课程文献中心 更多>>

关键词： 资产价格泡沫   公司系统性风险贡献   局部投影   投资者情绪   分位数风险网络  

摘要： 在“守住不发生系统性金融风险的底线”背景下,本文探究行业泡沫对行业内公司系统性风险贡献的影响,并以此构建行业间风险网络来识别不同强度冲击下的风险源头,旨在为深化以国内大循环为主体的新发展格局改革提供有效的政策参考.研究发现,第一,除农业、水利业以及文娱业外,大多数行业泡沫对行业内公司系统性风险贡献的影响不显著或呈抑制作用;但当投资者情绪高涨时,行业泡沫会提高行业内公司系统性风险贡献;第二,局部投影模型的累积效应结果表明,大部分行业泡沫的促进作用呈持续上升趋势,且促进作用的累积效应存在异质性;第三,分位数风险网络中尾部冲击导致的行业联系相较于正常时期更为紧密,同时各行业的风险防御能力也随冲击强度而异.此外,行业泡沫网络的风险源主要集中在农业、制造业、交通业、住宿餐饮业和租赁业,说明风险冲击以生产、分配、流通、消费为核心向外扩散,体现了我国经济正转向以国内大循环为主体的新发展格局.

关键词： 网络时代   社会主义意识形态   有效传播   传播机制  

摘要： 网络时代社会主义意识形态有效传播的机制由发生机制、承载机制、接受机制和反馈机制构成。发生机制源自党和国家掌握信息化条件下舆论主导权的需要、人民群众共享美好数字生活的需求，代表党和国家意志的传播者以人民意愿为立足点，顺应网络时代传播理念及范式的新变化，直接催动社会主义意识形态有效传播现实展开。承载机制通过要素间有组织、合程序的结构关系和相互作用，推动承载主体从一元转向多元、承载平台从单频自振转为同频共振，为有效传播生成主体基础和物质准备，使社会主义意识形态加速流转、强化影响。接受机制关注实现社会主义意识形态认同的影响因素和规律，需要在传播环节围绕受众显化思想差距、凸显主体地位，激活受众完善认知的内生动力，实现感性与理性双重认同，情感、态度、行为多维改变，促成社会主义意识形态的深度接受。反馈机制要求多环相扣、主体协同，避免出现两个自循环系统，通过提升反馈行为的及时性和全面性、反馈信息的真实性和准确性，为优化新一轮社会主义意识形态传播提供准确且全面的参考。挖掘各子机制有效运行的原因、要求及交互理路，能更具针对性地提升网络时代社会主义意识形态有效传播的实现程度，增强社会主义意识形态的凝聚力、感召力和引领力。

关键词： 神经网络   地震模拟振动台试验   时滞   补偿  

摘要： 地震模拟振动台试验的时滞性会影响系统的试验精度、系统的稳定性和收敛性,甚至造成系统的试验结果发散。以信阳师范大学建筑与土木工程学院地震模拟振动台为例,采用BP神经网络,对地震模拟振动台试验进行时滞性补偿的仿真设计与分析,通过MATLAB软件进行仿真模拟验证其有效性。结果表明,神经网络控制算法对地震模拟振动台时滞性补偿具有显著效果。

关键词： 无参考图像质量评价   声呐图像质量评价   深度学习   超分辨率   特征补偿  

摘要： 在复杂多变的海洋环境中，获取的声呐图像容易出现伪影、几何失真和模糊等失真，无法满足实际应用需求。针对此问题，研究人员提出使用声呐图像质量评价方法来引导声呐成像技术以获取高质量的图像。然而，现有的声呐图像质量评价方法主要关注图像轮廓信息，而未考虑更深层次的语义信息，从而无法全面表征图像质量退化程度。基于此问题提出一种新的声呐图像质量评价方法。该方法由声呐图像质量评价网络和声呐图像超分辨率网络构成，将图像超分辨率网络的多尺度特征作为图像质量评价网络的补偿特征，并提出一个紧凑型膨胀卷积模块用于融合双路深度神经网络的特征，从而更好地对声呐图像质量进行评价。在SIQD和SRSID两个公开数据集上对提出方法的性能进行测试。实验结果表明，该方法的斯皮尔曼等级相关系数在SIQD数据集和SRSID数据集上分别比第二的方法提升了17.4%和1.1%。

摘要： [本刊讯]为进一步加强意识形态工作和舆情应对与管控能力,有效防范和化解舆情风险,强化舆情风险意识,提升应对水平,营造良好舆论氛围和外部环境.近日,金川集团股份有限公司特邀兰州大学新闻与传播学院教授、兰州大学社会舆论调查与舆情研判中心主任王芳,在职工培训中心为集团员工做了题为《新媒体格局下的网络舆情危机与应对》的专题辅导培训,集团总部相关部室、二级单位负责舆情管控的内设机构负责人和主要业务人员120余人参加培训.

关键词： 认知无线电   频谱预测   图注意力网络   卷积自编码器   长短时记忆网络   K最近邻算法   多尺度特征融合   频谱相关性  

摘要： 针对现实频谱数据由于维度较高、非线性关系难以提取、时空特性复杂而影响预测准确性的问题，本文提出一种结合图注意力网络(graph attention network，GAT)与长短时记忆(long short-term memory，LSTM)网络的联合预测方法。首先利用卷积自编码器进行数据降维，去除冗余信息，引入K近邻方法(K-nearest neighbors method，KNN)进行相关性度量；随后搭建金字塔型GAT模块(pyramid GAT)，从频谱异质图中提取多尺度特征，联合LSTM提高模型对频谱数据复杂时空特性的分析能力。本文在德国亚琛工业大学频谱数据集上进行了仿真验证，与其他方法相比，本文所提算法在单步预测和多步预测上均有更好的预测性能。

关键词： 生成式人工智能   内容安全风险   行动者网络   治理路径  

摘要： 随着生成式人工智能在网络空间的广泛应用,网络信息内容生成呈现出自主化、规模化以及智能化等新特征。技术赋能内容生产的同时,也从内容供给、生成、传递等诸多环节,扰动原有的网络内容生态,由此引发的内容安全风险不断凸显。当前,采取集中式的风险治理模式难以及时回应技术变革带来的风险外溢,而行动者网络理论倡导的技术的社会形塑理念为生成式人工智能内容安全治理提供了新的思路。现阶段,应构建面向内容安全风险的可执行多重行动者网络体系,在具体治理路径上,围绕风险预防、识别、处置和重建形成以风险预防为前置的制度性框架、以风险识别为核心的即时性治理机制、以风险消弭为目标的处置性责任链条以及以具体情境为支撑的内容重建机制,共同应对生成式人工智能带来的内容安全挑战。

关键词： 卷积神经网络   材料分解   注意力机制   能谱CT  

摘要： 能谱CT能够提供扫描对象的定量信息，实现材料分解。基于神经网络的材料分解方有效克服了传统迭代算法在分解效果上的局限性，但是在细节特征恢复方面仍存在不足。为了提高材料分解精度并保留图像的细节信息，提出了一种基于残差挤压激励网络（RS-Net）的材料分解方法。提出的方法利用U-Net网络的结构，采用Resnet-152作为主干网络提取多尺度特征；利用并行非对称卷积来完成大核卷积，减少了网络的参数数量和计算量；在解码器部分引入HD-SE注意力机制帮助网络恢复图像特征；采用混合损失监督网络学习，提高网络的分解精度。在仿真岩石数据集和人造砂岩数据集上验证了该方法的可行性。仿真和实际实验结果表明，RS-Net结合混合损失保留了更多图像内部细节信息，分解后的图像边缘更为清晰，图像质量更高。

关键词： deep learning   depth image   LabVIEW   oat   plant height  

摘要： 【Objective】Oat plant height affects the productivity per plant and the yield per unit area together with planting density. This study explores automatic, real-time, and precise methods for acquiring oat plant height in a field environment, aiming to provide technical references for the automated field management of oat. 【Method】 Firstly, an oat depth image acquisition system was built based on Intel RealSense D435 depth camera and LabVIEW software development platform. Taking Oat ‘Pinyan No. 4’ as the research object, 26 376 modeling data and 2 205 test data were obtained during the whole oat growth process. The average and highest plant height of oats in each depth image were measured with a scale. The quantity of modeling data and test data in each height range of oat plant was relatively balanced. The images were preprocessed by high restoration, grayscale and scaling. Each image was tagged with two labels, one for the average and one for the highest plant height of the oats in the image. Then, based on 8 classical convolutional neural network models, the last layer (classification layer) of each network model was removed, and two fully connected layers with single nodes and no activation function were added to construct the double output regression convolutional neural network estimation model. Mean square error (MSE) was used to evaluate the accuracy of each model in estimating oat plant height. Finally, based on the TensorFlow deep learning platform, Modified EfficientNet V2L was selected as the estimation model by 5-fold cross-validation using the modeling data. 【Result】The generalization performance of Modified EfficientNet V2L model to estimate oat plant height was investigated using test data not involved in model training. The mean absolute error (MAE), root mean square error (RMSE) and mean relative error (MRE) to estimate oat average plant height were 2.30 cm, 2.90 cm and 4.4%, respectively. Meanwhile, the MAE, RMSE and MRE to estimate highest plant hei

关键词： 多视图子空间聚类   Transformer   加权融合   低秩表示   加权Schatten-p范数  

摘要： 多视图子空间聚类旨在挖掘多视图的丰富信息来指导高维数据聚类，其研究关键在于如何有效地学习多视图统一表示和子空间表示．近年来，深度聚类方法利用神经网络强大的表征能力取得了优异的性能．然而，多视图数据固有的多源异构性使得大多数现有方法以单模态编码器实现对各个视图的独立编码，不仅增加了模型参数量同时限制了模型的泛化能力．另一方面，低秩子空间表示被证明能够提升聚类性能，传统的核范数正则化优化没有考虑不同奇异值隐含的信息量差异，是矩阵秩的一个有偏估计．为此，提出了一种面向子空间聚类的多视图统一表示学习网络．首先，基于Transformer构建编码器，通过共享参数将异构视图以相同的映射规则投影到低维特征空间．其次，针对每个样本在不同视图中可能具有不同的表现，采用视图内样本加权融合的方法学习多视图统一表示．最后，引入加权Schatten-p范数对子空间表示矩阵施加低秩约束．在7个多视图数据集上的广泛实验验证了所提方法的有效性和优越性．