The Best m-Term One-Sided Approximation of Besov Classes by the Trigonometric Polynomials

In this paper, we continue studying the so called best m-term one-sided approximation and Greedy-liked one-sided ap- proximation by the trigonometric polynomials. The asymptotic estimations of the best m-terms one-sided approximation by the trigonometric polynomials on some classes of Besov spaces in the metricLp(Td(1≤p≤∞ are given.

基于One-class SVM的噪声图像分割方法

为解决现有无监督图像分割模型对强噪声环境鲁棒性差、无法适应复杂混合噪声的问题,提出了一种基于One-class SVM方法的改进后的噪声鲁棒图像分割模型。首先,基于One-class SVM构建一种数据离群程度检测机制;然后,将离群程度值引入能量泛函,令分割模型可以在多种噪声强度下获得较为准确的图像信息,同时避免现有方法在强噪声环境下,降权机制失效的问题;最后,通过最小化能量函数,驱动分割轮廓向目标边缘演化。在噪声图像分割实验中,当选取不同类型和强度的噪声时,该模型均能得到较为理想的分割结果。在F_1-score评估标准下,该模型比基于局部相关熵的K-means(LCK)模型高0.2～0.3,在强噪声环境下具有更高的稳定性,且在分割收敛时间上仅略大于LCK模型0.1 s左右。实验结果表明,所提模型在未显著增加分割耗时的前提下,对于概率、极值及混合噪声均有着更强的鲁棒性,并且可以分割带有噪声的自然图像。

双分支协同策略的弱监督行为检测

弱监督行为检测旨在使用视频级标签定位动作的起止边界及识别相应的行为类别。现有的模型依然存在行为定位不完整、背景干扰等问题。对此,提出了双分支协同策略,为背景帧引入辅助类,采用权重共享机制的非对称式训练,使得该模型能够抑制背景帧的激活以提高定位性能。在优化分支提出中心损失项来学习每个动作类的聚类中心,并惩罚特征与其中心之间的距离及最小类内变化,从而增强特征的可辩别性;基本分支丢弃其动作类的中心区域,同时学习背景特征,通过迭代训练挖掘与其行为相关的不明显区域,有助于更好的模拟背景,实现行为的完整性定位。该算法在THUMOS14和ActivityNet1.2数据集上进行实验验证并与其他相关文献进行比较,结果表明了所提出算法的可行性。

基于多视图与注意力机制的睡眠脑电分期

为了更全面地对睡眠脑电进行特征提取,提出一种基于多视图与注意力机制的睡眠脑电分期方法。首先针对原始睡眠脑电信号构造时域和时频域两类视图数据;然后设计融合注意力机制的混合神经网络对多视图数据进行表征学习;接着通过双向长短时记忆(bi-directional long short-term memory,BiLSTM)网络进一步学习睡眠阶段之间的转换规则;最后使用Softmax函数进行睡眠分期,并利用类别加权损失函数解决睡眠数据类别不均衡的问题。实验使用Sleep-EDF数据库中前20名受试者的单通道脑电信号并采用20折交叉验证对模型进行性能评估,睡眠分期准确率达到83.7%,宏平均F_(1)值达到79.0%,Cohen′s Kappa系数达到0.78。与现有方法相比,算法性能提升明显,证明了所提方法的有效性。

人口老龄化背景下基于福利多元视角的“夹心层”群体长期护理保险需求分析及优化路径研究

目的调查人口老龄化背景下基于福利多元视角的“夹心层”群体长期护理保险需求现状,并分析其需求的影响因素,为完善长期护理保险制度提供一定的参考依据。方法于2023年11月—2024年3月,采取便利抽样法,通过自制的“夹心层”群体长期护理保险需求问卷对德阳市20个社区共计198名“夹心层”老年群体进行调查。结果198名“夹心层”老年群体中不愿意购买长期护理保险者72名,愿意购买长期护理保险者126名;单因素分析结果显示,文化程度、个人平均月收入、经济来源、罹患疾病种类、目前身体状况、疾病是否带来巨大负担、长期护理保险知晓程度不同的“夹心层”老年群体对长期护理保险的购买意愿不同,差异有统计学意义(P<0.05);二元回归分析结果显示,文化程度、个人平均月收入、罹患疾病种类、目前身体状况、疾病是否带来巨大负担、长期护理保险知晓程度是“夹心层”老年群体对长期护理保险购买意愿的主要影响因素(P<0.05)。结论相关部门应根据个体的差异性特征,从家庭、社会及政府的角度制定相应的干预措施,以提升老年群体对长期护理保险的购买意愿,进一步完善长期护理保险制度,为完善老年群体的养老保障奠定坚实基础。

幼儿园节气耕读教育对大班幼儿中华民族文化认同的影响

以二十四节气为时序,以中华民族文化认同培育为目标,以行动研究为取向,经过一年的幼儿园节气耕读教育活动方案的干预,对W市120名大班幼儿的文化认同水平进行一年的追踪研究,探讨幼儿园节气耕读教育活动对幼儿的中华民族文化问题的影响。研究发现,实施幼儿园节气耕读教育活动方案对幼儿的中华民族文化认知与理解、情感态度与偏好、文化认同努力具有积极的影响。梳理提炼出研究过程中实施的幼儿园节气耕读教育活动方案的干预措施,以期为幼儿园节气耕读教育活动的改善和幼儿中华民族文化认同水平的提升提供指导和建议。

绿色债券发行与企业价值的提升——基于PSM-DID模型的中介效应检验

绿色债券作为促进我国绿色低碳转型的重要金融工具,帮助发行企业提升自身价值,是决定我国绿色债券市场可持续发展的关键因素。文章基于沪深A股上市公司的季度面板数据,采用双重差分模型结合倾向得分匹配法进行实证研究,研究表明:绿色债券发行有利于企业价值的提升,但这一过程缺乏动态持续性;企业发行绿色债券会通过缓解投融资期限错配程度、提升社会责任信息披露水平以及降低第二类代理成本等途径提升企业价值;对于制造业、非国有企业和绿色金融改革创新试验区的企业而言,绿色债券发行对于其价值提升的作用更加明显。这对于提升发行企业价值,促进我国绿色债券市场进一步扩容提质具有重要的指导意义。

结合类频率的关联中文文本分类

该文提出一种词类频率和关联中文文本分类相结合的算法ARCTC。此算法将文档视作事务 ,关键词视作项 ,并针对文本事务的特性 ,提出利用词的类频率筛选与分类相关性不大的词汇 ,然后将改进的关联规则挖掘算法用于挖掘项和类别间的相关关系。挖掘出的规则用于形成类别特征词的集合 ,可用来和类标号未知文档的词的集合求交集 ,交集元素个数最多者即为所分类别。实验证明 ,该算法在提高训练时间和测试时间的同时具有较好的召回率、准确率和F Measure。

EEMD和Cohen类联合抑制交叉项的时频特征提取方法

Wigner-Ville分布是一种双线性时频分布,对多分量信号分析存在交叉项干扰.本文提出了一种基于EEMD和Cohen类时频融合算法,该算法采用EEMD算法将信号从频域上分离为若干个固有模态函数之和,再对伪分量之外的各分量进行Cohen类时频变换并叠加,得到信号的时频分布,消除了信号内部各模态函数之间时频分布的交叉项.通过对EEMD和Cohen类时频融合算法进行仿真,与小波分解和Cohen类联合时频算法、EMD和Cohen类联合时频算法的仿真进行比较,结果表明,该算法抑制交叉项效果最好,重构误差最小,同时抑制了噪声对时频特征的干扰.

面向对象方法在梯级水电站中长期预报调度软件制作中的应用

首次将面向对象的技术引入梯级水电站中长期预报调度程序框架设计中 ,用C + +语言编写有关调度类 ,以此实现了数据的封装 ,同时阐明了面向对象方法在水电站优化调度软件编制中的优越性 .

基于类空间密度的文本分类特征加权算法

特征加权是一种依据特征在分类中起到的作用为特征赋予相应权重的过程,是为了提高分类性能而为特征标记权重的策略。基于类空间密度提出了两个新的特征加权算法:tf*ICSDF和ICSDF-based。实验中,在RCV1-4和20 Newsgroups数据集上,采用支持向量机分类器将提出的方法进行了验证。实验结果显示,该方法相比传统的特征加权方法(prob-based、tf*icf和icf-based)可以有效地提升文本分类性能。

船舶工业专业类目中有关类名及其注释的修订

文章对《中图法》中船舶工业有关类目的类名和类目注释的修改进行了探讨。

世界一流学科建设中期绩效考核评估研究

双一流大学建设的核心是一流学科建设。加强学科建设中期绩效考核评估是促进世界一流学科早日建成的有效途径。提出了世界一流学科建设中期绩效考核评估体系建立的基本依据、原则、思路和方法;明确了评价指标遴选来源,确立了从学科建设指导思想、师资队伍、科研成果、人才培养、社会服务与文化传承、国际视野、建设条件、学科组织及学科声誉等9个角度21个一级指标、38个二级指标及其相应的评估考核标准;构建了具有中国特色的世界一流学科建设中期绩效评估等级考核表;为国家制定一流学科中期建设绩效考核方案提供参考建议。

《中国图书馆分类法》第4、5版中的“心理疗法”类目设置

指出《中国图书馆分类法》第4、5版中"心理疗法"类目设置不科学、类名不一致、主题词款目用代关系不正确及主题词—分类号对应错误等问题,提出"心理疗法"应设置成R45西医治疗学的下位类,类名统一使用"心理疗法",款目主题词应改为"心理疗法",其下的用代关系改为"D精神疗法"。

试论少儿汉语的发展及少儿汉语短期培训班的教学模式

随着"汉语热"在全球升温,汉语学习者呈现出明显的低龄化趋势,来华留学生年龄不断降低,越来越多的少儿走进高校参加短期培训。面对汉语发展的新趋势和新挑战,我们从少儿汉语的发展趋势入手,分析了少儿学习汉语的优势,摸索目前少儿汉语存在的问题,提出少儿汉语短期培训班的教学模式。

基于领域类别信息C-value的多词串自动抽取

该本的多词串抽取是自然语言处理领域一项重要的研究内容。该文提出了一种多类别C-value(Multi-Class C-value)方法,利用多词串在不同领域的分布信息改善领域相关的多词串抽取的性能。在汽车、科技和旅行三个领域的数据上进行实验,评价多词串的准确率,在top-100级别上,较传统的C-value方法在三个领域中分别提高了12、12和13个百分点。实验结果验证了方法的有效性。

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%.

深度学习框架下类别不平衡数据情感分析

[目的/意义]将类别不平衡学习方法与深度学习相结合,提升数据不平衡分布下情感分析的性能。[方法/过程]提出LSTM深度学习框架下自适应不平衡数据情感分析方法。不平衡程度低时,对少数类样本进行过采样,然后利用LSTM进行深度学习训练;不平衡程度高时,对多数类样本进行多组均衡化欠采样,然后分别对每组训练数据学习LSTM模型,最后通过集成学习方法,获得最终情感分类结果。[结果/结论]在网络商品评论语料库上的实验结果显示,本方法可以提升类别不平衡数据的深度学习性能,实现不平衡数据的自适应情感分析。

基于分布和逆文本类别指数的特征迁移加权算法

传统机器学习面临一个难题,即当训练数据与测试数据不再服从相同分布时,由训练集得到的分类器无法对测试集文本准确分类。针对该问题,根据迁移学习原理,在源领域和目标领域的交集特征中,依据改进的特征分布相似度进行特征加权;在非交集特征中,引入语义近似度和新提出的逆文本类别指数(TF-ICF),对特征在源领域内进行加权计算,充分利用大量已标记的源领域数据和少量已标记的目标领域数据获得所需特征,以便快速构建分类器。在文本数据集20Newsgroups和非文本数据集UCI中的实验结果表明,基于分布和逆文本类别指数的特征迁移加权算法能够在保证精度的前提下对特征快速迁移并加权。

文本分类中基于熵的词权重计算方法研究

随着文本数据量变得很大且仍在迅猛增加,自动文本分类变得越来越重要。为了提高分类准确率,作为文本特征的词的权重计算方法是文本分类领域的研究热点之一。研究发现,基于信息熵的权重计算方法(熵加权)相对于其他方法更有效,但现有方法仍然存在问题,比如在某些语料库上相比TF-IDF(term frequency&inverse document frequency),它们可能表现较差。于是将对数词频与一个新的基于熵的类别区分力度量因子相结合,提出了LTF-ECDP(logarithmic term frequency&entropy-based class distinguishing power)方法。通过在Tan Corp、Web KB和20 Newsgroups语料库上使用支持向量机(support vector machine,SVM)进行一系列文本分类实验,验证和比较了8种词权重计算方法的性能。实验结果表明,LTF-ECDP方法比其他熵加权方法和TF-IDF、TF-RF(term frequency&relevance frequency)等著名方法更优越,不仅提高了文本分类准确率,而且在不同数据集上的性能更加稳定。