云南小粒种咖啡吸引国际买家

知名跨国咖啡交易商Volcafe在云南设立了一家从事采购和加工的合资公司,此举有望提振中国高品质咖啡豆的出口。过去10年里,云南阿拉比卡咖啡豆（亦称小粒种咖啡）的产量一直在稳步增长。交易商表示,其品质已提升至与中美洲咖啡豆相当的水平。总部位于瑞士的Volcafe隶属于大宗商品交易商ED＆F Man。     

基于局部相似性先验的协作表示人脸识别

针对光照、伪装/遮挡等非受控环境下的人脸图像,本文探讨了一种基于局部相似性先验的协作表示人脸识别。首先选择合适的人脸图像并对其进行等份不重叠分块,接着计算不同分块间的权重,最后将块与块之间最优的相似性先验信息加权至协作表示算法中,以实现人脸的分类。实验结果表明,与目前基于协作表示的人脸识别算法相比,本文算法在性能上有明显的提高。     

基于多任务联合稀疏表示的水稻叶片病害自动识别算法

在水稻(Oryza sativa L.)病害自动识别技术中,针对不同种类病害在抽取到相似特征的情况下,病害难于区分,甚至做出错误判断,从而降低识别率的问题,提出了多任务联合稀疏表示的水稻叶片病害自动识别算法.该算法将单一病害特征的识别过程看作"任务",要求这些"任务"特征在同一个训练数据集合的对应特征字典下能够稀疏表示,同时不同"任务"的稀疏表示系数向量具有相似的结构,从而实现了利用不同"任务"间的相互关系提高判断的准确率.同时这种算法使得病害的识别通过一次处理完成,避免了传统方法多次判断所引入的误差.实验表明,该算法能够充分挖掘不同特征类型间的关系,从而提高了识别的效率.     

分块子空间追踪算法

压缩传感理论是一种充分利用信号稀疏性或者可压缩性的全新信号采样理论。该理论表明，通过采集少量的信号测量值就能够实现可稀疏信号的精确重构。本文在研究现有经典重构算法的基础上，提出结合图像分块思想和回溯思想的分块子空间追踪算法（Block Subspace Pursuit, B_SP）用于压缩传感信号的重构。该算法以块结构获取图像，利用回溯过程实现支撑集的自适应筛选，最终实现图像信号的精确重构。实验结果表明，在相同测试条件下，该算法的重构效果无论从主观视觉上还是客观数据上都有不同程度的提高。     

哥伦比亚大量供应西番莲但欧洲市场对其需求低

哥伦比亚水果出口商表示,7月是哥伦比亚西番莲大量上市的季节,由于处在夏天,西番莲在欧洲市场难销,由于供应量大过需求量,西番莲的价格相当的低。西番莲最好销的季节是圣诞节与复活节期间。西番莲在欧洲市场销售是通过荷兰进入的,德国、比利时与法国都是哥伦比亚西番莲的销售市场。Jorge Vargas表示,2012年哥伦比亚的天气比前2年的好。只要有充足的阳光和雨水,一切都会顺利的。     

基于实例推理及其在农业病虫害诊断与防治中的应用研究

规则推理等传统推理方法的推理性能严重依赖于知识的完备程度。在农业领域中。知识获取和知识表示已成为推理的主要瓶颈之一，因此利用传统推理方法建立的专家系统效率低、鲁棒性不好。基于案例推理的专家系统能充分利用已有的实例经验，具有自学习功能，从而推理效率高，鲁棒性能较好。本研究将案例推理专家系统应用于作物的病虫害防治和诊断．得出了基于案例推理农业病虫害诊断与防治专家系统的知识表示和推理机制，并在实际应用中获得了较好的效果。     

英语中表示“比较”的若干惯用形式

一般来说，形容词和副词的“级”是一种语法手段，表示被比较的人或物在程度上的差异。因此，只有表示性质的一些形容词或副词才有“级”的变化。“级”分为原级，比较级和最高级三类。而本文拟试通过实例，说明英语中“比较含义”及其表达形式并非仅限于“级”的形式。另还有一些常见的惯用表达形式。如某些词、词组、句型：以及某些具有“最高级”含意或“比较级”含意的结构等。其主要形式归纳如下。     

强子的味道波函数(Ⅱ)——重子的味道波函数

从u,d夸克的同位旋波函数出发,利用李群不可约表示权的性质,导出了重子的味道波函数,给出了重子填充的SU（3）与SU（4）味群不可约表示的权图。     

基于稀疏表示的森林火灾火焰识别研究

为了实现森林火灾的智能识别,提出一种基于稀疏表示的林火火焰自动识别方法.以林火火焰和5类干扰物体为研究对象,每类对象从视频图像中随机选取50帧作为训练样本,150帧作为测试样本.对每幅图像提取疑似火焰区域,求取面积变化率、颜色、纹理和形状特征参数.所有训练样本的特征向量构建训练样本特征字典,对每个测试样本利用l1最小化范数计算其在训练字典上的投影系数,根据最小重构残差进行分类识别.结果表明,稀疏表示方法的识别率可达到93.56％,为林火火焰识别提供了一个有效的解决方案.     

基于递进式卷积网络的农业命名实体识别方法

目前基于预训练语言模型（Pre-trained Language Model,PLM）的命名实体识别的研究在面对农业领域存在的实体命名方式繁杂、实体边界模糊等问题时,仅使用PLM最后一层表示输出,且均从外部引入知识或操作对实体表示进行增强,忽视内部各层本身蕴含语言不同层次的丰富信息。为解决上述问题,提出一种基于递进式卷积网络的命名实体识别方法。该方法首先存储自然句子,通过PLM后得到的每层输出表示;其次以递进式卷积作为全层信息的特征提取手段,对储存的模型中间层输出表示依次卷积。模型将注重全层信息,包括被忽略的浅层输出,而有研究表明靠近输入的模型层输出的句子嵌入包含更多的诸如短语、词组等粗粒度信息,对于边界模糊的农业命名实体识别,更关键的词组界定信息或许就隐含在这些被忽略的浅层嵌入中,可为农业领域存在的命名实体识别问题提供帮助。无需外部信息的引入,充分利用已使用的计算力得到的结果就能增强句子的表示嵌入;最终通过条件随机场（Conditional Random Field,CRF）模型生成全局最优序列。在构建的包含农作物品种、病害、虫害和农药4类农业实体的农业数据集上,所提方法的综合性指标...