基于多尺度投入-产出表的中国对外贸易产业结构调整多目标优化

出口贸易引发的资源流失风险是当今研究的热点. 本文动态地分析了出口贸易引起的资源流出变动及其影响因素, 并对2018-2022年中国地区出口贸易进行优化调整. 首先, 本文利用行业间投入-产出表和资源消耗数据计算中国各行业的直接和完全资源消耗系数; 其次, 利用结构分解模型挖掘出口导向的隐含资源流出量变动的主要原因; 随即, 将45个行业进行聚类分析, 探讨未来各行业的节约资源潜力和调整路径; 最后基于情景分析和多目标优化理论, 从出口贸易结构, 贸易额和技术发展视角对中国未来出口贸易进行模拟分析. 实证分析结果表明: (1) 直接消耗强度, 技术进步, 出口总量和出口结构等4个影响因素中, 出口额对资源流失风险的贡献率最大. 直接能源消耗强度有助于降低因出口导致的能源流出, 而完全消耗水资源强度的降低大大减少了资源流失风险, 符合现实； (2) 以2017 年为基准年, 利用多目标优化模型求解2018-2022年出口结构和出口量, 结果表明优化结果有利于降低资源流出量. 通过调整未来各行业资源消耗强度, 优化结果发现技术提升带来的资源节约优势逐渐增强, 本文认为, 为技术改善的资金(人员)投入的边际产出呈现逐渐增强效应.     

Steganalysis of neural networks based on parameter statistical bias

Many pretrained deep learning models have been released to help engineers and researchers develop deep learning-based systems or conduct research with minimall effort. Previous work has shown that at secret message can be embedded in neural network parameters without compromising the accuracy of the model. Malicious developers can, therefore, hide malware or other baneful information in pretrained models, causing harm to society. Hence, reliable detection of these vicious pretrained models is urgently needed. We analyze existing approaches for hiding messages and find that they will ineluctably cause biases in the parameter statistics. Therefore, we propose steganalysis methods for steganography on neural network parameters that extract statistics from benign and malicious models and build classifiers based on the extracted statistics. To the best of our knowledge, this is the first study on neural network steganalysis. The experimental results reveal that our proposed algorithm can effectively detect a model with an embedded message. Notably, our detection methods are still valid in cases where the payload of the stego model is low.     

基础研究空间网络关联结构及影响因素分析

以我国31个省区市2009—2018年国家自然科学基金面上项目为样本,采用改进的引力模型构建省区市之间的基础研究关联关系,在此基础上利用社会网络分析模型分析我国省区市之间基础研究的空间网络结构演化及影响因素。研究表明:网络整体的空间关联性逐步增强,网络效率呈现出平缓的下降趋势;东部沿海经济发达地区并未利用自身的优势对其他地区产生推动作用。基础科研空间关联网络划分为双向溢出、经纪人、净溢出和净受益4个板块,板块内部的联系要大于板块之间的联系。地理位置临近、申请机构数量、科研人员、正副高职数量对基础科研的空间关联结构有显著性影响。     

基于超网络的舆论演化动态模型

针对舆论演化过程中的复杂动力学问题,提出了超网络视觉下的舆论演化动态模型,该模型包括节点的添加、重新连接链路、超边的添加以及节点的老化4个过程,其中节点代表关键词,超边代表关键词所构成的话题。其次,利用非均匀网络的演化机制,分别对该动态演化模型的超度、节点自身关注度与节点间影响力两个因素的超度进行了详细的理论分析,分析结果表明节点超度完全符合幂律分布。最后,通过Matlab仿真模拟,分析了不同参数对节点超度分布变化的影响,并进一步验证了结果是遵循幂律分布的。     

膝关节骨性关节炎步态分析特征及3D矫形鞋垫设计应用

 概述了2种步态分析实验系统、实验原理和KOA患者下肢三维步态的改变；由于下肢生物力学的复杂性和研究技术的局限性，3D矫形鞋垫设计目前仍处于初级阶段，产品的治疗效果尚无统一意见并且未大量生产使用，因此对3D矫形鞋垫在KOA中的应用原理及制作过程进行深入探讨，明确KOA患者膝关节周围动力和静力结构变化，将其应用于3D矫形鞋垫的设计和生产，为早期KOA保守治疗提供重要解决方案，既能够患者满足舒适性和功能性的双重需求，又能使制造周期和成本显著降低。     

基于智能影像基因组学技术的阿尔茨海默病预测进展

 阿尔茨海默病（AD）起病隐匿，目前尚无有效控制病情进展以及治疗的药物或方法。在其发病轻度认知功能障碍阶段早期预测进行干预，则能有效控制其病程。从基于脑影像组学特征的AD早期临床诊断、基于人工智能影像组学技术的AD早期预测两个方面综述了AD的早期诊断与预测研究进展，提出结合多模脑核磁共振影像特征和组学特征，在深度学习的框架下，将影像学和基因组学联系在一起，构造高分类与预测性能的深度学习模型，可为AD早期筛查并干预提供支持。     

基于卷积神经网络的心律失常分类方法

使用一种组合式心拍分割方法，利用带通滤波对原始心电数据进行降噪处理，实现QRS波群定位和心拍截取；设计7层的一维卷积神经网络（convolutional neural network，CNN）模型，对正常搏动（N）、左束支传导阻滞（L）、右束支传导阻滞（R）、室性早搏(V)4类心拍数据自动分类检测，从而完成4类心律失常的分类。以MIT BIH心律失常数据库47条数据进行训练，结果显示，其准确度为9900%，召回率为9908%；与相关文献的研究方法对比，本方法具有较高识别精度，能有效解决人工对心电图识别的误诊、错诊问题。     

一类中立型Cohen-Grossberg神经网络的概周期解

研究一类具有混合时滞的中立型Cohen-Grossberg神经网络。通过建立线性辅助方程， 得到该神经网络存在唯一的概周期解的新结果，同时也给出此概周期解的存在范围。     

LINE-SERU转化的评价分析——以某医疗制造企业实施SERU为例

面对日益增加的需求不确定性及激烈的市场竞争,SERU (赛汝)生产方式应运而生,并广泛应用于日本电子装配制造企业.国内一些制造装配业正尝试将传统的流水线转化为SERU装配方式,简称LINE-SERU转化.一些文献报道了日本企业实施LINE-SERU转化的效果,而学术界对国内企业实施SERU装配方式的生产组织与运行效率缺乏理论分析和标杆分析.本文以国内某医疗器械装配企业实施LINE-SERU转化为例,通过理论分析和数据分析,系统地讨论了国内企业实施LINE-SERU转化的背景、过程、影响因素及生产组织形态,从多维度比较分析了改善效果及原因;总结了国内企业与日本企业在SERU系统的构建方式、布局形态和企业文化等方面的差异.研究发现,中国企业处于LINE-SERU转化的初期,SERU系统具有其独特的组织形式,在提高生产效率、缩短生产周期、减少在制品数量、精简作业人数和降低次品率等方面均有显著提升,但改善效果不同于日本企业.建议国内企业依据其人力资源特征构建SERU系统、优化单元布局、培育以人为本的企业文化,以提高系统柔性和改善效率.     

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。