第一节　杂交群动物（F1）的特点及应用 一、定义和概念 二、使用F1动物的优点 三、F1动物在生物医学研究中的应用 四、F1动物系组选择和组合形式与命名 五、交配方法 六、F1动物的标志方法及要求 七、国际上常用的F[XB]1[/XB]动物 第二节　封闭群动物的特点及应用 一、定义和和概念 二、封闭群的分类 三、封闭群动物的应用 四、培育方法及注意事项 五、封闭群动物的交配方式

1.掌握系统性血管炎(巨细胞动脉炎、大动脉 炎、结节性多动脉炎、显微镜下多血管炎、 韦格氏肉芽肿、变异性肉芽肿性血管炎、白赫切特病)的临床表现、实验室检查及血清 免疫学检测临床意义。 2.熟悉系统性血管炎病的诊断依据、治疗原则 3.了解血管炎病的特点、分类、发病机制及病 理学特征

通过低氧实验提出一种快速识别人体低氧状态的方法.通过搭建深层神经网络训练实验数据识别氧气体积分数(16%~21%)与人体可耐受极端低氧气体积分数(15.5%~16%)条件下光电容积脉搏波(photoplethysmography, PPG)信号, 获得人体生理状态的模式识别网络.经测试该网络的识别正确率可达92.8%.利用混淆矩阵及接受者操作性能(receiver operating characteristic, ROC)曲线分析, 混淆矩阵的训练集、验证集、测试集、全集识别正确率分别达到97.9%、94.8%、92.8%和96.3%, AUC (area under curve)值接近1, 认为该网络分类性能优良, 并且可在4 s内完成整个识别过程

教学目的： 1. 掌握各种常用分离和富集方法的原理、特点及应用； 2. 掌握复杂体系的分离与分析； 3. 分离方法的选择、无机和有机成分的分离与分析。 教学重点： 1. 回收率、分配系数、分配比、萃取百分率及计算； 2. 常量组分的沉淀分离； 3. 离子交换树脂的性质、分类，影响树脂交换性能的因素；交换、洗脱顺序；离子交换分离法的应用； 4. 纸色谱和薄层色谱。 教学难点：萃取分离的基本原理、实验方法和有关计算

本章学习目标： • 了解防火墙的定义、发展简史、目的、功能、局限性及其发展动态和趋势。 • 掌握包过滤防火墙和和代理防火墙的实现原理、技术特点和实现方式；熟悉防火墙的常见体系结构。 • 熟悉防火墙的产品选购和设计策略。 5.1 防火墙概述 • 防火墙的定义 • 防火墙的功能和局限性 • 防火墙的发展简史 5.2 防火墙的分类 5.3 防火墙实现技术原理 一、简单包过滤防火墙 二、代理防火墙 三、动态包过滤(状态检测) 防火墙 四、复合型防火墙 5.4 防火墙的应用实验

对机器的零、部件的测绘，使学生掌握一般测绘程序和步骤；从而掌握各类零件草图和工作图的绘制方法；掌握常用测量工具的测量方法；掌握尺寸的分类及尺寸协调和圆整的原则和方法；理解零、部件中的公差、配合、粗糙度及其它技术条件的基本鉴别原则；了解零件常用材料及其加工方法；有效地将制图课、金工、工厂实习等环节接触到的相关知识综合应用，从而提高工科学生的设计绘图能力

１．吸虫纲的形态特征、生活史及分类 ２．华枝睾吸虫（肝吸虫）：成虫、 虫卵及囊蚴的形态结构、生活史（在中间宿主体内的发育、在终末宿主体内的发育）、成虫的致病作用、实验诊断（粪检、十二指肠引流液检查、免疫诊断）、流行因素、防治原则

《智慧农业专业导论》 《高等数学I》 《普通化学 I 》 《普通化学实验Ⅰ》 《高等数学Ⅱ》 《普通化学实验 I》 《有机化学 IV》 《大学物理 VI》 《仪器分析》 《植物学（含分类）》 《土壤肥料学》 《基础生物化学》 《植物生理学》 《遗传学》 《生物统计与试验设计》 《基础微生物学》 《数字图像处理》 《机器学习》 《农业生态学》 《植物生物技术导论》 《分子生物学导论》 《作物栽培学》 《作物育种学》 《数据库系统原理》 《农业信息技术》 《农业遥感学》 《现代农业机械》 《大数据处理与分析》 《传感器原理与应用》 《农业软件开发》 《植物保护通论》 《农业标准化》 《农业资源学》 《农业经济学》 《单片机原理及应用》 《安卓应用开发》 《人工智能与模式识别》 《神经网络与深度学习》 《智慧农场规划与设计》 《物联网工程》 《农业无人机遥感》 《农科英语阅读与写作》 《World Agriculture》 《作物田间表型获取与分析》实验 《毕业设计（论文）》 《创新基础》 《创新思维训练》 《科创指导和训练》 《创新精神与实践》 《创新创业领导力》

高质量睡眠与儿童的身体发育、认知功能、学习和注意力密切相关，由于儿童睡眠障碍的早期症状不明显，需要进行长期监测，因此急需找到一种适用于儿童睡眠监测，且能够提前预防和诊断此类疾病的方法。多导睡眠图(Polysomnography，PSG)是临床指南推荐的睡眠障碍基本检测方法，通过观察PSG各睡眠期间的变化和规律，对睡眠质量评估和睡眠障碍识别具有基础作用。本文对儿童睡眠分期进行了研究，利用多导睡眠图记录的单通道脑电信号，在Alexnet的基础上，用一维卷积代替二维卷积，提出一种1D-CNN结构，由5个卷积层、3个池化层和3个全连接层组成，并在1D-CNN中添加了批量归一化层（Batch normalization layer），保持卷积核的大小保持不变。针对数据集少的情况，采用了重叠的方法对数据集进行了扩充。实验结果表明，该模型儿童睡眠分期的准确率为84.3%。通过北京市儿童医院的PSG数据获得的归一化混淆矩阵，可以看出，Wake、N2、N3和REM期睡眠的分类性能很好。对于N1期睡眠，存在将N1期睡眠被误分类为Wake、N2和REM期睡眠的情况，因此以后的工作应重点提升N1期睡眠的准确性。总体而言，对于基于带有睡眠阶段标记的单通道EEG的自动睡眠分期，本文提出的1D-CNN模型可以实现针对于儿童的自动睡眠分期。在未来的工作中，仍需要研究开发更适合于儿童的睡眠分期策略，在更大数据量的基础上进行实验

针对单核学习支持向量机无法兼顾学习能力与泛化能力以及多核函数参数寻优问题，提出了一种基于群体智能优化的多核学习支持向量机算法。首先，研究了五种单核函数对支持向量机分类性能的影响，进一步提出具有全局性质的多项式核和局部性质的拉普拉斯核凸组合形式的多核学习支持向量机算法；其次，为增加粒子多样性及快速寻优，将粒子群优化算法引入了遗传算法中的杂交操作，并用此改进的群体智能优化算法对多核学习支持向量机进行参数寻优。最后，分别采用深度特征与手工特征作为识别算法的输入，研究表明采用深度特征优于手工特征。故本文采用深度特征作为多核学习支持向量机的输入，以交叉遗传与粒子群混合智能优化算法作为其寻优方式。实验选取合作医院数据集对所提算法进行训练并初步测试，进一步为了验证所提算法的泛化能力，选取公开数据集LUNA16进行测试。实验结果表明，本文算法易于跳出局部最优解，提升了算法的学习能力与泛化能力，具有较优的分类性能