常见饲料分类

1、普通饲料。是目前市场上最为多见的饲料产品。国家近年来越来越多地对普通饲料进行了规范，如2002年2月9日农业部、卫生部和国家药监局联合下发了第176号公告，禁止在饲料中使用氯丙嗪等镇静剂，禁止使用碘化酪蛋白及各种抗生素药渣等原料。2002年3月5日农业部又下发了农牧发（2002）1号公告，禁止使用痢特灵和氯毒素等药物，当然更不能使用盐酸克伦特罗等违禁药品。     

1982年～2002年国内部分足球硕士论文分类研究

对1982年～2002年国内部分足球硕士论进行分类研究。从论研究方向、整体结构上，解读近二十年来的足球硕士论的研究重点。以及被忽略的同时又有相当研究价值的研究方向。以期对我国的足球硕士研究论选题提供一定的理论依据。     

一维连通流形的分类（Ⅰ）

连通的一维流形在同胚的意义之下恰可分成７类，它们分别以下列７个空间作为代表：１）紧致区间［０，１］；２）半实轴［０，∞）；３）实数轴Ｒ；４）单位圆周Ｓ１；５）超穷长半直线［０，ω１）；６）单向超穷长直线（－∞，ω１）；７）（双向）超穷长直线（－ω１，ω１）．     

平凉市儿科疾病病种分析

平凉市儿科疾病病种分析玉学（平凉市人民医院儿科７４４０００）儿科疾病的发病规律和病种在全国有其共性。在这个共性的指导下，每个地区内由于地理、气候、食物结构等因素的不同，疾病病种则有其特殊性。因此，经常注意掌握所在地区儿科疾病发病规律及病种，对有效地做...     

省道002线（分水岭—仲宫段）地层划分与岩土工程分类

详细阐述了省道002线分水岭到仲宫段跨越地带地层的时代、岩性,划分了岩、土的工程类别,为道路和桥梁设计、支挡物设置及工程概算提供了依据。     

谈在数学教学中如何加强思想方法的教学

对比分析法、分类概括法、综合分析法和整体结构法是数学中最重要的思想方法，必须在教学实践中认真运用，切实加强。     

基于特征类内紧凑性的不平衡医学图像分类方法

近些年,基于深度学习的算法和模型在各种图像分析任务中都取得了显著的成功,与常见的自然图像相比,医学图像数据集依然面临高度不平衡的问题,不平衡数据会导致特征空间里的决策边缘倾向样本多的类别,导致分类效果的下降.为了解决该问题,提出一种基于卷积神经网络考虑特征类内紧凑性的不平衡医学图像分类方法（Z-Score Compactness-based Convolutional Neural Network,ZC3NC）.首先,从一个卷积神经网络的最后一层卷积层提取训练集样本与测试集样本的特征图,随后引入一个新的Z分数来度量测试集数据的特征图相对训练集每个类在特征空间上的偏离度,偏离度的度量基于类内的紧凑度,其主要关注样本的分布特性,对各类样本数量的不平衡性不敏感.最终,根据计算的偏离度,对测试集的数据进行分类.在DermaMNIST数据集上的实验表明,在不对数据和神经网络模型做任何额外增强的情况下,该方法的平衡准确率比原卷积神经网络模型平均提高11.15%,最多提高14.08%,证明提出的分类方法能有效地提高多种卷积神经网络对不平衡医学图像数据的分类性能.此外,和最先进的不平衡分类方法 Und...     

基于混合团树的贝叶斯网络智能推理算法

提出了一种基于混合团树的智能推理体系架构,利用原始贝叶斯网络中变量之间的依赖关系对连接树进行改造,使得在推理过程中满足以下两个优势：(1)它能直接消除与证据和查询的无关的变量集,使得混合团树得以缩减为更小规模的二级树状结构,进而使消息不必在所有节点中传播;(2)它继承了连接树传播算法中可以重复利用混合团树中预先储存的信息进行加速推理.     

基于双通道残差网络的泥石流沟谷孕灾风险预测

云南作为泥石流受灾最严重的省份之一,每年均会遭受重大损失。为了应对这种突发性灾害,本文基于DCHNNet(dual-channel hybrid neural network)提出了一个基于双通道的改进残差结构的卷积神经网络——双通道残差网络(two-way residual network, TWRNet)。该网络能够广泛应用于泥石流沟谷图像的潜在危险性排查,实现泥石流灾害的预警。TWRNet首先采用切片的方式对数字高程(digital elevation model, DEM)数据和遥感数据分开处理,并使用改进的残差结构进行特征提取;然后将特征进行融合,并使用通道注意力机制SE(squeeze-and-excitation networks)模块进行通道增强;最后给出泥石流沟谷的分类结果。在训练过程中,本文使用了交叉熵和焦点损失构成的联合损失函数。实验结果表明,TWRNet在泥石流沟谷识别方面达到了最高89.28%的识别率和87.50%的召回率,模型性能良好。使用图像学习沟谷特征的方法来进行泥石流孕灾沟谷的识别是可行的。     

量子粒子群优化核极限学习机的遥感影像分类

极限学习机初始参数具有随机性,容易导致其对高分辨率遥感影像的分类结果出现局部最优现象.为了解决上述问题,提出了一种基于量子粒子群优化核极限学习机的遥感影像分类方法.该方法利用量子粒子群算法对核极限学习机的核参数与正则化参数进行优化,根据参数优化后的结果构建量子粒子群优化核极限学习机的遥感影像分类模型（QPSO-KELM）.通过实验对比了SVM、KELM、PSO-KELM、QPSO-KELM这几种分类方法对高分二号遥感影像数据的分类精度与效率.结果表明：QPSO-KELM的分类精度、运行速度均优于其他几种分类方法,该方法能有效提取遥感影像上的地物要素信息.