课程文献中心 更多>>

关键词： CO示踪   KZ滤波   PM   O   -8 h   天山北坡  

摘要： 本研究基于2015—2023年天山北坡区域5个城市的常规大气污染物浓度数据、气象数据及CHAP数据集，应用CO示踪法和KZ（Kolmogorov-Zurbenko）滤波法，分析评估了天山北坡区域PM2.5浓度及其二次组分占比变化趋势以及气象和排放因素对PM2.5和O3-8 h浓度变化趋势的影响.结果表明：天山北坡区域PM2.5年浓度变化呈先增后降趋势，O3-8 h浓度变化呈逐年上升趋势.天山北坡区域PM2.5年均浓度达到峰值的年份要晚于京津冀、长三角、珠三角区域城市，2023年乌鲁木齐市、五家渠市、昌吉市、石河子市和克拉玛依市PM2.5年均浓度值较各自年均浓度峰值分别下降了44.5%、28.3%、21.9%、21.1%和33.2%，年均降幅分别为6.3%、4.1%、3.6%、5.3%和5.5%,2023年乌鲁木齐市、五家渠市、昌吉市、石河子市和克拉玛依市O3-8 h年均浓度相比2015年分别增加了60.7%、37.2%、36.5%、32.5%和10.7%，年均增幅分别为7.5%、4.6%、4.5%、4.1%和1.3%. 2015—2023年天山北坡区域PM2.5二次组分占比范围为31%～57%，二次组分占比随PM2.5污染的加重而升高，当空气质量处于重度以上污染级别时，天山北坡各城市PM2.5中二次组分占比均超过63%，二次转化对天山北坡区域PM2.5污染有重要影响.排放因素对2017—2023年间天山北坡区域PM2.5浓度下降值的贡献率为76.2%～91%，对2015—2023年间O3-8 h增加值的贡献率在51%～78%之间，与PM2.5相比，气象因素对O3-8 h浓度年际变化趋势的影响更大.

关键词： 电商借贷   银行借贷   混合融资   努力效应   订单融资  

摘要： 将电商平台的服务努力和融资服务引入电商供应链中,在单独电商借贷和单独银行借贷以及它们的混合融资模式下,构建了资金约束供应链的各参与主体的收益模型.研究发现:在三种融资模式下,随着消费者对电商平台服务努力的敏感度的增加,供应商的批发价格和利润、电商平台的服务努力水平、产品的零售价格以及系统的利润增加;单独电商借贷和单独银行借贷的选择时,银行的借贷利率的大小是资金约束供应商融资模式选择的关键;单独融资模式和混合融资的选择时,混合融资的比例是供应商选择融资策略的关键;在电商借贷模式下,供应商的初始资金水平和资金机会成本影响供应链中各参与主体的利润分配.对比三种融资模式下供应链系统的绩效,电商平台借贷供应链绩效最高,混合融资次之,银行借贷最低.

关键词： 番茄潜叶蛾   空间分布型   聚集分布   抽样技术  

摘要： 【目的】明确外来入侵害虫番茄潜叶蛾Tuta absoluta的卵及幼虫的空间分布型（温室和露地），建立最适理论和序贯抽样模型，为其田间取样调查提供科学依据，更精准地进行测报与防控。【方法】于2023年在宁夏银川市及石嘴山市的温室大棚及露地番茄种植区进行，采用隔行取样法和5点取样法调查了种植区内番茄潜叶蛾的虫口密度，根据聚集度指标和Iwao回归模型等对数据进行分析，建立了理论抽样模型和序贯抽样模型。【结果】番茄潜叶蛾卵和幼虫在温室及露地的扩散系数、负二项分布K指标、扩散指数、丛生指标、平均拥挤度综合呈现为聚集分布。温室内的番茄潜叶蛾种群聚集均数λ>2，露地的种群聚集均数λ<2。拟合得到番茄潜叶蛾卵和幼虫的线性回归方程m*=4.01+0.46m、m*=2.11+0.93m；露地卵和幼虫分别为m*=2.00+2.75m、m*=7.38+0.48m。【结论】在温室及露地番茄种植区内，番茄潜叶蛾的卵和幼虫均为聚集分布，种群个体间相互吸引。当番茄潜叶蛾在露地及温室内的卵量为2粒/叶时，建议分别取样310和190片；当幼虫量为2头/叶时，建议分别取样350和140片。

关键词： 传染病检测样本转运   无人机   路径优化模型   遗传算法  

摘要： 针对传染病检测样本转运的多物流无人机路径规划问题,在刻画了完整的基于无人机的传染病检测样本转运流程的基础上,建立以总成本最小的无人机路径优化模型.针对所建立的模型,设计基于模糊逻辑控制与邻域搜索的遗传算法进行求解.结果表明无人机任务主要根据需求点距离远近及密集程度进行分配,且每架无人机的配送任务均满足约束限制.进一步开展了参数分析,发现最大电池容量和最小剩余电量限制是影响总成本的重要因素,两者的变化会引起传染病检测样本转运所需无人机数量的变化,并导致总成本的大幅变化.研究成果可为解决传染病检测样本转运问题提供新思路,并为相关物流企业的决策提供理论依据.

关键词： 不平衡图像分类   几何方法   特征缩放   边界样本挖掘   支持向量数据描述  

摘要： 不平衡图像分类是计算机视觉领域的一大挑战。尽管深度学习技术已被广泛应用，但类别不平衡问题仍然显著，导致模型偏向多数类而忽视少数类。传统的数据采样方法易引入噪声或丢失关键信息，限制了模型的泛化能力。研究表明，将几何思想融入深度学习方法中是一种有效且创新的解决方案。几何思想通过优化特征空间结构、改进决策边界和增强数据多样性，显著提升了不平衡图像分类的性能。本文提出了一种新的几何深度学习方法，该方法集成了基于核函数的层次特征缩放技术(KHFS)和相对邻域边界样本挖掘手段(RNBM)。KHFS借鉴了基于核函数的支持向量数据描述(SVDD)，通过层次聚类确定每类的中心点，并计算以中心点为球心的超球体半径，对各类特征向量进行相应缩放，从而增强少数类样本的表示能力。RNBM方法则通过构建相对邻域图来捕捉样本间的邻域关系，从中挖掘出不同类别交界处的边界样本，以约束类内样本的紧凑性和类间样本的分散性。此外，本文也引入了卷积块自注意力机制(CBSA)机制，应用于卷积神经网络(CNN)特征提取模块，旨在关注输入数据中的关键信息。在CIFAR-10、CIFAR-100、CINIC-10三个基准数据集上的大量实验验证了该几何深度学习方法在解决数据不平衡问题方面优于现有模型的显著性能。