(新春走基层)江西鹰潭铁路货运“航母”列车编组忙******
图江西鹰潭铁路编组站的编组场里，作业人员正在连结车辆风管，为货运列车编组做准备。 吴亮萌浩 摄
图为江西鹰潭编组站的编组场内，一辆辆装有不同货物颜色不同的车辆整齐排列，形成了一道靓丽风景。 吴亮萌浩 摄
图为形似“航母”的江西鹰潭铁路编组站的编组场内，众多货运列车在这里集结等待重新编组，场面十分壮观。 肖钰康 摄
图为形似“航母”的江西鹰潭铁路编组站的编组场内，众多货运列车在这里集结等待重新编组。 肖钰康 摄
近日，走进位于江西省鹰潭市的鹰潭铁路编组站，只见来自全国各地的一辆辆货物列车在这里集结、解体又重新编组再出发，各岗位工作人员齐心协力，全力保障铁路货物运输安全、畅通、高效，一派忙碌景象。随着春节假期结束，各地有序复工复产，铁路货运量逐渐增长，而位于沪昆、鹰厦、皖赣三条铁路线交叉汇合处的鹰潭铁路编组站，承担着大量货运列车的编组任务，具有区域路网的能力“蓄水池”和效率“发动机”的功能，为保障铁路“大动脉”的安全稳定运行发挥着积极作用。
提速近10倍！基于深度学习的全基因组选择新方法来了****** 近日，中国农业科学院作物科学研究所、三亚南繁研究院大数据智能设计育种创新团队联合多家单位提出利用植物海量多组学数据进行全基因组预测的深度学习方法, 可以实现育种大数据的高效整合与利用，将助力深度学习在全基因组选择中的应用，为智能设计育种及平台构建提供有效工具。相关研究成果发表在《分子植物（Molecular Plant）》上。 全基因组选择作为新一代育种技术，通过构建预测模型，根据基因组估计育种值进行早期个体的预测和选择，从而缩短育种世代间隔，加快育种进程，节约成本，推动现代育种向精准化和高效化方向发展。 统计模型作为全基因组选择的核心，极大地影响了全基因组预测的准确度和效率。传统预测方法基于线性回归模型，难以捕捉基因型和表型间的复杂关系。 相较于传统模型，非线性模型（如深度网络神经）具备分析复杂非加性效应的能力，人工智能和深度学习算法为解决大数据分析和高性能并行运算等难题提供了新的契机，深度学习算法的优化将会提高全基因组选择的预测能力。 该研究团队以玉米、小麦和番茄3种作物的4种不同维度的群体数据为测试材料，通过创新深度学习算法框架开发了全基因组选择新方法。 与其他五种主流预测方法相比，该方法有以下优点： 可以利用多组学数据开展全基因组预测；算法设计中包含批归一化层、回调函数和校正线性激活函数等结构，可以有效降低模型错误率，提高运行速度；预测精度稳健，在小型数据集上的表现与目前主流预测模型相当，在大规模数据集上预测优势更加明显；计算时间与传统方法相近，比已有深度学习方法提速近10倍；超参数调整对用户更加友好。 该研究得到了国家重点研发计划、国家自然科学基金、海南崖州湾种子实验室和中国农业科学院科技创新工程等项目的支持。 学术支持 中国农业科学院作物科学研究所 记者 宋雅娟 快三投注地图 |
