仓储粮食中害虫活动声功率谱特征研究

通过建立粮食中害虫活动声的无规声源模型,对赤拟谷盗(Tribolium castaneum Herbst)成虫分别在小麦、大豆和玉米中的爬行声以及赤拟谷盗成虫、黑菌虫(Alphitobius diaperinus Panzer)成虫和米象(Sitophilus oryzae Linnaeus)成虫分别在小麦中的爬行声进行采集.研究了爬行声信号的功率谱特征.结果表明,害虫在粮食中的爬行声功率谱为离散谱,其特征不仅受害虫种类影响,而且与粮食种类有关.     

几种中药材提取物对中药材仓储害虫的防治作用研究

为了在不引入外缘化学合成物质的条件下减少仓储害虫对中药材的危害,利用几种中药材的乙醇粗提物研究其对常见中药材仓储害虫的防治效果.结果表明,在施用相当于2 g/mL药材浓度的提取物1 mL处理72 h时,苦皮藤提取物对锯谷盗的触杀率、苦楝皮提取物对赤拟谷盗的触杀率均达90%以上;处理48 h,辛夷提取物对锯谷盗、苦楝皮提取物对赤拟谷盗、苦皮藤提取物对赤拟谷盗和药材甲的熏杀率均达80%以上;施药48 h内辛夷和鲜姜提取物对药材甲驱避率、苦皮藤提取物对锯谷盗驱避率都在80%以上.辛夷、黄花蒿、苦楝皮、苦皮藤、鲜姜5种药材的乙醇粗提物对药材甲、锯谷盗、赤拟谷盗3种中药材仓储害虫均表现一定的触杀、熏蒸和驱避作用.     

学习经历对赤拟谷盗幼虫趋向行为的影响

将饥饿0、6、12、24h的赤拟谷盗幼虫分别感受全麦粉气味0、6、12、24h后,再观察其对3种气味源(全麦粉、碎麦、全麦)的趋向行为.研究结果表明,不同饥饿状态下的赤拟谷盗幼虫感受全麦粉气味不同时间后对全麦粉、碎麦、全麦3种气味源趋向行为有显著差异.饥饿0h的赤拟谷盗幼虫对3种气味源的选择系数均随感受全麦粉气味时间的延长而呈下降趋势;饥饿6h的赤拟谷盗幼虫感受全麦粉气味12h后对全麦粉气味源的选择系数最高达到78.3%;饥饿12h的赤拟谷盗幼虫感受全麦粉气味不同时间后对全麦粉的选择系数差异不显著;饥饿24h的赤拟谷盗幼虫感受全麦粉气味24h后对全麦粉气味源的选择系数最高达到70.0%.本研究结果为深入理解害虫对储粮环境的生态适应性、有效实施行为调控防治储粮害虫提供了科学信息.     

赤拟谷盗气味结合蛋白研究进展

赤拟谷盗是一种世界性的储粮害虫,在粮食储藏过程中,给人类造成了严重的经济损失.目前防治赤拟谷盗的方法多种多样,包括使用化学保护剂、通过气调熏蒸、控制温湿度、机械防治及行为调控等,其中行为调控是防治赤拟谷盗的一种重要手段.行为调控防治手段主要依赖调控赤拟谷盗嗅觉系统对其觅食、防御、交配、繁殖、信息交流等行为产生影响,以此...     

丁香酚对赤拟谷盗的生物活性

采用点滴法、熏蒸法等生物测定的常规方法测定了丁香酚(Syzygium aromaticum)对世界性仓贮害虫赤拟谷盗(Tribolium castaneum (Herbst))的生物活性作用.结果表明,丁香酚能抑制赤拟谷盗的生长发育,不同发育时期的赤拟谷盗卵对丁香酚的敏感程度不同;在(31±1) ℃,相对湿度为50%～85%的环境条件下,发育72 h左右的赤拟谷盗卵对丁香酚最敏感,6 μL/mL丁香酚即能完全抑制卵的孵化;丁香酚对赤拟谷盗的幼虫和成虫均有显著的触杀作用,其对幼虫和成虫的致死中浓度(LC50)分别为218.999 9 μL/mL和363.077 4 μL/mL,表明幼虫对丁香酚比成虫对丁香酚更敏感;丁香酚对赤拟谷盗成虫具有明显的驱避作用,对幼虫和成虫也有一定的熏蒸致死作用,用2 μL/mL丁香酚处理赤拟谷盗成虫3 h,对赤拟谷盗成虫的驱避率可达到93.3%,即可达到最高驱避级别V级.     

不同低温驯化处理对重要储粮害虫过冷却点和冰点的影响

研究了在不同低温(0和5℃)条件下、驯化处理不同时间(1、5、10、15和20h)对重要储粮害虫赤拟谷盗Tribolium castaneum Herbst、锈赤扁谷盗Cryptolest ferrugineus(Stephens)、锯谷盗Oryzaephilus surinamensis(Linnaeus)、烟草甲Lasioderm aserricorne(Fabricius)、谷蠹Rhyzopertha dominica(Fbricius)和玉米象Sitophilus zeamais Motschulsky成虫的过冷却点与冰点的影响.研究结果表明,在所试低温处理时间范围内,不同低温短期驯化处理对玉米象、赤拟谷盗、锈赤扁谷盗、烟草甲、谷蠹、锯谷盗成虫的过冷却点与冰点无显著影响.     

丁香毒杀赤拟谷盗卵的胚胎学研究

赤拟谷盗是世界性仓库害虫。本研究采用环境扫描电镜研究了不同胚胎发育期卵的表面结构及胚胎发育过程,特别是研究了丁香及其化学成分对赤拟谷盗卵的毒杀作用。研究表明赤拟谷盗卵呈椭圆形,表面光滑;发育60 h时,卵的一端已经明显出现分化;发育76 h时,已经可以见到头部发育完整的幼虫;至92 h时,卵已经开始孵化。丁香处理的赤拟谷盗卵,部分卵能发育为幼虫,但幼虫均不能正常孵化而死亡。其中,发育12 h后用丁香处理的赤拟谷盗卵不能发育为幼虫而干瘪死亡,发育36 h后用丁香处理的卵虽能部分发育为幼虫,但幼虫全部在卵壳内死亡,发育84 h后用丁香处理的卵,部分幼虫在孵化时死亡。目前主要用化学防护剂和熏蒸剂防治储藏害虫,用植物源的丁香控制赤拟谷盗具有较大的应用价值。     

影响碎麦对储粮害虫引诱效果的因素研究

通过模拟实仓实验研究了10种小麦、3种粉碎粒度(1.5、2.0和2.5 mm)及4种使用量(200、400、600和800 mg)对4种储粮害虫引诱效果的影响.储粮害虫主要有玉米象(Sitophilus zeamais)、锯谷盗(Oryzaephilus surinamensis)、锈赤扁谷盗(Cryptolestes ferrugineus)和赤拟谷盗(Tribolium castaneum).结果表明小麦的品种、粒度和使用量对诱虫效果均有不同程度的影响.     

赤拟谷盗与锯谷盗不同虫态间竞争作用研究

采用混合饲养法详细研究了赤拟谷盗与锯谷盗不同虫态间的竞争作用.研究结果表明,赤拟谷盗雌性、雄性成虫的存在对锯谷盗的卵孵化、幼虫化蛹及蛹羽化为成虫的过程均有显著的抑制作用,且相同数量的雌、雄成虫的作用大致相同,另其抑制作用随成虫数量的增多而增强,但赤拟谷盗幼虫对锯谷盗卵孵化及蛹羽化为成虫的过程均无显著影响,面粉的加入量仅在锯谷盗幼虫化蛹的过程中影响显著.锯谷盗雌性、雄性成虫以及幼虫的存在对赤拟谷盗的卵孵化、幼虫化蛹及蛹羽化为成虫的数量影响不大,与对照组比较无显著差异,仅当面粉加入量为0.5g时,锯谷盗成虫、幼虫对赤拟谷盗的卵孵化过程有显著影响.本研究结果表明在相同环境中,赤拟谷盗种群比锯谷盗种群具有更强的竞争优势.     

粮库粮情智能监测系统的设计与实现

开发一套基于物联网的粮库粮情监测系统.采集器多点实时采集仓内温湿度、粮食温湿度及仓内空气混浊度,并将以上参数实时传输到中继器,中继器汇总数据后再通过以太网传输到远程服务器;WEB端监控程序显示所有监测点的实时数据、历史数据及变化趋势.该系统可实现对粮仓存储环境24小时监控,使粮仓管理更加智能、便捷.     

基于联邦迁移学习的应用系统日志异常检测研究

迄今为止，基于日志的异常检测研究已经取得了很多进展，然而，在现实条件下仍旧存在两个挑战：（1） 是日志数据通常以“数据孤岛”形式储存在不同的服务器上，单一公司或组织的日志数据中异常样本量不足，且异常模式较为固定，很难通过这些数据训练出一个准确率高的检测模型. 为了解决这个问题，将不同来源的日志数据整合成更大的数据集可以提高模型训练的效果但可能会在数据传输过程中产生日志数据泄露问题；（2） 是不同应用系统类型的日志数据通常在结构和语法上存在差异，简单地整合并用于训练模型效果不佳. 基于以上原因，本文提出一种基于联邦迁移学习的日志异常检测模型训练框架LogFTL，该框架利用基于匹配平均的联邦学习算法，在保证客户端数据隐私安全的前提下于服务器聚合客户端的模型参数形成全局模型，再将全局模型分发给客户端并基于客户端的本地数据进行迁移学习，优化客户端本地模型针对自身常见异常行为的检测能力. 经过实验表明，本文提出的LogFTL框架在联邦学习场景下效果超过了传统的日志异常检测方法，同时也证明了该框架中迁移学习的效果.     

基于深度学习SCNet的钢筋混凝土锈蚀裂缝识别

为提高钢筋混凝土锈蚀裂缝检测分类的效率和精度，提出了一种基于深度学习卷 积神经网络（Convolutional Neural Network，CNN）的钢筋混凝土锈蚀裂缝识别模型 SCNet（Steel Corrosion Net）. 首先通过原始数据采集和数据增强构建了39 000张图片的裂缝数据集，然后利 用 TensorFlow 学习框架和 Python构建神经网络模型并进行训练测试，根据模型的训练精度和 测试精度进行网络结构和网络参数的优化，最终将 SCNet识别模型与两种传统检测方法进行 对比 . 结果表明：文中所建立的 SCNet三分类神经网络模型达到了 96.8%的分类准确率，可以 有效识别分类钢筋混凝土锈蚀裂缝，并且具有较高的准确率和可测性；在图像数据有阴影、扭 曲等噪声干扰的条件下，两种传统检测方法已不能达到理想的分类效果，SCNet模型仍能表现 出相对稳定的分类性能.     

高良姜根茎提取物对锈赤扁谷盗的毒杀作用

采用索氏提取法,以乙醚为有机溶剂制备高良姜根茎提取物,研究其对锈赤扁谷盗成虫的驱避作用、触杀作用、熏蒸作用和种群抑制作用.研究结果表明:高良姜根茎提取物对锈赤扁谷盗成虫的驱避作用较弱,而其触杀、熏蒸和种群抑制作用较强.其对锈赤扁谷盗成虫的触杀作用随处理时间的延长和处理浓度的增加均显著增强,在2μL/cm2的处理浓度下处理72 h后试虫平均校正死亡率达到97.80%.其对锈赤扁谷盗的熏蒸作用效果随着处理浓度的增加而显著增强,在80μL/L的处理浓度下经过2 d的处理后,熏蒸瓶内加小麦的和不加小麦的两种处理平均校正死亡率均达到96%以上.在最高处理浓度(80μL/100 g小麦)下,高良姜根茎提取物对锈赤扁谷盗当代种群平均抑制率和子代种群形成平均抑制率分别达到73.82%和98.64%.     

一种基于BP算法的融合神经网络

针对水电仿真系统水机温度建模中存在非线性动态数学模型问题,提出了一种采用融合神经网络的温度模型·并且为消除应用中神经网络训练速度慢、容易陷入局部极值的影响,采用了可变学习速度的VLBP算法作为更新网络梯度和权值的算法·在该模型的实际应用中,首先设置多个传感器采集温度参数,然后使用采集数据对神经网络进行离线训练,而后使用训练完成的网络对水机温度参数进行实时在线预测·通过现场数据和网络预测数据的对比分析,证明该模型的实际准确率可达96 5%,可以满足实际仿真的要求·     

基于社会网络与事件关联的恐怖事件监测与识别

 恐怖组织的社会网络结构变化与恐怖事件的发生具有一定的关联性。基于此关联,通过监测恐怖组织社会网络的变化,可以实时、有效地识别恐怖事件。将基于社会网络变化检测的恐怖事件监测与识别问题视为分类问题,并通过神经网络模型进行分类研究。以某一时刻是否发生恐怖事件为标准,对恐怖组织社会网络进行分类;通过网络分析技术,得出网络的参数指标,建立混合算法改进的神经网络模型;将网络的参数指标与恐怖事件发生情况分别作为输入和输出,对神经网络进行训练与测试。案例分析和对比结果表明,基于神经网络模型的社会网络变化检测方法具备较好的恐怖事件监测与识别能力;该方法可在一定程度上弥补现有方法正确率不高、通用性不强、检测结果与恐怖事件实际发生的相关性不高等不足。     

基于改进的BP神经网络的大坝蓄水期实时预报模型

蓄水期是大坝安全监测的重点时期.鉴于坝体性态随水位快速升高产生实时变化,蓄水期监测资料平稳性较差等特点,传统的BP神经网络对数据处理本质上属于静态网络,不能满足对实时变动的蓄水期数据样本的准确预测.为了解决这个问题,在传统的BP神经网络模型的基础上,通过在误差计算和模型参数中分别引入遗忘因子,实时更新数据的影响权重,建立了大坝蓄水期资料分析的时变分析模型.最后使用传统的BP神经网络模型和改进的BP神经网络模型进行实例分析,结果表明后者比前者在径向位移的预测上精度提高1mm以上,改进的BP神经网络模型更加适用于大坝蓄水期监测资料分析与预测.     

基于LPWAN和AQI指数预测的空气质量监测系统

针对传统空气质量监测系统抗干扰能力差、稳定性不高以及AQI指数预测精度不足等问题,设计了一种集低功耗广域物联网LPWAN、One-NET云平台和循环神经网络GRU于一体的空气质量监测系统。系统利用LoRa技术采集环境参数,集合云平台技术、SSA-VMD-GRU模型实现远程监控和预测AQI指数。通过通信测试,结果表明通信距离1000米内,通信率在96%以上,丢包率不超过4%。将采集到的特征参数用传统的GRU模型、VMD-GRU模型和本文提出的SSA-VMD-GRU模型进行训练、测试仿真和对比,结果表明SSA-VMD-GRU模型相较于传统的GRU模型和VMD-GRU模型对AQI指数有更好的预测效果,均方根误差RMSE和平均绝对误差MAE均有降低,预测误差率在3%以内。该系统能够实现对空气质量的实时监控和AQI指数的精准预测,为准确发布空气质量预警提供借鉴。     

基于MLP神经网络的优化跌倒检测模型研究与实现

该文以多层感知器（Multilayer Perceptron,MLP）神经网络模型为基础,提出了一种高效快速的跌倒检测多层感知模型（Fall Detection Multilayer Perceptron,FDMLP）。该模型基于公开的姿态数据集进行特征强化和标签分类,得到特征值数据集进行训练;通过学习率范围测试确定初始学习率的上下边界值,设置学习率随迭代数次进行指数衰减优化训练过程采用全整数量化的优化策略,将量化后的模型部署到嵌入式设备的Flash中,实现低功耗、高准确率的边缘计算。实验结果显示该文提出的FDMLP神经网络跌倒检测模型在使用特征数据集时候的准确率达99.99%,优于其他同类模型,且结构简单,适合部署在边缘设备上。     

SQL注入行为实时在线智能检测技术研究

为了解决传统手段在实时高速网络流量环境下SQL注入行为检测准确度和效率之间无法达到较好平衡的问题,提出一种基于深度学习模型的SQL注入行为实时在线检测的方法,构建了以卷积神经网络为基础并引入快速傅里叶变换层的复合检测网络模型SQLNN,并以此模型为基础提出SQL注入行为在线检测与自适应训练框架.该框架对于SQL注入语句的检测正确率达到了99.98%,每秒可完成对一万条左右含有SQL语句的数据包的检测,满足了SQL注入攻击的实时在线检测对检测准确度和效率的要求.     

基于汽车操纵信号的驾驶员疲劳状态检测

将驾驶方向盘运动信息及道路偏移值作为驾驶员疲劳表征信息,通过模拟器的模拟驾驶实验,采集10名驾驶员疲劳表征数据,建立神经网络模型对驾驶员疲劳状态进行检测.基于PVT（Psychomotor Vigilance Task）测试结果及驾驶录像,采集清醒状态与疲劳状态的实验数据,并进行分析;然后对数据进行离散化和归一化,作为神经网络模型的输入.采用BP算法对神经网络模型进行训练,直至满足误差要求.实验结果表明,该方法检测驾驶员疲劳状态的准确率较高,实用性较强.