智能制造模式下多维数据分析方法研究

大数据时代,数据价值日益提升,各种数据分析方法在金融、健康、旅游等行业得到了广泛应用。随着智能制造模式下各种先进制造技术的应用,工业数据趋于多维化。如何让数据为制造业提供优质服务值得人们们深思。基于此,分析了多维数据的特点,探究了当前数据降维分析方法,比较分析了当前使用最广泛的几种数据降维算法,为智能制造模式下多维数据的有效分析提供理论与技术支持。     

大数据分析平台建设与应用综述

大数据分析平台是开展大数据处理与分析应用所必需的基础设施。文章基于课题组开展大数据分析平台建设的科研成果与实践经验,结合大型企业实施行业应用项目的切身感受,从大数据分析平台设计、主流热点技术、行业应用案例三个方面进行介绍。文章首先分析了大数据分析平台的主要功能和体系架构,然后介绍了大数据分析平台的关键技术,重点介绍了 Spark技术的体系架构及核心组件,最后介绍了大数据技术在大规模制造业、零售业和智能电网三个领域的应用案例。     

大数据应用的现状与展望分析

信息化时代的迅猛发展,大数据正在以惊人的速度改变着整个社会的生产方式,影响着我们每个人的生活,同时我们的生产、生活和工作等各个方面也都离不开大数据带来的便利.为了能够更好的利用大数据,最大限度的发挥其在政治、经济和社会等方面的作用,对其在当时社会发展中所表现出的特征进行分析的基础上,对它的应用现状也进行细致的分析,并且针对它未来的发展趋势进行详细的探讨,以此来提高我国在应用大数据中的主动性及创新意识.     

大数据分析关键技术与挑战

全面论述了大数据分析技术的概念、现状、技术及应用,包括大数据基本概念及特点、大数据分析产生的时代背景、关键技术以及大数据带来的变革和挑战,在大数据分析的关键技术中重点对大数据的清洗与融合、大数据处理框架、大数据的建模与分析进行了介绍。     

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。     

大数据分析概要

当大数据分析逐渐成为主流时,它将会变得和其他早期的技术一样普遍,大数据分析也会逐步成为一种日常工具。文中分析了大数据分析面临的主要挑战,以及数据从累积到分析的分析学体系,同时分析了大数据分析市场的未来趋势,给出了大数据分析的关键还在于人为操作的结论。     

大数据时代数据分析与信息安全

大数据的价值不仅仅局限于它的初始收集目的,而在于收集后可以用于其他用途并可重复使用。目前,包括美国在内的许多国家,都将大数据分析管理上升到国家战略层面,从国家层面通盘考虑其发展战略。     

基于大数据分析的智能交通灯系统

自从汽车发明以来,给人类的出行带来了极大的便利,但随之而来的问题也无法避免,十字路口的堵塞问题一直困扰着人们,面对汽车保有量不断攀升,处于智能化时代的人们要学会用相关知识去解决这些问题。大数据和云计算可以帮助人们很好地解决数据加工和处理中存在的问题,为智能红绿灯创新奠定了坚实的基础。基于此,重点分析了基于大数据分析的智能交通灯系统。     

面向大数据分析的分布式矩阵计算系统研究进展

在大数据治理应用中,数据分析是必不可少的一环,且具有耗时长、计算资源需求大的特点,因此,优化其执行效率至关重要.早期由于数据规模不大,数据分析师可以利用传统的矩阵计算工具执行分析算法,然而随着数据量的爆炸式增长,诸如MATLAB等传统工具已无法满足应用需求的执行效率,进而涌现出了一批面向大数据分析的分布式矩阵计算系统.从技术、系统等角度综述了分布式矩阵计算系统的研究进展.首先,从发展成熟的数据管理领域的视角出发,剖析分布式矩阵计算系统在编程接口、编译优化、执行引擎、数据存储这4个层面面临的挑战;其次,分别就这4个层面展开,探讨、总结相关技术;最后,总体分析了典型的分布式矩阵计算系统,并展望了未来研究的发展方向.     

基于计算智能的基因表达数据聚类分析研究进展

基因表达数据聚类是发现基因功能和确立基因调控网络的重要方法,计算智能在该领域的应用为分析 大量基因数据提供了新途径．本文根据基因表达数据的特点,提出了基因表达数据聚类领域的关键问题,探讨了基 于计算智能的基因表达数据聚类基本框架,综述了计算智能在基因数据聚类领域的应用现状,最后指出了在基因数 据聚类领域计算智能方法未来的发展方向．     

基于CiteSpace的人工智能文献大数据可视化分析

随着数据量的上涨、计算机运算力的提升和深度学习算法的出现,人工智能受到越来越多的关注.文中以美国核心期刊数据库Web of Science收录的与人工智能相关的6879篇期刊论文为研究对象,以时空知识图谱及内容知识图谱分析为主要研究方法,基于信息可视化软件CiteSpace从合作国家、研究机构、引用文献、关键词和突现词五个方面对文献大数据进行可视化比较和分析,明确了人工智能领域的研究现状及重要文献,揭示了人工智能领域的研究热点和前沿.最后,通过对五个可视化分析方面的总结,给出了在人工智能领域中选择科研方向、探测学科前沿、辅助科技决策等方面的重要参考.     

Computational Collective Intelligence with Big Data: Challenges and Opportunities

Collective intelligence has been an important research topic in many AI communities. With The big data phenomenon, we have been facing on many research problems on how to integrate the big data with collective intelligence. This special issue has selected 9 high quality papers covering various research issues.     

面向人工智能和大数据的高效能计算

【目的】本文主要分析人工智能和大数据应用随着迅速增大的数据规模,给计算机系统带来的主要挑战,并针对计算机系统的发展趋势给出了一些面向人工智能和大数据亟待解决的高效能计算的若干研究方向。【文献范围】本文广泛查阅国内外在超级计算和高性能计算平台进行大数据和人工智能计算的最新研究成果及解决的挑战性问题。【方法】大数据既为人工智能提供了日益丰富的训练数据集合,但也给计算机系统的算力提出了更高的要求。近年来我国超级计算机处于世界的前列,为大数据和人工智能的大规模应用提供了强有力的计算平台支撑。【结果】而目前以超级计算机为代表的高性能计算平台大多采用CPU+加速器构成的异构并行计算系统,其数量众多的计算核心能够为人工智能和大数据应用提供强大的计算能力。【局限性】由于体系结构复杂,在充分发挥计算能力和提高计算效率方面存在较大挑战。尤其针对有别于科学计算的人工智能和大数据领域,其并行计算效率的提升更为困难。【结论】因此需要从底层的资源管理、任务调度、以及基础算法设计、通信优化,到上层的模型并行化和并行编程等方面展开高效能计算的研究,全面提升人工智能和大数据应用在高性能计算平台上的计算能效。     

网络大数据:现状与展望

网络大数据是指“人、机、物”三元世界在网络空间(Cyberspace)中交互、融合所产生并在互联网上可获得的大数据.网络大数据的规模和复杂度的增长超出了硬件能力增长的摩尔定律,给现有的IT架构以及机器处理和计算能力带来了极大挑战.同时,也为人们深度挖掘和充分利用网络大数据的大价值带来了巨大机遇.因此,迫切需要探讨大数据的科学问题,发现网络大数据的共性规律,研究网络大数据定性、定量分析的基础理论与基本方法.文中分析了网络大数据的复杂性、不确定性和涌现性,总结了网络空间感知与数据表示、网络大数据存储与管理体系、网络大数据挖掘和社会计算以及网络数据平台系统与应用等方面的主要问题与研究现状,并对大数据科学、数据计算需要的新模式与新范式、新型的IT基础架构和数据的安全与隐私等方面的发展趋势进行了展望.     

Big Data Analytics Services for Enhancing Business Intelligence

This article examines how to use big data analytics services to enhance business intelligence (BI). More specifically, this article proposes an ontology of big data analytics and presents a big data analytics service-oriented architecture (BASOA), and then applies BASOA to BI, where our surveyed data analysis shows that the proposed BASOA is viable for enhancing BI and enterprise information systems. This article also explores temporality, expectability, and relativity as the characteristics of intelligence in BI. These characteristics are what customers and decision makers expect from BI in terms of systems, products, and services of organizations. The proposed approach in this article might facilitate the research and development of business analytics, big data analytics, and BI as well as big data science and big data computing.     

大数据时代的计算政治学研究

政治学研究一直是社会科学领域的热点研究方向。政治理论、比较政治、公共政策和国际政治等,这些经典的政治学研究课题吸引了大批的政治学学者。从传统政治学研究中的道德哲学和法理主义,到行为主义政治学研究中的科学方法论和定量分析,再到一些自然科学工作者开始涉足政治学领域,政治学的研究方法一直在发展与演变。该文在对传统政治学研究的方法进行简要总结的基础上,针对互联网时代,“大数据”驱动下的政治学研究,阐述了计算政治学的起源、定义及其主要的研究内容和方法,论述了目前研究的热点政治倾向性及政治观点识别、冲突观点检测、选举预测和分析可视化的研究进展。     

基于大数据和人工智能的军队院校教学改革

大数据技术和人工智能的快速发展潜移默化地加速军队院校教育领域的发展,为军队院校教育教学提供新的工具和方法。但在实际使用中也暴露出许多问题。比如保障教育人工智能的使用达到预期的理想状态;如何敦促教师的教学理念跟进人工智能技术的发展等。本文通过对军队院校教学资源与教学环境、教与学方式研究以及教学评价与教学管理等几个方面进行研究,探讨基于大数据技术和人工智能的军队院校特有的教学变革和创新,构建符合军队院校学员个性化学习与岗位需求发展相适应的的教育体系,提升军队院校的教学效果。     

大数据时代下网络群体智能研究方法

首先,对大数据时代下大众广泛深度交互的互联网环境进行了分析;其次,提出并释义了网络群体智能,指出网络群体智能具有"网络数据驱动,交互形式复杂,网络效应强大,知识生产为主,不确定性认知"等特性;然后,提出网络群体智能研究方法,该研究方法以复杂性科学方法论为指导,坚持融贯论,以复杂性科学、网络化数据挖掘和不确定性人工智能为支撑理论方法,突出网络群体智能特色和多学科交叉融合研究,采用系统分析、建模分析和仿真分析相结合技术途径从结构和动力学视角对网络群体智能科学问题进行多尺度多层次研究,解决网络群体智能研究理论方法不足的问题,深化了对网络群体智能和社会计算的认识。     

大数据随机样本划分模型及相关分析计算技术

设计了一种新的适用于大数据的管理和分析模型——大数据随机样本划分（Random sample partition,RSP）模型,它是将大数据文件表达成一系列RSP数据块文件的集合,分布存储在集群节点上。RSP的生成操作使每个RSP数据块的分布与大数据的分布保持统计意义上的一致,因此,每个RSP数据块是大数据的一个随机样本数据,可以用来估计大数据的统计特征,或建立大数据的分类和回归模型。基于RSP模型,大数据的分析任务可以通过对RSP数据块的分析来完成,不需要对整个大数据进行计算,极大地减少了计算量,降低了对计算资源的要求,提高了集群系统的计算能力和扩展能力。本文首先给出RSP模型的定义、理论基础和生成方法;然后介绍基于RSP数据块的渐近式集成学习Alpha计算框架;之后讨论基于RSP模型和Alpha框架的大数据分析相关计算技术,包括：数据探索与清洗、概率密度函数估计、有监督子空间学习、半监督集成学习、聚类集成和异常点检测;最后讨论RSP模型在分而治之大数据分析和抽样方法上的创新,以及RSP模型和Alpha计算框架实现大规模数据分析的优势。