着网络技术的飞速发展,网络的应用越来越广泛。视频传输技术,视频流控制技术,带宽技术等新技术的应用,实现了视频和音频等连续媒体在网络中的传输。本文叙述网络视频传输技术在水产病害在线诊断与咨询系统中的应用。     

基于网络教学平台的中药资源化学教学改革

在南京中医药大学网络教学平台的基础上,对中药资源化学教育教学活动及教学改革实践进行了研究,旨在进一步提高该课程的教学水平和教学质量。结果表明:在有63名学生的班级中,积极参与阅读文献、学习化学画图软件、自主学习统计分析方法及参加野外标本采集的学生在学习中具有较大优势。网络教学平台有利于开展网上互动式教学活动,既能使学生在完成学习任务的过程中提高学习能力,也有助于教师及时了解学生的学习状态,促进教学水平的提高。     

基于序列信息的土壤CT图像超分辨率重建

受部分容积效应影响,土壤计算机断层扫描（Computed Tomography,CT）图像存在孔隙边界模糊现象,影响土壤孔隙结构研究的准确性。针对该问题,该研究提出基于序列信息的生成式对抗网络（Sequence information Generative Adversarial Network,SeqGAN）,实现土壤CT图像的超分辨率重建。针对土壤CT序列图像具有较高相似性的特点,SeqGAN法引入序列卷积块挖掘前后图像的序列信息,并将多重特征增强融合于目标图像中;利用多层残差块提取图像特征,构建残差块输入和输出的直接连接,以减少模型退化;利用对抗网络实现损失间接反馈,提高模型的特征学习能力。在序列相似性较高的土壤图像数据集验证了该方法性能。结果表明,SeqGAN法均方误差比次优方法GAN降低25%,峰值信噪比提升1.4 dB,结构相似性提升0.2%。重建的土壤图像具有较高准确率和清晰度,可为后续土壤物理学研究提供准确的数据基础。