融媒体新闻短视频的多模态文体研究——以央视《主播说联播》栏目为例

本文结合哈桑的语类理论和多模态功能文体学,借助ELAN(5.9),提出一个融媒体新闻短视频的多模态文体分析路径,分析了不同模态和协同关系的前景化特征及其文体效果。研究发现：物质过程、关系过程、心理过程清晰全面地详述事件,传递媒体态度和立场;加粗微软雅黑字体结合多种字体处理方式使新闻标题脱颖而出,内容更具特色,颠覆了传统的新闻形象;高频率的隐喻手势使抽象概念具体化,节奏手势增强话语力度;大量的陈述语气和高情态的情态副词肯定了媒体观点的权威性;主播微笑和其他情绪的表达使新闻更具感染力和说服力;模态间主要以互补强化关系协同运作,达到有重点、有逻辑、生动形象地传递新闻的目的。     

信息分析与预测产业化的法律环境分析

信息分析与预测产业化从产品商品化开始,这是一个庞大的系统工程。其商品化引发了一系列产业连带效应,促进其在服务方式、服务内容、管理体制等方面迅速与市场接轨,并整体向产业化进军。依据我国国情与国际惯例,必须吸收其它部门的立法经验与成果,建立整套完善的有中国特色的信息法律体系。     

2012，坚定信心谋发展

众所周知,2012年,是中国经济在持续回落中逐步趋稳的一年,也是十分复杂的一年。对此,无论是学术界还是企业界,都对未来前景保持谨慎,甚至,更有一些西方学者预测会出现“中国式的金融危机”、“房地产硬着陆”、“宏观经济的二次探底”等。     

1998年狮子座流星暴的一些预测

1998年狮子座流星暴是本年度最重要的天象之一。而广东省处于观测的最有利位置,为了不错过这次十分难得的机会,本文叙述了狮子座流量暴的本质及其观测工作的意义,求出了该流星暴母体的部分轨道根数;对1998年狮子座流星暴作了一些预测;对观测方法提出了一些建议,本次预测虽用的是天文专业的方法,但为了使更多的观测员理解,本文尽可能使用最基础的知识。     

基于堆叠LSTM神经网络的短期交通流量预测

短期交通流量预测是各种智能交通场景中的关键任务之一.文章提出了一种堆叠长短期记忆（LSTM,Long Short-term Memory）神经网络来执行此任务.该方法以堆叠的结构增加神经网络的深度,可增强对复杂的线性和非线性函数的拟合能力,从而提高预测的准确性.在四个典型的基准数据集上进行了大量的实验,结果表明所提出方法优于常用的机器学习和经典的LSTM方法.     

差错责任追究制度与管理层盈余预测精度

年报信息重大差错责任追究制度是中国证监会力推的重要公司治理机制,对公司信息披露行为产生重大影响,但对差错责任追究制度能否引发公司信息披露的策略性选择行为从而造成非预期后果却鲜有研究。管理层盈余预测具有的重要性和灵活性是研究公司信息披露策略性选择行为的良好情景,因此,研究建立差错责任追究制度的公司是否为了规避错报带来的惩罚而策略性选择管理层盈余预测精度,以期更好地认识差错责任追究制度对公司信息披露行为产生的非预期后果,具有重要的理论意义和实践意义。以2006年至2017年中国A股上市公司为样本,采用双重差分模型检验差错责任追究制度对管理层盈余预测精度的影响以及该制度特征的增量效应,进行一系列稳健性检验以增加研究结果的可靠性。从公司成长性、高管性别和机构持股3个角度进行横截面检验,以探讨差错责任追究制度对管理层盈余预测精度的作用机理。从分析师盈余预测行为角度考察差错责任追究制度造成管理层盈余预测精度的策略性选择究竟如何影响公司信息环境。研究结果表明,公司建立差错责任追究制度后管理层盈余预测精度显著下降,并且界定错报标准的差错责任追究制度对管理层盈余预测精度的降低作用更大;差错责任追究制度对...     

商业中心区的驾驶人停车选择行为研究

解决商业中心区“停车难”问题,需要研究商业中心区的驾驶人停车选择行为。基于前景理论,构建了商业中心区驾驶人停车选择模型。通过对重庆南坪万达周边地区的数据进行回归统计分析确定了参照点,构建了影响驾驶人停车选择主要因素的价值函数以及概率权重函数,计算得到行程时间、步行时间、停车费率的前景值。利用熵权法确定各因素的权重并计算得到各停车方案的综合值。最终将模型计算结果和现状进行比较,验证模型的有效性。     

近似非齐次指数序列预测的新融合模型构建

DDGM(1,1)模型和LS-SVM模型都是针对小样本进行预测的方法,文章根据DDGM(1,1)模型和LS-SVM模型结构特点上的相似性,将LS-SVM算法引入DDGM(1,1)模型,构建了一种基于DDGM(1,1)与LS-SVM算法融合的预测模型.该模型基于DDGM(1,1)模型作为建模原型,利用LS-SVM算法优化了DDGM(1,1)模型的参数估计方法,增强模型的推广性.实验表明,新模型充分发挥两种小样本预测技术的各自优势,实现了优势互补,对近似非齐次指数时间序列的预测具有较高精度.