基于带噪预训练的刑期预测方法

刑期预测模型利用自然语言处理技术自动预测当前案件的建议刑期,对提高司法工作效率,维护司法审判的公平与公正,以及实现同案同判具有重要意义。现有的研究通常采用基于预训练语言模型的方法进行刑期预测建模,但由于存在裁判文书文本较长、专业性强及部分案由标注数据不足等问题,刑期预测任务依然具有较强的挑战性。针对上述问题,本文提出了基于带噪预训练的刑期预测方法。首先,根据刑期预测任务的特点,设计了融合罪名信息的刑期预测模型;其次,结合遮蔽语言模型(Masked Language Model,MLM)任务和自蒸馏策略减少刑期预测任务预训练数据中噪声的影响;最后,改进RoBERTa-wwm模型中的位置嵌入,增强模型的长文本建模能力。实验结果表明,本文提出的预训练方法能够极大地提升刑期预测任务的准确率,在小样本条件下也具有很好的表现。     

含时延的双向联想记忆神经网络的指数吸引性分析

针对含时延的双向联想记忆神经网络模型具有多个对应于不同记忆模式的平衡点的特点,采用不等式技巧和非负矩阵性质,建立了平衡点指数吸引域及其指数收敛速度估计的方法,所得结论对含时延的双向联想记忆神经网的设计和容错性能的评价都很有意义。     

基于时空信息的区域内光伏电站功率预测

准确的光伏电站输出功率预测对于电力系统的稳定安全运行具有重要的意义。为充分挖掘区域内多个电站间的时空信息特征,提高区域内电站功率的预测精度,提出了一种基于图卷积和长短期记忆网络(graph convolutional network-long short-term memory,GCN-LSTM)的光伏电站功率预测方法。该方法首先采用K均值聚类算法(K-means clustering algorithm, Kmeans)将区域内电站的总功率划分3种不同的天气类型;然后,为预测区域内总功率,构建了一个假想电站,并利用图卷积网络(graph convolutional network,GCN)提取电站间的动态空间相关信息特征;最后,将GCN挖掘的信息构成时间序列作为长短期记忆网络(long short-term memory network,LSTM)的输入,提取电站的时间信息特征,从而对区域内的光伏功率进行预测。结果表明,该方法可充分挖掘电站间的时空相关信息,可较为准确地对光伏电站输出功率进行预测,能够为保障电力系统的稳定安全运行提供一定参考价值。     

基于双向长短期记忆神经网络的配网电压异常数据检测

受自然环境、计量仪器等影响,量测数据会出现异常,导致调度人员错误决策,威胁电力系统安全稳定运行。为保障电力系统安全稳定运行,提出了一种基于双向长短期记忆(bidirectional long short-term memory, Bi-LSTM)神经网络的配网电压无监督异常数据检测方法。利用Bi-LSTM神经网络处理时序数据的双向特性,建立时序预测模型,通过对比预测值和实际值的误差检测异常数据。最后,基于某实际配网电压数据进行仿真验证,仿真结果表明:所提方法在准确率、F1分数等指标方面均优于决策树、K近邻、支持向量机、长短期记忆(long short-term memory, LSTM)神经网络。     

对党的先进性建设问题的理论思考

在新时期,我党提出了加强“党的先进性建设”的历史任务。要在先进思想的指引下,坚持立党为公,执政为民,遵循历史发展的客观规律,建立保持党的先进性的长效机制。     

TiNiCu形状记忆合金在人工模拟体液中的电化学性能

采用电化学测试方法对TiNiCu形状记忆合金在Hank’s人工模拟体液中的电化学性能进行研究.结果表明,阳极极化时,在100~150 mV电位区间出现了活性溶解.随pH的降低和Cl-浓度升高,孔蚀电位Eb值负移,孔蚀敏感性增大,而温度对TiNiCu形状记忆合金的电化学性能影响不大.比较而言,在Hank’s人工模拟体液中,TiNiCu形状记忆合金的电化学性能比TiNi形状记忆合金劣,其原因可能是TiNiCu形状记忆合金在常温下的马氏体B19'可能掺杂着中间相B19,造成材料晶体结构不单一,易形成腐蚀原电池.此外,扫描电镜与X-射线分析表明,在晶界析出的Ti2Ni相及表面疏松的富Cu结构也促进了阳极活性溶解.     

代理人公平偏好下的长短期业绩目标与薪酬激励契约研究

以薪酬激励合约为中介,通过植入代理人公平偏好的异质性,构建代理人长短期业绩目标的多任务委托代理模型.基于该模型探究了代理人最优:在公平偏好下,代理人风险厌恶程度越强,委托人给予代理人最优长短期激励薪酬越少,固定薪酬与总体薪酬越多;代理人能力、公平偏好对最优长短期薪酬激励契约的影响与代理人风险偏好类型相关;代理人公平偏好程度及最优长短期薪酬激励强度对固定薪酬及总体薪酬的影响取决于各任务间的相关系数.     

Realized Volatility Forecasting of Agricultural Commodity Futures Using Long Memory and Regime Switching

We investigate the dynamic properties of the realized volatility of five agricultural commodity futures by employing the high‐frequency data from Chinese markets and find that the realized volatility exhibits both long memory and regime switching. To capture these properties simultaneously, we utilize a Markov switching autoregressive fractionally integrated moving average (MS‐ARFIMA) model to forecast the realized volatility by combining the long memory process with regime switching component, and compare its forecast performances with the competing models at various horizons. The full‐sample estimation results show that the dynamics of the realized volatility of agricultural commodity futures are characterized by two levels of long memory: one associated with the low‐volatility regime and the other with the high‐volatility regime, and the probability to stay in the low‐volatility regime is higher than that in the high‐volatility regime. The out‐of‐sample volatility forecast results show that the combination of long memory with switching regimes improves the performance of realized volatility forecast, and the proposed model represents a superior out‐of‐sample realized volatility forecast to the competing models. Copyright © 2016 John Wiley & Sons, Ltd.     

攀附与重构——东莞企石黄大仙研究

黄大仙信仰从产生之初便不断被地方化,尤其是进入岭南之后与岭南地域文化发生的互动更使地方化得到加强．东莞企石黄大仙的攀附与重构表明了这样一种倾向：处于边缘地位的地方黄大仙传说不断攀附被认为作为中心的香港黄大仙,并力图与之建立关系,扩大自身影响以吸引信众,攀附成为某种正统性的要求．由于文化与历史资源尚浅,经济弱势的企石黄大仙古庙必须借用外界的文化资源来建构自身的合法性．     

一个分布型排序算法研究——子域映射法

提出了一个新的排序算法——子域映射快速排序法.该算法亦属分布型排序算法,在文献[5]基础上修改.这一算法考虑了关键字的分布,不实施反复比较和交换两种操作,而解决关键字长、数据分布不均带来的问题.理论分析和实验结果表明,该算法效率高,通常情况下优于Hoare快速排序法,适宜大型信息排序.