事务所规模与年报会计政策“类准则”披露——基于文本分析的经验证据

通过计算上市公司年报会计政策披露的“类准则”程度,讨论会计师事务所规模是否为影响上市公司会计政策披露行为的重要因素。研究发现:(1)由规模较大的会计师事务所审计的上市公司,年报会计政策披露的“类准则”程度较低,会提供更多公司会计政策的个性化信息。(2)在上市公司风险增强和会计准则重大变化的两大类场景中,事务所规模与年报会计政策披露“类准则”程度之间的关系都得到增强,说明事务所的风险压力和事务所能力是重要的机制路径。(3)由同一事务所审计的上市公司会计政策披露的“类准则”程度更一致,具有同所效应。(4)基于会计师事务所变更的检验发现,若变更后的事务所规模更大,则会计政策披露的“类准则”程度会降低;若变更后的事务所规模更小,则会计政策披露的“类准则”程度会提高。

基于聚类准则函数的改进K-means算法

K-means算法所使用的聚类准则函数是将数据集中各个簇的误差平方值直接相加而得到的,不能有效处理簇的密度不均且大小差异较大的数据集。为此,将K-means算法的聚类准则函数定义为加权的簇内标准差之和,权重为簇内数据对象数占总数目的比例。同时,调整了传统K-means算法将数据对象重新分配给簇的方法,采用一个数据对象到中心点的加权距离代替传统K-means算法中的距离,将数据对象分配给使加权距离最小的中心点所在的簇。实验结果表明,针对模拟数据集的聚类,改进K-means算法可以明显减少大而稀的簇中数据对象被错误地分配到相邻的小而密簇的可能性,改善了聚类的质量;针对UCI数据集的聚类,改进算法使得各个簇更为紧凑,从而验证了改进K-means算法的有效性。

基于最佳聚类准则的多级模糊态势评估方法

针对态势评估中评估因素的不确定性、模糊性和模糊集划分、隶属函数需事先给定以及忽略了数据分布特点对评估结果影响的问题,提出了基于最佳聚类准则的多级模糊综合评判态势评估方法。根据最佳聚类准则得到最佳聚类数和聚类中心后完成数据属性的模糊集划分及隶属函数的确定,建立了基于单因素的主因素和加权平均的一级模糊评估模型,利用层次分析法得到所有因素对评估结果的影响权值,并建立所有因素的主因素和加权平均的二级模糊评估模型,将其应用到民航灾难态势评估过程,得到了较好的态势评估结果。通过对两种模型的评价,得出加权平均模型的态势评估结果更准确。

施坦伯格的“另类准则”

列奥·施坦伯格与克莱门特·格林伯格、哈罗德·罗森伯格并称为美国艺术史界的文化三山。尽管在艺术写作上三者地位很高,但理念却并不一致。施坦伯格不赞同格林伯格的观点,对20世纪的美国现当代艺术提出了独到的见解。他对形式主义理论的批评对后世艺术史研究产生了较为深刻的影响。其文集《另类准则》收录了施坦伯格最有代表性的批评与论述。本文结合施坦伯格的著述,对其理念与背景作简要梳理。

基于模糊聚类准则的低碳环保植物美景度优化设计路径--以广州市为例

为探究基于模糊聚类准则下的低碳环保植物美景度优化设计路径,以园林景观设计为例,从美景度优化原理出发,探究了美景度的最优提升路径。结果表明:园林景观设计中低碳环保植物美景度的优化应遵循模糊聚类准则的基本原则。基于模糊聚类的景观中低碳环保植物的美景度优化方案,经广州市园林景观仿真实验数据表明,评价精准度较高,可有效提高园林景观的观赏质量,具有推广价值。

基于类3σ准则的光伏功率异常数据识别

在光伏电站实际运行过程中,通信测量设备故障、人为因素均会造成测量数据异常。为了有效地识别和处理异常数据,文章利用混合t Location-Scale分布模型中模型参数易于调整的特征,建立了类似于正态分布3σ准则模型的类3σ准则模型,并利用该模型对光伏功率异常数据进行识别。文章对两个光伏电站的实测数据进行分析,研究结果表明,与正态分布3σ准则模型相比,类3σ准则模型具有正确识别率高、适用性好等优点。

一类基于多目标规划的线性鉴别准则

两类Fisher鉴别准则、大间距线性投影准则以及最大散度差鉴别准则都是直接用于模式分类的两类线性鉴别准则,它们的共同点是将"投影后数据的可分性达到最大的方向"作为最优投影方向。区别在于它们对数据可分性的定义有所不同。过去的研究成果表明,大间距线性投影分类器与支持向量机之间、大间距线性投影准则与最大散度差鉴别准则之间以及最大散度差鉴别准则与两类Fisher鉴别准则之间,均存在着这样或那样的联系。论文试图在以往研究成果的基础上进一步理清这些两类线性鉴别准则之间的内在关系,并建立一个统一的理论框架从而将基于投影后数据可分性的这些两类线性鉴别准则都纳入其中。

信息不完全确定的群体多准则语言聚类方法

针对决策者权重和准则权重信息不完全确定,且评价信息为语言值的多准则聚类问题,提出了一种新的求解方法。首先通过证据推理算法,将方案集的群体多准则语言评价信息转化为方案集模式样本,该模式样本是决策者权重和准则权重的不确定信息的非线性函数,然后根据K-均值方法,利用惯性粒子群算子对模式样本集进行聚类,得到最优聚类中心和方案集的最优聚类。最后实例说明该方法的可行性和有效性。

多准则聚类在行为分析中的应用研究

受噪声数据的影响,在行为分析中采用单一指标进行聚类分析导致细分有效性偏低,文章提出的基于偶极子优化了聚类算法中的外准则,并在此基础上根据外补充原理,建立了多准则聚类算法。仿真实验表明文章提出的基于偶极子的多准则聚类算法以及所定义的多准则体系是合理的。该算法克服了传统聚类算法中的对噪声数据敏感的问题,并在一定程度上解决了聚类算法的有效性问题。

基于核加权类对准则的高光谱影像特征提取

针对高光谱遥感影像中相似光谱的不同地物与野类同时存在时,提取有效的非线性可分性特征的问题,提出一种核加权类对准则。首先,推导出类对形式的核线性判别分析准则,即核类对准则,将核类间和类内散布矩阵均表示为类对形式。然后,提出核加权类对准则,依据核空间中各类对的可分性分别对各类对的核类间和类内散布矩阵进行加权,使得各类对的可分性均衡地保留在特征子空间中。采用K近邻分类器和最小距离分类器评估特征提取的效果。基于两个实测高光谱遥感影像的实验结果均表明:相比原空间法、核线性判别分析方法和kernelweightedpairwiseFisher准则,所提核加权类对准则在降维的同时,通过提高可分性小的类对的识别率来提高整体地物识别率。

金融类会计准则与银行业监管分离的研究

从现状看,金融类别特有的会计准则,从原初的分散状态,逐渐趋向统一。会计准则及多重行业特有的监管,应能设定明晰的分离规制。这种监管分离,密切关联着宏观态势下的经济进展,也折射着根本范畴内的会计需求。金融危机以后,国际建构的会计准则,凸显了偏大范畴的改动。例如:金融特性的工具、租赁及保险拟定的合同、公允价值依循的计量思路。从总趋势看,银行业平日之中的监管,应能与会计特有的准则分离。本文明晰了监管分离的路径。

数据挖掘中聚类算法研究进展

聚类分析是数据挖掘中重要的研究内容之一,对聚类准则进行了总结,对五类传统的聚类算法的研究现状和进展进行了较为全面的总结,就一些新的聚类算法进行了梳理,根据样本归属关系、样本数据预处理、样本的相似性度量、样本的更新策略、样本的高维性和与其他学科的融合等六个方面对聚类中近20多个新算法,如粒度聚类、不确定聚类、量子聚类、核聚类、谱聚类、聚类集成、概念聚类、球壳聚类、仿射聚类、数据流聚类等,分别进行了详细的概括。这对聚类是一个很好的总结,对聚类的发展具有积极意义。

一种遥感图像海上船舶多级自适应聚类分割方法

采用一种改进型图像信息熵来表征目标区域的复杂程度,并以改进型信息熵和Otsu聚类算法为基础,提出一种遥感图像海上目标多级自适应分割方法。实验结果表明,该方法对于中分辨率遥感图像中相对复杂海域背景下的小目标图像分割有着较好的效果。

基于动态聚类的地面移动目标的低空跟踪

文中提出了一种基于动态聚类的地面移动目标低空跟踪方法。该方法根据目标跟踪的实际情况选择分类特征,确定聚类准则函数,采用动态聚类方法,依次对像平面上的象素进行子窗口聚类,然后对子窗口内的象素进行运动区域聚类,最后对运动区域的象素进行目标聚类,从而比较精确地获得被跟踪目标的重心位置,并将其作为下一帧的聚类中心。由此,目标跟踪的过程变成一个动态聚类的过程。该方法是一个非监督学习方法,简单实用,仿真实验也证明了该方法的有效性。

目标函数聚类法的适用性分析

以基于模糊c-划分的聚类方法为基础,针对影响目标函数聚类法聚类效果的主要因素,分别从5个主要方面作了聚类算法的适用性分析。

基于LTSA与K-最近邻分类器的故障诊断

针对局部切空间排列算法(LTSA)的效果受近邻数k值影响较大的缺点,提出基于聚类准则的LTSA与K-最近邻分类器的故障诊断模型。基于振动信号的时域特征构建高维特征矩阵;对高维矩阵进行标准化预处理,依据聚类准则确定局部切空间排列中的最佳近邻数k,运用LTSA提取高维矩阵的低维特征向量;将提取的低维特征向量利用K-最近邻分类器进行故障模式识别。采用轴承诊断实验系统进行验证,结果表明,基于聚类准则的优化方法可有效地克服近邻数k选择的盲目性,提高了局部切空间的降维精度和故障模式识别正确率,其在轴承时域特征维数约简方面,效果优于主成分分析(PCA)与拉普拉斯特征映射(LE),适用于轴承故障诊断。

基于模拟退火的空间聚类算法

根据模拟退火具有寻求全局最优解的特性,在分析模拟退火基本理论的基础上,利用模拟退火基本思想对传统的空间聚类方法——K-means算法进行优化。然后分别对优化后的算法和传统算法进行实验分析。实验结果表明:优化后的方法以概率接受劣解的方式跳出局部极小值,从而为寻求全局的最优解提供了可能。另外,在优化过程中提出并应用了点密度的思想,使得聚类结果不受初始值影响,其执行效率也有所提高。

Web日志模糊聚类算法的研究

本文提出了一种新的Web事务模糊聚类算法 .给出了新的Web事务定义和相异度定义 ,聚类准则函数是所有样本与C个代表中心的相异度之和 ,我们的目标是使这个聚类准则函数最小 .同时给出了改进算法 .经过试验证明 ,改进的算法更有效 .

基于改进K-means聚类算法在电力客户价值分群的应用

针对电力客户特点实行不同的营销策略和提供差异化服务,就需要对电力客户做出准确的分群。传统K-means聚类算法对数据分布均匀的类似球形的数据集聚类效果比较好,一旦数据集分布密度不均衡,类簇大小差异明显时,传统K-means算法容易使稀疏的大类簇被高密度小类簇瓜分,导致电力客户分群正确率下降。论文基于电力客户数据分布不均衡的特点,采用了一种改进的K-means聚类算法。改进的K-means算法提出一个新的加权聚类准则,并根据该准则修改了聚类迭代过程。文章最后在对电力客户数据的分群聚类结果表明,改进的K-means聚类算法的分群聚类效果中各个群类的紧凑性得到有效提高,误分情况明显改善。

融合聚类过采样算法的信贷不平衡数据分类

不平衡数据往往会导致信用机构对“坏客户”的识别率较低。针对传统聚类过采样算法的边界样本损失问题,提出一种融合改进的K中心点算法的过采样方法——KmediodSMOTE,通过引入聚类准则函数和边界阈值以减少边界样本损失,并提出一种适用于非平衡数据的K值选取方法——UET-SSE。首先,根据Pearson相关系数和少数类K近邻确定边界阈值,然后划分适合聚类采样的区域,并使用UET-SSE方法选取K值进行聚类,最后引入“中心度”的概念进行加权过采样。实验结果表明,该方法与经典过采样算法SMOTE、BorderlineSMOTE、KmeansSMOTE相比,在RF分类器下的G-means全为最高,F1-measure在4组数据中有3组最高,有效提高了不平衡数据的分类准确率。