基于大数据技术的高校网络舆情监测与分析

高校网络舆情具有主体特殊性、内容多元性和传播快速性等特点,当负面舆情出现时,传统"救火"式思维模式已不能有效地解决网络舆情危机的爆发、蔓延和扩散。高校应综合利用大数据的分布式信息抓取与处理、非结构化数据存储等技术,通过舆情热词云分析、舆情演化分析和业务部门关注度分析等方式,快速完成网络舆情数据的多源采集、清理融合、分析挖掘等一系列任务,实现网络舆情的有效监管。"厦理工e起来"的舆情案例应用结果表明,基于大数据技术的高校网络舆情监测与分析,可实现对高校学生思想动态的实时追踪、预测和研判,防范和及时解决高校网络舆情危机的蔓延和扩散,促进高校文明和谐发展。     

植树造林技术与管理方法探讨

林业在市场经济条件下出现了各种新情况,随着林业相关产业的不断发展,规模和效益得到可迅速发展的动力,植树造林成为动力中一项重要的类型,做好植树造林,维护好生态环境已经成为林业工作的中心任务。该研究从技术和管理两个层面展开了对植树造林的工作研讨,强化了技术在植树造林的运用要点,分析了管理植树造林工作的使用方法,希望对深入进行植树造林技术与管理工作有所帮助,发挥植树造林对林企、生态和环境的综合价值。     

利用SRTM数据修测高山区地貌的探讨

在高海拔区域测制地形图,如青藏高原地区,所获取的遥感影像局部存在着大范围的高山阴影或云雪覆盖,造成立体观测地貌困难的现象,探讨应用SRTM数据对这类特殊区域地貌进行修测补绘。介绍了数据处理的作业过程,并对实验区SRTM与SPOT5影像立体测图成果进行实验对比分析,成果符合要求。     

自学考试“助学二学历”优化管理探究——以南京农业大学为例

南京农业大学作为首批"助学二学历"试点单位之一,自2010年起,在本校范围内积极开展了"助学二学历"教育工作。经过几年的实践与探索,积累了丰富的教学管理经验,同时也取得了一定的成果。本文基于南京农业大学实践经验,分析了"助学二学历"开展的现状及存在的问题,提出了增强宣传力度,提高普及水平;立足学生需求,增设优势专业;加强组织建设,完善管理体系;重视过程管理,保障教学质量等策略。对自学考试"助学二学历"优化管理进行探讨,有利于高校推进自学考试事业的发展,培养复合型人才,更好地满足社会对人才多样化需求。     

分析抽油机变频控制柜在采油管理中的具体应用

变频控制技术在采油管理中的应用对于提升采油效率,改善抽油机本身能量消耗具有十分重要的意义。抽油机变频控制柜在采油管理中的应用就是变频技术应用的具体表现。抽油机变频控制柜本身是一种重要的设备,这种设备在采油管理中能够发挥重要作用,今后工作中对于这样一种方式应该不断加强研究。该文将重点探讨抽油机变频控制柜在采油管理中的应用。该文首先是要分析抽油机变频控制柜的原理、作用及优势,在掌握这些基本理论之后再来分析其具体应用。采用这样的分析框架更有助于了解该设备的作用。     

巨灾风险大数据处理应急分类、分解、分拣算法与应用

本文主要研究巨灾风险大数据处理的应急分类、分解、分拣算法,给出了相应的算法原理和可操作的步骤.首先根据巨灾风险大数据灾害规模巨大的特征,提出了一种用来解决巨灾风险大数据中一级事件的应急分类与二级事件及以下更低级事件的应急分解算法,并以特大地震灾害作为实例进行了算法应用.接着定义了事故灾难度,用来对巨灾风险大数据处理过程中,对各种级别的事故灾难后果进行不同的数字标识.然后提出一种用来解决巨灾风险中大数据快速处理的应急分拣算法,并在汶川地震中大规模灾害的应急救援计划中进行应用.经过采用这样的应急分拣原理,就可以在面对巨灾风险大数据的复杂、繁多和零乱的重灾事件状态下,使整个应急救援方案优化,并能够有条不紊地进行救援.     

含油饱和度对火驱开发影响的实验研究

在室内利用火烧油层物理模拟实验装置,开展了稠油油藏不同含油饱和度条件下燃烧基础参数测试和火驱开发效果评价实验研究。实验结果表明,同一油品条件下,含油饱和度对门槛温度、燃料消耗量和空气耗量等燃烧基础参数影响较小,但对火线推进速率有较大影响,火线前缘推进速率随含油饱和度增加而降低;实验条件下能够实现高温燃烧的最低含油饱和度界限值为15%,低于该含油饱和度无法形成持续稳定的火驱前缘。从驱油效率和空气油比指标评价了不同含油饱和度条件下火驱的驱油效果,综合分析认为火驱开发含油饱和度下限值为30%。     

基于ESVM的科技政策文本标签分类研究

文本标签作为一种文本关键词,能够简化科技政策中有效信息的挖掘。本文从科技政策类别角度,将标签类别分为科技投入、知识产权、农村科技和税收四类,针对传统SVM算法的缺点和标签数据不平衡的缺点,结合欧式距离思想,提出一种带有惩罚因子的ESVM科技政策文本标签分类方法。最后,对比SVM和ESVM两种分类方法,验证了本文方法在处理科技政策文本标签数据上的有效性。     

基于神经网络的医疗诊断研究

主要工作集中在医疗数据的预处理和神经网络模型的训练.首先结合数据挖掘和自然语言处理技术,在保留医疗数据语义基础上对分词工具语料库进行补充,将中文数据分词,同时对其中大量冗余信息进行清洗,将中文数据转换成计算机可识别的编码,其次利用多种经典热门的神经网络模型来训练医疗数据,同时对比基于传统决策树模型的GBDT模型的训练结果,最后实验结果证明,对于多种疾病诊断,神经网络模型的效果要优于其他模型,诊断准确率接近90%.     

基于分层贝叶斯模型的损失准备金估计

传统的准备金模型主要是通过加总个体数据得到聚合损失三角形数据建立的,然而,这种数据的加总对原始个体数据产生不可避免的信息浪费.虽然这种方法简单,但可导致准备金估计的较大偏差.近年来提出的个体数据准备金模型中大都没有考虑保单合同之间的相依性.本文假设相同事故年的保单产生的索赔具有某种共同效应导致的相依情形,通过建立个体数据准备金的分层贝叶斯模型,利用信度理论的思想,得到每个事故年的准备金估计,从而得到总准备金的估计.进而,讨论了发展因子和结构参数的估计及其相应的统计性质.最后,给出数值例子表明本文给出的准备金估计的计算方法,并且比较了个体数据和聚合数据下准备金估计的均方误差.