摘要：针对雨雾等复杂天气下无人机图像质量下降导致目标检测效果不佳的问题,提出基于上下文引导和提示学习的目标检测算法CGP-YOLO(context-guided and prompt-based YOLOv8)。构建一个多任务联合学习的检测网络,通过双分支结构达到平衡图像检测和恢复的任务。提出基于提示学习的跨层注意力加权图像去噪分支,指导网络利用退化提示重构清晰的图像;模型主干设计基于上下文的残差采样模块,集成卷积注意力机制,综合目标的局部和全局信息;采用可分离大核多尺度特征提取模块,处理网络多尺度特征;引入小目标的专用检测头,增强小目标的检测精度。实验结果表明,在参数量仅为基线模型60%的情况下,该模型的检测精度提高了2.4个百分点,平均精度(mAP)提高了2.04个百分点,模型检测效果优于其他经典模型,具备卓越的性能。

摘要：领域知识图谱拥有不完备性和语义复杂多样性的特点,从而导致其在规则抽取和选择问题上的不足,影响了其推理的能力.针对此问题,提出了一种融合关系和结构编码的规则抽取模型.通过提取目标子图中的关系和结构信息并进行特征编码,从而实现了一种多维度的嵌入表达方法.设计了融合关系和结构信息的自注意力机制,使模型能够更好地捕捉输入序列中的依赖关系和局部结构信息,从而提升了模型对于上下文的理解和表达能力,进而解决了在语义复杂情况下规则的抽取和选择的问题.通过在真实汽车部件故障工业数据集和公共数据集的实验,表明了在链接预测与规则质量评估任务中,所提出的模型都有一定的提升(规则长度为3时, mean reciprocal rank (MRR)平均提升了7.1百分点, Hits@10平均提升了8.6百分点;规则长度为2时, MRR平均提升了7.4百分点, Hits@10平均提升了3.9百分点),证实了关系和结构信息对于规则抽取与推理的有效性.

摘要：多目标安全博弈(multi-objective security game,MOSG)旨在同时最优化防御者应对多个异质攻击者获得的收益,在实际应用中具有重要意义.近期提出的基于空间离散化的演化搜索(space discretization based evolutionary search,SDES)框架将MOSG中的带约束的高维阶梯函数优化问题转换为低维组合优化问题,并使用贪心策略解决组合优化任务.虽然SDES能够在有限时间内处理大规模MOSG任务,但是SDES难以收敛到大规模MOSG任务对应的最优Pareto前沿上.一方面,SDES的贪心策略的收敛性假设随问题规模扩大而变得愈发难以满足;另一方面,SDES过多的阶段组件(空间离散化、演化优化、评估、解的精炼)存在阶段耦合的风险,即上游组件的优化质量直接影响下游组件的表现.因此,挖掘并利用MOSG任务中被保护对象的优先级(priority)先验知识,旨在提高解的质量并简化SDES框架,从而提出了SDES-P框架.SDES-P重新设计了SDES的核心组件——评估组件,并移除解的精炼组件.具体而言,SDES-P从具有最大资源的不可行解开始,根据被保护对象优先级先验将被保护对象分成2组,优先级较高的一组对象会逐渐释放资源以找到可行解.最后,SDES-P包含了一种结合优先级先验的演化局部搜索策略,增强最终Pareto前沿的质量.分析出SDES-P可保持SDES所具有的样本复杂度低、规模可扩展性强的优势,并且用实验结果表明,无论MOSG任务是否满足收敛假设,SDES-P可以找到相较于SDES收敛性、多样性更优的高质量Pareto前沿.

摘要：[目的]早期快速精准鉴定马尾松和火炬松杂交子代,选育高抗马尾松×火炬松家系,以期更好地防控松材线虫病。[方法]本研究以马尾松为母本,火炬松为父本进行杂交,比对火炬松和油松基因组序列设计特异性引物,筛选马尾松与火炬松种间特异性引物,对杂交后代进行扩增条带分析,建立马尾松×火炬松快速鉴定体系,通过接种松材线虫评价筛选高抗家系。[结果]从150对引物中筛选出12对引物组合用于鉴定,特异性强,稳定性好,且扩增率高。F1代29个家系共88个样本,其中81株鉴定为杂交植株,杂种率为92.05%;F2代21个家系共688个样本,其中279株为杂交植株,杂种率为40.55%;对马尾松×火炬松F2代13个家系进行抗性评价,获得5个高抗家系。[结论]12对引物组合可作为马尾松和火炬松杂交子代真实性鉴定,筛选获得5个高抗家系,为松材线虫病防控和抗性机理研究奠定基础。

摘要：蛋白质–蛋白质相互作用对于理解细胞生命活动至关重要.预测链间残基距离为分析蛋白质–蛋白质相互作用以及柔性、动态和超大规模蛋白质复合物结构建模提供了关键信息.现有的链间残基距离预测方法主要关注于链间信息,忽略了结构域间信息.本文基于自构建的链间结构域–结构域相互作用数据集,提出了一种蛋白质复合物链间残基距离深度学习预测方法(distances prediction of inter-chain,DPIC).首先,针对输入的单体序列,分别构建单体序列的多序列比对和复合物序列的配对多序列比对,并使用AlphaFold2预测单体结构;其次,构建序列特征、多序列比对特征和结构特征,设计了一个集成多列卷积神经网络模块和三角相互作用模块的深度学习网络,实现对蛋白质复合物链间残基距离的高精度预测;最后,CASP13-15二聚体测试集上的实验结果表明,DPIC的链间残基接触预测精度优于主流方法DeepInter和CDPred,其中Top L/10精度分别提升了7.87%和13.74%.大型蛋白质复合物结构建模实验结果表明,DPIC预测的链间残基距离有助于大型蛋白质复合物结构组装.DPIC在线服务器网址:http://***/DPIC.

摘要：本文首先介绍《名词句法语义信息词典》的内容结构与理论背景,然后介绍其所区分的5种名词小类的定义及其跟7种量词的选择限制,其为名词所设置的10种物性角色及其定义,由目标名词跟这些物性角色的不同配置而造成的10来种句法格式及其例句,其所考察的名词的8种主要的语法功能及其对于该词类的隶属度;最后给出《名词句法语义信息词典》中检索系统的界面截图。

摘要：本试验以高肌内脂肪杜洛克群体和普通杜洛克群体为研究对象,比较其F_(1)代、F_(2)代及杂交后代(高肌内脂肪杜洛克♂×长大♀,DE;普通杜洛克♂×长大♀,D)的胴体性能和肉品质,并与其他三元杂交后代(皮杜♂×长大♀,DP;皮特兰♂×长大♀,P;大白♂×长大♀,Y)进行比较。结果表明:F_(1)代和F_(2)代高肌内脂肪杜洛克猪的胴体性能与普通杜洛克猪间无显著差异,P组猪体斜长高于D组(P<0.05);F_(1)、F_(2)代高肌内脂肪杜洛克猪的肌内脂肪和干物质含量高于普通杜洛克猪(P<0.05),水分含量低于普通杜洛克猪(P<0.05);高肌内脂肪杜洛克F_(1)代黄度(b*)高于普通杜洛克猪;在杂交组合中,DE组猪亮度(L*)高于D、Y组(P<0.05),b*高于D、DP、P组(P<0.05),肌内脂肪含量高于DP组(P<0.05);相关性分析结果表明,肌内脂肪含量与水分含量负相关(P<0.05)。由此可见,与普通杜洛克、其他三元杂交后代相比,高肌内脂肪杜洛克及其杂交后代具有更好的肉品质。

摘要：考虑到火星探测任务着陆过程动态变化大,稀薄大气环境下开伞会对探测器产生剧烈晃动,为此天问一号探测器研制了一套高动态着陆惯导系统,从硬件产品、使用时序到导航算法方面均进行了针对性设计,以适应着陆过程中的高动态环境。此外,为验证天问一号探测器高动态着陆惯导系统的性能,设计了模拟火星开伞工况的火箭弹高空开伞试验,结果表明该高动态着陆惯导系统的设计满足火星探测任务需求。

摘要：针对天问一号探测器火星着陆过程多体运动及表面地形不确定性强的任务特点,提出了粗避障与伞-背罩组合体规避的协同控制策略以及激光三维配以双目立体视觉的精避障策略,介绍了障碍检测与规避系统的硬件配置、飞行过程、障碍检测与规避部分算法,并通过地面悬停避障专项试验验证了障碍检测与规避策略的有效性,可为后续火星采样返回任务和载人火星探测任务的着陆过程提供一定参考。

摘要：针对具有2自由度主动脊柱关节的仿猎豹四足机器人,基于任务分解思想和生物神经系统机理,提出多模型融合的控制方法。该方法以弹簧负载倒立摆模型实现单腿跳跃控制,通过中枢模式发生器(CPG)实现4条腿之间以及脊柱―腿之间的协调控制,利用虚拟模型控制实现机器人与环境交互,采用基于CPG输出的有限状态机来融合3个控制模型,构建仿猎豹四足机器人的多模型分层运动控制器。参考猎豹脊柱运动特征,设计了机器人脊柱关节运动模式,给出脊柱与腿的协调控制策略。最后,在Webots仿真环境中搭建了仿猎豹四足机器人虚拟样机,实现了不同步态下的脊柱―腿的协调控制、在崎岖地形上稳定奔跑,以及平滑的对角―疾驰―对角步态转换,仿真结果验证了所提出的多模型融合的四足机器人运动控制方法的有效性。