关于独立学院会计电算化教学方式的几点探索

随着会计信息系统及计算机网络的发展,会计电算化已普遍运用于各个企业,相应的电算化培训课程也得到了快速发展。对独立学院会计电算化的教学提出几点建议:强调以学为主的教学设计模式;合理安排课程时间,适当扩充教学内容;在会计中的运用excel函数;试运行"双轨制"模式;尝试"看板管理教学";建立会计电算化实践基地。     

模糊图象计算机优化处理的讨论

本文针对模糊图象的成因,通过建立模糊图象的数学模型和相应的转移函数,提 出了优化处理的目标函数及其处理方法,得出相应的结论。     

赡养负担、利率水平抑或收入对储蓄的影响研究——基于安徽数据的实证

选取安徽省城乡居民储蓄存款、赡养负担、利率等指标,运用单位根检验、协整检验、脉冲响应函数,对安徽省城乡居民储蓄的各影响因素进行分析,结果表明:收入水平是影响居民储蓄的最主要因素,通胀对储蓄的影响甚微,而居民赡养负担则对储蓄有着长期的影响。     

前景理论在高校教师绩效评价与激励策略中的应用

前景理论分为编辑和评价两个阶段,不同的绩效评价指标决定不同的"决策框架",不同的绩效评估设定方式直接影响参考点的选择,从而影响评估者的偏好。高校目前的绩效考核指标设定一定程度上会导致教师出现损失规避、不愿意创新等行为。前景理论从新的角度为绩效评估和激励策略提供了思路,为解决目前我国高校教师绩效偏差和教师普遍缺乏创新等问题给出了可行的研究方向。     

审判准确性与社会成本的衡量——民事抗诉制度的法经济学分析

民事抗诉制度是否有效率是决定其存在的关键.民事抗诉制度有效存在的前提是它的运行成本和通过更改正确判决所造成的损失必须小于错误判决所造成的预期损失,而且制度运行成本必须大于实现其功能的平均值.通过构建社会成本函数以及数据检验发现:我国错误民事判决改正的概率远远高于正确判决改错的概率,而且民事抗诉制度的实际运行成本也远远小于其挽回错误判决的损失,并且抗诉制度的存在还有利于降低民事审判程序的运行成本.因此,我国民事抗诉制度是有效率的,应在现行基础上不断改进而不是废止.     

论我国区域公共投资的优化

我国区域经济总体战略实施以来,区域公共投资有了迅速增加,与此紧密相连的是经济发展水平的大幅提升。区域公共投资具有一定的时效性,表现在公共投资的产出弹性普遍低于私人资本,就当期影响而言,区域公共投资对于经济增长的作用也是不对称的。为促进区域经济的协调发展,必须以实现区域基本公共服务均等化为导向加大对中西部地区的公共投资力度。实施投资差距政策,使中西部地区的公共投资远大于东部及东北地区的公共投资,政府要合理界定投资领域,实行差别化的区域公共投资。     

大面积排查中计算机应用的探讨

本文探讨一种用于计算机辅助侦查的算法,这种算法基于模糊集合理论,可用于搜求嫌疑对象的快速排查。     

国家应该花多少钱用于健康?——卫生投入与健康结果的文献评估

医疗卫生体制改革是一个世界难题。中国自新医改以来政府投入巨大,但卫生投入究竟应该增加到多少仍缺乏明确目标,而世界各国卫生投入规模差异较大,缺乏有效的参照标准。是否有方法可以评估一个国家适宜的卫生投入标准?论文梳理了计算卫生投入的经济学方法及评价标准,指出卫生投入规模的确定应以健康结果而非经济增长为目标,两者关系可通过健康生产函数来估计。但已有文献中,通过健康生产函数估计的卫生投入与健康结果的关系并不一致,论文进一步厘清了影响健康的社会经济地位、环境与生活方式、卫生保健与政治制度四个主要的因素,并分析了出现研究结论不一致的原因即卫生投入规模的结构突变点存在的可能性。     

哈希索引在交警专用移动执法终端数据检索中的应用研究

交警专用移动执法终端内存小、CPU主频低,使用闪存存储数据,闪存读写速度慢;此外,移动终端需要存储的数据记录数达数百万。针对上述特点,本文提出了一种适用于移动终端数据检索的哈希索引技术,该哈希索引技术针对身份证明号码、号牌号码等关键字特征设计哈希函数,从而减少哈希冲突;使用哈希桶技术解决哈希冲突,并使用"二分法"进行哈希桶内记录检索,加快检索速度。实验证明,使用该哈希索引技术可以有效减少闪存读取次数,提高数据检索速度,非常适合于移动终端大数据量关键字等值检索。     

一种加强区分的深度人脸识别训练方法

作为AI+公安视频分析落地应用最具代表性的技术之一,得益于深度卷积神经网络算法和海量的人脸训练数据,人脸识别技术水平近年来得到了快速提升。在众多的卷积神经网络技术中,大多使用SoftMax损失函数作为监督信号来训练深度模型。为了能够增强特征的区分性,受到中心损失函数的启发,结合类内和类间距离,提出中心扩散损失函数。该方法在学习深度特征的同时,不仅能够压缩同一类内不同特征之间距离,而且还可以增大类与类之间的距离,从而使学习到的特征具有高度的区分性。通过将SoftMax损失函数与中心扩散损失结合使用,该方法在不同的权重下,不仅压缩类内特征的距离还扩散类间的距离,保证类与类之间的可分性。使用CASIA~[15]以及FaceScrub~[17]对模型进行训练,并在LFW~[16](Label Faces in the Wild)数据库上进行测试,该方法可以达到99.4%的准确率。在公安检查站的人脸证件照验证实战数据集上进行测试,在错误接受率为0.1%时可以达到94.9%的正确接受率。相比现有深度学习人脸识别算法,本方法在复杂监控环境下具有更强的环境适应能力和相似人员区分能力。