博爱县农田林网永续经营技术及效益分析

分析了博爱县农田林网形成后在生态、经济、社会等方面所产生的显著效益。总结了实现农田林网永续经营的具体方法。为平原地区农田林网的经营与管理提供了很好的依据。     

时滞recurrent神经网络模型的全局渐近稳定性

讨论了时滞recurrent神经网络模型的全局渐近稳定性,通过构造适当的Lyapuov函数,利用线性矩阵不等式,给出了一类常时滞recurrent神经网络的新的充分条件,所获的稳定性条件是时滞相关的,稳定性判别条件更宽松.最后通过一个实例说明方法的可行性.     

人工神经网络在木材缺陷检测中的应用

采用射线作为检测手段，对木材进行无损检测。在无损检测信号处理和特征构造的基础上。运用特征参数建立了缺陷识别的数学模型，针对无损检测信号的特征，构造了人工神经网络。选用反向传播神经网络模型（BP网络），网络识别所需要的特征参数能够反映木材缺陷的全部特征。     

基于时延神经网络的木材干燥模型辨识的研究

木材干燥是一个复杂、多变的过程，传统的系统辨识方法很难建立一个理想的木材干燥模型。利用时延神经网络的特点，本文提出了基于时延神经网络的木材干燥模型辨识方法，并给出了辨识网络和结构。对辨识得到模型的仿真结果表明，利用时延神经网络所建立的模型是可靠且有效的。     

基于Transformer的强泛化苹果叶片病害识别模型

模型泛化能力是病害识别模型多场景应用的关键,该研究针对不同环境下的苹果叶片病害数据,提出一种可以提取多类型特征的强泛化苹果叶片病害识别模型CaTNet。该模型采用双分支结构,首先设计了一种卷积神经网络分支,负责提取苹果叶片图像的局部特征,其次构建了具有挤压和扩充功能的视觉Transformer分支,该分支能够提取苹果叶片图像的全局特征,最后将两种特征进行融合,使Transformer分支可以学习局部特征,使卷积神经网络分支学习全局特征。与多种卷积神经网络模型和Transformer模型相比,该模型具有更好的泛化能力,仅需学习实验室环境叶片数据,即可在自然环境数据下达到80%的识别精度,相较卷积神经网络EfficientNetV2提升7.21个百分点,相较Transformer网络PVT提升26.63个百分点,能够有效提升对不同环境数据的识别精度,解决了深度学习模型训练成本高,泛化能力弱的问题。     

苹果园中土壤水分空间分布特性初探

无线传感器(WSN)能通过互联网感知客体环境信息,已经广泛应用于农业生产环境监测.将WSN应用在苹果园中,监测果园环境信息,为苹果生产提供决策支持.土壤水分是影响苹果品质和产量的重要因素之一.研究果园中土壤体积含水量的分布规律能为WSN在果园应用中土壤水分传感器部署策略提供支持.在北京一个普通的苹果园进行实地试验,采用土壤水分测量仪测量3个典型子区域不同土壤深度及不同水平位置多个点的土壤体积含水量,结果表明:总体上在果树周围土壤体积含水量随着树根距离的增加而增加;计算了3个典型子区域及整个果园3个土壤深度的均方差,91.7％的均方差均为2％～3％,在各个子区域及整个果园,土壤水分具有相似的分散程度;计算了每个子区域每个测量点的土壤水分均方差.1％～2％之间的均方根误差所占比例最大,为48.2％.当土壤深度小于300 mm时,水平层面的均方差大于垂直方向.根据试验结果,提出了一种“以单棵树为目标,着眼于整个果园”的土壤水分传感器部署方法.     

无线传感器网络三维定位交叉粒子群算法

针对标准粒子群算法进化后期收敛速度慢、易陷入局部极小点、早熟收敛等问题,提出一种基于交叉粒子群的农业无线传感器网络三维定位算法。该方法主要包括汇聚节点选取、测量距离修正、节点定位3个阶段,通过借鉴遗传算法交叉操作的思想,增加粒子的多样性,减小测距误差、锚节点数量对定位结果的影响,有效提高定位算法全局搜索能力。仿真结果表明,该方法的稳定性和定位精度均优于标准粒子群算法。在测距误差和锚节点数量相同的条件下,与混合蛙跳定位算法进行性能比较,两种算法的最大定位误差分别为1.337 8 m、1.747 3 m,最小定位误差分别为0.258 3 m、0.561 5 m,平均定位误差分别为0.651 2 m、1.044 7 m。     

Novel insights into the marine phase and river fidelity of anadromous twaite shad Alosa fallax in the UK and Ireland

1. Most research on anadromous fishes has been invested in their freshwater life‐phases, resulting in a relatively sparse understanding of their spatial ecology during marine life‐phases. However, understanding the marine dispersal of anadromous fishes is essential to identify threats and to implement conservation measures that fully encompass their lifecycle.
2. The twaite shad Alosa fallax is an anadromous fish increasingly imperilled across its range due to pollution, harvesting, and impediments to freshwater migration, but little is known about its distribution and movements during its marine life‐phase. Here, the application of acoustic telemetry provided novel insights into the coastal dispersal of twaite shad in the UK and Ireland during 2018–2019, and the freshwater entry of individuals during the 2019 spawning season.
3. Of 73 twaite shad acoustic‐tagged during their upstream migration in the River Severn in May 2018, 58 emigrated from the river. Twelve were subsequently detected 200 km to the south‐west at the Taw–Torridge Estuary between July 2018 and April 2019, where estuarine movements up to 5.8 km inland occurred in summer, winter, and spring. One was subsequently detected in the Munster Blackwater Estuary (Ireland) and then in the River Severn, indicating a minimum movement distance of 950 km. Thirty‐four (59%) of the emigrating individuals from 2018 re‐entered fresh water in the rivers Severn (n = 33) and Wye (n = 2) in April and May 2019.
4. These results suggest year‐round use of estuarine and nearshore habitats by at least a subset of the twaite shad population during their marine phase, providing evidence of potential range overlap between populations that spawn in different areas in the UK and Ireland, which may be facilitated by substantial dispersal. The results also highlight the potential of telemetry for estimating freshwater and marine mortality, and the benefits of sharing detection data across networks.

     

基于监测数据和BP神经网络的食品安全预警模型

以中国实际食品安全监测数据为样本,研究基于BP神经网络的食品安全预警方法。首先对食品安全日常监测数据进行筛选简化,选择其中与食品安全最为密切的167种检测项目,以此检测项目为指标按月度划分建立数据样本。然后建立以167种检测项为输入层,包含2个隐层,以化学污染、农药残留、兽药残留、重金属、微生物致病菌5大类为输出层的食品安全预警神经网络模型,最后用所得数据样本进行训练和验证。结果表明,基于BP神经网络的食品安全预警方法能有效识别、记忆食品危险特征,能够对输入样本进行有效的预测,研究有助于丰富食品安全数据的处理方法,有助于完善相关预警技术手段。     

基于神经网络预测的无线传感器网络田间射频信号路径损耗

为解决应用无线传感器网络技术监测农田信息时无法快速预测射频信号路径损耗的问题,基于神经网络理论研究了田间路径损耗与其影响因素间的关系。试验中选取915和2 470 MHz 2个载波频率,在冬小麦的不同生长阶段测量射频信号在田间各影响因素作用下的路径损耗,建立和验证基于神经网络的射频信号田间路径损耗预测模型。所建立模型模拟值与实测值的相关系数为0.92,应用建立的神经网络预测田间射频信号路径损耗并与实测值对比,最大预测误差绝对值为4.186 dB,最大预测标准差为2.759 dB,预测准确度为94.2%。所建立的BP网络可以对田间射频信号路径损耗进行预测。