基于局部需求的稀有资源主动复制与搜索机制

非结构P2P 网络中,已有的搜索协议对流行资源的搜索是有效的,但对于稀有资源的搜索是低效的.提高稀有资源的副本率,是解决其搜索低效性的根本方法.由于稀有资源在网络中的副本较少,其查询的点击率较低,因此,已存在的基于成功查询的被动副本复制策略不适合稀有资源副本流行度的提高.针对该问题,提出了一种稀有资源的主动复制与搜索策略,由拥有稀有资源的节点主动发起对稀有资源需求信息与需求节点的搜索,在搜索过程中,有效获取局部需求信息,将稀有资源主动复制到有需求的区域内及节点上,从而实现稀有资源的按需复制,有效提高其流行度和点击率.基于局部需求信息,提供3 种不同的按需复制策略,并给出了一种稀有资源搜索算法.实验结果表明:这种稀有资源的主动搜索复制策略能够以较低的复制消耗和网络开销,有效地提高稀有资源的副本率,进而提高稀有资源的点击率.     

不同年代水稻品种穗部性状比较研究

以辽宁省20世纪70年代以来历次更替的有代表性的4个水稻主栽品种和新育成的2个水稻超高产品种为试材 ,研究各品种穗部性状的变化趋势。结果表明 :随着品种更替 ,一次枝梗数、一次枝梗颖花数、二次枝梗数和二次枝梗颖花数等穗部性状均呈增加趋势 ;超高产品种在各个性状上都有所改进 ,并且结实率较高 ,使得其每穗实粒数显著高于其他品种 ,说明各穗部性状的均衡增加是超高产的有效途径     

淮麦26特征特性及高产栽培技术

淮麦26属半冬性中熟小麦品种,由江苏徐淮地区淮阴农业科学研究所以淮麦18与百农9627杂交育成,2009年通过江苏省农作物品种审定委员会审定。2013年引进示范种植120 hm2,平均产量8 275 kg/hm2,超高产可达9 000 kg/hm2以上,平均产量较主推品种淮麦20增产6.9%。该品种田间表现分蘖力较强、抗寒性好、茎秆弹性好、抗倒伏等特点,后期生长清秀,高产稳产性好,     

中国猪育种的新范例—苏太猪

1　前言育种的范围很广 ,从日常的选种选配、杂交利用、直到培育新的种群 (品系、品种 ) ,都是育种工作。本文主要论述狭义的育种工作 ,即培育新的种群。建国以来 ,国内在猪育种方面做过大量工作 ,五六十年代曾经“遍地开花”培育新品种 ,育成了哈白猪、上海白猪、新淮猪、汉中白猪、温州白猪等一批新品种。这些新品种的共同特点是大多以苏联大白猪为改良原种 ,以改良我国地方品种为目的 ,旨在增多优良种母猪数量 ;育种方法大多是外来品种与地方品种级进杂交两代 (新淮猪例外 ) ,然后横交固定。70年代开始培育瘦肉型猪 ,育成了以三江白猪和…     

不均衡数据集上文本分类的特征选择研究

文本自动分类是信息检索与数据挖掘领域的研究热点与核心技术.文本分类中数据集的不均衡问题是一个在实际应用中普遍存在的问题.如何在不影响整体分类性能的基础上,提高稀有类别的分类效果是解决不均衡数据集问题的基本要求.从特征选择的角度出发,提出选择具有较强类别信息的词条是提高稀有类别分类性能的关键.一般而言,具有较强类别信息的词条不是高频词,甚至有倾向于稀有词的趋势.提出了解决不均衡数据集问题的一个途径--构造形如DFICF的特征选择方法.在Reuters语料上进行实验,实验结果表明该特征选择方法的效果比IG,DF都要好,特别是在微平均指标上.从而表明该方法对稀有类别的分类效果有明显的改进.     

基于深度信念网络的湖羊维持行为识别

为提升湖羊的福利化养殖水平和推动动物福利事业健康发展,提出了基于深度信念网络(Deep Belief Network, DBN) 的湖羊维持行为识别方法。挑选6只湖羊佩戴装有姿态传感器的颈环,经数据采集和整理,构建了包括58680个样本的湖羊维持行为数据集,记录了湖羊卧息、采食、饮水、反刍4种维持行为,结合错误率和重构误差两项评价指标,构建了逐层贪婪二次划分算法的DBN识别模型,经训练后,在测试集上与传统的BP神经网络(BPNN)、随机森林(RF)、支持向量机(SVM)模型 进行对比分析?同时对湖羊进行分组识别对比分析,结果表明:本文方法明显优于其他三种方法,4种维持行为的平均识别精度和灵敏度分别为0.9916和0.9915,验证了该方法在湖羊维持行为识别上的有效性。本研究结果可为湖羊的福利化养殖、 行为学研究、异常行为识别及疾病预警提供技术支持     

一种改进的文本特征选择方法的研究与设计

分析了特征选择采用互信息方法时文本分类性能较低的原因,认为与其在特征选择时倾向于选择稀有特征这一缺陷有很大关系。在此基础上,提出了一种基于分散度和平均频度的互信息特征选择方法。实验结果表明,改进后的互信息方法使文本分类性能有明显提高。     

稀有类分类问题探讨

分类是数据挖掘中的重要任务之一,稀有类分类问题是分类中的一个重要分支,可以描述为从一个分布极不平衡的数据集中标识出那些具有显著意义却很少发生的实例,在现实生活中的很多领域都有广泛的应用.详细地介绍了稀有类分类的问题,探讨了稀有类分类的一些特征、影响稀有类分类的一些因素和对稀有类分类进行评估的标准,介绍了当前分类稀有类的主要方法:基于数据集的方法和基于算法的方法.介绍了当前几种流行的稀有类分类算法.     

稀有类分类算法的研究

稀有类的分类问题在商业、金融、电信、科学研究等诸多的领域都有着广泛的应用,但是由于其难区分性、多态性、稀有性等主要的特征,使其传统的分类方法对于稀有类的分类来说,并没有良好的效果。因此对于稀有类分类问题的研究是具有理论及其实践意义的。将稀有类的现有分类算法分别进行了阐述,而且引入了专用于稀有类分类算法的评估标准。     

一种的表格框架生成算法及其实现

针对浙江省低丘红壤农区的生态环境，研究提出饲草周年轮供模式为：适于种植粮食作物为主地区的是绿肥－秸秆－野草型；适于新垦荒地和幼龄果园套种的是种草型。于浙江红壤农区较佳的舍养种为湖羊。并研究论述了湖羊高繁殖的调控因子和多羔短期育肥技术要点；指明红壤农区舍养湖羊的综合效应及发展前景。     

基于类别不平衡数据集的图像实例分割方法

随着深度学习在计算机视觉领域取得重大进展,包含多种类别的数据集不断被提出,但由于自然采集的数据集往往存在类别不平衡并呈现长尾分布的情况,导致稀有类的数据特征被频繁类的数据特征所抑制,从而严重影响模型的检测性能。为解决上述问题,提出一种新的图像实例分割方法。采用长尾实例分割数据集进行研究实验,使用基于目标尺度的数据增广方法对数据集进行处理,以达到扩充训练样本的目的,增加稀有类的目标数量,同时对稀有类数据进行重采样,解决稀有类的类别数据量过小的问题,提升模型在长尾数据集的鲁棒性。在此基础上,将均等化损失函数融入Mask R-CNN实例分割网络,以降低频繁类的数据特征对稀有类数据特征的抑制性。实验结果表明,该方法在LVIS实例分割数据集上的检测精度提升了4.9%,达到了25.7%,同时AP_r、AP_c、AP_f分别达到了16.2%、26.1%、30.4%,相比Baseline方法均有明显提升,在消融实验上的结果也表明该方法能有效解决长尾类问题。     

基于簇间分离性的稀有类识别算法

稀有类挖掘是数据挖掘的一个重要研究领域,具有广泛的应用背景.文中针对传统稀有类识别算法存在的缺陷,提出一种基于密度差异与簇间分离性判据相结合的稀有类识别算法(RDACS).该算法以特征权重相似度作为稀有类簇与周围数据样本间分离性的判据,并辅以积极学习的方法实现稀有类识别.在UCI公共数据集和KDD99数据集上的实验表明,与现有的同类算法相比,RDACS在询问次数指标上有较明显优势,能提高效率并减少人为误差,是现有稀有类识别方法的一种补充算法.     

皖南花猪的品系繁育

皖南花猪是安徽省优良地方猪种之一,群体较大,纯种母猪达2.3万头。该猪种遗传纯度高,并具有耐青粗、性温顺、繁殖力高、肉质好、适宜腌制火腿等特点。由于皖南山区特定的自然条件,长期近亲繁殖,形成了若干个封闭的各具特点的近交群体,特别是外形特征、繁殖性能和生长肥育性能均表现有不同程度的差异,这就为皖南花猪的品系繁育提供了良好的素材。70年代后期皖南花猪育种协作组便着手开展品系繁育和品种资源的选育与利用。经过多年选育,基本上形成了皖南花猪两个品系的一套繁育体系,促进了皖南山区养猪“三化”的开展。     

集成异种分类器分类稀有类

稀有类识别问题在现实生活的很多方面都有广泛应用.由于数据的高度倾斜,很多传统分类算法在稀有类上效果不佳.使用一种新的集成方法,称为EDKC(ensemble of different kind of classifiers)用来分类稀有类. EDKC集成不同的分类器形成组合分类器,并且通过加权投票表决对未知样本进行分类.在UCI机器学习数据库的多个稀有类数据集上的实验结果表明,EDKC对稀有类分类不仅具有较高的F-度量值,能达到目标类召回率和精度的平衡,而且能够取得很高的分类准确率.     

辽宁畜禽品种简史略考

辽宁省畜牧业有悠久历史,引入外来畜禽品种历史亦较悠久。本文根据在辽宁一些有关出土文物和发掘的畜禽骨头、畜俑等,并参阅了大量历史文献,论证了辽宁马、驴、骡、牛、羊、鸡、鸭和鹅等畜禽品种简史。搞清了一些主要畜禽品种沿革过程。对进一步研究辽宁畜禽品种形成历史有参考价值。     

不同年代水稻品种齐穗后叶片保护酶活性及膜脂过氧化作用比较分析

以辽宁省20世纪70年代以来有代表性的4个水稻主栽品种和新育成的水稻超高产品种为试材，比较分析齐穗后叶片中保护酶活性的变化，结果表明：随品种更替叶片超氧化物歧化酶(SOD)、过氧化物酶(POD)活性增加，膜脂过氧化产物MDA含量减少，这种趋势在倒3叶上尤为突出。表明超高产品种清除活性氧的能力增强，尤其是下位功能叶片，且在籽粒灌浆的中后期更为显。     

兵器谱

在江湖中总有那么一种人,他们的武功稀松平常,但是由于立场中立、博览群书,成为了各路江湖人士都不会去招惹的中立稀有精英怪。虽然这次3·15被壮哉我大温侯玩脱了,但是晓生还是希望能努力成长为这样的精英怪,为大家奉献最前线的兵器谱第一手资讯!     

串联重复序列比对的位置筛选方法

串联重复序列是基因组构建的困难片段,由于其重复单元之间的相似性与其拷贝数的不确定性,在序列比对时容易定位到多个候选位置,如何快速而准确地筛选出正确的比对位置是一项挑战。现有方法使用种子（从测序片段中选取的短序列）来定位并扩展候选比对位置,但挑选种子时未考虑串联重复序列特性。因此,提出了一种串联重复序列比对的位置筛选方法,其通过计算稀有kmer（长度为k的子序列）序列的相似性来筛选比对结果。此外,采用合并稀有kmer的策略加速计算,并利用基于编辑距离的模糊查找以提高过滤信息密度。实验结果表明,在模拟数据集上提高比对结果的召回率与准确率的同时,该方法比现有方法快约2倍,且具有良好的并行加速性能。     

利用基本显露模式两阶段分类稀有类

分类稀有类在现实生活中的很多领域都有广泛的应用。文中给出一种分类框架,将两阶段思想与基于eEP的分类方法结合起来对稀有类分类。在UCI机器学习库的几个稀有类数据集上的实验表明:文中的算法不仅能够取得很好的分类准确率,而且在分类稀有类时可以达到较高的召回率和精确率。可以将本算法应用于现实生活的领域中进行稀有数据的分类。     

一种高效的稀有天体光谱检索方法

随着国内外光谱巡天计划的发展,人们已经获得了海量的光谱数据。如何利用机器学习方法对海量光谱数据进行系统地分析和处理,是天文学研究中一项非常重要的研究内容。本文提出了一种能够在天体光谱数据库中高效地进行稀有光谱检索的PU学习(PU Learning)方法。在给定少量的稀有天体光谱的条件下,如何在庞大的光谱数据库中系统地搜索与给定稀有光谱同类型的光谱是天文数据挖掘中的一个常见的问题。现有的大多数方法都是基于二分类来解决此类问题,但是当给定的稀有光谱样本数目非常有限时,利用二分类来解决此类问题往往会导致搜索结果的完备性比较差。事实上,基于排序的方法更加适合于解决此类问题。在调研了许多可以用于稀有天体光谱检索的方法后,我们建立了一种新的非常高效的稀有光谱检索方法,称作BaggingTopPush。BaggingTopPush方法主要使用了二部排序(Bipartite Ranking)和引导聚合(Bagging)技术。