乐发快3|-(中国)百度百科

中消协：46款充电数据线比较试验报告显示近半数样品阻燃能力不佳******

　　新华社北京1月12日电（记者赵文君）小小的充电数据线看起来外表相似，实际上内在质量相差悬殊。中消协12日发布的46款充电数据线比较试验报告显示，在46款样品中，近半数样品阻燃能力不佳，编织线外皮更易降低阻燃性；近半数样品耐腐蚀性能弱，金属部分容易锈蚀。

　　据介绍，此次比较试验由中消协委托中国信息通信研究院中国泰尔实验室进行，对市场上销售的部分品牌充电数据线进行比较试验，46款样品分别购自电商平台，涉及20个品牌。此次比较试验主要针对充电数据线电气安全和硬件可靠性两方面进行测试和比较，目的是比较产品性能的差异和优劣，不对产品是否合格进行判定。

　　充电数据线大功率使用时，一旦出现异常，无论是自身过热导致自燃或是靠近起火物品成为助燃源，都会带来安全隐患。中消协提醒广大消费者，如果充电数据线外衣已经出现破损，或是插上用电设备后出现接触不良或充电过程中发热严重，应当尽快更换新线。

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

　　（文图：赵筱尘 巫邓炎）