一流涉农高校的大学排名特征分析——基于US News、QS和软科大学排行榜的研究

[目的 /意义]探究世界一流涉农高校排名特征。[方法 /过程]以US News、QS和软科3个大学排行榜为研究对象,比较一流涉农高校2017年—2019年总排名和农业学科排名的变化情况。[结果 /结论](1)TOP10涉农高校总排名不高,2/3的总排名在100名之后;(2) TOP10涉农高校在农业领域内排名不稳定,3个排行榜同时认可的农业TOP10大学只有康奈尔大学、瓦格宁根大学、加州大学戴维斯分校和中国农业大学;(3)与TOP10大学相比,TOP10涉农高校国别分布更广,中国大学在农业领域排名更为突出;(4)进入排行榜的学科数量和位次极大地影响总排名,但师生规模和生师比对总排名影响不大。建议国内以农业为主的大学要强化农业学科、建设特色学科、提升国际影响力。

基于特征排名的图像隐写分析算法

为提高用于隐写分析的集成分类器的检测精度,提出一种基于特征排名的隐写分析算法。首先计算每维检测特征的互信息得分并根据得分高低将特征进行排名,然后设置分界点将特征分为重要特征区域与普通特征区域,依据设定的抽样比例从两个区域随机抽取特征组成不同的特征子空间并训练集成分类器。最后使用集成分类器进行分类。实验结果表明,针对使用nsF5及S-UNIWARD算法进行隐写的频域及空域图像,本算法较传统分类器在检测错误率方面分别平均下降约0.006 5和0.006 2,具有较好的检测效果。针对频域与空域中两种不同的隐写算法,与传统的集成分类器相比,该算法具有更高的检测精度。

创世界一流大学要因地制宜——读《世界一流大学:特征·排名·建设》

刘念才的《世界一流大学：特征·排名·建设》一书让我们认识到，在思索世界一流高等教育机构时，要采取现实而客观的视角看问题。

基于XGBOOST特征选取的LSTM模型评估股票走势分析

现今世界,股票、基金等成为现代人们的一个重要投资渠道,而未来股价走势变化成为投资者关注焦点。基于此,探讨应用XGBOOST对A股某股票的42个金融特征进行排序。通过构建LSTM模型,借助前五日排名靠前的金融特征预测第六日收盘价。实验结果表明排名前四的金融指标用于预测时,效果不错,均方差仅0.5512%,平均绝对值误差仅5.5856%,R2值高达94.2909%。这说明基于XGBOOST特征选取的LSTM股票预测方法可以成为投资者的一个重要参考。