共享自动驾驶汽车使用意愿模型及其影响因素

为了构建共享自动驾驶汽车(shared autonomous vehicles，SAV) 的使用意愿模型并分析其影响因素，通过使用时机和使用频率来体现公众对SAV的使用意愿；采用验证性因子分析将态度潜变量转化为潜变量得分，以此将态度潜变量引入传统的有序Logit模型；提出SAV使用意愿的有序Logit模型构建方法，并建立基于个人属性、通勤特征、态度潜变量的SAV使用意愿模型.研究发现:是否使用过滴滴拼车、工作单位停车费、自动驾驶态度对使用时机和3种价格(1，2，3元/km) 下的使用频率有显著影响；使用过滴滴拼车、工作单位收取停车费、支持自动驾驶的群体倾向于频繁地、更早地使用SAV出行；公众期望以1元/km或 2元/km即不超过目前滴滴拼车的价格使用SAV.     

处理优化约束条件的微分方程法

在文[1]中,作者曾提出求解一般约束优化问题的一种新方法。本文利用微分方程对约束条件做进一步的讨论,证明了从一可行点的某邻域出发的该微分方程组的解关于部分变元总收敛到问题(1.1)的可行点。     

B值随机变量序列部分和的矩的收敛速度

本文讨论2阶一致光滑空间及2型空间中随机变量序列部分和的矩的收敛速度问题,所得定理推广了Chow的结果。     

血压指标的聚类分析

利用353人的血压数据,运用2种不同的聚类分析方法对15个血压指标分类并挑选典型指标:一是利用SAS软件包中提供的变量聚类过程(VARCLUS过程)对指标进行裂类聚类分析;一是利用SAS中提供的样品聚类过程(CLUSTER过程)对指标进行系统聚类分析.2种方法得到了相同的结果:15个指标分成了4类,得到4个典型指标:BPR(收缩压与舒张压比值),BPP(收缩压与舒张压乘积),MAPPr(平均动脉压与脉率乘积),BPRPr(BPR与脉率乘积).     

二阶循环数列方程的特征根解法

就应用常微分方程的常系数线性微分方程解法的理论解决递归数列中二阶循环数列方程问题进行了论述 ,由此可看到高等数学对初等数学的指导作用 .     

免用第三变量的两变量值交换

针对采用第三变量两变量值的交换占用多余内存的不足，提出算术运算法、布尔型变量的交换法、异或运算法和异或运算取反法等4个免用第三个临时变量的两变量值交换方法，并分析这些方法的优缺点。关键词：变量交换第三变量异或运算     

因子分析法在评价各省市优劣势方面的应用

以全国31个省、直辖市、自治区为研究对象,用因子分析法分析了各省市的优劣势,并给出了一些地区增强自主创新能力的建议。     

基于词-标签概率的多标签文本分类研究

针对多标签文本分类任务中如何有效地提取文本特征和获取标签之间潜在的相关性问题,提出一种CNN(convolutional neural networks)结合Bi-LSTM (bi-directional long short-term memory)的模型.首先,通过CNN网络和最大池化提取文本的特征;然后,利用训练的Labeled-LDA(labeled latent dirichlet allocation)模型获取所有词与标签之间的词-标签概率信息;接着,使用Bi-LSTM网络和CNN网络提取当前预测文本中每个词的词-标签信息特征;最后,结合提取的文本特征,预测与当前文本相关联的标签集.实验结果表明,使用词-标签概率获取文本中词与标签之间的相关性信息,能够有效提升模型的F1值.     

潜在表示学习框架下的低冗余多视图聚类算法

基于潜在空间学习的多视图聚类研究得到了较大发展,但其通常忽略了原始数据中冗余信息的存在可能会带来不理想的聚类结果。为解决这个问题,提出一种潜在表示学习框架下的低冗余多视图聚类算法。基于k-means的方法,直接从各视图数据学习其低维表示,由于该低维表示的各个特征相互正交,学习到的低维表示通常含有较少的冗余信息。基于潜在空间的假设,各视图的低维表示可由同一个潜在表示投影得到。将两者结合,就能得到一个具有低冗余信息的统一的潜在表示。设计了一个优化算法来求解目标问题,在多个公开数据集上的实验表明了该算法的有效性。     

Local canonical correlation coefficients and canonical variables of groups of random variables

The concepts of local correlation coefficient, local canonical correlation coefficients and local canonical variables of groups of random variables are defined, which generalize the classical concepts in two groups of random variables.These concepts together with total corresponding concepts clarify the correlativity among groups of random variables.