公司跨界经营、信息披露与分析师预测

通过手工搜集2003-2017年公司跨界经营数据,本文检验了公司跨界经营对分析师盈利预测的影响及其市场后果.实证结果表明,随着公司跨界程度的提高,分析师对其盈利预测的准确性下降,预测报告发布频率和预测修正幅度则会提高.同时,公司信息披露质量的提升有助于缓解公司跨界经营对分析师预测行为带来的不利影响.上述结果支持了信息处理成本假说和信息不确定性假说.最后,本文对跨界经营的市场后果做了检验,结果发现公司跨界经营程度越高,对分析师预测行为产生的消极作用越大,公司的市场折价程度越高.     

巯基-炔紫外光固化聚氨酯的制备及性能研究

以聚己二酸一缩二乙二醇酯(PADG)、异佛尔酮二异氰酸酯(IPDI)和1,4-丁炔二醇(BD)通过聚加成反应,合成分子中含多个活性炔基的线性聚氨酯树脂,并利用红外和拉曼光谱进行表征.以三羟甲基丙烷三(3-巯基丙酸酯)(TTMP)为交联剂,制备系列巯基-炔紫外光固化聚氨酯薄膜(F-SAPU)及涂层(C-SAPU).根据扩链参数、硬段质量分数、固化参数和光引发剂参数对巯基-炔紫外光固化树脂合成及固化进行配方设计.结果表明,通过调节配方参数,F-SAPU的拉伸强度、断裂伸长率分别在0.48～5.32 MPa和106％～172％内灵活可调,玻璃化转变温度在-10.1～26.9℃内灵活可调;探究了不同硬段质量分数对C-SAPU涂层性能的影响,当硬段质量分数为45％时,涂层性能最优.     

ACE炼油实验室的操作与维护

流化催化裂化(FCC)炼油实验室涉及到的仪器繁多、操作流程复杂,若疏忽某一环节就可能导致整个实验数据的错误,这对炼油实验室的管理人员来说要求很高。本论文在管理以ACE-MODEL R+MultiMode(ACE)为中心的FCC炼油实验室近五年经验的基础上,从ACE装置简介、实验操作、装置维护及常见故障处理等方面详细地介绍ACE评价装置及其附属设备的操作与维护流程。     

半空间上水平层状场地自振频率计算方法比较

为避免结构物与场地地基的共振效应,基于传统波速法、一致质量矩阵剪切质点系法及剪切梁法的基本原理,分析和比较了各方法计算场地自振频率的计算精度和影响因素.结果表明:传统波速法不能反映土层剖面结构特征的影响,而且仅在土层剖面在深度方向较为对称的情况下才能获得工程可接受的精度;一致质量矩阵剪切质点系法则表现出计算稳定、精度高的特点,且作为一种离散方法,具有良好的计算适应性和灵活性.     

泸沽湖鱼类资源现状及保护对策

泸沽湖是位于四川和云南交界处的一个高原断层溶蚀陷落湖泊。2012~2015年笔者5次对泸沽湖进行考察,开展鱼类多样性调查和鱼类饵料生物调查,共采集鱼类标本133份,浮游生物水样58份,并结合相关文献,确定泸沽湖鱼类有15种,隶属5目6科,泸沽湖鱼类外来物种增多。并分析了目前泸沽湖鱼类区系和资源特征,提出了泸沽湖鱼类保护对策。     

合肥市小学女子校园足球运动开展现状研究

文章运用文献资料、问卷调查法等研究方法对合肥市小学女子校园足球运动开展现状进行了研究,得出:足球场地设施配备基本满足需求,指导员的配备不足、业务知识不完善、工资待遇低,总体经费投入不足,比赛次数少,系统性的比赛机制不健全。提出改善足球相关政策、加强指导员的队伍建设、加大社会宣传力度、健全比赛机制等建议。     

非那雄胺原料药中7种元素的ICP-MS分析

建立电感耦合等离子体质谱（ICP-MS）法测定非那雄胺原料药中7种元素（As、Cd、Cr、Hg、Pb、Pd、Se）。样品经微波消解后，根据待测元素的特性，选用标准模式测定Se、选用碰撞模式（氦模式）测定其余元素，根据各元素的质量数选择相应元素作为内标，采用ICP-MS进行测定。积分时间为50 ms，射频功率为1 550 W，作为载气的氩气流量为1.0 L/min，作为碰撞气的氦气流量为4.3 L/min，等离子体气流量为16.0 L/min，雾化器流量为1.0 L/mim；样品扫描20次，重复次数3次，使用Syngistix软件进行采集并分析数据。结果显示：As、Cd、Cr、Pb、Pd、Se的检测质量浓度线性范围均为1—20 ng/mL（r≥0.999 5）、Hg的检测质量浓度线性范围为0.1—2.0 ng/mL（r=0.999 8）；检出限为1—30 μg/kg，定量限为2—100 μg/kg；回收率为92.0%—103.9%；精密度、稳定性试验的RSD均小于3.9％。该方法操作简便、灵敏度高、分析速度快、准确度好，适用于测定非那雄胺原料药中各元素的含量，对完善其质量标准具有参考意义。     

基于深度学习的建筑物识别

针对随着城市化的快速发展,城市与城市间的辨识度越来越弱,城市地标的概念越来越热门这一现象,提出了一种基于深度学习的建筑物识别方法;使用改进的Faster R-CNN算法作为训练模型,首先,将需要识别的图片输入深度神经网络,提取出特征框图;然后,模型通过区域建议网络预测目标建筑物所在位置的区域建议,并将这些区域建议映射到特征框图上,RoI Pooling层将这些区域建议转换成固定大小的特征框图;最后使用非极大值抑制从预测边界框中移除相似的结果,得到预测边界框以及边框中目标建筑物的类别和概率;实验结果表明:在训练数据集充足的条件下,使用此方法对地标建筑物的识别率能达到90. 8%,通过与其他模型比较分析,该模型具有较好的识别效果。