北京油鸡的生产性能和鸡肉的理化指标测定

通过研究北京油鸡的生产性能和鸡肉的相关理化指标及营养成分,为北京油鸡的引进和规模化饲养提供依据.本实验对鸡肉色泽、pH值、嫩度、粗蛋白、肌内脂肪等指标进行测定分析,结果表明：亮度（L＊）、红度（a＊）、黄度（b＊）值相同性别油鸡腿部比胸部肉色深,GT（公鸡腿部肌肉）比MT（母鸡腿部肌肉）的肉色深,GX（公鸡胸部肌肉）与MX（母鸡胸部肌肉）的肉色相似.同一性别不同部位GT与GX的剪切力差异极显著（p〈0.01）,MT与MX的剪切力差异极显著（p〈0.01）,说明GT＋MT比GX、MX的肉嫩;不同性别相同部位GT与MT的剪切力为差异极显著（p〈0.01）,GX与MX的剪切力为差异极显著（p〈0.01）,说明GT比MT的肉质嫩,1X与MX相同.宰后24h胸肌pH值变化不大,而腿肌pH值显著下降.公鸡、母鸡不同部位的粗蛋白含量依次为GX〉MX〉MT〉GT,且差异显著.公鸡、母鸡不同部位的肌内脂肪含量依次为MT;GT〉MX;IX,且差异显著.本实验结果表明,北京油鸡肉质鲜美,营养成分易被人体吸收,生活力强,遗传性稳定,适宜在新疆进行规模化养殖.

基于深度学习的恶意代码检测技术研究

近年来,恶意代码的爆炸性增长对计算机信息系统造成严重威胁,如何在初始阶段有效检测恶意代码成为了备受关注的话题。传统的恶意代码检测技术往往具有较高的误报率和漏报率,基于机器学习技术的恶意代码检测方法也存在提取特征较少、模型框架单一等问题。本文以大型开源数据集Ember为基础,设计了一种深度前馈神经网络模型。将原始数据集进行预处理,转化为二维特征向量;确定模型参数,纵向构建多层稠密结构网络;测试模型的检测效果,并将该模型与其他机器学习算法进行比较。结果表明,该深度前馈神经网络取得了较好的检测效果,基本满足了恶意代码检测要求。