排序方式: 共有119条查询结果,搜索用时 15 毫秒
91.
92.
采用溶液培养法筛选196个芥菜型油菜基因型的砷(Na3AsO4)毒耐性。结果表明,2mg/L As(以砷酸钠水溶液中的砷离子浓度计)处理条件下,不同基因型油菜的生长和砷累积表现出明显的差异性。调查地上部干重的As/CK(砷处理与对照的比值)和根部的As/CK,发现各基因型变化范围分别为0.48~1.51和0.5~2.06,其变异系数分别为18.5%和30.2%。地上部或根部砷含量的变化范围分别是5.2~168.0mg/kg和117.1~1 544.3mg/kg,其变异系数分别为73.2%和37.5%。依据砷胁迫下油菜的相对干重(As/CK)及砷的含量,筛选出砷排异基因型(生长不受影响,且砷主要累积在根部,茎叶中砷含量较低)15个,砷低吸收基因型(生长不受影响,且茎和叶中砷含量较少)2个,以及砷敏感基因型(生长受严重抑制)5个。 相似文献
93.
95.
随着深度学习研究与应用的迅速发展,人工智能安全问题日益突出。近年来,深度学习模型的脆弱性和不鲁棒性被不断的揭示,针对深度学习模型的攻击方法层出不穷,而后门攻击就是其中一类新的攻击范式。与对抗样本和数据投毒不同,后门攻击者在模型的训练数据中添加触发器并改变对应的标签为目标类别。深度学习模型在中毒数据集上训练后就被植入了可由触发器激活的后门,使得模型对于正常输入仍可保持高精度的工作,而当输入具有触发器时,模型将按照攻击者所指定的目标类别输出。在这种新的攻击场景和设置下,深度学习模型表现出了极大的脆弱性,这对人工智能领域产生了极大的安全威胁,后门攻击也成为了一个热门研究方向。因此,为了更好的提高深度学习模型对于后门攻击的安全性,本文针对深度学习中的后门攻击方法进行了全面的分析。首先分析了后门攻击和其他攻击范式的区别,定义了基本的攻击方法和流程,然后对后门攻击的敌手模型、评估指标、攻击设置等方面进行了总结。接着,将现有的攻击方法从可见性、触发器类型、标签类型以及攻击场景等多个维度进行分类,包含了计算机视觉和自然语言处理在内的多个领域。此外,还总结了后门攻击研究中常用的任务、数据集与深度学习模型,并介绍了后门攻击在数据隐私、模型保护以及模型水印等方面的有益应用,最后对未来的关键研究方向进行了展望。 相似文献
96.
本文介绍了数控液压拉伸垫的工作原理和过程及其技术优势,并对数控液压拉伸垫的参数选择进行了阐述和计算。 相似文献
97.
98.
99.
100.
针对元搜索引擎中返回大量重复冗余信息导致结果显示代理负担加大、系统查准率降低的缺陷,结合Agent技术建立基于多Agent的元搜索引擎系统模型,从成员Agent的爬行能力值、检索文档与查询主题的相关度和查询响应时间三个方面综合衡量成员搜索引擎对于查询的重要度,并按降序排序,优先选择重要度最佳的若干成员搜索引擎进行智能调度和智能结果合成。实验结果表明,与传统元搜索引擎相比,这种基于奖励机制的智能元搜索引擎提高了检索效率和查询性能。 相似文献