fx—4500P多项式回归通用程序

本文对适用于任意方次的多项式回归CASIOfx-4500P计算器通用程序给出了算法、内存分配、源程序及算例，其中程序模块ProgGAUSS可独立用于解算14个未知数以下的对称系数线性方程组。对用小型计算器解算大数据量问题和用一维数组处理多维数组问题有普遍适用性。     

谷物胚乳性状QTL区间作图的贝叶斯方法

将贝叶斯统计原理和胚乳性状的数量遗传模型相结合,以分离群体中各植株的分子标记基因型以及植株上若干粒种子胚乳性状的单粒观测值为数据模式,提出胚乳性状QTL区间作图的贝叶斯方法.该方法通过Gibbs以及Metropolis-Hastings抽样实现的马尔科夫链蒙特卡罗(MCMC)算法获得QTL效应和位置的估计.方法的有效性用染色体水平和基因组水平2套模拟方案进行验证,结果表明:贝叶斯方法能够准确地估计胚乳性状QTL的位置和效应,并同时区分2种显性效应.     

基于光谱特征参数的粳稻冠层氮素含量反演方法

粳稻氮素含量的快速、无损、准确估算,可以及时掌握粳稻的生长状况,对指导粳稻田间管理具有重要意义。为提高粳稻冠层氮素含量的高光谱反演精度,利用沈阳农业大学路南试验基地2018年粳稻3个关键生育期无人机高光谱影像和同步测定的粳稻冠层氮素含量作为数据源,选用从粳稻冠层光谱中提取的高光谱位置变量、面积变量和植被指数变量3种类型20个光谱特征参数与氮素含量进行相关性分析,选出各个生育期内相关性较高的前3个光谱特征参数作为模型输入分别建立偏最小二乘回归(PLSR)、BP神经网络(BPNN)和思维进化算法优化BP神经网络(MEA-BPNN)3种粳稻冠层氮素含量反演模型并验证。结果表明:在粳稻分蘖期、拔节期、抽穗期,与粳稻氮素含量相关性最好的高光谱特征参数均为红边面积SDr,相关系数分别为0.771,0.664,0.775;MEA-BPNN反演模型与PLSR、BPNN相比,无论在模型精度还是预测能力都有明显提高,在各个生育期,MEA-BPNN模型的建模集和验证集决定系数R²均达到0.700以上,RMSE均低于0.400以下,说明MEA-BPNN反演模型是筛选出的最佳粳稻冠层氮素含...     

基于改进的PSO进化神经计算进行苹果颜色快速分级

为克服在苹果颜色分级中存在的速度慢、误差大等缺点,基于再现群智能的粒子群进化算法和神经计算技术,提出了一种新颖、快速的智能分级方法,即首先通过计算机视觉技术获取苹果表面颜色的色度,并提取其特征;然后采用改进的带自适应惯性权值的粒子群优化算法训练神经网络结构,最后用训练好的神经网络进行苹果颜色分级。实际应用表明该方法切实可行且效果显著,不仅分级速度快,而且分级正确率高达98%以上。     

一种生物病虫害控制模型的进化算法处理

为控制蘑菇种植过程中尖眼蕈蚊数量,利用线虫和尖眼蕈蚊数量变化的动态关系模型,应用分布估计算法对控制干涉次数和控制数量进行优化处理,将其与遗传算法结果进行比较.结果表明:该算法在控制次数略有增加情况下,可以取得较小目标函数值,并且算法稳定收敛,该结果可以作为一种理想的控制优化方案.分布估计算法可以用来处理此类动态关系模型的优化问题.     

基于二代测序数据拷贝数变异检测的新方法研究

目标区域捕获测序（TRS）是将基因组特定区域制成探针与基因组DNA杂交,将目标区域的DNA富集后再进行二代测序。TRS已应用于多种疾病如智力障碍、帕金森症等,能够有效的对人类主要组织相容性复合体（MHC）、外显子等区域进行测序。由于测序效果受捕获测序探针密度影响较大,探针的疏密及均匀程度很大程度会影响最终结果,与全基因组测序相比,TRS检测拷贝数变异（CNV）难度更大。随着生命科学的飞速发展,越来越多的拷贝数变异检测工具出现,但它们的CNV检测率依然较低,假阳性率较高。因此,本研究开发了一种新颖的拷贝数变异检测方法,结果显示,本研究方法、ExomeDepth和XHMM的检测率分别是76.7%、12.4%和5.5%,假阳性率分别是25.7%、49.4%和66.9%,本研究方法在检测率及假阳性率的表现均优于ExomeDepth和XHMM两种方法。本研究补充了拷贝数变异检测算法,并为相关研究提供一定的理论依据。     

基于DH-YoloX的群养马岗鹅关键行为监测

马岗鹅的行为与其生长状况和福利状况密切相关,马岗鹅关键行为监测对评估其生长性能具有重要的现实意义。为了实现对群养栏马岗鹅关键行为高效率精准监测,该研究探索一种基于YoloX的群养马岗鹅关键行为监测算法（Magang geese behavior monitoring of based on Double Head-YoloX,MGBM-DH-YoloX）,该算法通过减少YoloX的头部数量提升检测效率、使用损失函数减少前景背景干扰、使用迁移训练方式提高网络训练效率等技术对马岗鹅采食、饮水、休息和应激等关键行为及其规律进行分析。MGBM-DH-YoloX首先用Mosaic和Mixup对马岗鹅图像进行数据增强,然后使用增强后的数据集训练模型,并且利用模型检测马岗鹅的关键行为,最后累计得出马岗鹅关键行为的发生时长和行为节律;试验训练集为1 400幅、验证集200幅和测试集为400幅,连续活动视频10 d。结果表明,MGBM-DH-YoloX算法的平均精度为98.98%、检测速度达到81帧/s、内存消耗为2 520.04 MB。对马岗鹅的10 d养殖数据分析发现,MGBM-DH-YoloX能有效观察到马岗鹅随着日龄增长采食次数逐渐减少;试验鹅每日采食与饮水行为同时出现的比例为83.74%,呈现整体相伴趋势,但也从90.78%降低到74.57%,说明马岗鹅采食与饮水行为随着日龄增加呈现出逐渐分离趋势;试验鹅随着日龄增长休息时间逐渐加多,呈现出肉鸭对笼养的适应性逐步增强;应激行为随机性很强,突发性明显,发现人员随机走动等不规范饲喂带来的应激行为占据很大比例。该研究显示MGBM-DH-YoloX算法能利用监控视频对马岗鹅的关键行为进行智能提取,可为家禽智能养殖监管提供技术支撑。