关键词： 企业行政合规   合规激励   行政处罚  

摘要： 当前理论与实务界往往混淆企业行政合规与行政普法、行政指导、行政监管、行政执法和解、当事人承诺制度之间的区别,甚至将其中多项概念简单予以等同,产生了所谓的“行政指导型企业合规”“行政普法型企业合规”等错误做法。究其根本,这主要源于对企业行政合规概念理解的扩大化、片面化、趋同化。所谓企业行政合规,应当是指为避免因企业或企业员工相关行为给企业带来行政责任,行政机关通过行政法上的激励机制,推动企业主动以行政法律监管的标准来识别、评估和预防行政制裁风险,制定并实施符合行政监管的计划和措施。这一概念所包含的要素有利于澄清企业行政合规的合规目的、合规范围、合规依据、合规对象等多项争议问题。

关键词： 大数据流水线   算法模型集成   激光雷达   机器学习   随机森林   πFlow  

摘要： 【背景】激光雷达(LiDAR)数据在森林资源分析利用方面有着广泛应用,科研人员研制了很多涉及大数据管理和人工智能的专业算法模型,这些算法模型目前多数散落在研究人员手里,尚缺乏新型信息化平台对其进行整合。【方法】大数据流水线系统πFlow软件具有大数据管理能力和大数据算法集成能力,并可以所见即所得方式构建流水线并调度运行流水线,适合于LiDAR数据复杂算法模型的整合,且流水线可定制、可复用。【内容】本文介绍了πFlow的特点和功能,并以基于LiDAR冠层高度模型(CHM)数据的树冠解析及利用机器学习方法估测树木生物量为例,介绍了将算法整合到πFlow并构建LiDAR数据分析处理流水线的方法和技术,且对流水线进行了测试运行。【结果】利用πFlow构建的可重复信息化平台可支撑野外站观测网络的LiDAR数据生物量快速反演,为数据密集型的专业数据处理算法模型的整合提供了创新方法技术。

关键词： 功能近红外光谱   脑-机接口   深度迁移学习   跨受试解码   改进型启发式残差网络  

摘要： 在基于功能近红外光谱(fNIRS)的脑-机接口(BCI)领域中,传统的受试特定解码方法存在校准时间长和跨受试泛化性低等问题,从而限制了BCI系统在日常生活和临床领域中的推广和应用。为解决上述困境,本文提出了一种新颖的深度迁移学习方法,该方法联合了改进型启发式残差网络(rIRN)模型和基于模型的迁移学习(TL)策略,简称TL-rIRN。本文开展了跨受试识别心算和心唱任务的试验,以验证TL-rIRN方法的有效性和优越性。结果表明,相较于受试特定解码方法和其他深度迁移学习方法,TL-rIRN方法显著缩短了校准时间,减少了目标模型的训练时间和计算资源的消耗,并增强了跨受试解码性能。综上,本研究为fNIRS-BCI系统的跨受试、跨任务以及实时解码算法的选择提供了依据,在构建便捷通用型BCI系统方面具有潜在应用价值。

关键词： 地震预测   机器学习   集成学习   特征融合   数据驱动   临震特性   地震三要素  

摘要： 地震是极具破坏性与不确定性的自然现象,在人们毫无察觉的情况下地震发生在人口稠密区时,将严重危害人们生命财产安全。人们不断努力了解地震的物理特征和物理危害与环境之间的相互作用,以便在地震发生前发出适当的警报。可靠的地震预测应包含对地震信号的分析,但是这些信号在地震发生前不明显;因此使用数据驱动机器学习的方法来分析这些信号与地震的联系并预测地震。通过建立观测台网连续监测与地震发生相关的各种物理量或化学量,据此获取的地震前兆信息是地震预测的研究基础。地震发生前,地球物理场发生显著变化,伴随电磁和地声等多种前兆信号,其中电磁和地声信号具有临震特性,是开展地震临震观测预测研究的重要数据来源;因此对地下的电磁扰动和地声信号进行实时监测,获取长期观测数据用于数据驱动机器学习方法预测地震。该文基于AETA数据的临震模型预报,针对多分量地震监测预测系统(Acoustic and Electromagnetic Testing All in one system,AETA)在川滇地区记录的电磁和地声数据,提取时域和频域特征,采用基于随机森林算法、轻量级梯度提升决策树和极度随机树的集成学习方法共同预测该区域的发震情况,选取发震概率最大的子区域中心位置作为震中预测结果,进一步训练LightGBM回归模型以预测此子区域的震级,按周对地震三要素进行预测。实验结果表明,该方法在川滇地区地震风险预测上,准确率可达0.64,震级预测的平均误差为0.38,最小误差为0.00,具有良好的预测效果。

关键词： 神经网络   时间分数阶扩散方程   数值分析  

摘要： 偏微分方程可以用深度学习方法求解,其求解思路是构建损失函数、采集样本点,然后在采集到的时空样本点上利用随机梯度下降法训练神经网络,直接去逼近方程,从而把方程求解问题转化为极小化损失函数的问题.特别地,对时间分数阶扩散方程而言,损失函数刻画了神经网络与方程的分数阶算子、初值条件、边界条件等的逼近程度.常见的损失函数有均方误差损失函数及交叉熵误差函数.理论上,使损失函数减小到零的神经网络就是方程的解.本文证明,用深度学习方法求解时间分数阶扩散方程时均方误差损失函数可以减小到零,且相应的神经网络在解区域上一致收敛到方程的真解,因而此时的神经网络就是方程的解.数值算例验证了理论分析.

关键词： 点云配准   三维视觉   特征提取   特征融合   深度学习   兴趣点聚合   多尺度特征   Transformer网络  

摘要： 针对近几年三维视觉领域基于深度学习点云配准算法鲁棒性差和精度较差等问题,设计了一种基于深度学习的三维点云配准方法。首先抽取具有明显几何特征的点作为兴趣点,通过区域生长算法对兴趣点进行聚合,并基于多尺度分析方法进行特征提取以及特征融合。为进一步提取特征数据中包含的深层局部信息,使用多层感知机(multilayer perceptron,MLP)网络进行二次特征提取,并加入修改过的Transformer网络补充特征。设计了匹配矩阵生成及优化算法,并通过奇异值分解(singular value decomposition,SVD)计算得到变换矩阵。通过在ModelNet40数据集上进行比较实验,证明本文的配准算法远优于传统配准算法,并在配准精度和鲁棒性方面优于近几年流行的深度配准网络DCPNet和RPMNet。本文分析结果可为提高点云配准鲁棒性以及精度提供参考。

关键词： 微型电机   质量检测   物理模型   粒子群优化   支持向量机  

摘要： 为了解决微型电机声学质量检测人工手摸及听诊方法存在的主观误判率高、效率低下等问题,同时兼顾检测结果准确率和检测模型构建的快速性,提出了一种小样本机器学习检测方法,其根据微型电机传动链物理模型进行多维声学故障特征提取,在此基础上,采用粒子群优化算法对支持向量机这种小样本学习方法的核心参数进行优化,从而提高模型判别的准确率。试验结果表明,该方法能够有效判别微型电机异常振动和声音,准确率达到95%以上。

关键词： 肝细胞癌(HCC)   线粒体氧化应激   机器学习   预后   风险模型  

摘要： 肝癌是常见的恶性肿瘤之一,晚期肝癌的预后极差。鉴于线粒体氧化应激在肝癌发生发展中的重要作用,选用线粒体氧化应激相关基因构建肝细胞癌(hepatocellular carcinoma,HCC)预后风险模型。首先,结合单因素Cox回归分析与支持向量机、随机森林分析、LASSO回归分析3种机器学习方法筛选预后关键基因,并基于多因素Cox回归分析构建模型;其次,在数据库中对模型的预后价值进行验证;再次,利用基因富集分析探讨高低风险组间预后差异的可能机制,并比较两组间的免疫微环境及治疗反应;最后,使用实时荧光定量逆转录PCR(reverse transcription quantitative real-time PCR;RT-qPCR)验证关键基因在HCC组织中的表达。结果共筛选出PDE2A、TREM2、BMP6、NQO1、CPS1、EPO、MAPT、G6PD、SFN、HMOX1十个基因。与低风险组比较,高风险组HCC患者预后较差(P<0.0001)。富集分析表明,过氧化物酶体增殖物激活受体(peroxisome proliferator-activated receptor,PPAR)信号通路等在高低风险组间存在显著差异。肿瘤免疫分析表明,肿瘤免疫浸润、免疫检查点相关基因、免疫治疗反应等在高低风险组间也存在显著差异。RT-qPCR的验证结果表明,相比正常肝组织,HCC组织中CPS1、PDE2A、BMP6的表达显著降低(P<0.05),而G6PD、SFN的表达显著升高(P<0.05)。总之,本研究建立的线粒体氧化应激相关HCC预后风险模型具有良好的预测效能及准确度,可用于HCC的精准治疗,有较高的临床应用价值。

关键词： “互联网+”背景   小学数学   自主与合作学习   教学方法  

摘要： 科学技术的不断发展让信息化教学受到更高的关注,各学段、学科教师在授课过程中都应发挥互联网优势丰富课程内容、组织多样实践活动,让学生更深入理解知识并提高实践能力。基于此,本文聚焦小学数学课堂教学,分析“互联网+”背景下数学教师引导学生“自主与合作”学习的方法,以供参考。

关键词： 核心素养   语文课程改革   有意义的学习  

摘要： 核心素养导向的语文课程改革深入人心,但在教学实践层面,存在着课堂教学的概念化、抽象化、形式化等新问题。课程改革的根本目标是通过教与学方式的变革,追求更有意义的学习,全面发展学生的核心素养。语文课堂应重点研究设计指向课程育人的核心问题、指向语用能力的语言实践活动、指向“教—学—评”一致性的课堂评价,以落实语文新课程标准的新理念,用好统编语文教材,建构语文教学新样态。