Qua thu thập các mẫu giun đất khu vực quanh chuồng nuôi và bãi chăn thả lợn bản địa tại tỉnh Điện Biên, dựa vào khóa định loại của Blakemore (2002), Đỗ Văn Nhượng (1994), Perrier (1872), Thái Trần Bái (1984), Gates (1936), Beddard (1892), Kinberg (1867), chúng tôi đã định danh và phân loại được 7 loài giun đất thuộc 2 họ Rhinodrilidae và Megascolecidae hiện đang lưu hành tại tỉnh Điện Biên bao gồm: Pontoscolexcorethrurus, Amynthas aspergillum, Amynthasplantoporophoratus, Amynthasmorrisi, Amynthas robustus, AmynthascorticisvàAmynthaspauxillulus. Các loài giun đất có tỷ lệ xuất hiện cao là Pontoscolexcorethrurus (72,06%), Amynthas robustus (13,73%), Amynthasmorrisi (4,90%), Amynthas aspergillum (3,43%), Amynthascorticis (3,43%). Trong 7 loài được tìm thấy, đã xác định được 2 loài giun đất Pontoscolexcorethrurus và Amynthas aspergillum là vật chủ trung gian của các loài giun phổi gây bệnh cho lợn với tỷ lệ và cường độ nhiễm ấu trùng giun phổi lần lượt là 32,65% (11,23 ± 1,31 ấu trùng/mẫu) và 28,57% (3,50 ± 2,50 ấu trùng/mẫu).

Nghiên cứu được thực hiện để xác định một số đặc điểm dịch tễ của bệnh giun đũa ở chó được nuôi tại một số xã, phường thuộc thành phố Thái Nguyên. Tổng số có 337 mẫu phân chó đã được thu thập để xác định tỷ lệ nhiễm và cường độ nhiễm giun đũa ở chó bằng phương pháp Fulleborn. Kết quả nghiên cứu cho thấy tỷ lệ nhiễm giun đũa ở chó nuôi tại một số xã, phường trên địa bàn tỉnh Thái Nguyên đạt ở mức trung bình là 35% và cường độ nhiễm giun đũa nhẹ với tỷ lệ là 51,69%. Chó nuôi dưới 2 tháng tuổi có tỷ lệ nhiễm giun đũa là cao nhất; trong khi đó, chó nuôi ở 12 tháng tuổi có tỷ lệ là thấp nhất. Chó nuôi ở các tháng 3, 4 và tháng 9 có tỷ lệ nhiễm giun là cao nhất so với các tháng khác trong năm. Chó nội nhiễm giun đũa cao hơn chó ngoại và chó cái có tỷ lệ nhiễm giun cao hơn cho đực.

I. GIỚI THIỆUViệt Nam là một trong những nước có nhiều người dân làm nghề trồng trọt, đặc biệt là việc trồng lúa, chiếm gần 72% lực lượng lao động cả nước. Trong đó Đồng bằng sông Cửu Long (ĐBSCL) chiếm khoảng 52% tổng sản lượng lúa của cả nước, hàng năm đóng góp trên 90% sản lượng gạo xuất khẩu. Sản xuất lúa có vai trò đặc biệt quan trọng trong việc đảm bảo an ninh lương thực quốc gia và góp phần tích cực trong xuất khẩu. Tuy nhiên, để duy trì sự tăng trưởng ổn định trong sản xuất lúa gạo ở nước ta, cần có những giải pháp bền vững. Những năm qua, do ảnh hưởng của biến đổi khí hậu và môi trường đã gây ra những đe dọa lớn đối với sản xuất lúa bền vững, nhất là sự bùng phát của các loại bệnh hại lúa và côn trùng hại lúa. Theo số liệu thống kê của Bộ Nông nghiệp và Phát triển nông thôn về tình hình dịch hại trên cây lúa những tháng đầu năm 2016 tại ĐBSCL như: Bệnh bạc lá (cháy bìa lá), Bệnh đạo ôn (cháy lá), Sâu đục thân, Vàng lá,... với tổng diện tích nhiễm gần 37,036 ha. Việc phát hiện kịp thời tình hình dịch hại trong sản xuất lúa là rất quan trọng và là nhu cầu cấp thiết, tuy vậy, để thực hiện được việc này đòi hỏi nông dân cần được trang bị kỹ thuật công nghệ cao.Thực tế, phần lớn nông dân lại chưa được hỗ trợ những ứng dụng/kỹ thuật công nghệ cao để có thể phát hiện sớm dịch bệnh nhằm điều trị kịp thời. Hiện tại, thiết bị di động thông minh (smart mobile devices) đang rất phổ biến, rẻ tiền và dễ sử dụng đối với phần lớn người dùng, trong đó có nông dân. Chính vì vậy việc xây dựng các ứng dụng có khả năng nhận dạng/phát hiện và phân loại bệnh hại trên lúa từ ảnh chụp của thiết bị di động là rất thiết thực và khả thi.Bài viết này đề xuất giải pháp Xây dựng hệ thống nhận dạng bệnh trên cây lúa thông qua ảnh chụp từ thiết bị di động, trước mắt thử nghiệm trên các thiết bị chạy trên hệ điều hành Android do tính phổ biến của nó cũng như giá thành phù hợp với phần lớn nông dân. Từ ảnh chụp đầu vào, hệ thống tiến hành trích chọn đặc trưng ảnh (như đặc trưng SIFT) sau đó đưa vào mô hình phân lớp (như máy học SVM) để phân lớp/nhận dạng. Kết quả đầu ra là bệnh tương ứng trên cây lúa và gợi ý một số phương pháp phòng trừ bệnh cũng như cách chăm sóc cây lúa sao cho đạt năng suất cao nhất. II. CƠ SỞ LÝ THUYẾT VÀ NGHIÊN CỨU LIÊN QUAN A. Các loại bệnh trên cây lúaMặc dù có nhiều loại bệnh hại trên lúa, nghiên cứu này trước mắt tập trung phân loại 04 loại bệnh thƣờng xảy ra ở ĐBSCL là bệnh Cháy bìa lá, bệnh Cháy lá (đạo ôn), bệnh Vàng lá, bệnh Đốm vằn như thể hiện trong Hình 1. Triệu chứng của 4 loại bệnh này đều có thể hiện trên lá lúa [1] do đó bài viết sẽ tập trung nghiên cứu trên lá lúa bị nhiễm bệnh. B. Biểu diễn ảnh bằng đặc trưng SIFT và mô hình Bag of Words (BoW) 1) Trích chọn đặc trưng cục bộ bất biến SIFTTrích chọn đặc trưng là quá trình xử lý một ảnh đầu vào thành một véctơ đặc trưng n chiều. Mỗi chiều phản ánh một đặc trưng của ảnh. Trích chọn đặc trưng là bước rất quan trọng ảnh hưởng trực tiếp đến kết quả của một hệ thống nhận dạng nói chung, hệ thống nhận dạng ảnh lá lúa bệnh nói riêng. Hiện nay có rất nhiều ph...

TÓM TẮT -Kỹ thuật phân rã ma trận (matrix factorization -MF) là một kỹ thuật được sử dụng phổ biến trong hệ thống gợi ý (Recommender Systems -RS). Hiện nay đã có rất nhiều thuật toán biến thể và hướng tiếp cận được phát triển dựa trên kỹ thuật này I. GIỚI THIỆUHệ thống gợi ý (Recommender Systems -RS) đã được ứng dụng rất rộng rãi trong các hệ thống thông tin thuộc nhiều lĩnh vực khác nhau, nó giúp giải quyết được vấn đề quá tải về thông tin và giúp lựa chọn thông tin một cách nhanh chóng bằng cách trình bày nội dung gợi ý phù hợp với từng người dùng. Để cung cấp cho người dùng những thông tin gợi ý hiệu quả thì mỗi hệ thống gợi ý cần có một mô hình gợi ý có thể khai thác tốt được dữ liệu đã thu thập để đưa ra các gợi ý phù hợp cho từng người dùng, do đó việc lựa chọn thuật toán xây dựng mô hình gợi ý là rất quan trọng.Trong RS đã có rất nhiều giải thuật được đề xuất, tuy nhiên ta có thể gom chúng vào trong ba nhóm chính (xem Nhóm giải thuật lọc trên nội dung (Content-based Filtering): Thực hiện việc gợi ý các mục dữ liệu (item) dựa vào hồ sơ (profiles) của người dùng hoặc dựa vào thuộc tính (attributes) của những item tương tự như item mà người dùng đã chọn trong quá khứ. Nhóm giải thuật lọc cộng tác (Collaborative Filtering): Các giải thuật trong nhóm này chủ yếu dựa trên các kỹ thuật: phương pháp láng giềng (Neighborhood-based) là dựa vào dữ liệu quá khứ của những người dùng "tương tự" (user-based approach) hoặc dựa trên dữ liệu quá khứ của những item "tương tự" (item-based apprach); dựa trên mô hình (Model-based): nhóm này xây dựng các mô hình dự đoán dựa trên dữ liệu thu thập được trong quá khứ. Nhóm kết hợp cả 2 cách trên. Trong nhóm giải thuật lọc cộng tác dựa trên mô hình thì kỹ thuật phân rã ma trận (matrix factorization -MF) là một trong những phương pháp thành công nhất hiện nay (state-of-the-art) trong lĩnh vực dự đoán xếp hạng của RS [3], [4]. Tuy nhiên, đa số các giải thuật thuộc nhóm MF chỉ tập trung khai thác thông tin của một mối quan hệ đơn giữa người dùng (user) và mục dữ liệu (item) chẳng hạn quan hệ đánh giá (rating), do đó các giải thuật chưa tận dụng được hết các thông tin liên quan từ các mối quan hệ khác của user và item. Để tận dụng hết các thông tin, người ta đã đề xuất phương pháp phân rã ma trận đa quan hệ (multi-relational matrix factorization -MRMF) như trong [5], [6], mặc dù vậy trong các nghiên cứu này, công thức dùng cho dự đoán vẫn chưa bao gồm hết thông tin từ các ma trận nhân tố tiềm ẩn (sẽ được phân tích sau).Trong bài viết này, chúng tôi sẽ đề xuất một hướng tiếp cận đa quan hệ cho hệ thống gợi ý cho phép tận dụng được thông tin từ nhiều mối quan hệ khác nhau của user và item trong quá trình xây dựng mô hình và đưa ra gợi ý, từ đó xây dựng thuật toán cho hướng tiếp cận đã đề xuất. Chúng tôi đã thực nghiệm trên các tập dữ liệu chuẩn trong lĩnh vực Hệ thống gợi ý và cả lĩnh vực Hệ trợ giảng thông minh để đánh giá độ chính xác của mô hình thông qua chỉ số RMSE (Root Mean Squared Error). Kết quả cho thấy hướng tiếp cận được đề xuất rất có thể giúp cải thiện độ chính xác. II. ...

TÓM TẮT- I. GIỚI THIỆUGiải thuật cây quyết định [Breiman et al., 1984], [Quinlan, 1993] và máy học véc-tơ hỗ trợ (Support Vector Machines -SVM [Vapnik, 1995]) được cộng đồng khám phá tri thức và khai thác dữ liệu bình chọn là hai trong top 10 giải thuật khai thác dữ liệu phổ biến và hiệu quả [Wu & Kumar, 2009]. Ưu điểm của mô hình cây quyết định là giải thuật huấn luyện đơn giản, nhanh, xử lý được cả dữ liệu rời rạc và liên tục, luật quyết định rút trích từ mô hình cây quyết định dễ hiểu với chuyên gia về dữ liệu. Trong khi đó, giải thuật máy học véc-tơ hỗ trợ sử dụng các hàm hạt nhân (kernel function), cung cấp các mô hình có độ chính xác rất cao cho các vấn đề phân lớp và hồi quy phi tuyến trong thực tế. Các ứng dụng thành công của SVM đã được công bố trong nhiều lĩnh vực khác nhau như nhận dạng mặt người, phân lớp văn bản và tin-sinh học [Guyon, 1999]. Mặc dù có được những ưu điểm kể trên, giải thuật huấn luyện một mô hình SVM có độ phức tạp cao so với giải thuật huấn luyện mô hình cây quyết định do phải giải bài toán quy hoạch toàn phương (quadratic programming). Độ phức tạp tối thiểu của giải thuật huấn luyện mô hình SVM là bậc 2 của số lượng phần tử dữ liệu [Platt, 1999]. Do đó, cần thiết phải có những cải tiến để giải thuật học SVM có thể xử lý được các tập dữ liệu với kích thước lớn.Trong bài viết, chúng tôi đề xuất giải thuật mới tSVM là giải thuật lai của giải thuật cây quyết định và máy học SVM để tận dụng được ưu điểm của cả hai lớp giải thuật học này. Giải thuật tSVM có thể huấn luyện mô hình chính xác như giải thuật SVM gốc nhưng có độ phức tạp thấp hơn. Để đạt được cả hai mục tiêu này, giải thuật tSVM sử dụng máy học cây quyết định để phân hoạch nhanh tập dữ liệu lớn thành k phân vùng được gọi là nút lá. Các nút lá có nhãn (lớp) của các phần tử thuần nhất (giống nhau) được gán nhãn giống như giải thuật cây quyết định, sử dụng khi phân lớp. Với các nút lá có nhãn các phần tử không thuần nhất, giải thuật tSVM huấn luyện song song các mô hình SVM phi tuyến cục bộ, mỗi mô hình dùng để phân lớp dữ liệu cục bộ dữ liệu của nút lá. Kết quả thực nghiệm trên các tập dữ liệu của UCI [Lichman, 2013] và 3 tập dữ liệu nhận dạng ký tự viết tay [Lecun et al., 1989], [Lecun et al., 1998], [van der Maaten, 2009] và tập dữ liệu phân lớp ảnh [Geusebroek et al., 2005] cho thấy giải thuật tSVM cho kết quả phân lớp nhanh, chính xác khi so sánh với giải thuật SVM chuẩn như LibSVM [Chang & Lin, 2011].Phần còn lại của bài viết được tổ chức như sau. Chúng tôi sẽ trình bày tóm tắt giải thuật máy học véc-tơ hỗ trợ trong phần 2. Giải thuật tSVM được trình bày trong phần 3. Kết quả thực nghiệm sẽ được trình bày trong phần 4. Các nghiên cứu liên quan được thảo luận trong phần 5 trước khi kết luận và hướng phát triển được trình bày trong phần 6. II. MÁY HỌC VÉC-TƠ HỖ TRỢXét ví dụ phân lớp nhị phân tuyến tính đơn giản được mô tả như hình 1, với m phần tử x 1 , x 2 , …, x m trong không gian n chiều (thuộc tính) với nhãn (lớp) của các phần tử tương ứng là y 1 , y 2 , …, y m có giá trị 1 (lớp dương) hoặc giá trị -1 (lớp âm). Giải thu...