基于Hive的高可用双引擎数据仓库

打破信息孤岛，整合异构数据，汇聚共享交换，深度分析挖掘，提供行业领域辅助决策和态势分析具有深远的理论和应用价值.本文以中国科学院教育科研态势感知服务的实际需求为牵引，设计并实现了一套基于Hive的Hadoop/Spark双计算引擎大数据仓库，支持多种方式OLAP分析，进行了可用性、负载均衡、资源管理的优化设计，为后续进行全院数据汇聚挖掘、知识图谱构建、学科态势分析提供了平台支撑.实验表明，系统灵活高效，高可用可扩展，资源调度科学，负载均衡效果明显.     

基于Web of Science的PageRank人才挖掘算法

高水平论文是优秀科技人才的标志性成果之一。聚焦“Web Of Science（WOS）”热点研究学科，在构建学术论文语义Neo4j网络图和挖掘出活跃科研社区基础上，利用PageRank人才挖掘算法实现对科研社区中优秀科研人才的挖掘。首先，对现有的人才挖掘算法进行详细研究和分析；其次，结合WOS论文数据对PageRank人才挖掘算法进行了优化设计和实现，加入了论文发表的时间因子、作者署名排序递减模型、周围作者节点对当前节点的影响、论文被引用量等多维度考量因素。最后，基于热点学科计算机科学某社区近五年的论文数据进行了实验和验证。结果表明，基于社区的挖掘更具有针对性，能够快速定位各学科代表性优秀和潜在人才，且改进后的算法对人才的发现更加客观有效。     

基于EEMD-RobustICA和Prony算法的谐波和间谐波检测方法

针对经验模态分解存在的模态混叠现象和Prony算法对噪声敏感的问题,将总体经验模态分解与鲁棒性独立分析法和Prony算法进行有机的结合,应用到谐波和间谐波的检测中。首先将含有噪声的谐波信号进行总体经验模态分解,得到不同阶数的固有模态函数,然后将其作为鲁棒性独立分量分析法的输入,对得到的独立分量进行软阈值去噪后进行逆变换得到重构后的固有模态函数,叠加得到去噪后的信号,最后用Prony算法对谐波和间谐波信号进行参数辨识,得到谐波和间谐波的参数。仿真结果表明,该方法具有较好的抗噪性,克服了Prony算法对噪声敏感的缺点,有效地提高了谐波和间谐波检测的精度。