期刊文献+
共找到4篇文章
< 1 >
每页显示 20 50 100
北京永丰地区绿化带草坪土壤线虫群落特征分析 被引量:11
1
作者 刘奇志 梁林琳 +3 位作者 杨端 边勇 周海鹰 谢德燕 《草业学报》 CSCD 北大核心 2009年第5期136-141,共6页
对北京永丰地区绿化带草坪中枯黄与健康草坪土壤线虫营养类群及其数量进行了比较,以找出线虫与草坪枯黄的关系。结果表明,该地区无论枯黄还是健康草坪表土下0~20cm土壤中的线虫都涉及5目9科12属,其中植物寄生线虫涉及2目4科5属,非... 对北京永丰地区绿化带草坪中枯黄与健康草坪土壤线虫营养类群及其数量进行了比较,以找出线虫与草坪枯黄的关系。结果表明,该地区无论枯黄还是健康草坪表土下0~20cm土壤中的线虫都涉及5目9科12属,其中植物寄生线虫涉及2目4科5属,非植物线虫共涉及3目5科7属;枯黄草坪中植物线虫占绝对优势,为总数的87.89%,是其他营养类群总和(12.05%)的7倍,其中螺旋属、短体属和毛刺属线虫数量近于健康草坪的2倍;WI值显示北京海淀永丰地区绿化带草坪的土壤健康存在潜在危机,枯黄草坪的土壤健康程度很差。 展开更多
关键词 枯黄草坪 线虫营养类群 瓦斯乐斯卡指标(WI值) 土壤健康
在线阅读 下载PDF
枯黄草坪土壤线虫营养类群结构及其调节因素 被引量:4
2
作者 梁林琳 刘奇志 +4 位作者 谢娜 李星月 杨端 边勇 谢德燕 《浙江农业学报》 CSCD 北大核心 2011年第5期948-954,共7页
以北京永丰地区绿化带枯黄草坪为案例,分析了土壤中线虫营养类群结构比例,田间验证了供试调节因子对其结构调整的作用,筛选出了对环境安全友好的有效调节制剂。研究结果显示,枯黄草坪土壤中,有害的植物线虫类群数量占绝对优势,为总线虫... 以北京永丰地区绿化带枯黄草坪为案例,分析了土壤中线虫营养类群结构比例,田间验证了供试调节因子对其结构调整的作用,筛选出了对环境安全友好的有效调节制剂。研究结果显示,枯黄草坪土壤中,有害的植物线虫类群数量占绝对优势,为总线虫数量的88.6%,而有益的非植物线虫类群的数量百分比总和却只有11.4%。土壤修复剂和小杆线虫(Tum ian品系)能有效地调节线虫营养类群结构,二者分别使植物线虫数量百分比降至48.9%和50.5%,使非植物线虫数量百分比增加约4.5倍,土壤的瓦斯乐斯卡指数等于1,健康程度提高10倍。稀释3 000倍和2 000倍的1.8%爱福丁溶液仅能使植物线虫数量百分比降低3.5%,因为它在使植物线虫数量减半的同时也使非植物线虫数量减少约50%。由此认为,植物线虫是导致草坪枯黄的主要类群,土壤修复剂和Tum ian品系的小杆线虫为有效的土壤线虫营养类群结构调节剂。二者能使土壤中有害线虫类群数量降低,有益线虫类群数量上升,土壤健康程度得到一定恢复。 展开更多
关键词 爱福丁 土壤修复剂 小杆线虫Tumian品系 草坪土壤健康 营养类群
在线阅读 下载PDF
二维多样性保持投影及人脸识别 被引量:4
3
作者 侯俊 郝秀娟 +1 位作者 谢德燕 高全学 《西安电子科技大学学报》 EI CAS CSCD 北大核心 2012年第6期34-41,共8页
流形学习有效地保持了数据的局部几何结构,已成为模式识别、机器学习等领域的研究热点.但是它忽略甚至破坏了对模式分析很重要的局部多样性信息,导致局部几何结构描述不够稳定,且性能不是很好.针对此问题,提出了基于图论的多样性保持投... 流形学习有效地保持了数据的局部几何结构,已成为模式识别、机器学习等领域的研究热点.但是它忽略甚至破坏了对模式分析很重要的局部多样性信息,导致局部几何结构描述不够稳定,且性能不是很好.针对此问题,提出了基于图论的多样性保持投影.该方法利用邻接图刻画局部数据之间的变化关系,并给出度量数据多样性大小的差异离散度,然后通过最大化差异离散度提取投影方向.此外,该方法直接从图像矩阵估计差异离散度矩阵,有效地避免了小样本问题.在Yale,UMIST和AR数据库上的实验结果证实了该算法的有效性. 展开更多
关键词 差异邻接图 流形学习 特征提取 人脸识别
在线阅读 下载PDF
基于改进YOLOv8s的自动驾驶多目标跟踪检测研究 被引量:3
4
作者 王轩慧 吴颖 +2 位作者 邵凯扬 谢德燕 董建业 《汽车技术》 CSCD 北大核心 2024年第12期1-7,共7页
针对现有自动驾驶模型对小样本及重叠样本识别精度不高的问题,提出了一种基于改进YOLOv8s的轻量级目标检测模型。使用多尺度特征提取设计了C2f-Faster模块,替换YOLOv8s骨干网络与颈部网络的C2f模块;融合内部交并比(Inner-IoU)与基于最... 针对现有自动驾驶模型对小样本及重叠样本识别精度不高的问题,提出了一种基于改进YOLOv8s的轻量级目标检测模型。使用多尺度特征提取设计了C2f-Faster模块,替换YOLOv8s骨干网络与颈部网络的C2f模块;融合内部交并比(Inner-IoU)与基于最小点距离交并比(MPDIoU)损失函数,提出Inner-MPDIoU损失函数。模型的对比试验、消融试验结果表明:交并比为0.5时模型平均精度(mAP@0.5)提升3.5百分点,准确率达到95.2%,参数量下降25%。通过数据的可视化分析,进一步验证了改进模型对于复杂场景的有效性。 展开更多
关键词 自动驾驶 深度学习 目标检测 YOLOv8s 损失函数
在线阅读 下载PDF
上一页 1 下一页 到第
使用帮助 返回顶部