排序方式: 共有3条查询结果,搜索用时 0 毫秒
1
1.
在水温为(20.0±0.5)℃的条件下,设3个投喂频率(1次/d、2次/d和3次/d),在饱食投喂的情况下进行牙鲆的生长和能量收支研究。结果表明,随着投喂频率的增加,牙鲆终末体质量、增重率、特定生长率和摄食率均显著增加,但各组之间饲料转化率差异不显著。投喂频率对牙鲆鱼体生化组成的影响不显著。各投喂频率下牙鲆能量收支方程如下:1次/d,100.00C=35.55G+1.64F+5.87U+56.93R;2次/d,100.00C=30.73G+1.36F+5.16U+62.75R;3次/d,100.00C=27.28G+1.60F+5.96U+64.29R。 相似文献
2.
本试验以不同脂肪源配制成等氮等脂的7种饲料,对大菱鲆[(27.31±0.10)g]进行40 d的饲养试验,旨在探讨不同饲料脂肪源对大菱鲆生长、体组成、血清生化指标的影响。7种饲料分别添加6%的鱼油(FO)、大豆油(SO)、菜籽油(RO)、花生油(PO)、猪油(L)、鱼油-豆油(1∶1)(FSO)和鱼油-豆油-猪油(3∶4∶3)的混合油(MIX)。每组饲料设3个重复,每个重复12尾鱼。研究结果表明:(1)鱼油-豆油组特定生长率显著高于其他各组,较鱼油组(基础饲料组)提高了10.42%(P < 0.05),猪油组特定生长率最低,较鱼油组降低了19.79%(P < 0.05)。猪油、混合油、花生油组饲料系数分别较鱼油组提高了36.36%、33.33%、25.25%(P < 0.05),其余各组间无显著差异(P > 0.05);(2)饲料脂肪源对大菱鲆鱼体水分、粗脂肪和粗灰分含量影响不显著(P > 0.05),猪油组粗蛋白质含量显著低于鱼油组、菜籽油组和花生油组,其中较鱼油组降低了4.47%(P < 0.05)。摄食不同脂肪源饲料的大菱鲆空壳、内脏和背肌的脂肪含量差异不显著(P > 0.05),猪油组空壳的水分显著高于菜籽油组和混合油组(P < 0.05);(3)各试验组总胆固醇、甘油三酯、高密度脂蛋白胆固醇和碱性磷酸酶含量无显著差异(P > 0.05)。猪油组和混合油组的谷丙转氨酶含量显著高于其他各组,较鱼油组分别升高了124.89%和119.94%(P < 0.05),混合油组的谷草转氨酶含量显著高于其他各组,较鱼油组提高了352.51%(P < 0.05),表明猪油组和混合油组鱼体肝脏受到一定程度的损伤。综合以上7种饲料脂肪源对鱼体生长性能、体组成及血清生化指标的影响,鱼油-豆油(1∶1)、豆油和菜籽油可作为大菱鲆饲料合适的脂肪源,而猪油、混合油不适宜作为大菱鲆的饲料脂肪源。 相似文献
3.
基于双分支卷积网络的高光谱与多光谱图像协同土地利用分类 总被引:5,自引:5,他引:0
高精度监测土地利用对实现可持续发展有重要意义。然而,由于遥感传感器成像的限制和地物的复杂性,单一的高光谱和多光谱图像已经不能满足高精度土地利用分类的要求,充分利用高光谱和多光谱遥感图像的互补信息能克服仅采用单一遥感图像分类的不足。该研究设计双分支卷积神经网络协同高光谱和多光谱遥感图像进行土地利用分类。针对高光谱图像设计3维-1维卷积神经网络(3D-1D Convolutional Neural Networks,3D-1D CNN)分支自动提取高光谱图像的空间-光谱特征;针对多光谱图像,设计3维卷积神经网络(3D Convolutional Neural Networks,3D CNN)分支提取多光谱图像的空间-光谱特征;设计融合层将从高光谱和多光谱图像提取的特征进行融合,最后通过全连接层输出土地利用类别。研究表明,与决策树(Decision Tree,DT)、支持向量机(Support Vector Machine,SVM)以及1D、2D和3D CNN方法相比,该文提出的基于双分支卷积神经网络的方法在两个数据集上Kappa系数平均分别提升了15.9、8.1、5.4、5.4和2.7个百分点。 相似文献
1