浅论如何挖据大数据背后的价值

大数据思维成为互联网时代的商业见解,用大数据思维挖掘数据背后的价值,成为本文的核心,本文首先引出大数据思维,然后就大数据实现价值进行描述,最后对大数据的挖掘进行阐述.     

JavaWeb编程中请求乱码处理

本文介绍了JavaWeb编程中请求乱码出现的原因,以及针对不同的请求方式乱码的处理方法。     

面向业务的安全管理模型研究

文章结合目前各种网络业务系统对安全管理的迫切需求,设计了面向业务的安全管理模型,分析了模型中涉及的安全事件关联分析技术和安全态势感知技术等关键技术,并就安全管理的发展趋势进行了探讨.     

Automatic Topic Detection Based on Document Concept Similarity

传统话题自动检测一般采用向量空间模型进行文本相似度计算,这种方法单纯依靠特征词进行话题检测,忽略了词之间的概念及由此而引发的概念相似度。针对此问题,文章首先对网络新闻文本进行事件元素提取,并将事件元素特征词分解为概念集合,通过计算概念集合的内积空间得到词之间的相似度,进而根据词相似度计算文本相似度,最后根据概念相似度计算实现话题的自动检测。实验结果表明,本方法能够有效提高话题检测的准确率和召回率。     

配料自动控制系统的设计

根据配料自动控制系统的工艺流程及要求,采用西门子S7—300系列PLC及其远程I／O ET200构成分布式控制系统,运用编程软件STEP一7和组态软件Wincc,完成了系统的控制程序、人机交互界面的开发,实现了实时数据采集、显示、报警等功能。系统图形界面友好、操作方便。     

关联词约束的半监督文本分类方法

提出了一种没有训练集情况下实现对未标注类别文本文档进行分类的问题。类关联词是与类主体相关、能反映类主体的单词或短语。利用类关联词提供的先验信息,形成文档分类的先验概率,然后组合利用朴素贝叶斯分类器和EM迭代算法,在半监督学习过程中加入分类约束条件,用类关联词来监督构造一个分类器,实现了对完全未标注类别文档的分类。实验结果证明,此方法能够以较高的准确率实现没有训练集情况下的文本分类问题,在类关联词约束下的分类准确率要高于没有约束情况下的分类准确率。     

基于EDMA的多通道数据传输的实现

EDMA是数字信号处理器(DSP)中用于实现数据快速交换的重要技术,具有独立于CPU的后台批量数据传输的能力,满足高速数据实时传输的要求,给出了一种DSP和CPLD结合进行数据传输的实现方案,介绍了系统设计的整体结构,分析了CPLD的逻辑功能,着重描述了EDMA控制器的控制原理和基于EDMA的数据传输方式的软件设计流程和实现步骤,在CCS开发环境里采用RF5的框架结构整合了数据采集、处理和发送三个任务;实验结果表明,通过灵活控制EDMA,不仅能够提高数据的传输效率,而且能够充分发挥DSP的高速性能。     

基于法向量和投影平面的点云特征提取方法

三维点云特征的提取,对于三维模型的表示、理解和识别都起着重要的作用.为了提高点云特征提取的准确性和运算速度,提出了一种基于法向量和投影平面的特征提取方法.根据矢量分布和聚类的性质提取轮廓点,使用矢量偏转角和距离对特征点进行排序,从而提取出点云特征.在Mod-elNet数据集和三维激光扫描的佛像密集点云上进行实验,结果表...     

专用信息系统安全体系评估

该文针对专用信息系统的网络安全评估体系进行了研究。根据计算机信息系统安全保护等级划分准则中安全评估的模型,提出专用信息系统安全评估体系总体设计思路,设计了单一安全的评估要素以及相应的检测内容,介绍了组成整体安全评估体系的7个模块以及各自的功能,构建了体系主体结构的层次框架。     

基于动态图卷积的混合注意力点云特征学习网络

当前针对点云模型的形状分类、部件分割等工作的深度学习网络缺乏从全局和局部两个角度综合利用上下文信息的能力,从而阻碍了点云对象在细节部分的准确度性能。因此,该文提出了一种通道注意力与局部区域注意力相结合的混合注意力机制,并基于动态图卷积构建了新的三维点云特征学习网络EDANet。通过通道注意力优化边卷积的处理过程,充分挖掘点云的局部特征信息,同时使用局部区域注意力从全局视角提取上下文特征,并将两部分信息相结合并逐层传递,从而提高特征提取效果网络的能力。在ModelNet40与ShareNet数据集上分别进行了点云形状分类、部件分割实验,实验结果表明在ModelNet40数据集上,EDANet网络的总体精度OA达到了92.9%,相较于PointNet、PointNet++、DGCNN分别高出了3.7%、2.3%、0.7%。在ShareNet数据集上平均并交比(mIoU)达到了86%,相较于PointNet、PointNet++、DGCNN分别高出了2.3%、0.9%、0.8%。相比其他深度学习网络也具有不同程度的性能提高。验证了该方法在点云处理任务中的优越性能。