基于"人"的机构知识库可持续发展策略研究

介绍了机构知识库的建设和研究情况,分析了影响机构知识库可持续发展的因素,从建设形式、激励政策、资金来源、与其他机构的协调、机构知识库的宣传、内容建设、人员配备和培训等方面论述了促进机构知识库可持续发展的对策.     

农村金融机构竞争对农民收入的影响

基于哈佛学派的产业分析框架(市场结构—市场行为—市场绩效),以2011—2017年中国31个省市自治区的非平衡面板数据为样本,研究农村金融机构竞争对农民收入的影响,同时研究农村企业发展对两者关系的影响。研究结果表明,农村金融机构竞争对农民收入有抑制作用,而通过农村企业的发展能够提高农民收入,缓解抑制效应。在此基础上,对样本进行分区域研究,结果发现不同地区,农村金融机构竞争对农民收入的抑制程度不一样,而且农村企业发展起到的缓解效果也不一样。     

基于完备集合经验模态分解-归一化希尔伯特变换的神经网络储层流体识别

地震资料的瞬时属性包含丰富的地质信息,可用于储层流体的识别。希尔伯特-黄变换目前在地震资料的瞬时属性提取中呈现出了很大的优势,但是该方法中存在模态混叠、频率误差等问题,限制了其应用。基于此,引入了基于完备集合经验模态分解和归一化希尔伯特变换的改进方法有效提取地震资料更具物理意义的瞬时属性。同时,为了提高储层含气性检测的准确性和精度,选取瞬时频率和瞬时振幅构建分频剖面模型,对目标区域的储层特性和含气特征进行描述。再结合测井资料,运用有监督的神经网络实现对储层含气性的自适应高精度识别。实例研究表明,基于完备集合经验模态分解-归一化希尔伯特变换的前向反馈神经网络方法能够根据某一区域地震数据有效预测该区域储层的含气状况。     

基于云雾结合的工件深度学习识别问题研究

统工业自动分拣存在工件识别准确率不高、特征定义复杂等问题,虽然新兴的深度学习为此类问题提供了较好的解决方法,但仍存在对边缘端设备计算能力要求较高的问题,为此本文提出一种基于云雾结合的工件识别算法,即在云端采用改进ALEXNET卷积神经网络进行训练,然后将训练好的模型下载到雾(边缘)端设备,对工件进行实时识别.对100个不同工件进行实验,结果表明:改进后识别准确率从ALEXNET的98%提高到99%,模型参数减少25%,同时可以充分利用云端的强大计算能力与边缘设备的实时性,为智能工件识别提供了一种新途径.     

文化播报

第十三届“大爱无国界”国际义卖活动开幕式在京举行2021年12月18日,“大爱无国界——乡村振兴,健康先行”国际义卖活动开幕式在北京举行。国务委员兼外长王毅和夫人钱韦,外交部党委书记齐玉,副部长乐玉成等外交部领导,以及160余位外国驻华使馆,国际组织驻华机构,有关企业代表等以线上线下相结合的方式出席。     

基于改进CLDNN的辐射源信号识别

传统辐射源信号识别方法往往需要人工提取特征,不仅对专业知识要求较高,而且人为选择的特征不能够保证适用于大多数类型信号的识别,识别精度和识别速度也不能兼顾。针对上述问题,将语音处理领域常用的深度学习模型——卷积长短时深度神经网络(convolutional long short-term deep neural network, CLDNN)引入到辐射源信号的识别中,并将该模型中的长短时记忆层改为双向门控循环单元层。模型的输入为原始时间序列数据,特征提取和分类识别过程均在网络中进行,避免了人工选择特征的不完备性。实验结果表明,所提模型在低信噪比情况下也能够有效识别信号类型,同时与其他模型相比,实现了识别精度和识别速度之间的平衡。     

北京大学德国研究中心创建记略

在现有的学术体制中,跨学科研究机构的发展往往面临种种限制。作为一个跨学科研究的虚体机构,北京大学德国研究中心的诞生与发展面临种种体制性因素制约。从最初的艰难创业,到一步步获得肯定与嘉奖,每一项成绩的取得都得益于创建者的不懈努力和主管校领导、各相关部门与社会各界的支持。北京大学德国研究中心创建和发展的历程也是我国高等教育发展中跨学科研究机构发展的现实写照。     

基于CWD和残差收缩网络的调制方式识别方法

针对低信噪比时莱斯信道下特征提取准确性难以保证、识别准确率偏低等问题, 提出一种基于Choi-Williams分布(Choi-Williams distribution, CWD)和深度残差收缩网络(deep residual shrinkage network, DRSN)的通信辐射源信号调制方式识别方法。利用CWD将时域复信号转换为二维时频矩阵, 对深度残差网络添加软阈值化得到DRSN, 将时频矩阵样本用于对DRSN的训练, 最终构建不同信噪比下的调制方式识别网络。仿真实验表明, 基于RadioML2016.10a数据集, 利用部分先验信息的情况下, 该分类识别方法具有较高的识别准确率和噪声鲁棒性。在0 dB时, 对11类信号的总体识别准确率达到了89.95%;在2 dB以上时, 总体识别准确率均超过91%, 优于其他深度学习识别方法。     

机构投资者存在选择性信息优势吗?——基于意外信息与无形信息的检验

本文检验了基于意外信息与无形信息的机构信息优势理论,利用沪深A股上市公司2014-2018年的季度数据,实证研究发现:对于含有意外信息的股票,机构持股水平低并表现出减持行为,倾向于低不确定性的避险投资;股票无形信息含量多,机构持股水平高并表现出增持行为,倾向于高成长性的价值投资。另一方面,意外信息和无形信息含量越多,股票收益和超额收益越高,机构主要通过高持有和增持无形信息含量高的股票而获取超额收益,但倾向于低持有和减持含有意外信息的股票。通过对成长性、治理机制、股价特征以及过去超额收益的分组检验,机构投资和信息的敏感性特征变化揭示了机构的关注领域。研究结论有利于明晰机构投资行为并为监管机构提供借鉴。