一种基于类不平衡学习的情感分析方法

针对网络评论中普遍存在的负面评论较少而影响力却较大的类不平衡问题, 提出一种基于类不平衡学习的情感分析方法. 该方法利用深度学习训练过程中的概率输出, 以计算样例的信息熵作为影响因子构建交叉信息熵损失函数. 在IMDB公开数据集上进行实验验证的结果表明, 基于集成信息熵损失函数的双向长短期记忆网络能处理类不平衡问题; 对数据的统计分析结果表明, 该策略能提升基于双向长短期记忆网络的评论情感极性分类性能. 针对AUC(area under curve)指标, 使用集成信息熵损失函数的双向长短期记忆网络模型比未考虑类不平衡的深度学习模型在中位数上最多提升15.3%.     

基于多环返工串行生产线的性能优化建模

为评价和优化串行多环返工生产系统的生产性能表现，结合质量管理与精益生产的理念，区别于传统的返工机制，提出一种全新的“即刻返工”检查机制，将生产系统建模扩展至多机多缓冲区的复杂生产系统.基于生产系统的两大要素，机器与缓冲区的生产状态变化，依据概率论与马氏定理，构建缓冲水平的动态概率转移矩阵，以在制品库存水平及系统平均生产率作为研究指标，针对生产设备及缓冲区展开瞬态分析，通过迭代计算，表明设置合理的系统规模与缓冲区阈值能达到优化系统生产性能的目的，并通过数值实验验证其有效性.     

民族高校工商管理专业实践教学体系创新研究

围绕工商管理专业培养具有较强实践能力和高素质管理人才的目标,分析当前实践教学中的误区,通过构建全社会参与的工商管理专业人才实践教学社会网络,建立贯穿大学四年学习全周期的五大实践教学培养体系,对工商管理专业学生进行基础素养实践能力和专业素养实践能力培养,探索工商管理专业人才实践能力培养模式和体系。     

基于LQG控制的整车8-DOF系统振动分析

建立了整车8-DOF系统动力学模型,考虑了主动悬架控制,并增设了主动座椅控制,设计了车辆主动悬架系统的LQG控制器。基于Matlab仿真平台建立了整车8-DOF系统动力学仿真模型,对所得最优控制策略下的动态响应进行了仿真验证。仿真结果表明:为了改善人椅系统质心及车身质心的跳振性能需要在一定程度上弱化各轮轮胎动位移性能。从控制效能上来看,该最优控制器能够满足各行驶状态下对悬架性能的要求,改善了车辆的行驶平顺性。     

一个包含Smarandache Ceil函数的对偶函数的方程

利用初等方法研究了一个包含Smarandache Ceil函数Sk(n)的对偶函数-Sk(n),给出了当k=6时方程-S6(1)+-S6(2)+…+-S6(n)=6Ω(n)的具体正整数解。     

政府采购政策带动国内企业自主创新的积极性——兼述《关于实施〈国家中长期科学和技术发展规划纲要(2006—2020年)〉的若干配套政策》实施进展

政府采购是促进我国自主创新的一项重要政策o《国家中长期科学与技术发展规划纲要(2006—2020年)》(以下简称《纲要》)提出,要"实施促进自主创新的政府采购"。有关部委出台了多项实施细财和配套文件,形成了较完整的自主创新产品政府采购政策体系。地方政府也积极开展政府采购实践,较好地带动了国内企业自主创新的积极性。本文就《纲要》颁布以来,我国政府采购政策体系建设取得的进展与成效,以及领域专家提出的有关建议进行了综合报道。     

关于映射周期性的若干性质及其应用的注记

若f∈PfT(R)∩C(R),则F(x)=∫axf(t)dt,x∈R与周期函数有何关系,具有哪些性质?本文将就这一问题进行研究,获得了一个关于周期函数一个重要的若干性质的定理,应用其便捷的处理了一大批与周期函数有关的问题,进而给出了关于映射周期性的若干性质及其应用的注记,这对经济周期性研究有一定的参考意义。     

财政性科技经费监管体系探析

我国初步建立了财政性科技经费监管体系,但是在监督主体、监督制度等方面还存在缺陷,科技经费监督出现诸多问题。建立要加强宏观层面的统筹规划,建立由政府、承担单位和外部主体上下联动、横向联合的立体监督体系。     

完全市场中的Yaari对偶效用最大化问题

效用最大化问题是经济学和金融学中的最重要和最基本的问题之一.经典的von NeumannMorgenstern期望效用模型在实践中都受到诸多挑战.Yaari对偶效用理论是重要的非期望效用模型之一.本文研究完全金融市场中的Yaari对偶效用最大化问题.前人在某种单调性条件下得到了该问题最优解的显式刻画.而在本文中,无需任何单调性条件,我们得到了最优解的显式刻画.     

几乎无偏刘估计的不可容许性

考虑了线性回归模型中,在Fisherian和Mahalanobis损失函数下,几乎无偏刘估计对于最小二乘估计的不可容许性;结论表明:几乎无偏刘估计在Mahalanobis损失函数下是不可容的;最后进行了数值模拟来表明结果.