包餐的商业模式，比点餐好在哪儿？

和点餐相比，包餐的模式确实不错：只要中标，场地、厨房等都由客户提供，经营费用大大降低。而且三五年内收益稳定，虽谈不上暴利，却也很可观，保障系数又高，真好!但好事往往伴随着坏事。包餐的问题是，如果人力、原料成本提高，它很难通过涨价将压力传递给下游客户，这种情况往往很麻烦。而点餐企业，虽然每天都面临着生意好坏的考验，却能牢牢地掌握住对自己服务产品的定价权!     

投资客

没有基因就玩电子商务，非常危险 几乎在同时，关于电子商务爆出两条令人吃惊的消息。一是京东商城要招两万名员工，二是美邦服饰决定停止其运作不到一年的电商业务。为什么很多没做过传统企业的人做电商，却表现得远比传统巨头要优秀得多？一个重要的原因就是：电商企业有它独有的基因。     

基于多神经网络的污水氨氮预测模型

针对污水生化处理过程的非线性、大滞后等特点,建立了一种基于多神经网络的出水水质预测模型.通过减聚类方法将输入空间划分为一些小的局部空间,在每个局部空间中用神经网络建立子模型;各个子模型的预测输出通过主元递归(PCR)方法连接以解决子模型相互之间的严重相关问题,从而提高了模型的精度和鲁棒性;同时,应用改进目标函数以提高对偏高值的建模精度,采用加权反馈校正以提高模型的泛化能力.将该方法应用于某污水处理厂出水氨氮指标的预测,结果验证了模型的有效性.     

省级气象信息共享平台设计

为满足气象部门对气象信息共享服务的需求,设计了一个省级气象信息共享平台。首先介绍了平台的总体设计方案,包括平台定位、设计目标和设计原则;随后提出了基于SOA的气象信息共享平台体系结构,并对平台的三个层次进行了说明;接着在对气象数据进行分析的基础上,给出平台数据表设计;最后对平台实现的功能进行了详细的阐述。     

强一致收敛条件下序列系统与极限系统的关联性

混沌动力系统是广大研究者的研究课题,而很少有研究者研究混沌中的序列系统与极限系统。在混沌动力系统的基础上对混沌中的序列系统与极限系统进行研究,先在一致收敛条件下对序列映射非游荡点进行讨论,得出序列映射不能保持到极限映射。在此基础上,引入比一致收敛更强的收敛即强一致收敛,在强一致收敛条件下,序列映射的非游荡点与极限映射具有某种保持性。同时还讨论了在强一致收敛条件下,序列映射非游荡点与极限映射非游荡点集合的包含关系,得出序列映射非游荡点上确界的极限包含于极限映射非游荡点和若序列映射非游荡点集等于全空间则极限映射非游荡点集等于全空间。对序列映射和极限映射的研究为混沌动力系统中的序列动力系统和极限动力系统的研究作出了准备。
     

安哥拉“的哥”有梦想，不觉得累——在经济低迷的大环境下，信心是黄金

尽管经济不景气,家庭负担又重,但这位来自安哥拉的“的哥”在手握方向盘的时候,想的是他的安哥拉、他梦想中的海边酒店。因此不认为兼职开出租是苦差,只当是资本积累的过程。     

基于子句抽取的文本摘要自动提取算法

TextRank算法及SWTextRank等改进算法在抽取式摘要生成中得到了广泛的应用,但它们都没有有效地解决抽取式摘要所存在的冗余性问题。为此,提出一种基于子句抽取的文本摘要自动提取算法（PTextRank）。首先,使用Sinica Treebank(STB)对每个句子进行语法标记,进而基于子句设置抽取单元;接着,使用BERT(Bidirectional Encoder Representation from Transformers)构建标题和每个子句的特征向量,并计算子句特征向量间的相似性,将其存放在相似度矩阵中;最后结合子句位置、子句与标题的相似度等调整子句相似度矩阵,迭代计算直至收敛,进而选取得分最高的子句作为最终摘要。实验分析表明,PTextRank算法有效地避免了多个句子中存在的冗余信息,且相比于TextRank和SWTextRank,PTextRank生成摘要的准确率至少提高6%,同时生成的摘要质量更好。     

基于遗传神经网络模型的蔗糖结晶过程预测控制

针对蔗糖结晶过程控制中存在的模型复杂性和检测困难等问题,建立了蔗糖结晶过程的遗传神经网络模型,该模型用一种改进的实数编码提高了遗传算法的搜索能力,并根据该模型建立了结晶过程的预测控制系统,仿真和实验的结果表明,该方法在确定成糖时间和浓度方面是有效的。     

基于粗糙集理论的表情识别研究

包括情感计算和情感识别在内,以人为中心,对人的情感和认知的研究是目前人工智能领域的一个热点研究方向。以粗糙集理论为基础,研究了粗糙集属性约简算法,并把粗糙集属性约简算法作为一种人脸表情识别系统的特征选择方法,对人脸表情识别的重要特征进行研究,并提出了一种RS+SVM的人脸表情识别方法。仿真实验结果表明,粗糙集属性约简算法能发现人脸表情的重要特征,并基于这些特征可以得到很好的表情识别结果。     

基于不平衡分类的Bagging集成污水处理故障诊断

在污水处理过程故障会导致出水水质下降、运行费用增高甚至造成环境的二次污染,而污水处理故障诊断数据的典型不平衡特性,严重影响了故障诊断的效果,尤其会导致故障分类的正确率偏低.针对此问题,文中提出了一种基于加权极限学习机的改进Bagging集成污水处理故障诊断建模方法;以加权极限学习机为基分类器,以Bagging集成框架建立集成分类器;定义可调整的过采样倍率公式,通过虚拟少数过采样算法(SMOTE)对少数类样本进行过采样,以保证基分类器间的多样性;以不平衡分类性能指标G-mean值为基础,定义新的基分类器输出权值更新公式,以提高故障类别识别率.仿真实验表明,该污水处理故障诊断模型的性能优于其他对比算法,可有效提高G-mean值和整体分类正确率,特别是提高了故障类别的识别正确率.