企业双元学习平衡的管理思维

探索型学习与利用型学习是各类企业生存和长远发展的重要基石,这两类学习的研究已成为组织学习领域中的一种新范式。基于组织学习文献的梳理,结合特定的实践案例,提出企业平衡这两类学习的管理思维,以推动企业更好地应用这两类学习来实现组织持续发展。

市场导向均衡、组织学习平衡与产品创新绩效关系研究

随着中国经济的发展及全球经济一体化进程的加快,国内外市场的联系日益密切;与此同时,消费者需求和竞争对手等外部环境的变化为企业的发展带来不确定性,企业如何调整自身的资源以更好地服务市场是亟待研究的课题。以我国企业为研究对象,致力于市场导向均衡、组织学习平衡与产品创新绩效的关系研究,提出市场导向均衡的匹配均衡和联合均衡,分析两个维度及其交互效应对产品创新绩效的影响,并进一步探讨组织学习平衡在市场导向均衡与产品创新绩效之间的中介作用。

二重网络、学习平衡与企业绩效关系研究

由于利用性学习和探索性学习各自的性质截然不同,因此常常使企业在实践中陷入对二者不断权衡取舍的困境中。组织网络中蕴藏的丰富资源可以突破单个企业内部稀缺资源的限制,从而使企业有可能在网络环境中实现两种学习的平衡。通过对慈星公司企业网络与组织学习关系的案例研究,发现企业能够通过构建一种以少数强联结为核心同时又包含大量外围弱联结的二重网络结构,实现对利用性学习和探索性学习的共时性追求,从而持续提升企业绩效。

内外部学习平衡的形成及其对绩效的动态影响研究

由于内部学习与外部学习是两种不可或缺且截然不同的组织学习方式,组织时常会陷入如何对二者进行平衡的困境。而如何平衡及何时平衡两类学习活动成为当前组织管理研究的重要议题。本文以441家科创企业为调研对象,着重以两类学习相互作用为实现平衡的内部视角,以组织容错能力与环境动态性为实现平衡的外部视角,从内部与外部探讨了学习平衡的实现规律。结果显示:(1)从内部视角来看,内外部学习及二者平衡均对组织绩效具有正向影响;当内外部学习中任何一方弱于另一方时,加强弱项能够实现学习平衡,进而提升绩效;但当二者均弱时,单独提升任何一方均不能带来更高绩效,而应当选择同时提升内外部学习的策略。(2)从外部视角来看,组织容错能力对学习平衡具有正向影响;且初创期与成熟期企业容错能力通过序时性学习平衡影响绩效,发展期企业通过共时性学习平衡影响绩效。(3)在初创期,环境动态性对序时性学习平衡的中介过程具有显著负向调节效应;在发展期,对共时性学习平衡的中介过程具有显著负向调节效应;而在成熟期则不具显著调节作用。研究不仅从不同视角揭示了内外部学习平衡的形成机理,而且为企业合理配置学习资源提供了管理启示。

二次创新中组织学习平衡与联盟组合网络匹配对技术能力的影响——京东方1993～2018年纵向案例研究

通过京东方1993～2018年的纵向案例研究,考察了我国后发企业在二次创新过程中,组织学习平衡模式与联盟组合网络匹配对技术能力的影响。研究结果表明,在二次创新过程中,随着焦点企业联盟组合网络由小规模、低多样化程度、弱强交替网络向大规模、高多样化程度、二重网络的演化,动态协同调整组织学习平衡模式由间断型平衡向双元型平衡转变,最终实现长期的组织学习混合平衡将有利于企业实现技术能力的提升与赶超。

企业环境对探索式学习、利用式学习及其平衡影响的实证研究

基于复杂性理论(Complexity Theory)和动态能力理论(Dynamic Capability Theory),根据对来自中国企业的130个样本进行统计分析,研究结果得出,环境动态性和竞争性对探索式学习、利用式学习及这两种组织学习方式的平衡有显著影响,并且存在不同的作用效果。研究提供了新的视角探讨不同的环境特征对探索式学习、利用式学习及两种学习方式平衡的影响。

基于平衡分布自适应迁移学习的多风电机组运行状态监测方法

风电机组状态的准确监测对风电机组安全稳定运行和经济效益提升至关重要。但是,受不同风电机组运行数据分布差异的影响,现有状态监测方法在多风电机组应用场景下存在精度和效率难以兼顾的问题,而平衡分布自适应迁移学习(BDA)可以拉近数据距离,同化数据分布。因此,文章提出了一种基于BDA的多风电机组状态监测方法。首先,基于Copula熵的互信息法挖掘风电机组运行状态关键影响参量;然后,构建基于门控循环单元模型(GRU)和序贯概率比检验(SPRT)方法的单风电机组状态监测模型;最后,构建基于BDA的多风电机组运行数据分布同化模型,并用于多风电机组运行状态监测。算例结果表明,所提方法可以有效节省建模成本和计算成本,能够在保障多风电机组运行状态监测精度的前提下,显著提升监测效率。

中国创新型企业内外部研发合作网络对组织二元学习平衡的影响

组织的二元学习包括探索式学习和挖掘式学习,二元学习平衡有助于创新型企业保持持续的竞争力。中国企业处于挖掘式学习多于探索式学习的阶段,二元学习平衡需要进行更多的探索式学习。外部新知识进入有利于企业探索式学习,内部既有知识利用有利于企业的挖掘式学习,企业二元学习的平衡则需要两者的结合。企业外部和内部研发合作网络的特征分别影响企业的外部新知识进入与内部知识的识别和吸收。通过分析31家中国创新型企业2000—2016年在德温特创新索引数据库上的134 814个发明专利数据,结果发现:中国创新型企业在外部研发合作网络中的程度中心性和结构洞均正向影响企业二元学习平衡,企业内部研发合作网络的中介中心势正向调节企业在外部研发合作网络的程度中心性与二元学习平衡的关系,企业内部研发合作网络的程度中心势负向调节企业在外部研发合作网络的结构洞与二元学习平衡的关系。最后,就企业如何通过内外部研发合作策略提升中国企业的二元学习平衡展开了讨论。

基于平衡学习的CMAC神经网络非线性滑模容错控制

以一改进的信度分配CMAC(cerebellar model articulation controllers)神经网络为在线故障诊断的手段,将变结构滑模控制技术引入容错控制器设计之中,提出一种动态非线性系统主动容错控制方法.在常规CMAC学习算法中,误差被平均地分配给所有被激活的存储单元,不管各存储单元存储数据(权值)的可信程度.改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的-p次方成比例,从而提高神经网络的在线学习速度和精度;在此基础上利用滑模控制算法进行容错控制律的在线重构,实现动态非线性系统在线故障诊断与容错控制的集成.分析了系统的稳定性,仿真结果表明改进故障学习算法及容错控制的有效性.

基于平衡学习的CMAC神经网络非线性辨识算法

为提高小脑模型关节控制器(CMAC)神经网络在线学习的快速性和准确性,提出一种平衡学习的概念,并设计一种改进的CMAC学习算法.在常规的CMAC中,误差的校正值被平均地分配给所有激活存储单元,而不管这些存储单元的可信度;在改进的CMAC中,利用激活单元先前学习次数作为可信度,其误差校正值与激活单元先前学习次数的负k次方成比例.仿真结果表明,当k为一适当数值时,改进CMAC具有较快的学习速度和较高的精度,特别是在神经网络的初始学习阶段.

若干评价准则对不平衡数据学习的影响

为解决绝大部分传统的以精度准则为优化目标而获得的分类器不适于不平衡数据学习(IDL)的问题,文中通过在支持向量机(SVM)模型上进行"元学习",研究了精度、平衡精度、几何平均、F1得分、信息增益、AUC(ROC曲线下方图面积)以及文中新提出的GAF和GBF等评价准则对IDL的影响.在16个来自UCI的不平衡数据集上进行了仿真实验.对实验结果的统计分析表明:不同准则对分类器性能的影响有显著差异;即便是对于先进的学习方法支持向量机(SVM)而言,若以精度准则最大化选择分类器,那么得到的SVM分类器也容易偏向预测多类;通过在其他准则上优化,能输出纠偏了的SVM分类器,它们的整体性能更好,尤其是在预测少类能力方面;在GAF以及GBF准则上优化所得的SVM分类器具有稳定且良好的性能.

企业内外部知识分布与二元学习平衡:基于中国创新型企业的实证研究

二元学习平衡是指企业兼顾探索式学习和挖掘式学习,它是企业实现短期绩效与长期绩效的关键。由于知识在企业外部合作伙伴之间的分布影响企业获取外部知识,知识在企业内部研发人员之间的分布影响企业吸收外部知识,知识分布会影响企业二元学习平衡。本文引入二模网络分析方法刻画知识分布特征,实证了知识分布对于企业二元学习平衡的影响,包括知识在企业外部合作伙伴之间分布的广泛性和不均匀性影响企业外部知识获取、知识在企业内部研发人员之间分布的异质性和重叠性影响外部知识吸收。本文分析了2000—2016年29家中国创新型企业的134767个专利数据,结果表明:知识在企业外部合作伙伴之间分布的广泛性和不均匀性正向影响企业二元学习平衡;知识在企业内部研发人员之间分布的异质性正向调节知识在企业外部合作伙伴之间分布的广泛性与不均匀性与企业二元学习平衡的关系;知识在企业内部研发人员之间分布的重叠性负向调节知识在企业外部合作伙伴之间分布的广泛性与企业二元学习平衡的关系。最后,本研究就我国创新型企业内外部知识布局和研发管理提出对策建议。

计算机辅助乳腺癌诊断中的非平衡学习技术

针对计算机辅助诊断(CAD)中学习算法处理非平衡数据时,分类器预测具有大类样本的分类误差小,而稀有类样本的分类误差大的倾向性分类问题,提出基于反向k近邻的欠采样新方法.通过去除大类样本集中的噪声及冗余样本、保留具有类别代表性且可靠的样本作为有效样本以此平衡训练样本集,解决了欠采样引起的类别信息的丢失问题.基于UCI Breast-cancer数据集的仿真实验结果表明,该方法解决了非平衡学习问题的有效性,进一步的横向评测对比显示该算法性能显著优于其他同类算法.

研发企业学习平衡及其对不同结果的动态效应

组织内部学习与外部学习作为组织创新的重要知识资源,其在组织创新资源转化进程中发挥着重要作用。但当前关于组织内外部学习间关系(协同效应还是替代效应)及该关系在不同组织结果导向、不同企业发展阶段下是否具有差异化的问题仍然讨论不足。为了识别在不同组织结果导向下内外部学习及其平衡与企业发展阶段的动态匹配规律,研究基于研发企业调研发现:平衡式学习对组织创新绩效具有正向影响,但该学习平衡在不同企业发展阶段呈现出不同的平衡模式。在企业初创期,更宜选择时序性平衡模式;在企业发展期,更宜选择共时性平衡模式;但在企业成熟期,若以组织创新作为学习目标时,两种平衡模式均可,若以组织绩效作为学习目标时,更宜选择时序性平衡模式。研究明确了组织在不同发展阶段如何选择内外部学习平衡模式能为组织带来更佳乃至最佳结果,揭示了不同时期组织内外部学习平衡情境下的组织结果优化策略。

非平衡集成迁移学习模型及其在桥梁结构健康监测中的应用

在桥梁结构健康监测与状态评估过程中所获得的桥梁结构数据库常存在间断性异常或缺损,且不同样本分类数据不均匀,难以在信息缺失、数据分布失衡的情况下完成对桥梁结构健康的监测与状态评估.针对这一问题,在改进相似性度量函数的SOM聚类算法和非平衡集成迁移学习算法的基础上,提出了一种改进的迁移学习模型.通过对实际监测数据的分析,该迁移学习模型的分类精度随着目标数据集所占比例的不断增加而提高,验证了该模型的有效性和科学性.

极限学习机类不平衡数据学习算法研究

针对目前提出的Boosting提升的加权极限学习机算法用各类总分类性能作为算法的优化目标,算法对大类样本具有性能偏向性,而且没有考虑数据中包含噪声及噪点时算法对分类性能的影响,提出基于AdaBoost提升的WELM算法。该算法利用考虑各类样本分布不平衡特性的误差计算方式并对误差进行了sigmoid运算,提高了算法的对大类样本和小类样本的识别率及算法的抗噪声能力。通过在15个UCI不平衡数据集进行分析实验,实验结果表明提出的算法具有更好的分类性能。

基于惩罚的SVM和集成学习的非平衡数据分类算法研究

利用各类算法对非平衡数据进行处理已成为数据挖掘领域研究的热问题。针对非平衡数据的特点,在研究支持向量机的相关理论及K-SVM算法基础上,提出基于惩罚机制的PFKSVM(K-SVMbased on penalty factor)算法,克服K-SVM在最优分类面附近易发生错分的问题;并提出由重构采样层、基本训练层和综合判定层组成的集成学习模型。利用UCI公共数据集的实验验证了PFKSVM算法及集成模型在处理非平衡数据分类时的优势。

基于半监督过采样非平衡学习的矿山微震信号识别

为准确实现冲击矿压灾害的预防预警,提出一种半监督过采样框架对煤矿微震数据进行模式识别,采用主成分分析、小波变换和Fisher判别对微震数据集样本的多个信号通道进行特征提取;并对提取到的特征数据进行半监督非平衡学习;最后训练分类器进行模式识别。通过在兖矿集团微震数据集进行试验,结果表明:针对微震数据的半监督过采样框架可以有效提高微震数据的识别准确率。与只进行过采样的方法相比,使用CPLE和SELF两种半监督学习的方法,在KNN、LR、FLD、RF、SVM和Adaboost这6个分类器上有5个分类器上识别效果更好,可以获得更好的回归率和F1的指标。此方法可以获得高维微震数据的压缩表达,解决不平衡微震数据集的识别问题。

基于非平衡学习与交互式标注的引文情感动机标注系统

随着现代文献的数据量不断增长,仅仅依靠论文引用次数的传统方式无法很好的描述论文的真实影响力,基于引文内容的情感动机的研究成为新的研究重点。虽然当前的研究中存在大量自然语言处理工具可以处理文献文本,但并没有专门针对文献引文情感动机的处理工具。为解决引文动机样本分布极度不均衡和引文动机标注数据生成效率低下的问题,本文提出构建一个基于非平衡学习和交互式标注的引文系统。经过实验证明,本文提出的系统可以较好提高引文情感动机标注效率。

基于自适应权值融合的多模态情感分析方法

多模态情感分析是利用多种模态的主观信息对情感进行分析的一种多模态任务,探索模态间的有效交互是多模态分析中的一项重要研究.在最近的研究中发现,由于模态的学习速率不平衡,导致单个模态收敛时,其余模态仍处于欠拟合的状态,进而削弱了多模态协同决策的效果.为了能更有效地将多种模态结合,学习到更具有表达力的情感特征表示,提出一种基于自适应权值融合的多模态情感分析方法.所提方法分为两个阶段:第1个阶段是根据不同模态的学习梯度差异自适应地改变单模态特征表示的融合权值,实现动态调整模态学习速率的目的,把该阶段称为B融合(balanced fusion).第2个阶段是为了消除B融合的融合权值对任务分析的影响,提出模态注意力探究模态对任务的贡献,并根据贡献为各模态分配权重,把该阶段称为A融合(attention fusion).用于情感分析的多模态表示由B融合和A融合的结果共同组成.实验结果显示,将B融合方法引入现有的多模态情感分析方法中,能够有效提升现有方法对情感分析任务的分析准确度;消融实验结果显示,在B融合的基础上增加A融合方法能有效减小B融合权重对任务的影响,有利于提升情感分析任务的准确度.与现有的多模态情感分析模型相比,所提方法结构更简单、运算时间更少,且任务准确率优于对比模型,表明所提方法在多模态情感分析任务中的高效性和优异性能.