大数据研究综述

针对大数据在生活中越来越普遍，分析了大数据的概念，对大数据的关键技术大数据集成、集群计算、大数据挖掘、数据仓库和大数据可视化进行了框架式讨论，并给出了大数据开源实现平台的技术组件，最后对大数据的挑战给予了展望.     

硼氢化钠还原西佛碱制N,O多齿配体

以含有不同取代基的水杨醛为原料,与乙醇胺反应制得相应的西佛碱中间体,经硼氢化钠还原合成N,O多齿配体L1~L3.配体结构通过1H核磁共振波谱(1H NMR)、红外吸收光谱(IR)和紫外-可见吸收光谱(UV-VIS)进行了表征.结果表明,当配体含有取代基时,其紫外-可见吸收光谱的吸收峰位置发生红移,且吸收强度有所增强.     

基于云计算的金融企业用户风险分析研究

风险评估一直是银行客户管理方面最为关注的一个方面，关于它的研究也一直是金融领域的一个热点。云计算采用了一种资源共享的IT技术和管理方式，提供了一种更高效的数据存储能力和挖掘能力，面对这一新兴技术的发展，金融行业在客户管理领域面临革命性的改变，传统的商业银行客户分析模式将向大数据接轨。其中，云计算模式能够快速的识别细分客户，方便获取和采集客户的信息，从而更好地评估客户价值。该文针对这一现状，从银行客户风险的角度出发，探究海量数据挖掘的情况下云计算评估模式的优势以及应用框架。     

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。     

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。     

基于逆向工程技术的含凹陷管道极限强度分析

凹陷作为常见的管道几何缺陷形式,可能会引起管道局部应力集中,进而导致其承载能力下降,同时也为管道的正常运行带来巨大的安全隐患。基于变形检测技术和3D扫描技术分别获得含凹陷管道的真实内外表面轮廓,利用逆向工程技术构建凹陷管道的三维实体模型,导入ABAQUS有限元软件模拟运行状态下凹陷管道的应力分布特征,准确地判断含凹陷管体的最危险位置,最后依据Mises屈服准则进行含凹陷管道的安全评估。结果表明,通过上述2种方法获得的凹陷管道应力模拟结果基本吻合,从而有效地验证了基于变形检测技术开展凹陷管道极限强度分析的可行性和精确性,该方法可以有效地避免开展3D扫描前的管道开挖工作。     

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.     

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.