NPFFR1基因对鹅卵泡颗粒细胞激素分泌和细胞凋亡的影响研究

神经相关肽受体（RFamide-related peptide receptor,NPFFR1）是促性腺激素抑制激素的主要亲和受体,它在调控动物繁殖方面起着重要作用。为了解NPFFR1对鹅卵巢卵泡发育的作用,本研究以42周龄健康产蛋四川白鹅为试验材料（n=9）,利用RT-qPCR法检测NPFFR1基因在等级前和等级卵泡颗粒细胞中的mRNA表达规律;在颗粒细胞中过表达NPFFR1基因,酶联免疫吸附法检测颗粒细胞上清液（n=9）中雌二醇（estradiol,E2）、孕酮（progesterone,P4）和抗缪勒管激素（anti-Mullerian hormone,AMH）的浓度变化,剩余贴壁细胞作一步法TUNEL检测细胞凋亡情况;转录组测序方法筛选大黄卵泡（8~10 mm）颗粒细胞过表达NPFFR1前后表达差异显著基因,并对差异表达基因进行功能聚类分析。结果显示,除F1等级外,其余等级卵泡颗粒细胞NPFFR1表达量均极显著高于等级前卵泡（P<0.01）;过表达NPFFR1后,等级颗粒细胞上清液中的E2和等级前颗粒细胞上清液AMH的含量显著（P<0.05）降低,但孕酮P4含量变化不显著（P>0.05）;转录组测序共筛选到267个差异表达基因（119个下调,148个上调）,这些基因主要富集在生物节律过程、繁殖进程等生物学过程中;同时,与对照组相比,差异基因AMH显著下调表达（P<0.05）,Clock（clock circadian regulator）、FOS（proto-oncogene,AP-1 trans-cription factor subunit）、Per（period circadian regulator）和ANTXR2（cell adhesion molecule 2）分别极显著（P<0.01）或显著（P<0.05）上调表达。上述试验结果提示,NPFFR1可从激素、细胞凋亡和生物节律等多个环节影响卵泡颗粒细胞,参与调控卵泡的时序等级发育。     

A HIERARCHICAL CONTROL METHOD FOR REACTIVE POWER OPTIMIZATION IN LARGE-SCALED INTERCONNECTED POWER SYSTEMS

This paper presents a new hierarchical and coordinative control method for reactive power optimization in large-scale interconnected power systems. It combines the interconnection forecast method for hierarchical control in large-scale steady state industrial systems with the incremental linear programming method for reactive power optimization in real time. The results of applying the method to power system examples show that the method not only solves the problem of high dimension in order, but also keeps the advantages of the incremental linear programming method. The proposed method is also suitable for the security analysis of reactive power correction in large-scale interconnected power systems.     

Loads Equalization Based on Optimization Principle and the Hierarchical Model for Distribution Networks

Loss reduction is important for distribution networks and it is available to reduce loss by loads equalization. With increasing numbers of vertexes in distribution networks, compounding of loads are rapid increasing. It is hard to achieve the global optimization for load balancing by traditional model of distribution networks. Base on analyzing character of loads equalization for distribution networks, this paper provides a new method which conjugate the optimization principle and the hierarchical model of the distribution networks, can transfer the optimization issues into multi stage decision making problems,and can also achieve the optimization equalization of the distribution networks loads.     

面向大规模定制的产品族模糊层次优化研究

基于对目前产品平台设计的研究综述，分析并指出了研究中的不足。介绍了产品平台的概念和特征，探讨了基于公共平台的产品族设计方法。提出了基于主从关联结构的层次优化设计理念，以及实现这一理念的方法和模型框架：并对模型的数学形式、模糊层次优化做了阐述。     

泄流激励下水工闸门运行模态参数自动识别

为了能够自动快速准确的识别泄流激励下水工闸门的模态参数,解决系统稳态图自动化定阶困难和真实模态筛选的问题,该研究提出了一种改进的势能聚类（Potential-based Hierarchical Agglomerative,PHA）的协方差驱动随机子空间（Covariance-driven Stochastic Subspace Identification,COV-SSI）水工闸门自动模态参数识别方法。首先采用小波阈值的方法对采集信号进行去噪处理。再通过奇异值加权判断指标（Singular-value Weighted Index,SWI）进行系统阶次及稳态图最大阶次的自动化确定,剔除稳态图中的噪声模态,进一步使用势能聚类方法实现结构模态参数的自动化识别。将该方法应用于泄流激励下弧形闸门试验模型中,并与锤击法测试结果进行对比分析,结果表明,所提识别方法在无需人工激励条件下,能够实现系统阶次和稳态图最大阶次的自动化确定,剔除稳定图中虚假极点。通过与试验对比,该方法平均相对误差为3.5%,可用于泄流激励下水工闸门结构运行模态参数的自动智能化识别。     

棉花异性纤维中麻绳与羽毛的分类特征

摘要：为准确识别棉花异性纤维中较难识别的羽毛和麻绳异性纤维,采用机器视觉技术,通过图像处理方法采集异性纤维目标,对羽毛和麻绳异性纤维的色彩和纹理特征进行有效的特征提取,形成异性纤维目标的特征向量。再通过一种自底向上的凝聚型层次聚类算法对提取的羽毛和麻绳的色彩与纹理特征进行层次聚类分析,选择最优特征向量。将8个特征向量进行降维分析并比较各维数下的层次聚类效果,试验结果表明,选取红色(R_ave)、绿色(G_ave)、蓝色(B_ave)、能量、熵、惯性矩等6个特征进行层次聚类效果最好,羽毛识别率达到94%,麻绳识别率达到95%, 说明选择的特征向量对这2种异性纤维具有理想的区分性。该研究可为棉花异性纤维的正确识别提供参考。     

基于无人机多光谱影像的夏玉米SPAD估算模型研究

快速获取作物叶片叶绿素含量对及时诊断作物健康状况、指导田间管理具有重要意义。本研究以关中地区2020年夏玉米为研究对象,获取试验区无人机多光谱影像,提取植被指数,分析所选植被指数与SPAD的相关性,筛选得到模型的输入变量,利用偏最小二乘法(PLS)、随机森林回归(RF)和分层线性模型(HLM)分别构建拔节期、抽雄期、灌浆期以及全生育期的SPAD估算模型,最终选出最优估算模型,以期为快速获取夏玉米SPAD提供参考。研究发现：除NRI之外,NDVI、OSAVI、GNDVI、RVI、MCARI、MSR、CIre与SPAD均显著相关,其中,OSAVI、NDVI与SPAD呈现出较强且稳定的相关性;各个生育期的最优模型均是RF模型,在拔节期、抽雄期、灌浆期和全生育期,验证集R²分别为0.81、0.81、0.73、0.61,RMSE分别为1.24、2.32、3.13、3.20;对于SPAD估算模型,将降雨量、最高气温这两个气象因子与植被指数耦合的HLM模型可以一定程度提升线性模型的估算精度,但其精度低于RF模型。因此,基于无人机多光谱影像的RF模型可以实现夏玉米SPAD的快速准...     

黄淮海地区稻茬小麦田杂草组成及群落特征

为明确黄淮海地区稻茬小麦田杂草组成及群落特征,采用倒置W型九点取样法对黄淮海地区稻茬小麦田杂草进行了调查,并进行了区域聚类分析。调查结果表明:从杂草种类来看,黄淮海地区稻茬小麦田杂草共有49种,隶属于17科45属,其中禾本科、菊科、十字花科和石竹科种类最多,分别有10、8、7和6种;从杂草优势度来看,优势杂草有7种,分别为看麦娘Alopecurus aequalis、硬草Sclerochloa kengiana、猪殃殃Galium aparine、牛繁缕Malachium aquaticum、稻槎菜Lapsana apogonoides、荠菜Capsella bursa-pastoris、日本看麦娘A. japonicus,区域性优势杂草有6种,分别为野老鹳草Geranium carolinianum、碎米芥Cardamine hirsuta、大巢菜Vicia gigantea、通泉草Mazus japonicus、菵草Beckmannia syzigachne、委陵菜Potentilla chinensis,这13种杂草是构成黄淮海地区稻茬小麦田的主要杂草,此外还分布有一般性杂草36种;从杂草区域分布来看,江苏省北部稻麦轮作区小麦田物种丰富度最高,有40种,明显高于其它稻麦轮作区小麦田,香农指数和均匀度指数也以该区域最高,分别为2.63和0.71,辛普森指数则以山东省临沂库灌稻麦区最高,为0.27。聚类分析结果表明,黄淮海地区稻茬小麦田杂草群落可以划分为4组,河南省南部稻麦轮作区和山东省临沂库灌稻麦轮作区杂草群落结构相似构成1组,河南省北部沿黄稻麦轮作区和山东省沿黄稻麦轮作区杂草群落结构相似构成1组;江苏省北部稻麦轮作区和山东省济宁滨湖稻麦轮作区各自单独成组。     

基于单目视觉的田间菠萝果实识别

菠萝果实的准确识别是菠萝采摘机器人视觉系统的关键。针对田间复杂环境中的青色菠萝,采用图像处理技术、数学形态学方法,识别菠萝果眼,并获取果眼的中心点信息;引入层次聚类分类方法,对多个中心点进行聚类分析;求取最多点集的中心坐标,作为菠萝区域的近似形心。选用在广东湛江菠萝田间拍摄的35幅图像作为评价样本,经过运算,迎光条件下形心识别正确率达到85%。本研究为菠萝采摘机器人的田间果实识别提供了有效的技术方案。