考虑溯源系统应用的优质农产品双渠道供应链决策研究

优质农产品溯源系统的引入,既能提升有效供给、缩短流通时间,又能降低流通中的数量损耗和价值损失,由此带来了双渠道供应链系统在投资、销售、定价等方面的系列决策问题。考虑制造商开辟电子渠道、从溯源系统降低流通损耗和提高质量出发,分别构建制造商主导型的双渠道供应链决策模型。通过对比分析应用前后各成员在投资、定价及销售方面的最优策略,得到相关的核心边界值。数值仿真结果表明:核心边界值主要与双重损耗的改善程度及其他参数相关,各成员及系统接受溯源系统的应用成本不同,应用成本对各渠道销量的影响程度亦不相同,但各成员调整定价的应用成本边界值是一致的。     

13.56 MHz/2 MHz柱状感性耦合等离子体参数的对比研究

通过Langmuir双探针和发射光谱诊断方法,对比研究了驱动频率为13.56 MHz和2 MHz柱状感性耦合等离子体中电子密度和电子温度的径向分布规律.结果表明:在高频和低频放电中,输入功率的增加对等离子体参数产生了不同的影响,高频放电中主要提升了电子密度,低频放电中则主要提升了电子温度.固定气压为10 Pa,分别由高频和低频驱动时,电子密度的径向分布均为"凸型".而电子温度的分布差异比较明显,高频驱动时,电子温度在腔室中心较为平坦,在边缘略有上升;低频驱动时,电子温度随径向距离的增加而逐渐下降.为了进一步分析造成这种差异的原因,在相同放电条件下采集了氩等离子体的发射光谱图,利用分支比法计算了亚稳态粒子的数密度,发现电子温度的径向分布始终与亚稳态粒子的径向分布相反.继续升高气压到100 Pa,发现不论高频还是低频放电,电子密度的径向分布均从"凸型"转变为"马鞍形",较低气压时电子密度的均匀性有了一定的提升,但低频的均匀性更好.     

基于荧光光谱技术的菜籽油氧化状态智能评价

菜籽油在加工及贮藏过程中，易受氧气、温度、光照等因素的影响，产生氧化酸败现象。为准确判断油脂氧化程度，实现不同氧化模式下菜籽油品质的快速判别，采用三维同步荧光光谱技术结合平行因子分析法及BP神经网络法建立菜籽油氧化状态的智能评价模型。以冷榨菜籽油为原料，将样品分别置于常温、Schaal烘箱、高温模式中氧化处理，期间采集菜籽油的三维同步荧光光谱数据及理化指标，当理化指标超出国标限定范围时，停止采集数据。结果表明，菜籽油中荧光物质在不同氧化模式中的演变规律呈显著差异，氧化温度对菜籽油荧光光谱有明显影响。常温氧化350 d与第1 d相比，菜籽油的特征荧光峰位置无变化，仅在激发波长Ex为620和660 nm附近荧光峰强度发生微弱变化；Schaal烘箱氧化26 d后，在激发波长Ex为620和660 nm附近荧光峰强度显著减弱，且在激发波长Ex为350～450 nm之间有新的荧光峰生成；高温氧化48 h后，Ex为620和660 nm处荧光峰消失，在Ex为400～550 nm处产生显著荧光峰，相对Schaal烘箱氧化，荧光波长发生一定程度红移，这是由于高温氧化过程中油脂氧化生成的物质稳定性较差引起的。利用平行因子分析法对三维同步荧光光谱数据进行分解获取有效的二维荧光光谱数据，当组分数为6，Δλ=60 nm时激发波长的载荷值最大，不同样品间差异最显著。选定Δλ=60 nm波段的二维荧光光谱数据用于智能评价，作为BP神经网络模型的输入值，以极性组分作为模型输出值，分别对菜籽油三种氧化模式数据建模训练。实验结果表明，三种氧化模式对应的训练集、验证集、测试集模型相关系数r均能达到0.9以上，其中常温氧化模式中验证集及测试集模型的相关系数r为1，输出值与目标值较接近，模型的预测效果较好；综合三种氧化模式数据建模，对应训练集、验证集、测试集模型的相关系数分别为0.999，0.913和0.988，均方误差均较小，说明该模型能准确判断菜籽油的不同氧化状态。因此，三维同步荧光光谱技术结合平行因子分析法、BP神经网络法建立快速检测模型能实现菜籽油不同氧化状态的判别，为菜籽油的氧化程度的评价提供新方法，同时为其他食用油的品质评价提供参考。     

双棱镜干涉实验教学探讨

双棱镜干涉实验光路调节复杂,需要注意很多细节,如果不提前加以介绍和解释,学生很难真正将细节理解到位,导致异常实验现象层出不穷.教师授课时先从宏观上给出实验原理,引导启发学生进行实验设计,完成实验光路的搭建,再引导学生注意各器件的摆放位置,观察异常位置导致的实验现象,并探索这些现象的来源.最后以图解的方式对各种实验现象予以解释,这样可使学生对实验过程有整体性的把握,能更好地达到课程的预期效果.     

基于级联卷积神经网络的前列腺磁共振图像分类

针对深度学习训练成本高，以及基于磁共振图像的前列腺癌临床诊断需要大量医学常识且极为耗时的问题，本文提出了一种基于级联卷积神经网络（Convolutional Neural Network，CNN）和磁共振图像的前列腺癌（Prostate Cancer，PCa）自动分类诊断方法，该网络以Faster-RCNN作为前网络，对前列腺区域进行提取分割，用于排除前列腺附近组织器官的干扰；以基于ResNet改进的网络结构CNN40_bottleneck作为后网络，用于对前列腺区域病变进行分类.后网络由瓶颈结构串联组成，其中使用批量标准化（Batch Normalization，BN）、全局平均池化（Global Average Pooling，GAP）进行优化.实验结果证明，本文方法对前列腺癌诊断结果较好，而且缩减了训练时间和参数量，有效降低了训练成本.     

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类，从而判断焊接质量的等级，对传统卷积神经网络进行改进，提出一种多尺度压缩激励网络模型（SINet）。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块（SE block）相结合。通过多尺度压缩激励模块（SI module）将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率，并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响，采用深度卷积对抗生成网络（DCGAN）进行数据集的平衡处理，并在该数据集上验证模型的有效性。与传统卷积神经网络相比，该模型具有良好的性能，在测试集上准确率达到96.77%，同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。     

基于多尺度学习与深度卷积神经网络的遥感图像土地利用分类

土地利用信息是国土资源管理的基础和重要依据，随着高分辨率遥感图像数据的日益增多，迫切需要快速准确的土地利用分类方法。目前应用较广的面向对象的分类方法对空间特征的利用尚不够充分，在特征选择上存在一定的局限性。为此，提出一种基于多尺度学习与深度卷积神经网络（deep convolutional neural network，DCNN）的多尺度神经网络（multi-scale neural network，MSNet）模型，基于残差网络构建了100层编码网络，通过并行输入实现输入图像的多尺度学习，利用膨胀卷积实现特征图像的多尺度学习，设计了一种端到端的分类网络。以浙江省0.5 m分辨率的光学航空遥感图像为数据源进行了实验，总体分类精度达91.97%，并将其与传统全卷积网络（fully convolutional networks，FCN）方法和基于支持向量机（support vector machine，SVM）的面向对象方法进行了对比，结果表明，本文所提方法分类精度更高，分类结果整体性更强。     

2,2-双(4-氯-2-氟苄基)丙二酸二乙酯的晶体结构和密度泛函理论研究

标题化合物是一个重要的精细化工中间体,可用于制备嘧啶类、吡唑类等产品。本文利用红外光谱(IR)、质谱(MS)、核磁共振氢谱(¹H NMR)、核磁共振碳谱(¹³C NMR)和X-射线单晶衍射对此化合物进行了表征,并在B3LYP/6-311G(d, p)模式下使用密度泛函理论(DFT)计算了此化合物的最稳定晶体结构以及最高占有分子轨道(HOMO)和最低占有分子轨道(LUMO)能量。结果表明,通过DFT优化的分子结构与X-射线单晶衍射确定的晶体结构基本一致,该化合物属于单斜方P2(1)/n空间群,晶胞参数为:a=1.563 9(10) nm, b=0.778 6(4) nm, c=1.838 2(10) nm,Z=4, ρ_c＝1.345 g·cm^-3,R=0.047 7,R_w=0.138 7。     

Prediction of Concrete Meso-Model Stress-Strain Curves Based on GoogLeNet北大核心CSCD

非均质复合材料的宏观力学性能往往取决于细观组分的分布方式和力学性能，但是建立明确的关系表达式极其困难。为了应对这一挑战，以混凝土为研究对象，提出了一种基于深度学习的策略，能够高效、准确地通过细观模型图像信息获取应力-应变曲线。首先，使用基于卷积神经网络（convolutional neural network，CNN）的GoogLeNet模型进行图像信息识别和提取，并针对应力-应变曲线的复杂性特点，进行了数据预处理操作，并且设计了相应的多任务损失函数。数据集中的细观模型图像采用基于Monte-Carlo的随机骨料模型生成，并且使用数值模拟试验获取对应细观模型的单轴压缩应力-应变曲线。最后，通过对神经网络的训练和测试评估了所提出方法的可行性。结果表明，GoogLeNet模型训练效率和预测精度均优于AlexNet和ResNet模型，具有良好的泛化能力和鲁棒性。