引入时频聚集交叉项干扰抑制的大数据聚类算法

面向大数据集管理的数据聚类方法研究在模式识别、故障诊断和数据挖掘等领域具有重要的研究意义。传统的大数据聚类算法采用混合差分进化的粒子群算法,因数据信息流分量之间的交叉作用而出现的类间交叉项干扰影响了聚类分量的正确判断,聚类效果不好。提出了一种基于时频聚集交叉项干扰抑制的大数据聚类算法。在面向传播学视域下物联网大数据库中生成大数据聚类的信息特征向量,对任意两个分簇矢量进行近邻样本的隶属度训练,在时间滑动窗口模型中进行信息调度,采用高频分量抑制方法实现对时频聚集交叉项的干扰抑制,通过频域卷积相似度融合处理,采用粒子群优化算法进行聚类适应度计算,以实现数据聚类算法改进。仿真结果表明,采用该算法进行大数据聚类,具有较好的抗干扰性和自适应性,聚类准确度较高。     

数据科学在国内管理学研究中的应用综述

基于大数据时代的新学科——数据科学的研究方法正在被包括管理学在内的其他学科应用。首先,探讨了以大数据为理论基础的数据科学研究范式与管理学研究的经典范式之间的联系和区别。其次,分析了国家自然科学基金委认定的A类重要管理学期刊文献及引证文献,对当前国内管理学领域为数不多的基于数据驱动的公共管理、基于复杂网络仿真的网络行为管理和基于多源数据融合的创新管理等热点领域进行了分类梳理。然后, 归纳总结了当前国内管理学领域采用数据科学研究方法的特征。最后,提出了数据科学在管理学科学研究应用中的趋势,即范式融合、大数据利用、场景融合、专家合作。     

基于数据融合的商务智能与分析架构研究

商务智能与分析(BI&A)3.0的出现和信息融合应用场景的拓宽增强了数据融合在商务智能研究中的重要性。越来越多经济和管理领域的研究运用了融合的思想和方法,数据融合在这些领域的应用表现出了不同于传统信息融合的特点。从信息融合和BI&A出发,提出了多源异构大数据背景下基于数据融合视角的BI&A新内涵,突出了数据融合在商务智能分析过程中的重要性。基于WSR系统科学方法论构建了商务智能分析“数据、信息、知识”的融合架构,使数据融合能更好地应用于经济、金融和管理等领域,为从海量多源异构数据中获取知识提供了科学依据,有利于更有效的商务智能系统的研发和实现。     

大数据时代背景下信息与计算科学专业多学科交叉融合人才培养模式探索

大数据时代对信息与计算科学专业带来新的发展契机,但同时,大数据分析处理中的多学科交叉融合,使专业人才培养面临更多前所未有的挑战。为此,通过对大数据背景下,信息与计算科学专业人才培养中存在问题的分析,提出从稳固专业思想、构建课程体系、改革教学方法、搭建实践平台,以及提高师资队伍水平等五方面,对现有的专业人才培养模式进行完善和提升,这对于探索多学科交叉融合人才培养模式,培养高素质的应用复合型人才具有重要的借鉴作用。     

大数据处理中混合型聚类算法的研究与实现

随着信息技术的飞速发展,大数据时代已经来临,对数据的分析与处理成为目前研究的重点,数据挖掘技术更是成为了重中之重,被广泛研究与应用。文章在研究聚类算法的基础上,具体研究了基于划分的聚类算法以及自下而上的基于层次的聚类算法,通过将两种算法优化后再进行融合提出了一种混合型聚类算法。该算法能够避免划分算法中随机选取初始聚类中心的问题,使用基于划分的聚类算法对数据集进行初始化,然后对处理后的数据集进行自下而上的基于层次的聚类分析,最终能够得到理想的分析结果。该算法能够综合两类传统聚类算法的优点,摒除不足之处,做到优势互补,在不损失准确性的基础上提高了算法的运行效率。最后通过R语言工具进行实验仿真,证实了文中提出的混合型聚类算法的有效性以及可行性。     

雷达和QAR数据的融合处理

基于数据融合技术,在研究雷达数据与快速访问记录器(QAR,quick access recorder)数据构成的基础上,提出了一种将雷达数据与QAR数据进行航迹融合的处理方法。通过坐标变换,能在平面内绘出飞行航迹;利用卡尔曼滤波算法对接收的数据进行处理,能有效地减少了报文丢失及乱码对跟踪精度的影响;同时,采用时间对准算法实现不同航迹数据的同时性。结果表明,雷达数据与QAR数据进行加权融合的处理方法,实现了两类数据的融合以及对有效信息的综合利用,从而降低雷达测量误差对系统监视精度的影响。     

一种基于重取样的代价敏感学习算法

大多数非均衡数据集的研究集中于纯重构数据集或者纯代价敏感学习,本文针对数据集类分布非均衡和不相等误分类代价往往同时发生这一事实,提出了一种以最小误分类代价为目标的基于混合重取样的代价敏感学习算法。该算法将两种不同类型解决方案有机地融合在一起,先用样本类空间重构的方法使原始数据集的两类数据达到基本均衡,然后再引入代价敏感学习算法进行分类,能提高少数类分类精度,同时有效降低总的误分类代价。实验结果验证了该算法在处理非均衡类问题时比传统算法要优越。     

科研大数据发展状况探讨

科研正迈入大数据时代,大数据有望改变或重构传统的科学探索和科技创新模式,形成全新的科研业态。通过立法推动科研数据输出,构建平台与中心以促成科研数据开放与共享,建立评估机制以保证科研数据质量、推动不同学科与专业间数据融合和关联,体现大数据的作用与价值、大数据带动的科研新热点等,对近两年科研大数据的发展状况进行论述。     

基于模糊聚类算法的绿地园林养护信息数据整合模型

现有的信息数据整合方法的数据冗余较高，因此文章引入模糊聚类算法，以绿地园林养护信息数据为例，提出了基于模糊聚类算法的数据整合模型研究。首先，清洗处理信息数据；其次，建立信息数据整合模型；最后，利用模糊聚类算法，全方位地整合模型内的信息数据。实验分析可知，提出模型应用后，整合信息数据冗余比明显较低，整合效果优势显著。     

高性能计算与天文大数据研究综述

数据是天文学发展的重要驱动。分布式存储和高性能计算(High Performance Computing,HPC)为应对海量天文数据的复杂性、不规则的存储和计算起到推动作用。天文学研究中多信息和多学科交叉融合成为必然,天文大数据已进入大规模计算时代。高性能计算为天文大数据处理和分析提供了新的手段,针对一些传统手段无法解决的问题给出了新的方案。文中根据天文数据分类和特征,以高性能计算为支撑,对天文大数据的数据融合、高效存取、分析及后续处理、可视化等问题进行了研究,总结了现阶段的技术特点,提出了处理天文大数据的研究策略和技术方法,并对天文大数据处理面对的问题和发展趋势进行了探讨。     

Application Feasibility Analysis of Block Chain Technology in Geospatial Data Sharing

Geospatial data sharing as a significant component of geoscience research. It is also an important means to exploit geoscience data and avoid repeated collection of geospatial data. It is an essential foundation for modern data-intensive geoscience research. Therefore, how to break the geospatial data “island” and realize different geoscience data portable access, secure data security, and promote geospatial data author copyright are urgent problems in geospatial data sharing. The rise of blockchain technology has brought new possibilities for the expansion of the value of geospatial data, the enhancement of data security and the improvement of the protection of the rights of stakeholders in geospatial data. Based on the systematic review of the status quo of data sharing, existing problems, basic principles of blockchain, underlying architecture, characteristics and application status, this paper discusses the application feasibility of blockchain technology in geospatial data sharing, and expounds the application challenges of blockchain technology in geospatial data sharing, in order to provide reference for the research and application of blockchain in geospatial data sharing.     

区块链技术在地学数据共享中的应用可行性分析

地学数据共享是地学研究的重要内容,也是挖掘地学数据、避免地学数据重复采集的重要途径,是现代数据密集型科研范式下地学研究的重要基础,因此,如何打破地学数据“孤岛”、实现不同地学数据便捷获取、保障数据安全、提升和扩展地学数据贡献者权益保护是地学数据共享中急需解决的问题。区块链技术的兴起,为地学数据价值外化途径扩充、提升数据安全和地学数据贡献者权益保护带来了新的可能。在系统梳理地学数据共享现状、存在问题、区块链基本原理、特点、底层架构以及应用现状的基础上,探讨区块链技术在地学数据共享中的应用可行性以及应用场景,阐述区块链技术在地学数据共享中的应用挑战,以期为地学数据共享领域区块链相关研究与应用提供参考。     

基于手机定位的动态行程时间探测

动态交通信息的发布与预测是ITS的关键所在。然而由于在各种外部因素下,道路交通状态呈现出随机变化的特性使得动态交通信息的发布与预测成为一大难点。行程时间和车速的发布与预测是实时动态交通发布与预测的重要指标,也是交通流诱导系统理论研究项目的一个重要环节。所以,这就使动态行程时间的探测这一课题显得尤为重要。结合某城市的实际情况,文中探讨并实践了一种全新的基于手机定位的动态行程时间探测方法,并对其技术路线、关键问题以及难点问题进行一一论述。该方法的最大优势:城市范围内除需要安装几块探测卡以外,几乎无需任何其他投入,从而省去了利用其他技术所需要的巨额安装与维护费用,这一点对像我国这样的发展中国家具有重大的意义。另外,该技术还有安装快、报告的信息遍及整个路网,而不是仅限于预定地点的特点。     

基于Agent的知识发现模型的设计

ＫＤＤ（ｔｈｅ Ｋｎｏｗｌｅｄｇｅ Ｄｉｓｃｏｖｅｒｙ ｉｎ Ｄａｔａｂａｓｅ）模型的研究是数据挖掘领域中的一个重要分支,现有的一些模型各有其优势,但又不是完美的,尤其在智能性方面都表现得较差。文章设计了一个基于Ａｇｅｎｔ的智能数据挖掘系统,利用多智能体技术实现了信息的收集、预处理、查询、知识的自动提取、数据挖掘等功能,使整个挖掘过程实现了知识性、智能性,它可以为智能信息系统提供必要的支持。     

多传感器信息融合技术在智能机器人环境感知中的研究进展及应用

多传感器信息融合技术是一种有别于经典数据处理技术的高级处理方式,主要目的是为了让智能设备在越来越复杂的工作环境中有更好的表现,使其能有更强的感知能力和操作精准度;在对传感器技术、人工智能、机器人技术、多传感器信息融合技术及常见多传感器信息融合的应用进行了系统的整理和研究后,针对目前的多传感器数据融合技术进行全面地介绍,并简要阐述多传感器信息融合的一般结构,重点分析不同融合算法的特点和优劣势,明确不同融合模型之间的差别以及对数据处理策略上的影响,充分列举现国内外发表的关于多传感器数据融合技术的重要研究及应用,并对多传感器数据融合技术的发展与展望做检验阐述,为多传感器数据融合技术研究提供重要理论依据。     

SB-CIMS动态信息集成的设计与实现

数据库信息集成是CIMS中关键技术之一，本文在实现SB-CIMS静态信息集成的基础 上，进一步提出并分析阐述了异构库动态信息集成模式与设计原理，概要介绍了软件系统的 设计目标与功能，并对系统实现技术与软件结构原理作了较详细论述．通过应用于SB-CIMS 的实例表明新方法是可行和有效的．     

动态土地信息系统时空过程及时空数据存储

时态GIS（TGIS）以及时空数据模型是当前地理信息科学领域的研究热点，土地地籍管理信息系统是TGIS的典型应用，对土地地籍管理信息系统的时空过程进行了分析；提出了在基态修正时空数据模型中，采用区段快速索引和变粒度存储因子方法；通过区段快速索引和变粒度存储因子的引入，系统查询效率有了明显提高；论述了土地信息系统中的时空概念，数据结构和系统实现，重点讨论了数据库中的数据组织、拓扑关系建立及数据存储管理机制；最后介绍了基于上述模型和方法开发的新一代大型网络级动态土地地籍管理信息系统（ReGIS）的主要功能，两年多的应用表明，系统设计先进，性能良好，运行稳定。     

深度学习单目深度估计研究进展

单目深度估计是从单幅图像中获取场景深度信息的重要技术,在智能汽车和机器人定位等领域应用广泛,具有重要的研究价值。随着深度学习技术的发展,涌现出许多基于深度学习的单目深度估计研究,单目深度估计性能也取得了很大进展。本文按照单目深度估计模型采用的训练数据的类型,从3个方面综述了近年来基于深度学习的单目深度估计方法:基于单图像训练的模型、基于多图像训练的模型和基于辅助信息优化训练的单目深度估计模型。同时,本文在综述了单目深度估计研究常用数据集和性能指标基础上,对经典的单目深度估计模型进行了性能比较分析。以单幅图像作为训练数据的模型具有网络结构简单的特点,但泛化性能较差。采用多图像训练的深度估计网络有更强的泛化性,但网络的参数量大、网络收敛速度慢、训练耗时长。引入辅助信息的深度估计网络的深度估计精度得到了进一步提升,但辅助信息的引入会造成网络结构复杂、收敛速度慢等问题。单目深度估计研究还存在许多的难题和挑战。利用多图像输入中包含的潜在信息和特定领域的约束信息,来提高单目深度估计的性能,逐渐成为了单目深度估计研究的趋势。     

基于AdaBoost集成加权宽度学习系统的不平衡数据分类

宽度学习系统（BLS）是一种浅层的神经网络结构,具有快速训练、增量学习等特征,在处理类别不平衡数据时提取到的少数类别特征较少,导致识别结果不理想。提出一种基于AdaBoost集成加权宽度学习系统（AdaBoost-WBLS）的不平衡数据分类方法,通过迭代实现权重的动态更新,获得更符合数据特征的权重,提升集成模型对少数类的识别能力。基于KKT条件,对加权宽度学习系统的加权优化过程进行推导,验证了对角权重对BLS模型误差的抑制作用。在AdaBoost-WBLS模型集成初始化时,采用基于类别信息的初始化权值策略,使模型具有更高的集成训练效率。在集成权重更新时,不同数据类别采用不同的正则化更新方式,保留数据的类内特征并增加类间区分度。在实验过程中,对AdaBoost-WBLS模型的不同参数进行寻优,得到相关参数在有限范围内的最优取值。实验结果表明,AdaBoost-WBLS模型相比AdaBoost和BLS类相关模型能有效改善少数类别特征的提取能力,并且在Satimage数据集上相比加权过采样的深度自编码器模型的G-mean高出4.36个百分点,明显提升了不平衡数据的识别能力。     

一种构建3D GIS应用的三层结构方法探讨

该文提出了一种构建3DGIS应用的三层结构方法,它由数据模型层、对象层和应用层三个层次组成;结合三层结构方法,首先分析和总结了地学中一些原型系统和应用软件的特点;然后在此基础上,采用了一种适合地学应用的混合数据模型,实现了一个面向地学应用的3DGIS原型系统;最后,对该三层结构方法在地学中的应用做出总结。