新冠肺炎疫情下我国西部地区返乡创业企业发展质量研究

返乡创业是乡村振兴的重要抓手,亦为推动区域经济协调发展重要手段。基于2019年我国西部少数民族地区385家返乡创业企业的调查数据,文章采用主成分分析法对返乡创业企业的发展质量进行评价,并分析不同行业之间的发展差异。研究发现,从创业企业发展稳定性排名来看,排名靠前的行业为电力、热力、燃气及水生产和供应业,建筑业和信息传输、软件和信息技术服务业;从创业企业网络销售占比排名来看,排名靠前的行业为科学研究和技术服务业、教育与采矿业;从创业企业发展的综合排名来看,排名靠前的行业为电力、热力、燃气及水生产和供应业,信息传输、软件和信息技术服务业,科学研究和技术服务业。通过深层次分析发现,电力、热力、燃气及水生产和供应业行业的返乡创业企业属于垄断性行业,信息传输、软件和信息技术服务业,科学研究和技术服务业属于高端服务业,技术上无法替代,这些行业能够充分利用"互联网+"实现线上销售。受新冠肺炎疫情的严重影响,文章建议企业转变经营发展模式,借助"互联网+"推进企业数字化运营;搭建政府帮扶企业平台,帮助企业做大做强,推进企业转型升级;依托区域自然优势,实行差异化的竞争战略,塑造民族特色品牌产业。     

科技金融融合发展 推进合肥高新区产业升级

<正>2014年,合肥市高新区坚持"政府引导、市场主导、分类指导"的发展理念,推动科技扶持资金由"直接投入"向"引导投入"转变,取得一批科技成果、产业成果、改革成果和人才成果目标,突出抓企业主体、创新载体和产学研一体建设,积极促进科技与金融融合,推进园区产业升级,取得了明显成效。     

基于风廓线雷达的降水云分类方法在海南地区的应用

将风廓线雷达用于热带降水云体进行垂直探测,可以实时对热带地区降水云体进行较准确分类.通过对海口地区降水云系特征(2017年1月～12月)进行统计分析,提出一套基于风廓线雷达探测数据(回波强度、垂直速度和速度谱宽)的热带降水云体分类方法.以该方法为基础,结合天气雷达等观测资料,对2017年发生在海口地区的两次降水过程展开详细分析.结果表明:风廓线雷达具备较好体现降水云体垂直结构的能力,相比于天气雷达,风廓线雷达探测数据可以更精细地描述降水云系的变化趋势;相比于传统降水分类方案,采用以风廓线雷达探测数据为基础的分类方案可以提高对复杂降水类型识别的正确率;风廓线雷达可以更好地描述快速过境的高空微弱对流系统.     

论体育英语参照语料库建设的三维模式

目的为建设体育英语参照语料库提供一个理论框架和操作指引。方法首先从体育的社会性,主要包括体育的民族性、文化性和经济性3个方面,厘清主要体育项目,明确语料取样的对象和渠道。其次,以语域类型为参考,对体育英语话语进行分类,为体育英语语料库子库的组成提供语言学依据。结果根据语料库语料均衡原则,初步确定了不同体育分类和语域分类的话语权重的差异,语料采样时需体现出这种差异才可以保证语料的均衡性。结论这个"社会-语言-量化"的三维模式,从语料构成和语料大小两方面为建设体育英语参照语料库建设提出了一个整体构想。     

基于深度无监督学习的图像分类算法

为了取得精确的图像分类效果,一方面需要提取大量的图像特征数据进行样本分析,另一方面大量的数据又造成了维数灾难.因此,为了解决信息全面与维数灾难的矛盾,引入了深度学习.深度学习利用分层结构处理复杂的高维数据,可以完成复杂函数的逼近,是一类具有多层非线性映射的学习算法,但深度学习模型优化困难且对隐层参数敏感.针对上述问题,将无监督算法引入深度学习,这种学习方法无须人工设计特征提取数据,训练过程中样本标签是未知的.实验表明,该算法在不影响图像分类效果的前提下,可以大大降低计算复杂度,具有一定的时效性.     

北京高校学生生活垃圾源头分类行为及其影响因素研究

生活垃圾源头分类制度的推广受到了社会的广泛关注。结合计划行为理论及相关文献提出5个研究假设,根据对北京市10所大学500余名在校大学生问卷调查的统计结果,分析了影响高校学生进行生活垃圾源头分类的因素,从政策制定、宣传教育、基础设施建设及创新体制机制等方面提出对策建议。     

基于强化局部特征的3D点云分类与分割网络

在点云的处理过程中，许多深度学习网络未能充分考虑局部点之间的复杂关系，导致大量空间几何信息丢失。针对该问题，提出了一个强化局部特征的网络，用于点云的目标分类和语义分割。该网络通过设计编码单元对点的多方向信息进行编码；通过注意力机制学习采样分组后形成局部点云的特征。同时提出了一种新的多维损失函数，结合使用交叉熵损失函数与中心损失函数作用于分类任务。在数据集ModelNet40和ScanNet上进行了大量实验，结果表明：该网络在点云的目标分类和语义分割任务上表现出较好的性能。     

一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.