摘要：鉴于服装企业立体裁剪技术需求的日益扩大和使用立体裁剪净体模型松量加放困难的现状,希望将立体裁剪过程中加放的衣片松量转移到立体裁剪专用模型中,以特定廓型松量模型的研制为例,提出了立体裁剪专用松量模型开发的设想。在论述立体裁剪松量模型概念、作用及其设计思路的基础上,采用非接触式三维人体测量设备,提取被测者的净体与着装截面,运用MER法、图形旋转法、散点平均离散处理、极坐标拟合与插值等方法及MatLab程序设计进行截面处理与分析,总结出特定廓型松量模型的加法设计和减法设计,以及各自的适用性。最后,简要介绍了松量模型的试制和试用验证。

摘要：针对现行国标GB 36886-2018提供的林格曼黑度图检测方法存在的不足,采用图像识别技术,研制了一种具备拍照式林格曼黑度检测(分辨率从0.25级升至0.05级)、透射式烟度检测、模拟微环境等3个主要功能的非道路柴油机械排气烟度专用检测装置。同时,研究了直管、45°弯管、90°弯管3种排气管尾根部取样位置对不透光光吸收系数检测结果的影响,并进行了基本理论分析和现场测试验证,明确取样点应尽量远离弯头位置,为后续可调整式探头结构优化设计提供一定理论支撑。该检测装置可对非道路柴油机械的林格曼黑度和不透光烟度同步进行排气烟度检测,实现了一次性、可记录、可追溯精准检测。

摘要：基本面量化投资是近年来金融科技和量化投资研究的新热点。作为人工智能的代表性技术,机器学习能够大幅度提高经济学和管理学中预测类研究的效果。本文系统性地运用机器学习,来提升基本面量化投资中的股票收益预测模块。基于1997年1月至2018年10月A股市场的96项异象因子,本文采用预测组合算法、Lasso回归、岭回归、弹性网络回归、偏最小二乘回归、支持向量机、梯度提升树、极端梯度提升树、集成神经网络、深度前馈网络、循环神经网络和长短期记忆网络等12种机器学习算法,构建股票收益预测模型及投资组合。实证结果显示,机器学习算法能够有效地识别异象因子—超额收益间的复杂模式,其投资策略能够获得比传统线性算法和所有单因子更好的投资绩效,基于深度前馈网络预测的多空组合最高能够获得2.78%的月度收益。本文进一步检验了因子在预测模型中的重要性,发现交易摩擦因子在A股市场具有较强的预测能力,深度前馈网络在筛选因子数据上的多空组合月度收益达到了3.41%。本文尝试将机器学习引入基本面量化投资领域,有助于促进人工智能、机器学习与经济学和管理学的交叉融合研究,为推进国家人工智能战略的有效实施提供参考。