网络经济纠纷范例6篇

前言:中文期刊网精心挑选了网络经济纠纷范文供你参考和学习,希望我们的参考范文能激发你的文章创作灵感,欢迎阅读。

网络经济纠纷

网络经济纠纷范文1

——基于深度神经网络的标题分类研究

班级:XX

学号:XX

姓名:XX

2020年10月25号

基于深度神经网络的标题分类研究

XX

摘要:新闻是人们对时事、最新行业相关消息了解的重要途径,本文将新闻标题作为新闻分类的切入点,由于新闻标题属于文本中的短文本类别,所以本文主要通过利用深度学习相关方法对新闻标题短文本进行分类,针对前期分类出现过的问题,结合深度学习网络并引入的SVM 模型,解决新闻分类以及短文本分类过程中的常见困难问题。

关键词:深度学习;SVM;标题分类

1 引言

随着大数据时代的来临,我们日常的信息规模呈现出爆炸式增长的趋势。数据挖掘和人工智能逐渐成为时代的主题。缩小信息规模的方法有很多种,而分类就是其中一种极其有效的方式,所以它当前仍是吸引国内外学者研究的重点问题和热点问题。文本分类是在自然语言处理领域广泛研究的问题,在工业领域内,现在已经有着较为成熟的应用,无论是朴素贝叶斯还是决策树又或是最大熵以及神经网络都在工业领域有着相关应用。而文本分类技术在新闻分类领域的应用仍然有限,当前的文本分类系统大多基于统计学原理再结合相关机器学习方法训练相关数据集,从而得到所需的分类器并使用其达成对无标签数据进行分类的目的。在2017 年自然语言处理及中文计算会(NLPCC)也曾对新闻分类相关问题设立相关课题,这也间接表现出了其可能为文本分类领域的发展研究做出较大的贡献。

由于中文新闻文本分类起步较晚,再加以复杂精深的汉语语法的影响,使得之前关于中文新闻文本分类的研究相比于英文显得稍微落后,但现在伴随各种中文新闻语料库的出现和完善,中文新闻文本分类渐渐走上正轨。以往对新闻进行分类时通常是解析新闻的正文,由于部分新闻的篇幅较长,往往导致了新闻分类时的效率低下。而通过中文新闻标题对中文新闻文本进行分类,相比与传统的新闻分类来说在分类效率上可以得到很大的优化。除此之外,新闻标题往往是对新闻主题的高度概括,以有限的字数对全文内容进行凝炼,所以这属于一个短文本分类领域的相关问题。通过对中文新闻标题分类的研究,对短文本分类领域的部分问题有着借鉴意义。

2 算法原理与系统设计

2.1 算法原理

支持向量机(Support Vector Machine ,SVM)的主要思想是:建立一个最优决策超平面,使得该平面两侧距离该平面最近的两类样本之间的距离最大化,从而对分类问题提供良好的泛化能力。对于一个多维的样本集,系统随机产生一个超平面并不断移动,对样本进行分类,直到训练样本中属于不同类别的样本点正好位于该超平面的两侧,满足该条件的超平面可能有很多个,SVM正式在保证分类精度的同时,寻找到这样一个超平面,使得超平面两侧的空白区域最大化,从而实现对线性可分样本的最优分类。支持向量机中的支持向量(Support Vector)是指训练样本集中的某些训练点,这些点最靠近分类决策面,是最难分类的数据点。SVM中最优分类标准就是这些点距离分类超平面的距离达到最大值;“机”(Machine)是机器学习领域对一些算法的统称,常把算法看做一个机器,或者学习函数。SVM是一种有监督的学习方法,主要针对小样本数据进行学习、分类和预测,类似的根据样本进行学习的方法还有决策树归纳算法等。

2.2 详细设计

简单的Python机器学习实现新闻标题自动分类,爬虫获取的新浪新闻的分类,先对新闻进行分词,手动分类一些分词后的标题,然后以它为输入做SVM模型训练,然后用训练好的SVM模型对其他标题做预测。

3 系统实现

#news_classify.py

import xlrd

import xlwt

import jieba

import numpy as np

from sklearn.feature_extraction.text import CountVectorizer

from sklearn.feature_extraction.text import TfidfTransformer

from sklearn.svm import SVC

def read_data(file, sheet_index=0):

"""读取文件内容"""

workbook = xlrd.open_workbook(file)

sheet = workbook.sheet_by_index(sheet_index)

data = []

for i in range(0, sheet.nrows):

data.append([x for x in sheet.row_values(i) if x.strip()])

return data

def get_classified_sample():

"""返回手动分类的新闻"""

data = read_data('test.xls')

return {

'经济': data[1] + data[14] + data[20],

'社会': data[2] + data[3] + data[4] + data[9] + data[17] + data[18],

'政法': data[5] + data[6] + data[7] + data[8] + data[11] + data[13] + data[15] + data[16] + data[19],

'军事': data[10],

'娱乐': data[12],

}

def classify():

"""进行分类"""

# 一共分成5类,并且类别的标识定为0,1,2,3,4

category_ids = range(0, 5)

category = {}

category[0] = '经济'

category[1] = '社会'

category[2] = '政法'

category[3] = '军事'

category[4] = '娱乐'

corpus = []# 语料库

classified_sample = get_classified_sample()

for k, v in classified_sample.items():

line = ' '.join(classified_sample[k])

corpus.append(line)

data = read_data('test.xls')

# 把未分类的文章追加到语料库末尾行

# 21开始是因为我手动分类了前20条

for lst in data[21:]:

line = ' '.join(lst)

corpus.append(line)

# 计算tf-idf

vectorizer = CountVectorizer()

csr_mat = vectorizer.fit_transform(corpus)

transformer = TfidfTransformer()

tfidf = transformer.fit_transform(csr_mat)

y = np.array(category_ids)

# 用前5行已标分类的数据做模型训练

model = SVC()

model.fit(tfidf[0:5], y)

# 对5行以后未标注分类的数据做分类预测

predicted = model.predict(tfidf[5:])

# 结果

# print(len(predicted))

for i in range(len(predicted) - 1):

print(corpus[i + 5], '============》', category[predicted[i]])

if __name__ == '__main__':

classify()

4 实验或测试结果

程序运行后出现如下界面(一部分):

中巴经济走廊“围堵”印度?新华社: 印度想太多了============》娱乐

央行报告:上海已经基本确立国内金融中心地位============》社会

国网北京电力: 北京地区煤改电今年累计破100 万户============》娱乐

湖南沅江原市长肖胜利犯三罪判5 年: 为升迁送13 万============》娱乐

颜宁为何从清华跳槽去普林斯顿?她终于说出原因============》娱乐

国家文物局公布346 万件全国馆藏文物信息供监督============》娱乐

里皮首次对续约中国男足表态:我说了我愿意( 图) ============》经济

5 结论

本项目实现的是以标题分类为核心的Python程序的一个简单尝试,本项目采用爬虫获取的新浪新闻的分类,利用机器学习,深度学习的方法完成了标题分类任务,但模型还有待改进。

参考文献

[1]杨崧. 基于LSTM-Attention的中文新闻标题分类研究[D].中南财经政法大学,2019.

网络经济纠纷范文2

【关键词】 全光网络 关键技术 变革

二十世纪九十年代以来,光纤通信技术得到了飞速的发展,基于光纤通信技术的第三代通信网络全光网络也受到了广泛的关注。

一、全光网络的特点分析

相较于传统的通信网络而言,全光网络具有如下几方面特点。(1)首先是在网络架构成本方面,更加节约成本。(2)其次,在通信协议方面更加多样。(3)再次,在组网性能方面更加灵活。(4)最后,在数据安全性能方面更加可靠。

二、全光网络中的关键技术分析

全光网络中所使用的关键技术有:光交换技术、光信息再生技术、光分插复用技术和光交叉连接技术等。

(1)光交换技术。光交换技术主要应用在光网络中的各节点部分,使用该技术能够在输入端输入的光信号直接交换到任意的光输出端,完成光信号的选路工作。其实质在于对光信号的波长进行处理。按照交换方式,光交换技术可分为空分光交换、波分/频分光交换、时分光交换以及他们组成的复合光交换等。其中,空分光交换技术应用开关矩阵对光信号的传输通路进行选择,完成光信号的交换;波分/频分光交换则是首先将波分信道空间进行分割,然后将复用信号中的某一波长信号转换为另一波长,最后将转换后的光信号进行复用输出;时分光交换应用时隙交换原理对光信号不同时隙位置的信息进行交换。(2)光信息再生技术。该技术主要用于解决传统光纤通信中存在的光色散和光损耗等问题。光色散会导致光脉冲变宽,对其相邻信号产生干扰,进而使得信号误码率增大。光损耗则是光在远距离传输时信号的能量产生的不可避免的衰减。为解决上述问题,必须使用光信息再生技术对光信号进行调整和维护。该技术的实现方式为:在光纤链路中间隔一定距离接入一个光滤波器和光调制器,然后提取光信道中的同步时钟信号,应用调制器对光信号重新进行同步调制,从而减小光脉冲宽度,降低频率漂移对信号传输带来的影响。其核心思想为应用一个可以直接再光通路中对光信号进行放大传输的全光传输型中继器替代传统的光再生中继器,应用最为广泛的光放大技术为EDFA。(3)光分插复用技术。该技术可以对传输的光信号进行选择,但是不影响其他未选择信号传输。其核心思想为,选用适当的光滤波器件,利用该器件对光路中的不同波长的信号进行选择,实现波长的路由功能。但是该技术要求光分出口和插入口之间的隔离度以及光输入口与输出口之间的隔离度要大于25dB,以免出现干涉效应,影响光路中信号的传输性能。该技术可以对任意传输格式和传输速率的光信号进行复用或去复用。

三、光交叉连接技术

光交叉连接技术是全光网络的核心技术之一。应用光交叉连接设备,结合光纤可以组成全光网络。其技术思想为应用光器件对光信号进行波长重用,实现高速光信号的路由选择和网络恢复等功能。光交叉连接设备包括以下几部分:光交叉连接矩阵、输入输出接口、管控单元。光交叉连接位于全光网络的节点位置,当光缆出现业务中断或者业务失效时,应用该技术可以自动对故障部分进行技术隔离,并重新选择光路由和光网络,恢复网络的传输功能。

四、全光网络的发展趋势

目前的全光网络应用范围主要集中在局域网和城域网中,但是就其发展趋势来看,未来其应用范围必将扩展到广域网中;在全光网络中还存在不够完善的地方,如在光开关、光逻辑处理以及光计算等方面的自支持技术还不够成熟,但是其必然是今后全光网络研究和发展的方向;在光传输技术中,WDM、OTDM以及OCDMA技术结构必然会成为全光网络的基本框架;在光传输容量方面,同样存在大量的提升空间;此外,全光通信网络中的各标准和通信规范的制定与统一也是今后其发展过程中必须要考虑的问题之一。

总体来看,随着光通信技术的不断发展,全光网络系统必然会成为具有超高传输速度、超大信息容量的多媒体通信平台,推动通信技术向更高水平发展。

参 考 文 献

[1] 林金桐,左鹏. 光通信技术的成就与展望[J]. 电信建设,2001(5)

网络经济纠纷范文3

[关键词]网络环境 大学英语分级教学模式

[中图分类号]G642.0 [文献标识码]A [文章编号]1005―5843(2011)06―0147―02

[作者简介]郭爽,长春工业大学外语学院讲师(吉林长春130012)

大学英语分级教学是基于因材施教的原则,根据学习者英语学习水平不同层次,把学习水平相当的学习者集中在一个教学班级,制定相应的教学目标、教学计划,采用不同的教学方法,进行分层次教学。分级教学有利于增强学习者的自信心,使他们在各自不同的起点上共同进步。然而,传统分级教学依然存在教学模式单一、教学评价体系欠合理、教学资源尚待进一步开发等问题,而现代网络技术的发展和教育技术的开发为完善大学英语分级教学创造了有利条件。

一、大学英语分级教学的主要依据

(一)理论依据

20世纪70年代末,美国语言学家克拉申提出五大假说,其中输入假说主要阐明了语言特别是外语的习得问题。但输入假说只强调语料输入是不够的,学习者需要的是“可理解输入”,也就是说,学习者接收的语言材料不仅是学习者可以理解的,它们的难度还要略高于学习者当前语言知识水平,这样的语言输入才是有意义的。

这一观点与苏联教育家、心理学家维果茨基提出的最近发展区相似。维果茨基认为,学习者有两种发展水平:学习者的现有发展水平和即将达到的发展水平。他把这两种水平之间的差异称作最近发展区,并主张教学要从学生的最近发展区出发,学习内容要有适当的难度,而且这个难度是学生经过一定的努力可以达到的。这样,学习者就会对学习内容产生兴趣,经过努力,掌握新知识,超越其现有的最近发展区,进入下一个发展区的学习。

这些理论对大学英语分级教学具有重要的指导意义。教师在教学中要根据学生不同的英语学习水平,为学生输入可理解的语言材料,输人材料不能过难,要在学生原有知识基础上增加适当的难度,同时又要确保有一定的输入量,这样才能达到理想的教学效果。因此,根据输人假说理论和最近发展区理论的研究成果,我们把分级教学模式运用于大学英语教学中,着眼于学生,有针对性地进行教学。

(二)现实依据

《大学英语课程教学要求》(2007)指出,大学英语教学的主要目标是“培养学生的英语综合应用能力”,使他们“在今后的学习、工作和社会交往中能使用英语进行交际”。为此明确提出,各高校要“充分利用现代信息技术,采用基于计算机和课堂的英语教学模式”。

由此可见,《大学英语课程教学要求》(2007)对大学英语教学的总体教学目标要求很高,但它在大学英语教学总课时方面的要求没有任何改变。这就意味着,传统的课堂分级教学模式在有限的课时内很难实现如此高的教学目标,课堂内无法完成的一些教学内容和教学活动只有在课堂外完成。计算机、网络技术成为解决这个难题的关键,为学习者课外大量语言输入和语言操练提供了可能性,把英语教学延伸到课外,使英语课堂内、外教学紧密结合在一起,进而提高大学英语教学效率,促进大学英语总体教学目标的实现。

二、网络环境下大学英语分级教学模式的优势

(一)网络教学资源为英语学习者创设真实的语言情境

英语具有其特殊性,它是一种世界语言,网络信息80%以上通过英语传达。对于英语课程来说,语言环境的创建与设计、语言运用的真实性和语言材料的丰富程度是实现课程目标的有力保证。计算机网络技术贯穿于英语教学过程与学习过程,使两者紧密联系在一起。通过网络,利用英语聊天室、电子邮件等流行的网络交流手段,可以为学生提供丰富、真实的图像、文字、声音等学习资源,创造一个有利的英语学习环境,培养学生听、说、读、写、译的技能,提高英语交流能力。

(二)网络环境下英语分级教学改善了传统分级教学中学生的非正常焦虑感

很多消极情绪会给英语学习者带来负面影响。在传统大学英语分级教学中,学生的焦虑主要来自于课堂教学中听、说训练活动。网络教学不同于传统课堂教学,它不需要师生进行面对面的接触。不同英语水平学习者在网络学习环境中学习英语,不必担忧别人对自己的评价,可以自由选择学习内容,在虚拟交际语境中进行模拟训练。这样学习者的外语焦虑程度会大大降低,压力减轻,学习变得更加积极、主动,效果更佳。

(三)网络环境为学生个性化学习、自主式学习创造有利条件

网络分级教学能根据学习者在学习水平、学习方法、学习目标等方面的差异,为学习者提供相应的学习资料和学习活动,满足学习者不同的学习要求。基于此,教师可指导学生选择适合自己的学习内容和学习方法,逐步提高自主学习能力,进而实现个性化学习、自主性学习,使学生真正成为学习的主体,促进学生英语水平的大幅度提高。

(四)大学英语网络课程是课堂教学的有力补充

课堂教学是外语教学过程中的一个重要组成部分,但是无论在时间还是在功能上,课堂教学都有其局限性,学生不可能仅通过课堂学习就获得有关目的语的所有知识和用目的语进行交际的能力。鼓励学生选修网络课程,这不仅可以扩大学生的知识面,为学生提供更多的学习机会,而且改善了英语教学课时不足,尤其是听说课时不足的现状。大学英语网络分级教学可以使英语教学不受时间和地点的限制,相当于把英语课堂教学延伸到课堂外,不仅扩展了教学内容,延长了学习者学习时间,增加了每个学习者学习和运用英语的机会,也为学习者提供了丰富多彩的学习资源,营造了轻松愉快的学习环境。

三、网络环境下大学英语分级教学模式的建构

(一)教学目标

网络环境下大学英语分级教学模式坚持英语教学实用性、知识性和趣味性相结合的原则,它以调动教师和学生的积极性,体现学生在教学过程中的主体地位和教师在教学过程中的主导地位,促进学生个性化学习方法的形成和学生自主学习能力的发展,提升不同英语学习水平学生的英语实用能力为教学目标。

(二)教学形式

网络环境下大学英语分级教学模式充分利用现代信息技术,采用课堂教学和网络课程教学相结合的全新教学形式。课堂教学为基本教学形式,网络课程把教学和学习从课堂之中扩展到课堂之外,是课堂教学的有力补充。二者在教学内容上一脉相承,课堂内外教学活动和学习活动有机地整合在一起,使之成为一个不可分割的整体。因此,网络环境下大学英语分级教学模式既不片面强调课堂教学,也不夸大网络课程的作用,而是优化组合网络课程和课堂教学,发挥二者的优势,促进大学英语教学目标的实现。

1 以计算机及网络为辅助的课堂教学

网络环境下大学英语分级教学模式是基于传统课堂教

学模式之上的,学生可以通过参加英语分级测试,根据考试成绩,结合自身实际情况,自主选择适合自身英语学习的分级教学班。教师根据教学要求和学生的英语学习水平,制定相应的教学目标、教学任务和教学内容,采用有针对性的教学方法和教学手段进行分级教学。同时,教师要求学生定期进行自评和互评,根据评估结果帮助学生及时调整学习行为,并对下一阶段的学习作出相应的安排。

首先,教师可以利用BBS、BLOCK、MICRO―BLOCK等网络技术,在课堂教学前,给学生提供具体教学目标、教学要求和预习任务。例如,要求学生收集与教学内容相关的资料,并要求学生在课堂上做成果展示,教师给予适当评定,作为学生学习形成性评估的一部分。教师在布置课外学习任务时,要确保学生的课外学习活动与课堂教学有机结合起来,以有效促进学生的英语学习。

其次,在课堂教学中,教师可以借助计算机和网络改善课堂语言输入环境,提高课堂语言输入的质量和数量。语言习得的关键是足够的可理解的输入,计算机和网络为英语教学提供了大量真实的语言输入材料,教师在教学中可以为不同英语水平的学生提供相应的符合他们“最近发展区”的语言交际情景和任务,让学生在真实的交际过程中接触英语、运用英语,从而增强其学习英语的兴趣和信心,变被动学习为主动探索。

另外,教师可以布置学生定期写英文电子邮件,并对其进行网上批改和回复;还可以在网上创建英语学习群,根据学生不同英语水平提供相应的学习题目和内容,鼓励学生多参与搭档练习或小组协作,锻炼学生英语交流能力。这样,学生在完成学习任务的同时,英语综合运用能力以及与他人协作的能力就都得到了提高。

网络环境下的大学英语分级教学强调教师必须利用课堂教学,传授给学生相应的学习方法和学习策略,培养学生良好的学习习惯。教师还应为学生的课外学习提供相应的指导,布置并督促学生完成课外网络学习,使其更有效地进行自主学习和个性化学习。

2 大学英语网络课程――课堂教学的延伸

大学英语网络课程为课堂授课与课外学生自主学习提供有利条件,为教师和学生提供了更丰富的教与学的资源。

教师根据课堂教学进度和学生学习水平布置其课堂外选修不同级别的网络课程,学生根据教师教学安排完成自主学习部分的练习。在学习过程中,学生可以提出问题,进行讨论或参与其他小组的活动,并通过网络展示自己的学习成果。教师通过网络学习进程记录和作业记录,能随时了解学生自主学习情况,也可通过教学系统进行在线答疑、师生讨论、面授约课、分组教学等教学活动。此外,在网络分级教学中,学生可以随时进行自我检测,便于设计个性化的自主学习进程;教师也可以随时了解学生学习状况和学习水平,及时调整下一步教学目标和教学内容。

(三)教学评价

网络环境下大学英语分级教学评价方式参照《大学英语课程教学要求》(2007)中对教学评估的要求,把对学生学习成果的评估分为“形成性评估和终结性评估”。“形成性评估”主要包括“学生自我评估”、“学生相互间评估”、“教师对学生的评估”、“教学部门对学生的评估”等,主要反馈整个教学过程中包括课堂教学与网络教学及学生的学习情况。“终结性评估”为期末考试,主要考核学生英语综合应用能力,它是对学生在英语学习某个教学阶段的总体评定,考核内容涵盖英语口语、听力、阅读、翻译和写作等内容。

参考文献:

[1]Stern H.H.Fundamental Concepts of LanguageTeaching[M].London:Oxford University Press.1983.

[2]教育部高等教育司.大学英语课程教学要求[M].上海外语教育出版社,2007.

[3]郭浩儒,朱乐奇,李福印.外语与外语教学[M].北京航空航天大学出版社,2006.

[4]马云鹏.课程与教学论[M].中央广播电视大学出版社,2003.

网络经济纠纷范文4

[关键词]S模式;分类识别;高阶累积量;BP神经网络;仿真

[中图分类号]TN911.3[文献标识码]A

1引言

在现代战争中,如何对目标进行可靠有效的敌我识别(Identification Friend or Foe)是一个非常关键的问题[1]。敌我识别器除用于目标识别外,还能传送载机的其他信息,兼作空中交通管制系统的二次雷达使用。敌我识别模拟系统[2]在电子靶场中起着重要的作用,S模式信号是系统的一种工作模式,也属于敌我识别信号。研究S模式信号的识别问题在现今阶段具有重要的国防意义。

S模式信号识别是一种典型的模式识别问题。由于在S模式信号识别中,通常能够提供关于待识别通信信号的部分先验信息,因此,可选用基于有监督模式来训练的神经网络[3]作为分类器。在过去的研究中,识别特征参数种类很多,但真正受噪声影响不大的特征参数很少。在本文中,针对待识别的通信信号集{S模式询问信号、S模式应答信号、差分相移键控(DPSK)信号、脉冲位置调制(PPM)信号}。将采用基于高阶矩和高阶累积量的方法,提取一组对信噪比和调制参数顽健性较好的特征参数使分类器的设计简单化,以提高神经网络训练的收敛速度和神经网络的推广能力。

2基本原理

2.1S模式信号产生机理[2]

所谓S模式,美国称为离散选址信标系统,其地面询问是一种只针对选定地址编码的飞机专用呼叫的询问。S模式二次雷达,工作在与传统二次雷达相同的频率:1030/1090MHz。设备由地面基站传感器和异频收发机组成,地面传感器发出的询问信号中,一个15或29微秒的数据块能够容纳56或112比特的数据,数据的前24位规定用机的地址编码,实现点名式的询问应答。

2.1.1S模式询问信号格式

S模式询问信号由脉冲P1、P2、P6和P5组成。图1为S模式询问信号格式。P1、P2的脉冲宽度为0.8微秒,脉冲间距为2微秒,防止询问信号触发应答机产生回答信号;P6脉冲宽度为16.25微秒或30.25微秒,它的第一次载波信号相位翻转位于脉冲P6上升沿后1.25微秒处,用作同步应答机数据解调的时钟信号和应答机发射应答信号的参考时间;P5为旁瓣抑制脉冲。传送数据采用了差分相移键控(DPSK)编码的方式,二进制数据“1”代表载波相位翻转180度,二进制数据“0”代表载波相位不翻转。相位翻转点的间距为0.25微秒,数据率为4Mhz;编码长度可以是56或112比特。数据调制从“同步相位翻转”后0.5微秒开始,P6下降沿之前0.5微秒结束。最后24比特被固定作为地址――奇偶校验区(AP区),用作发送每个应答机特有的地址码。其余编码位被划分成不同的区,用于发送不同类型的询问信息。

2.1.2S模式应答信号格式

异频收发机以1090MHz的频率发送应答信号,由同步报头和数据块组成。

1)同步报头:长度为8.0微秒,由4个脉冲组成,每个脉位长度为1微秒,第一个脉冲与第二个是连续的,第二与第三个脉冲间距是1.5微秒,第三和第四个脉冲是连续的。

2)数据块为二进制脉冲位置调制,调制速率为1Mbps;所有回答数据脉冲均持续1微秒;数据块从同步报头第一个脉位上升沿之后8微秒开始,如图2所示,并位于(8+n×0.5μs),其中n=0,1,2……;脉冲间距容差≤±0.05μs。

3.1建立神经网络结构

本文采用多层感知器(MLP)神经网络结构。该网络由三层神经元组成,分别是输入层、中间隐含层、输出层,如图3。中间隐含层节点数确定原则为,在满足收敛速度要求后,选择尽量少的节点数以简化结构。对于传递函数,隐含层采用函数tansig,输出层采用purelin函数,学习算法采用经过改进的BP算法L-M(Levenberg-Marquardt)优化算法[5]进行训练。

3.2识别参数特征性质

下面将对基于高阶矩和高阶累积量的特征参数进行具体分析,实现对通信信号集{S模式询问信号、S模式应答信号、差分相移键控(DPSK)信号、脉冲位置调制(PPM)信号}的正确识别。由于在实际传输中,通信信号不可避免地被噪声所干扰,为了能更真实地反映特征参数对高斯噪声的敏感性,通过仿真得出了四种通信信号在SNR=0,1,…19dB下特征参数的特性图,其中P是信号功率,并对特征参数进行了归一化处理。

1)产生数字基带通信信号;

2)识别特征参数的提取;

3)训练分层结构神经网络;

4)测试神经网络分类器,得出正确的识别率。

4.1.1信号产生

为了研究便利,仿真实现中采用复基带信号形式的数字通信信号。利用MATLAB工具按照信号机理产生所需的四种数字基带通信信号,并对产生的信号进行指定采样数据长度截取和保存。按照指定信噪比,编写了相应的加噪程序,为信号加入相应的复高斯白噪声。

4.1.2训练分层结构神经网络

分层结构神经网络分类器结构如图6所示。仿真实现中神经网络三个分层的输入层、中间隐含层、输出层的个数分别为:# 1(121),#2(131),3#(141)。在SNR=0~ 19dB范围内,每间隔1dB产生30 000点采样数据,计算出特征参数值,以此组成训练集,利用其相应的训练集和目标矩阵对各层神经网络进行训练,各层神经网络可分别设定不同训练目标参数、最大步数。神经网络通过训练,得到满足目标精度的阈值b和权值w矩阵。此时只需将待识别通信信号的特征参数值输入分层结构神经网络,分类器就会输出分类结果。

4.2仿真结果输出及分析

当SNR=0,2,4,6,8,10,12,14,16,18dB时,仿真程序对四种数字通信信号进行仿真识别。每隔2dB,每种数字通信信号产生30 000点采样数据,计算识别特征参数值,测试其输入分层结构神经网络,并重复上述过程400次,得到仿真识别概率曲线图7。

从图7中可以看出:当SNR=0dB时,S模式询问信号和S模式应答信号能较好地识别,识别率在90%以上,DPSK信号和 PPM信号识别率稍低;当SNR=4dB时,四种待识别信号的正确识别率可达到95%以上;在SNR=8dB时,待识别信号的识别率能够达到100%。仿真结果表明较好地完成了正确分类识别的目的,同时上述结果也表明了该方法在低信噪比下同样具有良好的识别性能。

5结论

本文深入分析了S模式信号的特性,运用高阶累积量方法选取适合的特征参数,对S模式询问信号、S模式应答信号以及与其同频同调制的差分相移键控信号、脉冲位置调制信号进行了分类识别。仿真结果表明了此方法能够有效地完成S模式信号的分类识别目的。随着训练集中各信噪比下训练数量的增加,误差指标的降低,神经网络经过充分训练后,识别性有望进一步提高。

参考文献

[1]李锟.敌我识别系统的现状及未来发展[J].电讯技术增刊,2003,Vol.43,No.1:13-14.

[2]敌我识别模拟系统技术说明书.成都:天奥信息科技有限公司,2007,02.

[3]胡宁宁.神经网络应用技术[M].北京:国防科技大学出版社.1994.31-48.

[4]成静,李钢虎,周关林.《高阶累积量计算优化的仿真研究》[J].《计算机仿真》,2009,08:42-45.

网络经济纠纷范文5

关键词:主成分分析;神经网络;信用评级;四级分类

中图分类号:F830.5文献标识码:A文章编号:1672-3198(2009)23-0186-02

1主成分分析法(PCA)的基本原理

主成分分析法一种较为客观的多指标评价方法,是考察多个变量间相关性的一种多元统计分析方法,它是研究如何通过少数几个主成分(即原始数据的线性组合)来解释多变量的方差―协方差结构。其简要数学过程如下:

设估计样本组的信贷用户为n家,选取评价指标为p个,xij表示第i个对象的第j项指标的值,X=(xij)n×p=(x1,x2,…,xp)。

(1)对X进行标准化处理。

(2)计算相关系数矩阵R。

(3)计算相关系数矩阵R的特征值λ与特征向量α。

(4)建立主成分。

2BP神经网络(NN)原理

对于第t组样本,设BP网络输出层第k节点,隐层第j个节点,输人层第i个节点的输人、输出分别由intk,intj,inti和outtj,outti表示,ωkj,υji分别为隐层与输出层,输人层与隐层之间的连接权值,隐层及输出层神经元采用Sigmoid函数作为输出函数,输出层的误差函数E定义为:

E=12tt=1kk=1(dk-outtk)2

式中dk―相应的期望输出值。

BP算法学习的实质就是不断修改权值,使误差函数趋于0,根据误差梯度下降的原则,对ωkj与vji进行调整。

3主成分分析―神经网络方法信用风险实现过程

首先,应用PCA将信贷用户风险评估的指标(高维数据)变换到低维空间上,然后应用BP神经网络对变换后的样本进行训练,从而建立信贷风险评估模型的隐函数,最后,利用训练函数预测检验样本。

4实证分析

4.1样本数据和指标量的选取

从某农村信用社的贷款数据中,选取该地区信贷用户合格样本516个,其中300个作为模型训练样本,216家作为检验样本。

从偿债能力、家庭经济状况、过去信用状况、贷款情况确定9个指标作为本文研究的指标变量。他们分别是:贷款余额:x1;利率:x2(由于贷款年限的不可获性,用贷款利率反应贷款年限);总财产:x3;流动财产:x4;文化程度:x5;总收入:x6;违约次数:x7;性别:x8;村委会综合评价:x9;贷款四级分类:x10。

4.2对原始数据提取主成分

本文运用2所介绍的主成分方法原理,用Matlab软件对原始数据提取主成分。其9个特征值分别为:1.806,1.3168,1.2794,1.1249,0.98948,0.909,0.61892,0.52564,0.4299。因为(λ1+λ2+…+λ6)/(λ1+λ2+…+λ9)≈83%,考虑到对指标既要降维,又要使主成分尽量包含原来的信息,故我们提取前六个主成分,如下:

F1=-0.49882x1+0.46955x2-0.050964x3+0031373x4+0.031373x5-0.011706x6+0.56915x7+014793x8-0.32576x9

F2=-0.12681x1-0.27747x2-0.62487x3-0067053x4+0.238x5-0.15602x6-0.058489x7-033332x8-0.56255x9

F3=0.10864x1-0.11817x2-0.43956x3-0.38012x4-0.48887x5+0.0046893x6-0.20097x7+0.59701x8+0026393x9

F4=-0.21281x1-0.22974x2-0.10688x3+060936x4-0.15952x5+0.66355x6-0.18299x7+010908x8-0.089751x9

F5=0.24225x1+0.24253x2+0.058956x3+0.5572x4-0.25372x5-0.54867x6-0.33519x7+0.098407x8-028476x9

F6=-0.47724x1-0.4155x2+0.06178x3+0036945x4-0.48906x5-0.34367x6-0.030206x7-034927x8+0.33799x9

原来的样本数据通过主成分分析将变化只有6个指标的新的数据表。对新的学习样本通过BP神经网络进行训练。

4.3BP网络训练结果

本文输入层神经元的个数为6,输出层的神经元个数为4,将516个四级分类训练样本提取主成分后的六个新的指标F1、F2、F3、F4、F5、F6数据输入神经网络学习,通过不断的试验发现,将隐层神经元的个数设为16时,可以最大限度的提高预测的准确率,经过连续训练,达到训练的均方误差为8.631371e-006.下图所示:

图1

表1模型对检验样本预测精度

由表1可知,PCA-NN的对每类的预测准确率均达80%以上,PCA-NN对整个检验样本的预测准确率达84.26%。这表明,在国家对农村信用社实行从四级分类到五级分类的过渡时期,本文所提供的方法具有一定的实际价值。

参考文献

[1]迟国泰,郑杏果,杨中原.基于主成分分析的国有商业银行竞争力评价研究[J].管理学报,2009,6(2).

[2]飞思科技产品研发中心.经网络理论与MATLABR2007实现[M].北京:电子工业出版社,2008.

网络经济纠纷范文6

关键词:网络负面口碑;经济型酒店;购买决策

国内外学者对网络口碑及其对消费者购买决策的研究,都表明网络口碑对购买决策有着至关影响。但网络负面口碑的研究成果较少,针对经济型酒店网络负面口碑的研究则更少。经济型酒店因为其低廉的价格和目标消费群体等特殊性,其网络负面口碑更容易影响消费者对酒店及酒店品牌的选择。研究网络负面口碑的哪些因素对经济型酒店消费者的购买决策有影响,以及网络负面口碑对经济型酒店顾客的购买产生怎样的影响就很具有现实意义。

一、研究模型与假设提出

(一)研究模型

通过文献的整理建立本研究的研究模型,如图1所示。研究的整个架构包括自变量和因变量两个部分。第一部分的自变量包括网络负面口碑的数量、网络负面口碑的强度、关系强度、传播者专业程度、信任倾向。第二部分为因变量即网络负面口碑对经济型酒店消费者购买决策的影响。

(二)假设提出

在文献回顾和研究模型的基础上,本研究提出如下假设:

H1:网络负面口碑的数量越多,对经济型酒店消费者购买决策影响越大。

H2:网络负面口碑的强度越强,对经济型酒店消费者购买决策影响越大。

H3:传播者与接收者的关系强度越强,对经济型酒店消费者购买决策影响越大。

H4:传播者的专业程度越高,对经济型酒店消费者购买决策影响越大。

H5:接收者对网络负面口碑的信任程度越高,对购买决策影响越大。

二、问卷设计和数据收集

(一)问卷设计

问卷总共包括三个部分:卷首语、个人基本情况和量表主体。第一部分向被调查者介绍本次调研目的以及网络负面口碑与经济型酒店的涵义。第二部分为被调查者的基本信息,问项采用一般性选择题的形式。第三部分是问卷的核心部分,测量的变量包括网络负面口碑的数量、网络负面口碑的强度、关系强度、传播者专业程度、信任倾向和对购买决策影响效果。问项均采用李克特五级量表,从“很不重要”、“不重要”、“一般”、“重要”、“很重要”依次赋值1、2、3、4、5。各变量的测量量表如表1所示。

(二)样本选择

本研究探讨的内容是网络负面口碑对经济性酒店消费者购买决策的影响,所以本次调查样本的选择考虑到以下几个条件:①调查对象有意愿选择或者入住过经济性酒店。②选择经济型酒店时考虑网络负面口碑的影响。另外,考虑到我国网民群体主要集中在青年及中青年群体。所以本次调查的样本年龄主要集中在20至40岁之间,主要包括大学生、刚步入社会工作的大学生和30岁左右的群体。

(三)数据收集

本研究采用调查问卷的方式收集数据资料,采取的形式是网络电子问卷。共回收问卷208份。扣除答案重复问卷8份,显示无意愿选择或者入住过经济性酒店的问卷12份、显示选择经济型酒店时不考虑网络负面口碑影响的问卷7份,共获得有效问卷181份,问卷有效率为87%。

三、数据分析

(一)信度分析与探索因子分析

问卷信度通过Cronbach’s Alpha系数检验,其中网络负面口碑量表的Cronbach’s Alpha系数达到了0.939,购买决策影响效果量表的Cronbach’s Alpha系数达到了0.873。两项Cronbach’s Alpha系数均大于0.8,说明量表的内在信度很高,且具有很好的可能性和稳定性。网络负面口碑量表的KMO值为0.917,Bartlett球形度检验统计值的显著性概率是0.000。购买决策影响效果量表的KMO值为0.732,Bartlett球形度检验统计值的显著性概率是0.000,信度分析与探索因子分析结果如表2。

(二)相关性分析

为了使研究结果更为科学、准确,本研究采用相关性分析法分析研究模型中自变量口碑数量、强度、关系强度、传播者专业程度、信任倾向与因变量购买决策之间的关系。分析结果如表3。从表中可看出,5个自变量与因变量在0.01的显著性水平上正相关。

(三)回归分析

根据相关分析结果,本研究通过回归分析就影响口碑传播因素与购买决策之间的关系进行进一步研究,以网络负面口碑从数量、负面强度、关系强度、传播者专业程度、信任倾向这五个因素为自变量,消费者购买决策为因变量进行回归分析,检验假设是否成立。如表4所示,调整后的R方为0.519,判定系数的F检验值为36.185,显著性Sig.为0.000。

得出回归方程为:

消费者购买决策影响=0.058数量+0.267强度+0.049关系强度+0.249专业程度+0.211信任倾向+0.464

同时,分析结果也验证了以下假设:

H1:网络负面口碑的数量越多,对经济型酒店消费者购买决策影响越大成立。

H2:网络负面口碑的强度越强,对经济型酒店消费者购买决策影响越大成立。

H3:传播者与接收者的关系强度越强,对经济型酒店消费者购买决策影响越大成立。

H4:传播者的专业程度越高,对经济型酒店消费者购买决策影响越大成立。

H5:接收者的信任倾向程度越高,对经济型酒店消费者购买决策影响越大成立。

四、研究结果与建议

网络口碑的负面强度、传播者专业程度、及信任倾向对购买决策有显著影响。其中负面强度影响程度最高,其次是传播者专业程度。可见网络负面口碑本身内容是否真正展示了消费者的真实住宿体验是影响购买决策的关键。酒店产品不同于一般实体产品,在购买前不能实际接触得到,这更使得消费者在购买前希望尽可能多的了解该酒店产品的信息。由于价格特点和目标消费人群,经济型酒店顾客对于品牌的选择更容易受到口碑影响。

(一)经济型酒店应充分重视网络负面口碑

本研究结果表明,网络负面口碑对经济型酒店消费者的购买决策的影响显著,酒店应给予充分重视。经济性型酒店消费者本身对价格比较敏感,在购买之前更多会考虑自己花费后能不能够获得相应的产品价值。所以经济型酒店消费者在购买前通常会通过网络便捷的平台搜索口碑信息,对他们可能会选择的酒店做出大致了解和评估,以作购买决策参考。从而愿意花时间去了解有关该经济型酒店的产品和服务的相关信息。

(二)有效控制网络负面口碑信息的强度

当出现负面口碑信息时,酒店方一定要采取积极的态度应对。另一方面,酒店方应主动在网络上搜索关于酒店的负面口碑信息,及时给予回复。对于负面口碑信息,酒店应倾听这些内容,虚心接纳这些负面口碑,给予正面积极回应,及时、负责的采取处理措施如详细解释或协助解决。而且在负面口碑中,除了批评和抱怨,也有消费者对于酒店的一些合理建议。如果能够采纳这些建议,是对其最好的回应。这样不仅能降低网络负面口碑信息的影响力,也帮助酒店打造良好的企业形象,避免负面信息带来更为严重的后果。酒店良好的品牌形象对于抵制负面影响也十分关键,因为人们已经建立起来的认识往往比较难改变,如果酒店在消费者心目中有较好形象、即使再次遇到一些负面的口碑,消费者也会将其当成个案来处理,而不会十分在意。此外,对于负面强度较高的网络口碑,经济型酒店可以免费邀请其传播者再次入住本酒店或其他区域同品牌酒店,并让其重新对酒店做出评价出去。

(三)努力减少及避免网络负面信息的出现

1、提高消费者满意度

大部分负面口碑出现的直接原因是酒店提供的产品及服务不能够满足及不能及时满足消费者需求。酒店首先要做好产品服务工作,注重满意度的培养,消除负面口碑传播的根源。

2、及时处理消费者投诉

一般情况下,消费者遇到问题投诉后,如果得不到酒店方回应和及时处理。出于气愤及发泄心理,消费者可能会选择利用便捷的互联网分布一些负面信息。所以当出现投诉时,酒店方应尽量第一时间回应并及时处理。这样不仅能够直接避免负面口碑的出现,并且使消费者感受到自己是被重视的,能对酒店产生好的印象,自然而然的培养及提高了忠诚度。

(四)培养客户关系

大部分的网络言论只由小部分的网民制造,活跃的网民数量并不多。这部分已经选择酒店品牌的消费者,如果恰巧又是活跃网民,这时候经济型酒店可以与这些消费者建立起良好的客户关系。如在酒店官网、官方微信、官方微博等平台中与消费者进行频繁互动。以一种亲民形式拉近与消费者的距离,培养真正的忠实口碑创造者。(作者单位:湖北经济学院旅游与酒店管理学院)

参考文献:

[1] 程秀芳.虚拟社区网络口碑对消费者决策行为影响研究[D].徐州:中国矿业大学,2011.