并非成本越低越好

在做好房地产项目成本管控之前,首先要全面了解项目、成本的构成。房地产项目的成本大致由几个部分构成。一是土地征用（出让）及拆迁补偿费。     

构造演化与含油气系统的形成——以准噶尔盆地东部吉木萨尔凹陷为例

准噶尔盆地东部自晚石炭世洋壳消减后进入陆相盆地演化阶段,是一个构造演化复杂、由多个含油气凹陷和凸起构成的构造带,其构造演化历史主要分为4个阶段,即裂谷—断陷盆地阶段、断—坳盆地阶段、陆内坳陷盆地阶段和再生前陆盆地阶段。结合盆地东部吉木萨尔凹陷复合含油气系统特征,探讨了构造演化与含油气系统形成之间的关系。研究表明,构造演化在一定程度上控制着生储盖组合的形成,影响烃源岩的演化进程,控制着含油气系统的多期生烃和多期成藏,构成含油气系统的运聚、改造和后期保存的关键时刻。      

利用标签相关性先验的弱监督多标签学习方法

多标签学习是一种非常重要的机器学习范式.传统的多标签学习方法是在监督或半监督的情况下设计的.通常情况下,它们需要对所有或部分数据进行准确的属于多个类别的标注.在许多实际应用中,拥有大量标注的标签信息往往难以获取,限制了多标签学习的推广和应用.与之相比,标签相关性作为一种常见的弱监督信息,它对标注信息的要求较低.如何利用标签相关性进行多标签学习,是一个重要但未研究的问题.提出了一种利用标签相关性作为先验的弱监督多标签学习方法(WSMLLC).该模型利用标签相关性对样本相似性进行了重述,能够有效地获取标签指示矩阵;同时,利用先验信息对数据的投影矩阵进行约束,并引入回归项对指示矩阵进行修正.与现有方法相比,WSMLLC模型的突出优势在于:仅提供标签相关性先验,就可以实现多标签样本的标签指派任务.在多个公开数据集上进行实验验证,实验结果表明:在标签矩阵完全缺失的情况下,WSMLLC与当前先进的多标签学习方法相比具有明显优势.     

鲁棒自加权的多视图子空间聚类

随着收集和存储数据的能力不断提高,真实数据通常由不同的表现形式(视图)组成.因此多视图学习在机器学习与模式识别领域中扮演着重要的角色.近年来,多种多视图学习方法被提出并应用于不同的实际场景中.然而,在目标函数中大部分数据点存在平方残差,少数误差较大的离群点很容易令目标函数失效,因此如何处理冗余数据是多视图学习面临的重要...