为了给小麦品质育种、栽培及优质小麦生产提供参考依据,研究了14个优质强筋及中筋小麦品种(系)的18个品质性状在陕西岐山、陕西杨凌、河南新乡三个地点上的表现。结果表明,16个品质性状品种间的差异、7个品质性状的品种×地点互作...为了给小麦品质育种、栽培及优质小麦生产提供参考依据,研究了14个优质强筋及中筋小麦品种(系)的18个品质性状在陕西岐山、陕西杨凌、河南新乡三个地点上的表现。结果表明,16个品质性状品种间的差异、7个品质性状的品种×地点互作差异均达到极显著水平(P<0.01),15个品质性状的地点差异均达到显著或极显著水平(P<0.05或P<0.01)。陕西岐山与杨凌两个点大多数品质性状无显著差异,而灰分、面筋指数、形成时间、稳定时间、评价值、拉伸阻力等6个品质性状在这两个点均显著高于河南新乡点相应的品质性状,陕西岐山、杨凌点的面团形成时间、稳定时间、评价值(8.2 m in、6.9 m in;15.1 m in、14.9 m in;72、68)、拉伸阻力、最大拉伸阻力、拉伸面积(262.0 BU、248.5 BU;487.0 BU、418.1 BU;135.0 cm2、98.8 cm2)等指标较强,而河南新乡点容重(798.3 g/L)、蛋白质含量(14.6%)高,但其面团的形成时间、稳定时间、评价值(4.6m in,9.3 m in、62)、拉伸阻力、最大拉伸阻力、拉伸面积(218.8 BU,373.3 BU、97.3 cm2)等指标较弱。各品种在不同地点间的表现趋势不同,大多数强筋品种在陕西岐山点表现出较好的品质,达到了国家优质强筋小麦标准,而在陕西杨凌、河南新乡点达到该标准的品种较少。展开更多
如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少...如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.展开更多
文摘为了给小麦品质育种、栽培及优质小麦生产提供参考依据,研究了14个优质强筋及中筋小麦品种(系)的18个品质性状在陕西岐山、陕西杨凌、河南新乡三个地点上的表现。结果表明,16个品质性状品种间的差异、7个品质性状的品种×地点互作差异均达到极显著水平(P<0.01),15个品质性状的地点差异均达到显著或极显著水平(P<0.05或P<0.01)。陕西岐山与杨凌两个点大多数品质性状无显著差异,而灰分、面筋指数、形成时间、稳定时间、评价值、拉伸阻力等6个品质性状在这两个点均显著高于河南新乡点相应的品质性状,陕西岐山、杨凌点的面团形成时间、稳定时间、评价值(8.2 m in、6.9 m in;15.1 m in、14.9 m in;72、68)、拉伸阻力、最大拉伸阻力、拉伸面积(262.0 BU、248.5 BU;487.0 BU、418.1 BU;135.0 cm2、98.8 cm2)等指标较强,而河南新乡点容重(798.3 g/L)、蛋白质含量(14.6%)高,但其面团的形成时间、稳定时间、评价值(4.6m in,9.3 m in、62)、拉伸阻力、最大拉伸阻力、拉伸面积(218.8 BU,373.3 BU、97.3 cm2)等指标较弱。各品种在不同地点间的表现趋势不同,大多数强筋品种在陕西岐山点表现出较好的品质,达到了国家优质强筋小麦标准,而在陕西杨凌、河南新乡点达到该标准的品种较少。
文摘如何将带有大量标记数据的源域知识模型迁移至带有少量标记数据的目标域是少样本学习研究领域的热点问题.针对现有的少样本学习算法在源域数据与目标域数据的特征分布差异较大时存在的泛化能力较弱的问题,提出一种基于伪标签的半监督少样本学习模型FSLSS(Few-Shot Learning based on Semi-Supervised).首先,利用pytorch深度学习框架建立一个关系型深度学习网络,并使用源域数据对网络进行预训练;然后,使用此网络对目标域数据进行分类预测,将分类概率最大的类标签作为数据的伪标签;最后,利用目标域的伪标签数据和源域的真实标签数据对网络进行混合训练,并重复伪标签标记与混合训练过程.实验结果表明,相对于现有主流少样本学习算法,FSLSS模型有更好的泛化能力及知识迁移效果.
