基于大数据的成绩可视化分析与研究

从海量的大数据中挖掘出潜在的有价值的信息并进行可视化分析已成为研究的热点.文章根据成绩大数据,从班级、课程等多维度进行成绩可视化分析,为教学管理者提供学生学习情况分析服务.经研究发现,成绩的可视化分析不仅能为管理者提供精准的教学支持,还能使学生及时发现学业问题.     

试析应用数据库的管理与维护

数据库作为数据信息储存和处理的主要"场所",其应用范围日渐广泛,这其中既有银行、证券、通信、医疗、军工、国防等重点行业,也包括大、中、小型企业,甚至个人用户等.在日常工作中维护调优好应用系统数据库,不断提升应用系统数据库的运行效率与性能,有效提高系统运行的稳定性与可靠性,确保信息系统的稳健高效运行,已成为了技术人员运维工作的重点.结合工作实践经验,以SYBASE ASE12.5.0.1为例,就应用数据库系统在使用中随时面对的各式各样不同问题时,能及时分析与解决导致数据库性能未达要求的因素,确保通过有效优化手段使数据库性能达到相对理想预期,并就计算机数据库的应用技术和管理维护提出了一些想法,供从事数据库系统管理与维护的人员参考.     

计算机大数据分析及云计算网络技术的研究探讨

大数据的飞速发展引发了人们的高度关注,对大数据实施高效的解读是大数据行业永恒不变的命题.透过资料解析即服务、大数据解读模式与大数据驱动科目3大维度对大数据解读提供参考,给出了大数据环境下云计算的数据存储、弱可用度、数学建模、资源分享与专业解读工具缺乏等5个难题,并有目的 性地给出了布局云计算方略、提高数据可用度、优化数据解读建模、弹性分享资源与开发大数据解读平台等策略.     

新时代背景下数据科学与大数据专业人才培养的若干思考

聚焦新时代复合型数据科学与大数据专业人才的培养,提出要围绕育人目标制定人才培养方案,并不断优化;要坚持"引进来,走出去"原则建设师资队伍;要坚持高标准、宽视野的要求进行课程建设;要调用校内外一切资源建设实验室.文章提出要从系统论、控制理论的视角构建数据科学与大数据专业人才培养协同系统.     

学习行为大数据可视化的网络数据库学习仿真

针对传统数据库学习可视化程度低,有效提高学习效率,构建了学习行为大数据可视化的网络数据库学习方法.分析学习行为具体特征,结合贝叶斯理论按学习资源归类可视化数据;设定相关学习变量,观测变量,分别将正确率、错误率、所学知识难度、遗忘概率及状态概率等特征作为可视化函数,通过对学习行为数据采集和储存、分析学习行为及建立可视化模块,建立大数据可视化的网络数据库,充分掌握学习者学习行为情况,随后设定数据库学习评定指标函数;仿真结果表明,所提方法学习结果准确性高和平均任务完成效率都有较大提高,学习者的学习能力有显著提升,方法可行性更高.     

基于WebGIS北斗车辆监控系统的关键技术研究与系统设计

目前智慧城市时空大数据平台对感知数据的监测、分析与应用能力亟待提升,据此本文以北斗车辆监控系统的设计与开发为落脚点,对实时数据应用系统中具有代表性的两个关键技术问题"实时地理信息数据发布与接入"以及"监控规则与地理围栏的动态创建"进行了研究,并借助ArcGIS GeoEvent Server的基础能力进一步扩展,提出两个关键技术的解决方案。最终,设计并实现了基于Web GIS的北斗车辆监控系统。该系统具有车辆实时状态统计图展示功能、实时信息空间可视化功能、车辆管理、车辆监控管理等功能。它能够持续监控并记录车辆行为,车辆违规时第一时间以短信、邮件方式通知相关人员,有效提高了车辆管理能力。本文从技术研究以及系统设计与实现两个方面进行了讨论,为实时感知数据应用的开发提供了技术参考。     

基于RISC-V处理器的卷积加速SoC系统设计

为提高卷积神经网络（CNN）的计算效率和能效,以8 bit定点数据作为输入,设计一个支持激活、批标准化以及池化等CNN网络中常见计算类型的卷积加速器,优化循环计算顺序并将其与数据复用技术相结合,以提高卷积计算的效率。基于软硬件协同设计思想,构建包含RISC-V处理器和卷积加速器的SoC系统,RISC-V处理器基于开源的指令集标准,可以根据具体的设计需求扩展指令功能。将该SoC系统部署在Xilinx ZCU102开发板上,RISC-V处理器和卷积加速器分别工作在100 MHz和300 MHz频率下,测试结果表明,该加速器的算力达到153.6 GOP/s,运行VGG16网络进行图片推理计算时加速效果较好。     

基于多核学习卷积神经网络的稀疏数据推荐

针对当前稀疏数据推荐准确率低的问题,提出一种基于多核学习卷积神经网络的稀疏数据推荐算法.将项目的辅助信息送入卷积神经网络学习特征,将向量在可再生核希尔伯特空间组合,利用多核学习技术增强卷积神经网络的特征学习能力;基于学习的卷积特征集初始化非负矩阵模型,通过非负矩阵模型实现对缺失评分的预测.实验结果表明,该算法有效提高了稀疏数据集的推荐性能,验证了多核学习卷积神经网络的有效性.     

基于国产处理器增量式实时交通流预测算法及实现

针对城市交通难以处理大量数据且实时性差等问题,提出了根据增量式城市交通流数据预测拥堵情况的一种基于国产处理器的L-BFGS(limited-memory BFGS)算法。该算法通过存储向量序列计算Hessian矩阵,改进Two-Loop算法求下降方向,在Spark集群中并行处理时收敛速度快,适用于实时性要求强的城市交通场景。实验结果证明,L-BFGS预测算法完全可以在国产平台上对大规模的实时交通数据流进行快速建模、预测,在改善城市交通管理水平提供有效支撑的同时也丰富了国产芯片的应用领域。     

基于部分加权损失函数的RefineDet

针对目标检测网络单阶改进目标检测器（RefineDet）对类间不平衡数据集中小样本类别检测性能差的问题,提出一种部分加权损失函数SWLoss。首先,以每个训练批量中不同类别样本数量的倒数作为启发式的类间样本平衡因子,对分类损失中的不同类别进行加权,从而提高对小样本类别学习的关注程度;然后引入多任务平衡因子对分类损失和回归损失进行加权,缩小两个任务学习速率的差异;最后,在目标类别样本数量存在大幅差异的Pascal VOC 2007数据集和点阵字符数据集上进行实验。结果表明,与原始RefineDet相比,基于SWLoss的RefineDet明显提高了小样本类别的检测精度,它在两个数据集上的平均精度均值（mAP）分别提高了1.01、9.86个百分点;与基于损失平衡函数和加权成对损失的RefineDet相比,基于SWLoss的RefineDet在两个数据集上的mAP分别提高了0.68、4.73和0.49、1.48个百分点。