企业大数据治理研究

介绍了面对大数据的数据量大、种类多、速度快和高价值的处理技术挑战,企业应当如何建立可靠的大数据平台。利用信息架构原则和实践,实现大数据与企业数据的灵活集成,通过结合使用分布式文件系统、NoSQL与关系型数据库,企业可以获取、组织和分析其所有企业数据(包括结构化和非结构化数据),从而做出最科学的决策。     

大数据的“大”时代

互联网作为一个数据平台,集聚了大量的数据,大数据的理论和技术可以帮助人们分析其蕴含的丰富内容,发现其内在的规律,并帮助人们预测未来的发展趋势.同时,我们也应看到,大数据在改变着人们的生活及思维模式,也产生着许多问题和困扰.     

大数据时代信息系统构建分析

大数据时代,谷歌利用人们在网上的几十亿条检索记录预测冬季流感的传播,其预测结果与官方数据的相似性高达97％,更重要的是谷歌通过分析大数据预测要比官方给出的结果早2周,显然,谷歌大数据预测更有效、更有价值.沃尔玛由其购物清单的庞大的数据库中发现飓风用品和蛋挞的相关性,在季节性风暴来临时,把蛋挞放在靠近飓风用品的位置,这一举措极大地提高了两者的销量.而这依然是得益于沃尔玛对于大数据的分析和处理.大数据带来的巨大价值正渐渐被人们认知,为人们提供了一种全新的看待世界的角度.因此,我们研究面向大数据的信息系统服务建模与活动认知.     

Vinnolit公司计划用离子膜法替代汞法生产氯碱

Vinnolit公司计划在2011年以前用环保、节能的离子膜法装置替代其德国Gendorf和Knapsack工厂的汞法氯碱装置，氯气生产能力合计将从目前的40万妇增加到43万t/a。一期工程将在Gendorf工厂投资4500万欧元．建设9万t／a离子膜法氯碱装置，该厂汞法氯碱装置（估计10万如）将关闭，Knapsack工厂汞法氯碱生产能力也将削减6万如。看来，二期工程可能再建一套10万t／a离子膜法氯碱装置。但是。这一改造项目能否实施取决于德国南部乙烯管道项目；因为乙烯输送管道竣工才能确保Bayer化工园区内企业获得长期稳定的乙烯供应，增产PVC。Vinnolit公司在该管道项目持股11％。[第一段]     

小设备压制大规格石墨电极的新工艺

随着科学技术和经济的发展 ,电弧炉的容量逐渐增大 ,所使用石墨电极的直径也逐渐加大 ,Φ5 0 0ｍｍ和Φ6 0 0ｍｍ石墨电极已在多种工业中使用 ,一些炭素厂原有的小压机已不适用。为了解决这一难题 ,发明了挤压模铸工艺。该工艺既要保持原有挤压工艺的优点———针状焦可定向排列 ,因而强度高、电阻率低 ,又要用小型设备压制大规格电极以降低成本 ,这无疑是人们所期望的。1　挤压模铸工艺原理挤压模铸工艺的设备 (示意图见图 1)是采用特制的喇叭状连接体将压机与桶状模具连接 ,模具内有一活塞 ,对活塞施加一定的力 ,此力通过活塞施加在电极糊…     

基于PTS的视频流集群同步显示技术

针对集群大屏拼接显示系统各节点机独立解码、视频流显示不同步的问题,本文分析了集群拼接显示系统的特点,提出了利用PTS信息实现集群内各节点机同步显示视频流的机制,研究了组播接收模块、Ts流拆包模块、视频解码模块和同步控制模块和拼接屏显示模块等视频流同步显示实现技术．研究试验结果证明了基于PTS的视频流集群同步显示技术的有效性．     

打字比赛系统中字符串匹配算法

打字比赛程序,是学校为了加强学生对计算机基本技能的掌握,而开发的一款用于检验打字速度、准确率等多项指标的比赛程序．传统的字符串匹配算法是基于关键词的匹配算法,只能得到位置信息,而比赛程序是两个大文本之间进行匹配,需要获得更加详细的匹配信息,这时传统算法就无法满足要求．通过对实际问题的探索和研究,在传统算法的基础上,设计出一种新的匹配算法．这种算法可以进行两个文本之间的匹配,得到正确的内容、错误的内容等信息．应用这一算法编写软件,验证了算法的可行性和实用性．     

大数据挖掘分析

同"互联网"、"云计算机技术"相比,大数据的发展更为迅速,它被用于社会的各个方面,例如交通、企业管理、安全监测以及我们的生活。相关人员声明,全球的数据量将在2020年达到35ZB,因而,大数据的涵义以及数据挖掘带给社会经济的挑战成为了人们关注的要点。     

浅谈大数据时代信息服务业的发展模式转变

在移动互联网、物联网、云计算等一系列新兴技术的快速发展背景下,信息技术在经济领域、社会领域和人们的日常生活等各个方面不断的推陈出新。分别从搜索、电子商务、位置服务、网络空间和运营商等5个方面,基于案例的形式来分析新兴的信息服务业发展模式。认为未来研究可关注从社会媒体网络中获取大数据来研究市场营销问题。     

MapReduce框架下的实时大数据图像分类

图像数据作为大数据的重要组成部分蕴含着丰富的知识,且图像分类有着广泛的应用,利用传统分类方法已经无法满足实时计算的需求.针对此问题,提出并行在线极端学习机算法.首先利用在线极端学习机理论得到隐层输出权值矩阵;其次根据MapReduce计算框架的特点对该矩阵进行分割,以代替原有大规模矩阵累乘操作,并将分割后的多个矩阵在不同工作节点上并行计算;最后将计算节点上的结果按键值合并,得到最终的分类器.在保证原有计算精度的前提下,将文中算法在MapReduce框架上进行拓展,以人脸图像为例对大规模图像数据进行分类的结果表明,该算法能够针对大数据图像进行快速、准确的分类.