基于深度学习的中医古文献临床经验抽取

中医古文献蕴藏着丰富的临床经验，是古代中医在行医过程中对临床诊疗的经验性总结，体现了中医学形成和发展的理论框架和思想基础.然而这些宝贵的临床经验不仅量大，而且分散在不同的文献中，使得中医从业者手工很难快速全面地获取它们，文献检索工具也只能提供文档级别的信息筛选，无法为这种细粒度的信息获取提供支持.此外，古汉语相对于现代汉语的不同特点也限制了主流文本分析工具的使用效果.为此本文提出面向临床经验获取的中医古文献信息抽取任务，用于识别古文献中描述临床经验的文本片段，手工标注了样本数据用于这种抽取模型的训练和测试，并设计了基于深度学习的序列标注器用于完成该任务.考虑到标注数据量小可能带来的过度拟合问题，本文引入对抗训练和虚拟对抗训练来增强模型的泛化能力.一系列充分的实验验证了模型的有效性，表明利用信息抽取技术从古文献获取中医临床经验具有可行性，为这一新的信息抽取任务提供了有希望的研究基线和可复用的标注数据集.     

基于市场与行业视角的多源信息环境下企业竞争情报服务模式探析

在多源异构信息环境下,研究融合多源信息的情报分析方法是企业竞争情报研究和应用的关键.通过分析不同情报源的特点,结合企业竞争情报服务分析范式框架,分别提出了基于市场与行业视角的多源信息环境下企业竞争情报服务的模式.基于市场与行业两个不同的视角分析企业竞争情报,可以更全面地为企业发展战略提供支撑.     

基于概率神经网络的地铁车站易损性分析

基于深度学习方法提出了一种地震响应概率模型，并基于此模型推导了地铁车站结构极限状态超越概率的计算公式，以评价结构的地震易损性。首先采用主成分分析对地震强度指标进行正交化和降维；为了克服传统地震响应概率模型中地震动强度指标与结构地震响应指标服从对数空间线性分布假设的局限性，基于BP神经网络建立趋势模型以预测结构的地震响应；基于概率神经网络建立误差模型以描述基于统计的趋势模型与基于物理机制的数值模型之间的误差，以拓展残差的齐次方差正态分布假设的严格限制。最后，以上海典型2层三跨地铁车站为算例，计算得到其易损性曲线。结果表明，基于深度学习建立的趋势模型较好地模拟了地铁车站结构地震响应随地震强度指标第一主成分的非线性变化特征；建立的误差模型准确地描述了趋势模型预测值的残差随地震强度指标第一主成分的方差非齐次特征。     

基于深度学习的Stack Overflow问题帖分类方法

针对基于正则表达式和传统机器学习的分类方法分别存在模式手工提取困难和性能瓶颈的问题, 提出一种基于深度学习的问题帖分类方法, 采用深度文本挖掘模型TextCNN和融合注意力机制的TextRNN构建分类模型. 实验结果表明, 基于深度学习的方法在多数问题目的类别上的分类性能优于已有基准方法, 且使用的Adam优化器优于SGD优化器, 使用Glove预训练的词向量优于使用随机生成的词向量. 该方法以提问目的对帖子进行分类, 可为分析Stack Overflow(SO)上的帖子讨论主题增加新维度.     

战略变革对企业绩效的影响分析 ——基于内部控制和外部竞争的调节

动态环境下的战略变革在企业发展过程中有着重要的地位,但实践中对于战略变革对企业绩效的影响还没有确定的结论.以制造业企业为研究对象,从理论上探讨战略变革对企业绩效的影响,并运用非线性回归模型深入挖掘内部控制和外部竞争在战略变革影响企业绩效过程中的调节作用.实证结果显示:战略变革对企业绩效的影响呈现显著的U型关系,内部控制和外部竞争对于战略变革和企业绩效的关系都有着显著的调节效应.研究结论可以为企业在多变的环境下更好地实行战略管理提供一定的经验证据和实施建议.     

数字化转型提升通用航空企业竞争力的机理研究 ——基于21家企业的扎根分析

通用航空产业是我国的新兴产业,尚未形成较大的规模和市场,是数字化转型发展的重点产业.运用因子分析法对21家通用航空上市企业竞争力进行了评价,结果表明其竞争力水平不强.运用扎根分析法研究了其中10家竞争力较强企业的数字化转型形式,得到4种类型:数字化生产、数字化研发平台、产品智能化、产业智能化;以4种数字化转型的先进企业为代表分别归纳出通航企业竞争力的影响机理,并以未实施数字化转型的企业进行了反证,提出了数字化转型发展提升通用航空企业竞争力的路径.     

高职生“学习参与度”对创新创业核心素养的影响机制研究

通过对523名高职学生进行实地调研,探析“学习参与度”对学生创新创业核心素养的影响机制。结果显示:课程建设、教师引导、资源支持对学习心理参与度影响显著;教师引导、资源支持、社会实践对学习行为参与度影响显著。学习参与度显著影响创业意识、创新精神、创业能力。提出优化对策:重视学生创新创业核心素养的培养;提高学生创新创业学习参与度;人际互动提升学习心理参与度;协同培育提高学习行为参与度。     

基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能。首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准。然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的。最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用。实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础。