图为罗仕辉在110平台上工作。 胡子聪 摄
“群众遇到问题,就想到打电话给110,这是对我们最大的信任。这份信任,我当然不能辜负。”罗仕辉认为110接警员的职责和使命就是要延伸民众对公安机关的信任,而自己就是那一座桥。
2016年5月,罗仕辉接到一位女孩要轻生的电话,他不停地安慰、劝导。后来,他通过对话判断出女孩的身份,并以“老大哥”身份进行推心置腹地交谈。经过半个小时耐心劝导,女孩心情逐渐平复。在罗仕辉的协调下,派出所民警迅速找到该女孩叔叔一起在派出所对其进行劝解,最终使其放弃轻生的念想。因此,罗仕辉因而被同事们称为110的暖男,称赞他总有办法让电话另一端痛不欲生的人打开心扉。
罗仕辉说,日常接警中,接线员都会遇到一些类似的案例,这种情况通常被称为自杀干扰类报警,说明报警人还是有犹豫的想法存在,往往就是这一念之差干扰了报案人的情绪,这个时候跟他们对话的人就十分关键,“而我们所要做的就是用耐心和温暖去融化那颗绝望的心。”
罗仕辉就像一头“老黄牛”般在平凡岗位上,既是战斗员,也是指挥员,勤勤恳恳、埋头苦干、默默奉献,随时为群众排忧解难。(完)
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) [责编:天天中] 阅读剩余全文() ![]() 一分钟彩票地图 |