棉花杂交种标杂A_1主要农艺措施最优组合模型研究

采用多元二次正交旋转回归设计 ,研究了密度、N肥用量 (包括P、K肥 )、化控 (DPC用量 )、整枝 (留叶枝的二级果枝数 )对标杂A1 产量的综合效应。结果表明 ,欲使标杂A1 获得高产 ,应以适当降低密度 ,增加施肥量 ,力争提高铃数为主攻方向。经皮棉产量≥ 2 1 0 0kg/hm2决策因素频率分析 ,置信区 95 %的农艺决策措施为 :密度 2 .1 5 1～ 2 .3475万株 /hm2 ;每公顷施纯N 441～ 463.0 5kg(P2 O52 4 5 .4～ 2 67.45kg ,K2 O 2 4 5 .4～ 2 67.45kg) ,用DPC 5 7.45～68.5 5g ,留二级果枝 1 2 .5 5～ 1 3.9个

标杂A_1杂交棉生育进程及结铃性的研究

标杂 A1的杂交优势强、产量高首先表现在生育进程快 ,6月 1 0日至 7月 2 0日 ,其株高、果枝和果节的生长量 ,相当于生长总量的 70 %以上 ;特别是标杂 A1的蕾期短 ,平均 2 3天 ,开花较集中 ,为实现早熟奠定了坚实基础 ;标杂 A1营养枝长势强 ,一般单株有营养枝 3～ 4个 ,因而在同等时间内单株果枝、果节的增长量高出常规棉的 2～ 3倍 ,而且二级果枝的铃不晚熟 ,单铃重和单铃经济系数与主茎果枝铃相当 ,表明营养枝成铃是标杂 A1产量的重要组成部分 ,而主茎成铃仍然是构成产量的主体。

邻域粗糙集与GWO-SVM联合应用下的变压器故障诊断方法研究

文章根据域名生成算法(DGA)研究变压器故障数据和变压器故障类型之间的必然联系,将诊断模型优化和故障数据处理相互结合,全面提高变压器故障诊断的准确率。并通过研发变压器故障诊断系统,将两者进行整合,实施检测变压器运行过程,构建领域粗糙集约简模型,研究变压器故障数据比值与故障之间的关系,将比值数据作为故障诊断样本,及时发现变压器故障问题,采取合理解决方案,将变压器故障出现问题控制在合理范围。

棉花制种技术

介绍了棉花制种技术,主要包括培育壮苗、构建合理群体结构、加强田间管理、病虫害防治及晾晒加工等内容,以期为棉花制种提供参考。

“机器学习+大数据”技术支持下的电气设备故障预警研究

随着科学技术的不断发展,机器学习、大数据、智能化等技术逐渐成熟,并开始在各行各业发挥出重要作用。在电气工程领域,电气设备故障十分常见,一旦出现此类故障,将会对企业的正常运行与发展造成严重影响。基于此,开展“机器学习+大数据”技术支持下的电气设备故障预警研究。结合相关科学理论知识,从尺度不变特征变换(Scale Invariant Feature Transform,SIFT)算法、特征提取两方面对“机器学习+大数据”技术支持下的电气设备故障预警策略进行了深入研究与分析,希望能够为现代电气设备故障预警工作提供一定理论支持。

基于改进CNN的红外与可见光图像融合方法

针对现有融合方法在融合红外和可见光图像时,存在融合后图像清晰度不足、无法为图像检测提供有利条件的问题,引入改进卷积神经网络(Convolutional Neural Networks,CNN),开展红外与可见光图像融合方法设计研究。首先,构建并行多特征提取网络,完成全局结构特征匹配与映射。其次,提取红外与可见光图像特征,并完成归一化处理。最后,利用改进CNN合理分配融合权重,生成融合图像。实验结果表明,新的融合方法可以实现对红外与可见光图像的高精度融合,融合后图像的清晰度能够充分满足图像检索要求。