上市公司发行可转换公司债券的相关会计问题探讨

可转换公司债券是近年来上市公司使用较为频繁的融资工具。由于嵌入了多重工具,使得其既是混合金融工具,又属于复合金融工具,会计处理较为复杂,导致实务中对反稀释条款是否影响转股权的分类、回购权和回售权是否需要进行分拆处理、向下修正转股价格条款的处理等问题存在一些困惑以及不同的观点。本文从金融工具准则的相关规定入手,针对上述问题进行了分析后认为,反稀释条款并不影响转股权分类为权益工具,回购权和回售权应和主债务合同整体被分类为以摊余成本计量的金融负债,执行向下修正转股价格条款会导致损失的确认。     

基于深度学习的跳频信号识别

针对跳频信号分选存在人工提取参数特征具有复杂性的问题，提出了一种基于深度学习的识别方法。首先对跳频信号进行短时傅里叶变换，得到二维的时频矩阵；接着提取信号的轮廓特征，构造三维矩阵作等高线图，并对等高线图进行预处理；最后把预处理后的等高线图输入到卷积神经网络中进行训练、测试，进而实现分类识别。仿真结果表明，在不需要复杂的人工提取参数特征的基础上，在分选率为100〖WT《Times New Roman》〗%〖WTBZ〗时，所提方法经裁剪处理下的信噪比为-15 dB，比支持向量机和传统K-Means聚类算法都低10 dB。实测数据的算法验证表明，所提方法能够将大疆精灵4Pro、hm无人机、司马航模X8HW以及大疆悟2这四类无人机正确分类。     

高管薪酬、董事会治理与分类转移

本文研究了高管薪酬和董事会治理对分类转移的影响。研究表明,货币薪酬会诱使高管向上转移利得,股权激励和缺乏区分度的薪酬制度会诱使高管同时向下转移费用和向上转移利得;而勤勉、独立和两职分离的董事会能够在一定程度上识别并抑制这两种不同方式的分类转移;但董事会对分类转移的抑制程度小于高管薪酬对分类转移的诱发程度。进一步地,良好的市场、法制和媒体监督环境能够有效缓解高管薪酬对分类转移的诱发作用,而董事会能够有效弥补法制建设和媒体监督不足导致的分类转移治理缺陷,并在较高质量的审计环境下对分类转移发挥更强的抑制作用。本文首次结合制度背景和媒体监督研究了公司核心治理机制对不同分类转移方式的影响和原因,并创新性地对向上转移利得的程度进行了衡量,为监管部门及公司治理机制、会计准则的制定者提供经验证据。     

浅谈现代内部审计的风险管理控制方法

现基于我国有关于内部审计、风险控制的成熟研究成果,首先阐述了内部审计中"风险"的定位,然后分析了现代内部审计的风险管理控制和传统内部审计的差异,主要包括工作侧重不同;工作深度不同;工作广度不同,最后提出了现代内部审计的风险管理控制方法,以期为我国企业内部审计工作完善提供可靠参考借鉴。     

一种基于微波雷达回波信号的车型分类方法

车辆类型识别方法是智能交通系统的关键技术之一。利用深度学习的高维特征泛化学习能力，将改进的LeNet-5卷积神经网络用于基于交通微波雷达的大小车型分类识别。首先，以雷达触发前的N帧信号为基础，对雷达的回波信号进行分析并构建数据集；然后，分析LeNet-5卷积神经网络的特点；最后提出一种改进的LeNet-5卷积神经网络。实验结果表明，与传统的支持向量机方法相比，所提方法能够智能学习大小车的雷达时频信号特征，大小车型识别准确率达到97%以上，可为交通场景下的车型识别研究提供新的技术途径。     

农村生活垃圾分类处理现状、问题及对策研究

农村生活垃圾分类处理是保护环境、节约资源、发展循环经济的关键。对此,国内外已经做了很多研究,但在实践中还存在不少问题,应加大垃圾分类宣传力度,推行垃圾分类标准,加强垃圾分类基础设施建设与分类监管,还应建立治理模式。     

基于机器学习的金融消费场景预测探索

随着近年来人工智能产业和大数据技术的飞速发展,传统金融行业逐渐向金融科技转型。招商银行信用卡中心提出依靠数据,预测用户是否会购买掌上生活APP优惠券这一实际业务场景。依据这一实际问题,采用了各种机器学习方法,包括逻辑回归、随机森林、Xgboost、LightGBM,对这一问题进行探索。最后采用集成学习方法对最终结果进行融合。本文采用了上述几种算法模型进行预测,对模型原理进行了分析,并在多个评价指标上衡量各个模型的表现,横向对比了不同模型的优缺点,并对造成结果差异的原因进行了总结。     

深度学习方法在作物遥感分类中的应用和挑战

[目的]准确估算作物的面积和分布对粮食安全至关重要。与传统的机器学习方法相比,深度学习具有多种优势,如端到端训练、可迁移性。为有效利用高时空数据进行作物识别提供了新的机遇。已有多种模型被应用于作物分类任务中,针对不同的分类任务,如何有效地选择模型,并对其进行训练和使用已成为关键问题。[方法]文章回顾了利用深度学习模型对作物分类的主要研究。N维卷积神经网络(N-D CNN)(N=1、2、3)和递归神经网络(RNN)已被有效用于作物分类任务。长短期记忆RNN(LSTM RNN)和门控循环单元RNN(GRU RNN)是RNN的变体,解决了随着时间序列增加RNN出现的梯度消失或爆炸问题。此外,还有研究使用CNN和RNN(我们称为RCNN)的混合模型对作物进行分类。该文首先阐述了使用深度学习方法进行作物制图的背景和意义,并介绍了CNN和RNN模型结构。然后回顾了一些典型的研究,包括模型的结构、遥感数据源、数据处理方法和分类精度。最后,总结了使用深度学习方法进行作物分类的挑战以及现有解决方案的局限性。[结果](1)1-D CNN可用于提取时间特征,或时间+光谱特征,分类效果良好;2-D CNN已被广泛应用于单时相数据的空间特征提取,分类精度依赖于数据源;3-D CNN应用较少,但具有很大的潜力,尤其是时间+空间维度的特征提取;(2)相同条件下(架构、数据源、研究区域、类别),LSTM RNN和GRU RNN分类效果通常高于普通RNN,而前两者的效果差距不大,但GRU RNN训练时间较短;(3)CNN+RNN混合模型(RCNN)用RNN比3-D CNN更适合提取时间特征。这主要是由于RNN建立了对序列数据的长期依赖,而3-D CNN卷积核是局部计算的。[结论]通过分析,认为深度学习技术是作物遥感分类的有效工具。此外,与其他模型相比,RCNN,3-D CNN和GUR RNN具有更大的潜力。     

社会心理服务驱动下信访“分类治理”的理路——以河南省西平县为例

学界对于信访分类治理的研究大多基于因“人”分类或因“事”分类展开,形成了信访分类治理研究的基本范式。然而,社会心理服务嵌入信访治理体系,为信访分类治理提供了新的视野:因“心”分类,即按照信访人“心理诉求——利益诉求”的两分原则,将信访人分为利益型、心理型、耦合型和无意识型四种。本文以西平县信访治理实践为个案,提炼出由“心”而治的信访分类治理模型,并对该模型的治理理路进行了分析。研究发现:地方政府对信访频次、情绪和事件的三维叠加形成了信访分类治理的参照维度,而地方政府对治理技术的灵活性运用则构成了信访分类治理的动态实践。本文为信访分类治理过程中信访人的心理诉求与利益诉求间的关系提供经验事实,并为社会心理服务驱动下的信访分类治理理路提供分析框架。然而,受限于研究区域和案例数量,本文提炼出来的由“心”而治的信访分类治理模式还有待进一步验证和完善。