排序方式: 共有17条查询结果,搜索用时 0 毫秒
1.
3.
4.
紫外辐射UV-B增加对小麦株高和节间细胞长度影响的初步研究 总被引:5,自引:1,他引:5
研究了UV-B强度增加对小麦株高、各节间长度及各节间纵向细胞个数、细胞长度的影响,结果表明:UV- B强度增加,小麦株高呈显著下降趋势,小麦株高下降是由于节间长度缩短,而节间个数不变,且各节间缩短的百分率也有显著的差异,穗下第4,5节间的长度缩短对于株高下降影响的效应较大。显微切片测定节间细胞的纵向长度结果表明:穗下第五节间和穗下第四节间的缩短主要是由于节间纵向细胞个数下降,而穗下第三节间和穗下第二节间的缩短主要是由于节间细胞纵向长度缩短。小麦节间缩短和叶片长度的缩短呈显著的正相关。 相似文献
5.
研究旨在通过BP神经网络方法,构建起LM-BP网络结构(5-M-1)模型,达到对土壤养分等级划分的目的,为合理的土壤养分管理提供可靠依据。采用Levenberg-Marquardt (LM)训练算法,构建3层网络模型:一个输入层、一个隐含层、一个输出层,利用3层网络作为耕地土壤养分等级划分模型。利用土壤养分各级评价标准作为模型的训练样本和测试样本,以此来对BP神经网络进行训练和测试,并对歙县土壤养分进行综合评价。结果表明:LM-BP网络结构对测试样本输出的预测值和实际参考值是一致的。最终通过灰色关联模型和主成分分析方法对歙县土壤养分的综合评价结果与BP神经网络的模拟结果相对比,发现也是基本一致的。LM-BP网络结构应用于土壤养分等级划分中,得到了很好的预测效果,为智能算法应用于农业领域奠定了良好的基础。 相似文献
6.
一种植物病害图像识别卷积网络架构 总被引:1,自引:0,他引:1
针对人工提取植物病害图像特征存在效率低、识别率低、成本高等问题,提出一种基于DenseNet网络的现代卷积神经网络架构FI-DenseNet,旨在对多种类的植物病害图像达到高精准的识别准确率.引入Focal损失函数对DenseNet网络进行改进,使得训练模型的注意力集中于难分类的样本.FI-DenseNet网络可以增强特征传递、进行深层训练或有效改善过拟合问题.采用的数据集有87 867张植物病害图像,图像包含同种植物的多种病害,并涉及38种植物病害.对图像进行预处理、数据增强后,将DenseNet169网络、ResNet50网络和MobileNet网络作为参照实验.实验结果表明,FI-DenseNet网络的收敛速度更快且识别准确率最高,测试集识别准确率为98.97%,FI-DenseNet网络的鲁棒性和泛化能力均优于对照网络,可为植物病害智能诊断提供参考. 相似文献
7.
8.
本研究项目是利用SSR技术,为目前的品种鉴定真伪创造了有利条件,可以使用引物对目的 DNA进行PCR、毛细管电泳技术等获得扩增DNA的玉米多样性,维护大多专利者的权利。创建玉米SSR技术引物数据库,可以检索其引物序列,查找对应其扩增的DNA序列,也可以对玉米多样性进行查找。其中查找到的种质信息,利用玉米引物数据库db_database2以及NCBI中BLAST进行比较,与所要做鉴别的品种进行序列对比,通过各碱基的校对,辨别检验品种的真伪性,最后用本项目设计的数据库中的专利权信息以及相关法律知识可以对玉米品种侵权问题进行处理。同时本论文研发的系统具有较好的数据查询功能,对数据的添加、删除和更新操作简便,也具有较高潜在的应用价值。 相似文献
9.
土壤侵蚀模型常被作为了解土壤侵蚀过程与强度、预报水土流失、指导人们合理配置土地资源的重要技术手段。本研究对国内外各种土壤侵蚀模型进行了评价,总结了今后土壤侵蚀模型应该注重的发展方向:注重土壤侵蚀模型的理论研究,从以侵蚀因子为基础的侵蚀预报向侵蚀过程的量化研究和理论完善;充分利用先进的RS、GIS技术和BP神经网络理论结合的发展趋势,为侵蚀模型的研究提供大量的数据源,以利于对土壤侵蚀模型的检验;加快土壤侵蚀所造成的生态经济损失进行估算研究;着眼于土壤侵蚀导致土壤养分流失这一实际情况,根据土壤各养分流失的差异,给出指导性建议,以便改良和保护土壤,并合理的耕种。 相似文献
10.
命名实体识别是构建知识图谱的关键,在农业病虫害领域存在病虫害数据匮乏、实体结构复杂、实体类型识别困难等问题。针对于病虫害数据匮乏,本文采用网络爬虫技术以及扫描文本数据的方法,构建了玉米、小麦、水稻病虫害实体语料库。传统的命名实体识别方法无法解决农业病害实体结构复杂、实体类型识别困难等问题。本文提出一种基于GPT规则修正的LEBERT-BilSTM-CRF模型,LEBERT模型构建了字典树和Lexicon-Adapter结构,将原始字符进行扩充增加数据的丰富性,将经过BiLSTM-CRF的输出和GPT结果进行实体标签修正以此来提高准确率。在公开数据集训练得到合适的参数后,在自建文本语料库进行训练,通过条件随机场和GPT修正生成全局最优序列取得很好的识别效果,准确率为94.23%,召回率为92.34%,F1值为93.28%。 相似文献