数字经济能否助推工业绿色转型?——基于PSDM及PTR模型的实证研究

文章基于2011-2018年全国省级面板数据,通过主成分分析法构建测度数字经济发展水平的综合指标体系,在厘清数字经济对于工业绿色转型影响理论机制的基础上,采用面板空间计量模型(PSDM)与面板门槛模型(PTR)实证分析了数字经济对工业绿色转型的作用效果、空间溢出效应及门槛效应。研究发现:数字经济对工业绿色转型的影响存在显著的空间效应,直接效应与间接效应均表现为促进作用,且溢出效应大于直接效应;分组回归表明其影响存在明显的区域异质性,中西部地区直接效应与溢出效应均显著为正,而东部地区则与之相反,且东部地区负向溢出效应小于中西部地区正向溢出效应之和;进一步研究发现,数字经济对工业绿色转型的作用会受环境规制与技术创新的影响而呈现出非线性特征。

基于级联卷积和Attention机制的情感分析

目前大多数情感分类方法由于只学习到文本的浅层特征且无法区分不同词的重要性,导致情感分类准确率低的问题,因此提出了一种基于级联卷积和注意力机制的情感分析模型.利用多个卷积层提取序列文本的局部特征,同时使用注意力机制从卷积层生成的特征图中进一步学习相关信息,获取不同词和特征的不同影响权重;然后将两者特征级联在一起,形成一个新的特征图,这个特征图又作为后面卷积层的输入进行特征提取,重复此过程获取文本的深层特征.并且使用全局平均池化代替了传统的全连接来减少网络的参数数量.实验部分通过多个评价指标对比了提出方法与其他模型的性能,证明提出的方法在多个方面具有良好的情感识别性能.

全卷积神经网络在道路场景语义分割中的应用研究

在使用全卷积神经网络处理图像时,网络中的池化层会造成特征信息的丢失,从而导致图像分割结果不理想.为保留更多的特征信息,提出一种没有池化层,只有卷积层的语义分割网络,在保留特征空间降维功能的前提下降低了图像处理过程中特征信息的损失,加深网络深度,同时在反卷积过程中使用跳跃结构融合不同层次的特征信息,提高语义分割结果的精确度.实验结果表明,提出的语义分割网络与全卷积神经网络相比,其结果在MIoU和像素精度方面均有提升.

前馈序列记忆网络在语音识别中的应用综述

为了改进传统的语音识别方法,使其达到低时延、高识别率的目的,以前馈序列记忆网络(feed-forward sequential memory network,FSMN)为研究主线,对语音识别的发展历程,FSMN的各种变体及其相应的应用状况进行综述,结果表明FSMN在语言建模任务上,使用wiki 9数据集能使Perplexity值降到90,并且训练周期比RNN快2倍.未来语音识别的发展趋向于更高识别性能和更多语种.