摘要：基于树叶样本的柑橘黄龙病近红外快速诊断技术已经被证明可行,但目前的研究尚局限于以树叶为光谱采集部位。树皮韧皮部作为病菌及特异性营养组分运送的主干道,在黄龙病的病理机制、病程发展中占据重要地位,能够在疾病的早期阶段提供特异信息,有助于疾病的早期诊断。为了探索以树皮为样本建立黄龙病近红外检测技术的可行性,分析不同采样部位对黄龙病近红外预测模型的影响,设计了树叶、树皮和综合(树叶+树皮)三种采样方案。通过与标准正态分布法(standard normal distribution,SNV)、多元散射校正法(multiple scattering correction method,MSC)、一阶导数法(first derivative)和二阶导数法(second derivative)对比,发现归一化法(normalization)对树皮光谱数据的处理效果最好。分别采用偏最小二乘回归法(partial least squares regression,PLSR)和主成分回归法(principal component regression method,PCR)建立柑橘黄龙病预测模型,发现预测集均方根误差(root mean square error of prediction,RMSEP)都在10^-5量级,并且树叶预测集均方根误差最小(RMSEP of leaves,1.6909×10^-5),树皮均方根误差其次(RMSEP of barks,1.8890×10^-5),综合均方根误差(RMSEP of composite samples,2.5676×10^-5)最大;预测集决定系数(the determination coefficient,r^2)都在0.9以上,并且树叶样本所建模型的决定系数最小(the determination coefficient of leaves,rL^2 ,0.9396),树皮其次(the determination coefficient of barks;rB^2 ,0.9415),综合样本所建模型的决定系数最大(the determination coefficient of composite samples;rC^2 ,0.9603),说明三种采样方案所建立的模型都有很好的精度和预测能力,以树叶为样本所得模型精度虽然最高,但预测能力最弱,而综合采样方案所得模型预测能力虽然最强,但模型精度最低,只有以树皮为样本所得模型的精度(RMSEPB=1.8890×10^-5)、预测能力(r^2 B=0.9415)都能保持在良好水平。通过对比分析树叶、树皮的原始光谱、模型效果,探讨了以树皮为样本建立柑橘黄龙病近红外快速检测技术的可行性,为近红外光谱技术在黄龙病诊断方面的应用提供新的思路。

摘要：科学技术的突飞猛进,尤其是以信息通讯技术为核心的网络技术的迅速发展,不仅在生产领域引发了史无前例的革命,同时也全面、深刻地影响着人类的工作、学习和生活方式.科教兴国战略、终身教育理念和建设学习型社会口号的提出,对海关在职干部的教育培训提出了更高的要求.现行的教育培训,在方法上显得单一,已不能完全满足形势的需要。笔者以为,可以尝试借助科技手段,设计基于 Intranet(局域网)的培训方式,扩大受训面,增强培训效果。

摘要：针对并行DCNN算法在大数据环境下存在冗余参数过多、收敛速度慢、容易陷入局部最优和并行效率低的问题,提出了基于Spark和AMPSO的并行深度卷积神经网络优化算法PDCNN-SAMPSO。首先,该算法设计了基于卷积核重要性和相似度的卷积核剪枝策略(KP-IS),通过剪枝模型中冗余的卷积核,解决了冗余参数过多的问题;接着,提出了基于自适应变异粒子群优化算法的模型并行训练策略(MPT-AMPSO),通过使用自适应变异的粒子群优化算法(AMPSO)初始化模型参数,解决了并行DCNN算法收敛速度慢和容易陷入局部最优的问题;最后,提出了基于节点性能的动态负载均衡策略(DLBNP),通过均衡集群中各节点负载,解决了集群并行效率低的问题。实验表明,当选取8个计算节点处理CompCars数据集时,PDCNN-SAMPSO较Dis-CNN、DS-DCNN、CLR-Distributed-CNN、RS-DCNN的运行时间分别降低了22%、30%、37%和27%,加速比分别高出了1.707、1.424、1.859、0.922,top-1准确率分别高出了4.01%、4.89%、2.42%、5.94%,表明PDCNN-AMPSO在大数据环境下具有良好的分类性能,适用于大数据环境下DCNN模型的并行训练。