紫贻贝野生群体与养殖群体线粒体COⅠ基因的遗传比较分析

[目的]比较紫贻贝野生群体与养殖群体线粒体COⅠ基因的遗传多样性,为其种质资源筛选提供理论依据。[方法]采集山东省乳山市野生紫贻贝(Mytilus edulis Linnaeus)和养殖紫贻贝各12个样本;通过设计特异性引物,采用PCR技术对24个个体的mtDNA COⅠ序列进行了扩增,测序得到的序列总碱基数为706 bp;采用MEGA(Version 4.0)和DnaSP(Version 4.0)软件对序列进行了分析。[结果]24条序列中T、C、A和G碱基平均含量分别为34.6%、16.7%、25.9%和22.8%,其中A+T的含量(60.5%)显著高于G+C含量(39.5%),表现了明显的碱基偏倚。24个个体表现为18种单倍型,包括568个多态位点,单倍型间平均遗传距离为0.683,单倍型多态性(h)为0.953,核苷酸多态性(π)值为0.317 69。[结论]紫贻贝的遗传多样性水平较高,且乳山养殖群体和野生群体无遗传分化。

城乡收入差距对我国经济增长的影响——基于消费需求与物质资本视角的实证分析

采用我国1978—2010年的样本数据,利用平稳性检验、协整分析和误差修正模型,从消费需求与物质资本形成视角考察城乡收入差距对经济增长的影响。结果显示:总体上,城乡收入差距与经济增长之间存在长期均衡增长关系,但短期内城乡收入差距对经济增长只存在阻碍作用;消费需求对经济增长有显著的促进作用,城乡收入差距引起的社会边际消费倾向递减,使得该作用减弱;物质资本对经济增长有显著的促进作用,城乡收入差距使得该作用加强,但短期内对物质资本形成没有显著影响。

机采籽棉收购环节含杂率快速检测系统研制

籽棉收购过程中含杂率检测工序繁杂、劳动强度大、效率低,不利于籽棉的快速检测分级,严重影响籽棉收购效率。该研究开发了一种适于收购环节的机采籽棉含杂率快速检测系统。系统由驱动传输单元、压棉单元、传感单元、机器视觉系统、PLC控制系统组成。首先利用大杂清理机清除籽棉中的棉杆和铃壳等大密度杂质(大杂),对去大杂后的籽棉进行称量后送至机器视觉系统,采用RGB双面成像方法获取籽棉样本图像,分析计算图像中的杂质面积,预测去除大杂的籽棉含杂率和小杂质量,最后结合计算的大杂质量预测籽棉样本总含杂率。其中,RGB图像处理中使用同态滤波、主成分分析(Principal Component Analysis,PCA)变换和局部自适应阈值方法提升图像的可分割性;比较了线性回归(Linear Regression,LR)和支持向量机回归(Support Vector Regression,SVR)2种回归模型的准确率,确定较优的回归模型为LR,总含杂率决定系数R^(2)为0.95,均方根误差RMSE为0.58%,最后利用100个籽棉样品对系统性能进行验证,实测值与预测值之间平均绝对误差为0.36个百分点,单个样本含杂率检测程序处理时间为48.38 s。结果表明该系统具有较高的预测准确率和效率。

基于支持向量回归的核桃在线称重系统

为了对核桃重量进行在线检测,采用加速度传感器信号对称重传感器信号动态补偿校准和支持向量回归(SRV)预测方法,设计多传感器信息融合的核桃重量在线测试系统。对400枚核桃分别在速度为0.02,0.03,0.05 m/s条件下进行数据采集,并对采集的数据进行训练和校验,分析得到最优的核桃重量预测模型为基于线性核函数的SVR模型,较佳的测试速度为0.03 m/s。利用200枚核桃样本在0.03m/s的条件下进行实验验证,结果显示系统预测的核桃重量与核桃实际重量线性拟合的r^2为0.85,平均绝对误差为1.67g,表明该系统可以较为准确地实现核桃在线称重。

高光谱成像的机采籽棉杂质分类检测

机采籽棉杂质分类检测为调整棉花清理机械加工参数和工序提供参考依据,对提升皮棉品质具有重要意义。但由于籽棉棉层分布不均匀,使得图像检测难度增大,使用传统的检测方法无法有效检测各类杂质。采用高光谱成像方法对机采籽棉中的棉叶、棉枝、地膜和铃壳(内外)五种杂质进行分类判别检测。首先采集120个机采籽棉样本的高光谱图像,选取感兴趣区域获取平均光谱曲线。发现由于物质构成的差异,不同杂质体现出不同的吸收和反射特性,不同种类物质之间的光谱差异大于同类物质。对提取的平均光谱曲线进行主成分分析(PCA),结果显示棉花、残膜和铃壳外与其他三类相比,有较好的聚集性和可分性,但是棉叶、铃壳内和棉枝三类相互叠加在一起,空间分布存在严重交叉重叠。以提取的平均光谱曲线为训练样本,选择线性判别分析(LDA)、支持向量机(SVM)和神经网络(ANN)三种分类判别算法,对算法参数进行寻优,并建立机采籽棉杂质分类判别模型。其中,经过LDA模型降维后的样本空间较PCA表现出了更好的聚集性和可分性,采用正则化防止过拟合,得到训练集准确率为86.4%,测试集准确率为86.2%;SVM模型的参数寻优结果为C=105,g=0.1,其训练集准确率为83.42%,测试集准确率为83.40%;ANN模型参数寻优得到隐含层数和神经元个数分别为2和17,训练集准确率为82.9%,测试集准确率为81.8%。对三种模型的分类效果和检测用时进行比较,LDA模型结果最优。通过对高光谱图像进行像素等级分类判别,结果显示棉花识别效果较好,植物性杂质都被有效检测,但是地膜和棉花存在误识别,分类效果与杂质光谱的分类判别模型结果一致。因此,采用高光谱成像技术可以快速、无损的检测和识别籽棉杂质,为棉花加工装备提供反馈参数,对棉花加工机械化和智能化有重要意义。

从类人创造到主体性创造——人工智能艺术的创造力边界

近年来,人工智能技术广泛运用于艺术创作领域,然而,有关人工智能创造力的争论却从未停止。以艺术设计领域最新的人工智能独创作品为案例,在分析作品的各要素,探讨人工智能艺术的创造力相关问题后发现,人工智能的主体性创造不是天方夜谭,其对人类创造力的挑战已经形成,社会认知将随着人工智能技术的进一步发展而发生转变。