9.1 实物分拨的基本概念 9.2 实物分拨运作模式 9.3 实物配送网络构建 9.4 分拨设施数量决策 9.5 分拨设施选址决策

第一节 马科维兹投资组合理论的假设条件和主要内容 一、主要内容 二、假设条件 三、二次效用函数和市场的资产回报 率服从正态分布 第二节 证券收益与风险的度量及证券组合的风险分散化效应 一、价格与回报率 二、期望收益率 三、方差 四、协方差 五、相关系数 六、证券组合的方差 、协方差和风险的分散化 第三节 证券投资组合的可行集、有效集与最优投资组合 一、可行集 二、有效集 三、有效前沿均值与方差的关系 四、最优投资组合的选择 第四节 两基金分离定理——投资组合构建的指数策略 一、两基金分离定理的含义 二、两基金分离定理的金融含义

第五章短期流动性及偿债能力分析 1.短期资产流动性分析 2.短期偿债能力分析 3.其他流动性指标

对外经济贸易大学：《企业财务报表分析 Financial Statement Analysis》课程教学资源（授课教案）第七讲 固定资产与无形资产质量分析（无形资产质量分析、表外资源分析、其他资产质量分析）

针对分类数据, 通过数据对象在属性值上的集中程度定义了新的基于属性值集中度的类内相似度(similarity based on concentration of attribute values, CONC), 用于衡量聚类结果中类内各数据对象之间的相似度; 通过不同类的特征属性值的差异程度定义了基于强度向量差异的类间差异度(dissimilarity based on discrepancy of SVs, DCRP), 用于衡量两个类之间的差异度.基于CONC和DCRP提出了新的分类数据聚类有效性内部评价指标(clustering validation based on concentration of attribute values, CVC), 它具有以下3个特点: (1)在评价每个类内相似度时, 不仅依靠类内各数据对象的特征, 还考虑了整个数据集的信息; (2)采用几个特征属性值的差异评价两个类的差异度, 确保评价过程不丢失有效的聚类信息, 同时可以消除噪音的影响; (3)在评价类内相似度及类间差异度时, 消除了数据对象个数对评价过程的影响.采用加州大学欧文分校提出的用于机器学习的数据库(UCI)进行实验, 将CVC与类别效用(category utility, CU)指标、基于主观因素的分类数据指标(categorical data clustering with subjective factors, CDCS)指标和基于信息熵的内部评价指标(information entropy, IE)等内部评价指标进行对比, 通过外部评价指标标准交互信息(normalized mutual information, NMI)验证内部评价效果.实验表明相对其他内部评价指标, CVC指标可以更有效地评价聚类结果.此外, CVC指标相对于NMI指标, 不需要数据集以外的信息, 更具实用性

通过密炼?注塑成型工艺制备了不同苎麻纤维含量的聚乳酸基复合材料，研究了纤维含量对复合材料性能的影响规律，并揭示了纤维增强机理。研究表明，苎麻纤维的添加提高了复合材料的耐热性能，尤其是当纤维质量分数为40%时，复合材料的热变形温度提高了10.5%。此外，苎麻纤维均匀地分散在基体中，由于纤维与聚乳酸的界面强度较弱，断面上有大量的纤维拔出和纤维孔洞；差示扫描量热仪测试表明高含量的纤维限制了聚乳酸分子链的运动，促进复合材料形成更加致密完善的晶核；同时，流变行为也表明苎麻纤维含量的增加有助于提高复合材料的黏弹响应和复合黏度；最后，苎麻纤维的加入提高了复合材料的拉伸和弯曲强度，且随纤维含量的增加而增大。与聚乳酸相比，当纤维质量分数为40%时复合材料的拉伸和弯曲强度分别提高了30%和21.9%

第一节主要介绍了时间序列分析和预测的基本方法。首先解释了时间序列的形态，常常通过它帮助我们考虑时间序列的四种独立成分：趋势、循环、季节和不规则。通过分离这些成分和测量它们的明显影响，可以预测时间序列的未来值。◼第二节主要介绍了回归分析预测法。市场活动中的许多现象也不例外，其变化与各种影响因素变化之间存在着一定的依存关系。回归分析预测法就是从各种经济现象之间的相互关系出发，通过对与预测对象有联系的现象变动趋势的分析，推算预测对象未来状态数量表现的一种预测方法

在学习了饲料常规成分分析的基础上,要求掌 握纤维素分析测定的 Van soest方案以及氨基 酸、常量元素与微量元素检测分析的基本原 理、方法和基本技能训练

第四章财务报表数据的特征 1.比率分析的假设及计算问题 2.财务报表数字的分布 3.财务报表数据与会计方法 4.财务报表信息的横向分析 5.财务报表信息的时间序列(纵向)分析

针对目前锂离子电池寿命预测结果不准确的问题，提出了一种多模态分解的锂离子电池组合预测模型，从而学习锂离子电池退化过程的微小变化。该方法在单一长短期记忆（LSTM）预测模型的基础上，采用了自适应噪声完全集成的经验模态分解(CEEMDAN)算法将锂电池容量分为主退化趋势和若干局部退化趋势，然后使用长短期记忆神经网络（LSTMNN）算法分别对所分解的若干退化数据进行寿命预测，最后将若干预测结果进行有效集成。结果表明，所提出的CEEMDAN?LSTM锂离子电池组合预测模型最大平均绝对百分比误差不超过1.5%，平均相对误差在3%以内，且优于其他预测模型