【目的】对中国土栖性白蚁地理分布进行准确区划将对我国土栖性白蚁危害的精准防治具有重要指导价值。本研究旨在通过利用数学模型,结合影响土栖性白蚁分布的环境因子,探析中国土栖性白蚁地理分布区划。【方法】遴选影响白蚁分布的温度...【目的】对中国土栖性白蚁地理分布进行准确区划将对我国土栖性白蚁危害的精准防治具有重要指导价值。本研究旨在通过利用数学模型,结合影响土栖性白蚁分布的环境因子,探析中国土栖性白蚁地理分布区划。【方法】遴选影响白蚁分布的温度、降水量、湿度、土壤pH值等环境因子,利用迭代局部搜索算法(iterative local search, ILS)创建中国土栖性白蚁区划模型。【结果】ILS区划模型分区结果与实际的土栖性白蚁分布较为符合,将我国土栖性白蚁密度依次从南至北分为高密度区(D3)、中密度区(D2)和低密度区(D1)。D3最北分界线,东起江苏南京,经安徽芜湖、湖北麻城和沙市、贵州凤岗、四川宜宾,西至云南香格里拉。其北界线基本上沿长江中下游。D2最北分界线,东起江苏盐城,经安徽阜阳、河南驻马店、陕西商州、甘肃成县,西至四川廉定。其北界线东部大致沿淮河形成最后端凸起的曲线。D1最北分界线,东起山东东营,经河北邯郸、山西长治、甘肃华亭和合作、青海玉树,西至西藏日喀则,其北界线基本上沿黄河下游北上,形成一条中间凸起的曲线。【结论】我国土栖性白蚁地理分布已跨过黄河,总体密度呈南多北少和东多西少的特点,从南到北大体以长江、淮河、黄河等自然地理分界划分为高、中、低3个密度区。展开更多
针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特...针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。展开更多
文摘【目的】对中国土栖性白蚁地理分布进行准确区划将对我国土栖性白蚁危害的精准防治具有重要指导价值。本研究旨在通过利用数学模型,结合影响土栖性白蚁分布的环境因子,探析中国土栖性白蚁地理分布区划。【方法】遴选影响白蚁分布的温度、降水量、湿度、土壤pH值等环境因子,利用迭代局部搜索算法(iterative local search, ILS)创建中国土栖性白蚁区划模型。【结果】ILS区划模型分区结果与实际的土栖性白蚁分布较为符合,将我国土栖性白蚁密度依次从南至北分为高密度区(D3)、中密度区(D2)和低密度区(D1)。D3最北分界线,东起江苏南京,经安徽芜湖、湖北麻城和沙市、贵州凤岗、四川宜宾,西至云南香格里拉。其北界线基本上沿长江中下游。D2最北分界线,东起江苏盐城,经安徽阜阳、河南驻马店、陕西商州、甘肃成县,西至四川廉定。其北界线东部大致沿淮河形成最后端凸起的曲线。D1最北分界线,东起山东东营,经河北邯郸、山西长治、甘肃华亭和合作、青海玉树,西至西藏日喀则,其北界线基本上沿黄河下游北上,形成一条中间凸起的曲线。【结论】我国土栖性白蚁地理分布已跨过黄河,总体密度呈南多北少和东多西少的特点,从南到北大体以长江、淮河、黄河等自然地理分界划分为高、中、低3个密度区。
文摘针对通过伪造他人手写签名所带来的隐私安全问题,提出一种融合注意力机制和孪生网络的离线手写签名鉴别算法。首先,通过融合孪生网络与CBAM(Convolutional Block Attention Module)提取手写签名特征;然后,利用全局平均池化层直接实现特征图的降维,并防止网络过拟合;最后,采取一种自动确定阈值的方法来确定真伪手写签名鉴别时的最佳阈值。以SigNet为基础作出以上改进,并以CEDAR(the Center of Excellence for Document Analysisand Recognition)、Bangla和Hindi这3个手写签名数据集为例,对所提算法的准确率和泛化性能进行了实验验证。实验结果表明,与改进前算法SigNet相比,所提算法在数据集CEDAR上维持了100%的准确率,并在数据集Hindi和Bangla的鉴别准确率上分别提高了1.68个百分点和6.73个百分点,验证了所提算法的有效性。
