部分电离等离子体是惯性约束聚变燃料及天体等离子体中的重要组成部分,该等离子体的输运及流体力学等性质受到束缚电子的显著影响,然而当前基于光谱学的技术手段难以对其进行高精度诊断.本文基于中国科学院近代物理研究所低能离子束与...部分电离等离子体是惯性约束聚变燃料及天体等离子体中的重要组成部分,该等离子体的输运及流体力学等性质受到束缚电子的显著影响,然而当前基于光谱学的技术手段难以对其进行高精度诊断.本文基于中国科学院近代物理研究所低能离子束与等离子体相互作用实验平台,精确测量了100 ke V质子束穿过部分电离氢等离子体靶后的能损,该能损是质子同靶区内自由电子与束缚电子碰撞共同作用的结果.利用已有的能损理论模型,结合激光干涉诊断获得的自由电子密度信息,最终得到了部分电离氢等离子体靶中沿离子路径上的束缚电子密度,并给出了该等离子体的离化度参数.该离子束诊断技术具有在线、原位、分辨率高等优势,为解决部分电离等离子体内部束缚电子密度的诊断问题提供了新的途径.展开更多
准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without parti...准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。展开更多
文摘部分电离等离子体是惯性约束聚变燃料及天体等离子体中的重要组成部分,该等离子体的输运及流体力学等性质受到束缚电子的显著影响,然而当前基于光谱学的技术手段难以对其进行高精度诊断.本文基于中国科学院近代物理研究所低能离子束与等离子体相互作用实验平台,精确测量了100 ke V质子束穿过部分电离氢等离子体靶后的能损,该能损是质子同靶区内自由电子与束缚电子碰撞共同作用的结果.利用已有的能损理论模型,结合激光干涉诊断获得的自由电子密度信息,最终得到了部分电离氢等离子体靶中沿离子路径上的束缚电子密度,并给出了该等离子体的离化度参数.该离子束诊断技术具有在线、原位、分辨率高等优势,为解决部分电离等离子体内部束缚电子密度的诊断问题提供了新的途径.
文摘准确地识别农作物病害种类、病害程度,是能够正确防治病害的基础,对农作物的高质量生产有重要意义。针对传统深度学习模型对图像的细粒度分类不够精准的问题,提出不参与残差计算的通道注意力(efficient channel attention without participating in residual calculation,EWPRC)结构,该结构将改进的通道注意力机制ECANet3放在残差块之后,增加模型对通道维度的权重学习能力,并将EWPRC结构用于骨干网络为ResNet50的迁移学习模型中,通过替换模型中的layer3、layer4层得到了EWPRC-RseNet-t模型。试验使用了AIChallenger 2018数据集,在数据预处理、数据增强、超参数相同的情况下,首先对比了固定核大小为3、5、7、11、13的通道注意力机制对模型准确率的影响,在此试验中,模型的准确率随卷积核变大呈下降趋势,其中一维卷积核大小为3的模型准确率最高,达到了87.42%,比核大小为5、7、11、13的模型分别提高了0.03、0.42、0.51、0.64百分点。再将EWPRC-ResNet-t模型与经过微调的迁移学习模型ResNet-t以及GoogLeNet、MobileNet-v3、ResNet50模型进行对比,以准确率、精确率、召回率以及F1值作为评价指标,试验结果证明EWPRC-ResNet-t模型取得了最好的效果,比传统深度学习模型中准确率最高的ResNet50模型提高了0.99百分点,比ResNet-t模型提高了0.75百分点。且相比传统的深度学习模型,EWPRC-ResNet-t模型有更高的精度、召回率与F1得分。