政府扶持与国有能源企业产融结合效率研究 ——基于自助法修正的三阶段数据包络分析模型

经济新常态下,作为"产业+金融"发展模式的主导角色,政府扶持有效性是国有能源企业提升产融结合效率的关键因素.本文基于自助法(Bootstrap)修正的三阶段数据包络分析(data envelopment analysis,DEA)模型,借助2010～2017年国有能源上市公司数据,分析了企业产融结合运行效率及政府扶持因素的影响.结果显示:我国国有能源上市公司产融结合效率呈逐年上升趋势,现阶段静态效率整体处于中上水平.政府扶持因素对产融结合效率值产生反向作用,表明尚存在政府干预过度、补贴投入冗余和监管缺失等问题,导致了产业与金融资源配置效率低下.为此,本文提出相关政策建议.     

云计算图书馆的大数据知识服务研究

梳理了云计算图书馆的大数据知识服务研究现状,概括了其主要特点,并对5G时代云图书馆大数据知识服务进行展望.     

Gevrey势能的离散拟周期 Schrodinger算子的非扰动Anderson局域化

考虑一类具有Gevrey势能的离散拟周期Schrodinger算子, 其中其势能可写成一维环面上的大值解析函数加上Gevrey小扰动. 用大偏差定理和半代数理论证明在大系数下, 对任意的固定相位以及对几乎所有的频率, 该算子满足非扰动的Anderson局域化.     

中外合资上市公司高管团队特征对企业价值的影响

基于组织战略性人力资源管理的视角和高阶梯队理论,高管团队的特征影响企业战略决策,决定企业的经营与发展,进而影响企业价值.采用中国沪深A股421家中外合资公司2010-2018年的高管团队与企业价值面板数据,研究中外合资上市公司高管团队特征均值和异质性对企业价值的影响.结果 表明:女性高管占比和高管团队的平均年龄、平均任期、平均受教育程度及异质性均显著正向影响企业价值;团队规模、任期异质性对企业价值影响不显著;高管团队年龄异质性对企业价值具有显著的负向影响.优化高管团队的女性占比与平均年龄、任期、受教育程度等特征结构,将有利于提升企业价值.     

基于深度学习的多STBC盲识别算法

针对空时分组码(space-time block code, STBC)识别中多种编码类型难区分的问题, 提出了一种基于卷积神经网络的STBC盲识别算法。该算法首先将接收信号采用自相关函数的频域预处理, 输入到卷积神经网络中对信号特征进行提取, 全连接层对特征进行映射, 实现对6种STBC类型的识别。仿真实验结果表明, 在无信道和噪声等先验信息的条件下, 所提算法能够有效区分3种相似度高的STBC3码, 且将STBC可识别的编码类型由目前的4种扩充到6种, 识别准确率能达到96%。该方法的复杂度较低, 不需要利用大量样本数据, 实时性高, 具有较好的工程应用价值。     

基于差异信息量的多源数据融合方法

D-S证据理论可应用于多源数据融合领域，但在处理高度冲突的证据时，可能会出现反直觉的结果.为解决这一问题，本文提出了差异信息量的概念及融合方法.首先，通过信息熵表明证据的相对重要性，采用散度获取证据可信度.然后利用证据可信度优化证据差异度以得到差异信息量，经过计算获取数据的最终权重，并将其作为D-S证据理论中的基本概率分配进行决策.在处理冲突证据、一致证据及不同数量证据等方面的数据融合问题时与其他方法对比，所提方法收敛更快，准确度更高.故障诊断的应用实例表明，所提方法的不确定性更小，优于现存的其他方法.     

基于改进四元数阻尼误差模型的SINS初始对准算法

针对传统捷联惯导系统(strapdown inertial navigation system, SINS)四元数非线性误差模型存在坐标系不一致的问题, 对姿态误差模型和速度误差模型进行改进, 将误差矢量统一投影至计算导航坐标系下。此外, 引入全球定位系统阻尼信息, 在阻尼SINS解算基础上, 结合四元数无迹估计器提出了一种改进四元数阻尼误差模型对准算法, 可应用于系泊状态下的SINS初始对准。仿真和车载试验结果表明, 在不同的大失准角下, 该改进算法相比传统四元数阻尼误差模型对准算法和欧拉角阻尼误差模型对准算法, 具有更好的对准精度、收敛速度以及稳定性。     

安庆CGCS2000坐标转换的设计与实现

分析现有自然资源和规划空间地理信息数据,利用国家全球导航卫星系统和区域似大地水准面精化成果,构建安庆独立坐标系与2000国家大地坐标系转换关系,采用平面四参数转换模型,自主研发2000国家大地坐标系转换软件,实现空间地理信息数据的大地基准转换.     

基于码头闸口数据的集卡周转时间短时预测方法

为给车辆调度优化以及集卡预约系统设计提供重要参考,利用所采集的深圳市某港口的码头闸口数据,建立一种基于数据挖掘的集卡周转时间短时预测方法.首先,通过对码头闸口数据进行分析,获取车辆到达时间分布、任务类型、作业方式等集卡作业特征以及集卡在码头内的周转时间;在此基础上,利用循环神经网络并结合训练集数据,建立集卡作业特征与其周转时间之间的映射关系.其次,为减少随机波动对周转时间预测效果的影响,利用小波分解算法对循环神经网络拟合结果的残差进行高频噪声分离,并通过自回归模型拟合过滤后的低频序列.最后,将拟合后的循环神经网络与自回归模型进行结合,建立一种支持集卡周转时间短时预测的组合模型,并利用测试集数据进行有效性验证.结果 表明,相比单一的循环神经网络,该组合模型可以大幅提升预测精度.     

基于熵评价模态分解的雷达信号双谱特征识别

针对在低信噪比下雷达信号调制识别准确率低、抗噪性差的问题, 提出一种基于熵评价模态分解和双谱特征提取的识别方法。利用双谱可以抑制高斯噪声的特点, 分析了在低信噪比下进行信号调制识别的可行性并引入了噪声项。由于噪声项的干扰, 双谱在0 dB以下时, 噪声抑制效果变差, 提出了基于信息熵评价的经验模态化分解对信号进行预处理, 提高信噪比。最后, 设计了卷积神经网络分类器, 实现对不同调制类型信号的识别。仿真实验结果表明, 本文方法相比传统方法具有良好的抗噪性, 能够在低信噪比下对不同类型信号进行有效识别。