条件随机场
基于随机森林的上市公司财务危机预警分析
基于随机森林的上市公司财务危机预警分析 中央财经大学杨翰林、王开骏、谢幽篁 摘要本文在现有对上市公司财务分析技术的基础上，借助于杜邦分析系 统的思路，对影响上市公司运营状况的财务变量进行了系统的分析和筛选。通 过随机森林算法建立了对上市公司财务危机预测（以ST为标志）的模型，并 对两类分类误差的权衡进行了分析，给出了变量对分类的重要性排序。其次分 类效果的反馈验证了财务变量选取的有效性。同时，相比于国内学者类似研究， 本文在分类误差上得到了更高的精度。在灵敏度分析中，针对两类误差权重设 定、训练集合样本数量、两类样本抽样比率对分类精度的影响进行了深入的讨 论，并给出了有助于提高分类精度的适应性方法。最后通过GICS对划分行业 后的样本进行了分类，对不同行业单独应用随机森林算法，得出了更好的分类 精度，验证了行业的差异性以及行业划分的必要性。 关键字：财务危机ST 随机森林 一、引言 市场经济作为竞争型的经济制度，在优胜劣汰的规律下，促进了企业生产、经营的效率和效益，同时也加速了落后企业的破产。这种竞争机制从宏观层面看，通过淘汰在当下经济环境里无法适应市场需求和发展的企业，从而成就了资源的效率最大化。但从微观层面看，若企业在竞争中出于劣势或与市场规律不兼容，企业往往陷入财务危机，由此引发的破产风险也意味着利益相关者的损失。因此基于市场经济导向性，企业经营风险以及其利益相关者的考虑，资本市场有必要发展一种自我评估技术以分析企业的经营能力。对企业自身来说，一种有效的分析和预警机制可以管理和控制风险并对企业经营策略进行及时的调整与改进；对投资者而言，投资者可以以此技术分析对上市公司的投资风险，确保投资盈利；对银行等债权人而言，可以评估借款企业的信用风险、确定借款利率并跟踪贷款公司违约风险。 一般来说，财务危机是指企业无力按时偿还到期的无争议的债务的困难与危机。Altman (1968)认为“企业失败包括在法律上的破产、被接管和重组等”，其实质是把财务危机等同于企业破产，这是最准确也是最极端的标准；Beaver
深度学习文字识别论文综述
深度学习文字识别论文综述 深度学习文字识别论文综述 深度学习是机器学习研究中的一个新的领域，其动机在于建立、模拟人脑进行分析学习的神经网络，它模仿人脑的机制来解释数据，例如图像，声音和文本。深度学习是无监督学习的一种，深度学习采用了神经网络的分层结构，系统包括输入层、隐层（多层）、输出层组成的多层网络，只有相邻的节点之间有连接，同一层以及跨层节点之间相互无连接。深度学习通过建立类似于人脑的分层模型结构，对输入数据逐级提取从底层到高层的特征，从而能很好地建立从底层信号到高层语义的映射关系。近年来，谷歌、微软、百度等拥有大数据的高科技公司相继投入大量资源进行深度学习技术研发，在语音、图像、自然语言、在线广告等领域取得显著进展。从对实际应用的贡献来说，深度学习可能是机器学习领域最近这十年来最成功的研究方向。深度学习模型不仅大幅提高了图像识别的精度，同时也避免了需要消耗大量的时间进行人工特征提取的工作，使得在线运算效率大大提升。 深度学习用于文字定位 论文Thai Text Localization in Natural Scene Images using Convolutional Neural Network主要采用CNN的方法进行自然场景中的文本分类，并根据泰字的特点进行分类后的后处理，得到更加精确的定位效果。如图1所示为CNN网络模型，CNN网络由一个输入层，两个卷积层和两个下采样层以及一个全连接层组成，输出为一个二分类向量，即文本和非文本。
图1 CNN网络模型 该文主要思路为将图像切块后进行训练，采用人工标注样本的方法，使得网络具有识别文本和非文本的能力。由于样本数量较少，文中采用了根据已有字体生成训练数据集的方法，包括对字体随机添加背景、调整字体风格以及应用滤波器。如图2为生成的泰字样本，文中在标签的过程中将半个字或者整个字都标记为文本，增加了网络对文字的识别率。 图2训练样本集 在使用生成好的网络进行文字定位的过程中，论文采用的编组方法结合了泰字的特点，如图3为对图像文字的初步定位，其中被标记的区域被网络识别为文字。 图3图像文字的初步定位
小微企业信用评估的数据挖掘方法综述
小微企业信用评估的数据挖掘方法综述 2016-05-03 14:54:05 《金融理论与实践》高俊光刘旭朱辰辰 一、序言 小微企业是指小型和微型企业。依据工信部2011年6月发布的小微企业划型标准，截至2013年年底，全国小微企业数量占到企业总数的94.15%，为GDP做出了近60%的贡献，税收占比达到50%，解决就业1.5亿人，新增就业和再就业人口的70%以上集中在小微企业[1]。小微企业作为我国市场经济的重要主体，发挥了不可替代的作用。然而，小微企业的信贷融资约束却成为制约其进一步发展的主要障碍，严重影响小微企业潜在的市场发展和企业创新。究其原因，主要由于银行信贷对企业信用等级有严格要求，而与大中型企业相比，小微企业抗冲击能力弱，且信贷信息不对称问题更加突出，导致小微金融服务面临更大的风险和不确定性。 笔者通过文献梳理和实证研究，发现小微企业信用评估困难的原因可归结为如下三方面：小微企业用于信用评估的数据不充分，缺乏针对小微企业建立的分类方法以及因类别不均导致的分类可靠性不高。基于此，大数据于信用评估领域的应用、信用评估的数据挖掘方法，以及类别不均问题的解决方法逐渐成为近年来小微企业信用评估领域的研究焦点。 二、大数据、数据挖掘与小微企业信用评估 (一)大数据与数据挖掘的基本内涵 2008年，《Nature》杂志出版专刊《Big Data》，系统地介绍了“大数据”所蕴含的 潜在价值与挑战，“大数据”正式成为各个学科中的研究热点。2011年，《Science》杂志出版的专刊《Dealing with Data》标志着“大数据”时代的到来，此后，“大数据”这一术语逐渐被用于指代因收集和处理海量数据而产生的机会和挑战[2]。“大数据”的定义主要围绕“数据体量大”“复杂性程度大”和“价值大”三个角度进行界定。 大数据规模庞大，其中隐含着巨大价值，在各行各业都备受关注，特别是那些有着大量原始数据的行业，如医疗业和金融业[3]。然而，大数据要求的数据分析已经远非目前的统计数据处理技术能够实现，唯一的解决方法就是“数据挖掘”。数据挖掘是一个多学科的交叉领域，它利用自动学习或经验配合等方式进行分析，从大量的数据中提取出隐含的、未知的、有价值的潜在信息[4]。与传统数据分析不同，数据挖掘不需事先对数据提出假设，因而更能真实地反映出数据的隐藏特征[5]。近年来数据挖掘技术渐受重视，影响范围逐步扩大，部分学者的研究关注于数据挖掘技术本身的发展，也有学者侧重于解决实际应用中的问题，如在金融领域的应用[6]。 (二)大数据与小微企业信用评估的关系
条件随机场模型和训练方法
条件随机场模型和训练方法 条件随机场模型是由[7]首先提出的，这个模型在自然语言处理和生物信息学中得到了广泛的应用，这一章我们简要介绍了条件随机场模型极其训练方法。更详尽的介绍参见[2],[3],[4]。 2.1训练的定义 考虑这样一个问题：给定一个模型，这个模型有很多参数，如何找出模型的最佳参数？训练是解决这个问题的一个方法。给定一组训练数据和一组模型，按照某个衡量标准，选出最符合训练数据的模型，这个过程叫做训练。只有选取的训练数据符合现实情况时，选择的模型才能符合现实，因此训练数据的选取是一个重要的问题。衡量模型的标准有许多个，下面介绍两个衡量标准。 2.1.1极大似然估计 (x;)P ω是随机变量X 的概率密度分布函数，ω是其中的参数。 12{x ,x ,...,x }n 是一组随机变量12,,...,X n X X 的观测值，12,,...,X n X X 是一组独立同分布的随机变量，分布与X 相同。 极大似然估计： 12'arg max (x ,x ,...,x ;)arg max (x ;)n i i P P ωωωωω==∏ 极大似然估计是一个非常自然的想法，就是选择使训练数据发生概率最大的参数，但极大似然估计的一个缺点是对训练数据的假设太强，不容易满足。下面介绍的条件似然估计可以克服这个缺点。 2.1.2条件似然估计 假设每一个训练数据由两部分组成，形如(x,y)；其中x 是已知的观测值，y 的概率分布由x 和ω唯一确定。为了判断y 的取值，我们只需要刻画条件概率分布(y |x;)ωP 。我们不用联合概率分布(y,x;)ωP 的原因是x 的取值是已知的，我们不需要刻画x 的概率分布，何况我们很难准确的刻画x 的概率分布。 假设给定一组训练集：1122{(x ,y ),(x ,y ),...,(x ,y )}n n 。 条件似然估计： 1212'arg max (y ,y ,...,y |x ,x ,...,x ;)arg max (y |x ;)n n i i i P P ωωωωω==∏ 这里所做的假设是y i 的概率分布仅由x i 和ω决定，即： 111(y |x ,...,x ,y ,...,y ;)(y |x ;)i n i i i P P ωω-=
ML算法工程师面试指南,完整的面试知识点、编程题及题解
ML算法工程师面试指南,完整的面试知识点、编程题及题解春季到来，春招不久也会开始。在本项目中，作者为大家准备了ML 算法工程师面试指南，它提供了完整的面试知识点、编程题及题解、各科技公司的面试题锦等内容。目前该GitHub 项目已经有1 万+的收藏量，想要跳一跳的同学快来试试吧。 项目地址：https://github/imhuay/Algorithm_Interview_Notes-Chinese 如下所示为整个项目的结构，其中从机器学习到数学主要提供的是笔记与面试知识点，读者可回顾整体的知识架构。后面从算法到笔试面经主要提供的是问题及解答方案，根据它们可以提升整体的解题水平与编程技巧。 面试知识点 面试题多种多样，但机器学习知识就那么多，那么为了春招或春季跳槽，何不过一遍ML 核心知识点？在这个GitHub 项目中，作者前一部分主要介绍了机器学习及各子领域的知识点。其中每一个知识点都只提供最核心的概念，如果读者遇到不熟悉的算法或者遇到知识漏洞，可以进一步阅读相关文献。 项目主要从机器学习、深度学习、自然语言处理和数学等方面提供详细的知识点，因为作者比较关注NLP，所以并没有提供详细的计算机视觉笔记。 机器学习 首先对于机器学习，项目主要从基础概念、基本实践、基本算法和集成学习专题这四个方面概括ML 的总体情况。其中基础概念可能是最基本的面试问题，例如「偏差方差怎么权衡？」、「生成模型和判别模型的差别是什么？」、「先验和后验概率都是什么，它们能转换吗？」。 这些知识点一般是入门者都需要了解的，而对于ML 基本实践，主要会从如何做好传统ML 开发流程的角度提问。例如「你如何选择超参数，能介绍一些超参数的基本搜索方法吗？」、「混淆矩阵、准确率、精确率、召回率或F1 值都是什么，如何使用它们度量模型的好坏？」、「你能介绍数据清洗和数据预处理的主要流程吗，举个例子？」。
随机森林遥感信息提取研究进展及应用展望
Vol. 34,No. 2Apr. ,2019 第34卷第2期 2019年4月遥感信息Remote Sensing Information 随机森林遥感信息提取研究进展及应用展望 于新洋2 ,赵庚星1,2 ,常春艳2 ,袁秀杰1，2 ,王卓然1，2 (1. 土肥资源高效利用国家工程实验室，山东泰安271028,2.山东农业大学资源与环境学院，山东泰安271028)摘要：针对国内外随机森林集成分类方法的相关成果及发展趋势尚未有研究进行梳理与展望这一问题，首 先，系统介绍随机森林分类方法的基本原理及应用优势、重要参数及其具体设定；其次，综述该方法在多光谱影 像、高光谱数据、雷达及激光测距仪等多源遥感数据信息提取领域以及分类参量遴选中的研究应用；最后，在分类 精度检验、可移植性以及算法改进等方面对其发展及应用趋势进行了展望。该研究可为随机森林分类方法初学 者提供参考，有助于随机森林分类方法在遥感信息提取领域的推广及应用。 关键词：随机森林；分类方法；研究进展；信息提取；展望 doi-10. 3969/j. issn. 1000-3177. 2019. 02. 002 中图分类号:TP79 文献标志码： 文章编号:1000-3177(2019)162-0008-07 Random Forest Classifier in Remote Sensing Information Extraction : A Review of Applications and Future Development YU Xinyang 1'2 ,ZHAO Gengxing 1'2,CHANG Chunyan 1'2 .YUAN Xiujie 1'2 ,WANG Zhuoran 1'2 (1. National Engineering laboratory for Efficient Utilization of Soil and Fertilizer Resources , Tai ? an , Shandong 271018, C/izna ； 2. College of Resources and Environment , Taiwan , Shandong 271018 ,CAina) Abstract : The random forest classifier (RFC) is an ensemble method that produces multiple decision trees , using a randomly selected subset of training samples and feature variables. The classifier has become popular in remote sensing studies due to its classification accuracy,while no literature review has been done to cover its application in remote sensing ? The objective of this study is to review the utilization of RFC in remote sensing , and the application of RFC in the classification of multi-sensor images and relevant data selection. Further investigations are recommended into less commonly exploited use of this classifier, such as outliers detecting in training samples and novel approaches improving. Key words : random forest ； classification method ； review ； information extraction ； development trend 0引言遥感分类作为遥感技术应用最重要的组成部 分,研究方法日渐多样。典型的遥感监督分类法如 分类回 归树(classification and regression tree , CART)m 幻、支持向量机(support vector machine , SVM)［3_4］及人工神经网络(artificial neural network , ANN)&6］算法目前应用较多。然而，随着土地利用 范围及程度的不断拓展深化以及区域资源环境变 化，陆表土地利用已趋于类型复杂化、格局破碎化, “物谱两异”现象普遍存在⑺，单分类器已难以满足 更高的分类精度需求⑷。随机森林分类器(random forest classifier , RFC)页自2001年提出伊始便以处理流程稳健高效收稿日期:2017-10-19 修订日期:2017-12-26 基金项目："十二五”国家科技支撑计划(2015BAD23B0202)；中国科学院陆地表层格局与模拟重点实验室开放基金(LBKF201802)；山 东省双一流建设项目(SYL2017XTTD02) s 山东省博士后创新基金(222016)；山东农业大学博士后基金(010-76562)。作者简介：于新洋(1986-),男，博士，讲师，主要研究方向为农业遥感监测。 E-mail : xyyu@ yic. ac. cn 通信作者:赵庚星(1964-)，男，博士，教授，主要研究方向为遥感技术及应用。 E-mail : zhaogx@ sdau. edu. cn 8
基于条件随机场的命名实体识别
目录 摘要........................................................................................................................................................I Abstract.....................................................................................................................................................II 目录.....................................................................................................................................................IV 第一章绪论 (1) §1.1研究背景及意义 (1) §1.2国内外命名实体研究现状 (2) §1.3论文主要工作 (4) §1.4论文组织结构 (4) 第二章命名实体识别概述 (6) §2.1命名实体识别难点 (6) §2.2各类命名实体的语言学特点 (7) §2.2.1人名 (7) §2.2.2地名 (8) §2.2.3组织名 (8) §2.3 命名实体识别方法 (9) §2.3.1基于规则的命名实体识别 (9) §2.3.2基于统计的命名实体识别 (9) §2.3.3基于统计与规则的命名实体识别 (11) §2.4本章小结 (12) 第三章条件随机场 (13) §3.1有向图模型 (13) §3.1.1隐马尔可夫模型 (13) §3.1.2最大熵模型 (16) §3.2条件随机场模型 (18) §3.2.1无向图模型 (19) §3.2.2条件随机场模型定义 (20) §3.2.3条件随机场模型的参数估计 (21) §3.2.4条件随机场的条件概率计算 (22) §3.3层叠条件随机场 (22) §3.4本章小结 (24) 第四章基于边界词性特征的命名实体识别 (25) §4.1特征集 (25) §4.1.1字符特征 (25) §4.1.2上下文特征 (26) §4.1.3词性特征 (26) §4.1.4边界特征 (26) §4.1.5词性边界融合特征 (27) IV
人脸识别技术总结
人脸识别技术总结 人脸识别技术大总结——Face Detection Alignment 20XX-04-08 搞了一年人脸识别，寻思着记录点什么，于是 想写这么个系列，介绍人脸识别的四大块：Face detection,alignment,verification and identification(recognization)，本别代表从一张图中识别出人 脸位置，把人脸上的特征点定位，人脸校验和人脸识别。（后两者的区别在于，人脸校验是要给你两张脸问你是不是同一个人，人 脸识别是给你一张脸和一个库问你这张脸是库里的谁。 人脸校准（alignment）是给你一张脸，你给我找出我需要的 特征点的位置，比如鼻子左侧，鼻孔下侧，瞳孔位置，上嘴唇下 侧等等点的位置。如果觉得还是不明白，看下图： 如果知道了点的位置做一下位置驱动的变形，脸就成正的了，如何驱动变形不是本节的重点，在此省略。 首先介绍一下下面正文要写的东西，由于干货非常多所以可 能会看着看着就乱了，所以给出框架图： ================================= 废话说了这么多，正文开始~ detection 作者建立了一个叫post classifier的分类器，方法如下：
1.样本准备：首先作者调用opencv的Viola-Jones分类器，将recal阀值设到XX%，这样能够尽可能地检测出所有的脸，但是同时也会有非常多的不是脸的东东被检测出来。于是，检测出来的框框们被分成了两类：是脸和不是脸。这些图片被resize到96*96。 2.特征提取：接下来是特征提取，怎么提取呢？作者采用了三种方法： 第一种：把window划分成6*6个小windows，分别提取SIFT 特征，然后连接着XXX个sift特征向量成为图像的特征。 第二种：先求出一个固定的脸的平均shape（XXX个特征点的位置，比如眼睛左边，嘴唇右边等等），然后以这XXX个特征点为中心提取sift特征，然后连接后作为特征。第三种：用他们组去年的另一个成果Face Alignment at 3000 FPS via Regressing Local Binary Features (CVPR14)，也就是图中的3000FPS方法，回归出每张脸的shape，然后再以每张脸自己的XXX个shape points为中心做sift，然后连接得到特征。 3.分类：将上述的三种特征分别扔到线性SVM中做分类，训练出一个能分辨一张图是不是脸的SVM模型。 紧接着作者将以上三种方法做出的分类器和初始分类器进行比对，画了一个样本分布的图： 这个图从左到右依次是原始级联分类器得到的样本分类分布和第一种到第三种方法提取的特征得到的样本分类分布。可见做
随机场马尔可夫随机场条件随机场
随机场、马尔可夫随机场、条件随机场 最近看视觉显著性方面的文章，看到一篇2011年2月的PAMI文章Learning to Detect a Salient Object，论文提出一种基于条件随机场（CRF）的特征组合方法将显著目标提取问题看做二值标记问题来解决。之前没有接触过条件随机场，经过两天的学习，现在总结一下并巩固梳理： （1）随机场： 在概率论中, 由样本空间Ω = {0, 1, ..., G 1}n取样构成的随机变量Xi所组成的S= {X1, ..., Xn}。若对所有的ω∈Ω下式均成立，则称π为一个随机场。 一些已有的随机场如：马尔可夫随机场(MRF), 吉布斯随机场(GRF), 条件随机场(CRF), 和高斯随机场。 随机场包含两个要素：位置（site），相空间（phase space）。当给每一个位置中按照某种分布随机赋予相空间的一个值之后，其全体就叫做随机场。我们不妨拿种地来打个比方。“位置”好比是一亩亩农田；“相空间”好比是种的各种庄稼。我们可以给不同的地种上不同的庄稼，这就好比给随机场的每个“位置”，赋予相空间里不同的值。所以，俗气点说，随机场就是在哪块地里种什么庄稼的事情。
（2）马尔科夫（Markov）性质： 马尔可夫链是随机变量X1, … , Xn 的一个数列。这些变量的范围，即他们所有可能取值的集合，被称为“状态空间”，而Xn 的值则是在时间n 的状态。如果Xn+1 对于过去 状态的条件概率分布仅是Xn 的一个函数，则 这里x 为过程中的某个状态。上面这个恒等式可以被 看作是马尔可夫性质。 马尔可夫链的在很多应用中发挥了重要作用，例如，谷歌所使用的网页排序算法（PageRank）就是由马尔可夫链 定义的。 通俗说，离当前因素比较遥远(这个遥远要根据具体情况自己定义）的因素对当前因素的性质影响不大。简单说，就叫健忘。拿天气来打个比方。如果我们假定天气是马尔可夫的，其意思就是我们假设今天的天气仅仅与昨天的天气存在概率上的关联，而与前天及前天以前的天气没有关系。再举一个通俗的比喻来形容，一只被切除了大脑的白鼠在若干个洞穴间的蹿动就构成一个马尔科夫链。因为这只白鼠已没有了记忆，瞬间而生的念头决定了它从一个洞穴蹿到另一个洞穴；当其所在位置确定时，它下一步蹿往何处与它以往经过
基于条件随机场的评价对象抽取
基于条件随机场的评价对象抽取① 夏 圆, 张 征 (华中科技大学自动化学院, 武汉 430074) 摘 要: 评价对象抽取是情感分析的重要组成部分, 针对在线商品中文评论非正规化、网络化的特点, 本文提出一种基于句法分析和条件随机场的评价对象的抽取方法, 通过实验分析不同模板与不同特征组合对评价对象提取的F值的影响. 在系统实现上, 主要利用哈工大语言技术平台(LTP)的开放接口和CRFs开源工具对评论数据集进行训练和测试. 最终使两类数据集的评价对象抽取的F值达分别达到到82.98%和83.50%. 关键词: 评价对象; 情感分析; 句法分析; 条件随机场; 特征组合 引用格式: 夏圆,张征.基于条件随机场的评价对象抽取.计算机系统应用,2017,26(11):254–259. https://www.wendangku.net/doc/d114423570.html,/1003-3254/6050.html Objects Extraction of Comment Based on Conditional Random Field XIA Yuan, ZHANG Zheng (School of Automation, Huazhong University of Science and Technology, Wuhan 430074, China) Abstract: Extracting object of comment is an important part of emotional analysis. In view of the irregularity of language and the characteristics of network in Chinese online comment, this paper presents a method of extracting objects based on the syntactic analysis and conditional random field. It analyzes experimentally the effect of different templates and different combinations of features on the F value. In the implementation of the system, this paper uses Harbin Institute of Technology language platform open interface and CRFs open source tools to train and test on comment data sets. Finally, the F values of the two types of data sets have reached 82.98% and 83.50% respectively. Key words: comment object; sentiment analysis; syntactic analysis; conditional random field; combinations of features 1 引言 随着Web 2.0技术的快速发展, 在线评论在互联网上正以指数级的速度增长, 成为继内部搜索功能后最重要的网站功能. 对于电商平台, 评论信息影响到消费者的购买决策[1]. 从海量的在线评论中挖掘用户关心的信息可以把用户从中解脱出来, 因为将可视化的结果提供给商家, 可以帮助其改善服务质量, 为顾客带去舒适的购物体验; 提供给用户, 以帮助其做出最有效益的购物决策. 如何从以指数级增加的文本内容中抽取有用的信息、分析规律是一个急需解决的问题. 借助自然语言处理技术分析某一条评论所包含的评价对象以及顾客对产品某个属性的感情倾向性在很大程度上可以解决以上的问题. 评价对象指某段评论中所讨论的主题, 具体表现为评论中评价词所修饰的对象[2]. 评价对象的抽取是文本情感分析的关键, 现有的评价对象的抽取方法主要有基于关联规则和基于统计两种. Liu Bing最先提出评价对象抽取的问题, 将有着较高频率的名词以及短语视为评价对象, 把距离评价对象最近的形容词视为其评价短语[3]. 邱云飞、陈艺方等人提出根据中文语言的特点, 利用词性特征与句法分析提取商品评价对象的方法[4]. 张建华、肖中正也进行了基于词性特征和依存句法分析的方法抽取评价对象的研究[5]. 基于关联规则的方法主要是根据文本本身的特点, 结合评价对象所具有的特点, 制定相应的规则 计算机系统应用 ISSN 1003-3254, CODEN CSAOBN E-mail: csa@https://www.wendangku.net/doc/d114423570.html, Computer Systems & Applications,2017,26(11):254?259 [doi: 10.15888/https://www.wendangku.net/doc/d114423570.html,ki.csa.006050]https://www.wendangku.net/doc/d114423570.html, ?中国科学院软件研究所版权所有.Tel: +86-10-62661041 ①收稿时间: 2017-02-21; 修改时间: 2017-03-09; 采用时间: 2017-03-16 254研究开发 Research and Development 万方数据