Oligopoly and Merger: A Simple Classroom Game

Professor Miller describes a game which has been used in intermediate price theory courses as well as in introductory classes. Two versions are presented—a duopoly and a six-firm market, both with undifferentiated product and a known market demand schedule. Students are also asked to make a monopoly of the six firms by forming a trust or holding company. Miller contends that the game is more stimulating than lectures aud suspects that it will result in longer retention.     

萃取精馏技术研究进展

介绍了萃取精馏的操作方式,连续萃取精馏和间歇萃取精馏,萃取精馏溶剂筛选的主要指标是寻求溶剂对分离物系的最大选择度,着重介绍了萃取精馏溶剂的选择方法,目前进行溶剂筛选的方法有实验法、数据库查询法、经验值方法、计算机辅助分子设计法（CAMD）等,从而得出萃取精馏溶剂筛选的结论并对其提出展望。     

软弱地层狭长深基坑开挖对邻近建筑变形稳定性分析——以成都30号线玉石站为例

深基坑工程建设时会对周边建筑产生一定程度的影响。为更加深入及准确地分析深基坑开挖过程中自身结构变形及对邻近建筑物的变形规律,依托成都30号线玉石站狭长深基坑工程,通过理论分析结合数值仿真和现场全过程监测手段系统研究基坑开挖对自身结构及周边环境的影响。结果表明,邻近建筑物深基坑开挖需要提高变形控制标准以降低施工期间对周边建筑物的影响;建筑物旁侧注浆加固一方面降低了施工期间建筑物的沉降,另一方面也减小了基坑围护结构的侧向位移及周边地表沉降;通过对建筑物沉降进行全过程监测结果表明建筑物变形呈现先上升后下降趋势,这与前期注浆抬升及后期未及时跟进注浆联系紧密。上述研究成果可为类似工程提供借鉴。     

深空天线组阵相关合成算法的Simulink仿真与分析

为对深空网天线组阵中几种相关合成算法进行分析比较,构建了一种新的Simulink仿真模型。将其应用于某测控站天线组阵试验数据,验证了模型的可行性。在此仿真模型下,对Simple、Sumple和Matrix-free 算法进行了频标同源/频标不同源、弱信号/强信号、2/3/6个天线等组阵情况下的仿真分析。三种算法在频标同源情况下的合成效率均优于不同源的情况;强信号组阵情况下,三种算法的信噪比合成性能基本相当;Simple算法在6天线情况下,信噪比合成性能下降;Sumple算法在组阵的天线数目很少时,合成信噪比较低且不稳定,在天线数目较多时性能良好;Matrix-free算法性能稳健,合成效率始终大于95%。该Simulink仿真模型对于进行天线组阵信号相关算法的分析具有一定的价值。     

采用USRP、RFNOC和Keras的信号盲识别

随着信号采集设备的带宽越来越宽，大量感兴趣或者不感兴趣信号被捕捉，多信号的盲识别问题是一个难题，更是一个亟需解决的问题。传统的识别大都基于功率、频谱或相位等诸多先验知识进行模板匹配，但在全盲条件下对多信号进行自适应识别是一个更加复杂的问题。为此，提出了一种基于通用软件无线电外设（Universal Software Radio Peripheral,USRP）、片上射频网络（RF Network on Chips,RFNOC）和Keras的自适应信号盲识别算法。首先构造基于深度学习的神经网络，然后使用初始IQ数据、初始功率谱密度数据和快速傅里叶变换(Fast Fourier Transform,FFT)累积算法处理后的谱相关密度数据等三种不同的初始数据去训练它，利用其自适应性实现多信号的盲识别，最后通过基于USRP、RFNOC和Keras的软硬件验证了该算法的有效性和鲁棒性。     

引入深度学习的城市基准地价评估模型研究

研究目的:为全面表征影响因素与土地价格之间的复杂函数关系,提高城镇基准地价预测精度,研究一种更精准的地价评估方法。研究方法:提出一种基于深度学习思想的城市基准地价评估方法,通过实例法验证模型的可行性和有效性。研究结果:(1)与BP神经网络、支持向量机这类浅层学习模型相比,DBN的深层网络结构明显能够更好地挖掘城市地价样本集的深层特征,获得更好的评估精度;(2)DBN的无监督训练框架能够利用少量的训练样本获得较高的评估精度,并且随着无标签样本的增加模型评估精度也逐渐提高。研究结论:DBN模型能够精准拟合地价影响因素和土地价格之间的复杂关系,对于基准地价评估工作具有重要的实际应用意义。     

建筑工程施工中深基坑支护施工技术管理分析

深基坑支护施工技术是建筑工程质量安全的重要保障,是建筑施工的重要组成部分。论文主要从深基坑支护施工技术的介绍、建筑工程中深基坑支护技术的应用和深基坑支护施工过程面临的问题展开分析。     

基于改进AlexNet卷积神经网络的人脸表情识别

为了解决传统卷积神经网络用于人脸表情识别准确率不高的问题，提出了一种基于改进深度AlexNet卷积神经网络的表情识别方法。该方法基于AlexNet网络的基本结构，采用单图形处理单元（Graphics Processing Unit，GPU）进行训练，减少了两层卷积层和一层全连接层，在每层卷积层后加上批标准化（Batch Normalization，BN）代替原来的局部归一化，并在全连接层后加上Dropout正则化进一步防止过拟合。与AlexNet模型相比，改进的网络结构更简单、复杂度低、参数量少，可以节省大量模型训练时间进行快速预测，且更不易过拟合，同时加快了模型收敛速度，提高了网络泛化能力。在Fer2013数据集以及CK+数据集上进行实验，结果表明，所提方法分别得到了68.85%和97.46%的识别率，较其他人脸表情识别方法的识别率有一定提高。     

Journal entry anomaly detection model

Although numerous scientific papers have been written on deep learning, very few have been written on the exploitation of such technology in the field of accounting or bookkeeping. Our scientific study is oriented exactly toward this specific field. As accountants, we know the problems faced in modern accounting. Although accountants may have a plethora of information regarding technology support, looking for errors or fraud is a demanding and time-consuming task that depends on manual skills and professional knowledge. Our efforts are oriented toward resolving the problem of error-detection automation that is currently possible through new technologies, and we are trying to develop a web application that will alleviate the problems of journal entry anomaly detection. Our developed application accepts data from one specific enterprise resource planning system while also representing a general software framework for other enterprise resource planning developers. Our web application is a prototype that uses two of the most popular deep-learning architectures; namely, a variational autoencoder and long short-term memory. The application was tested on two different journals: data set D, learned on accounting journals from 2007 to 2018 and then tested during the year 2019, and data set H, learned on journals from 2014 to 2016 and then tested during the year 2017. Both accounting journals were generated by micro entrepreneurs.     

一种基于Lasso回归与SVD融合的深度学习模型压缩方法

针对深度学习模型所需的海量参数及强大的计算资源而导致其不能很便捷地应用于嵌入式设备或移动端的问题，在Lasso（Least Absolute Shrinkage and Selection Operator）回归通道挑选法的基础上，提出了Lasso+奇异值分解（Singular Value Decomposition，SVD）的融合压缩法。使用VGG-16为初始模型，分别在不同的小型数据集上进行迁移学习，使用迁移学习后的模型在不同的加速率下进行测试。实验结果表明，相对于传统的模型压缩算法，Lasso+SVD的融合压缩法实现了在加速和参数压缩两方面的优势，进而以目标检测为应用方向，在保证准确率的同时不仅降低了模型存储需求，而且也较大提升了模型的实时性。