公安大数据分析的算法体系及适用方法

算法是公安大数据建模分析的核心。以两届公安数据创新大赛的参赛模型为样本,分析总结了公安大数据模型服务的4类主要业务场景和建模所用的5类主要算法,对具体业务场景下的算法选择策略进行了归纳,对机器学习算法在公安业务场景下的适用进行了探讨,并给出了将算术运算、关系代数、描述统计作为建模主要算法,逐步深化应用概率统计算法和经典数据挖掘算法,以图像、语音等模式识别类应用为主体落地深度学习算法的公安大数据建模算法选用建议。     

大数据时代下数据挖掘技术的应用

 大数据时代下,数据挖掘技术越来越受到人们的关注。本文介绍了数据挖掘技术的研究背景和研究现状,论述了决策树、支持向量机、神经网络等数据挖掘技术的相关算法,分析了数据挖掘技术在大数据中的相关应用及未来的发展趋势,探讨了在大数据时代数据挖掘技术面临的挑战。     

DM中分类算法的研究及其应用

分类算法是DM(数据挖掘)中的最重要的技术之一。本对具有代表性的分类算法进行了分析和比较；并应用分类方法在居民出行数据中挖掘出一些公交乘客规则，讨论了数据挖掘方法在公交乘客预测中应用的前景和实效。     

商业智能技术及行业应用分析

在详细讨论商业智能技术及与商业智能密切相关的数据仓库技术、联机分析处理、数据挖掘、客户关系管理等技术的基础上，结合行业应用需求，从数据仓库结构与模型的设计、提取转换与加载工具的设计、联机分析处理中概化视图选取方法的设计以及数据挖掘有关算法在具体问题中的应用入手，对粮食企业实现商业智能进行了深入的介绍和分析；重点解决了数据仓库结构，部分分区中概化视图的选取方法，数据挖掘技术具体应用等问题，为粮食行业建设智能决策支持系统提供了可行的建设方案。     

数据挖掘在课程与图书个性化推荐中的应用

数据挖掘技术在商业、工业等领域中的应用已相对成熟，而在高校中的应用仍处于起步阶段。参考数据挖掘在商业领域的应用，针对高校用户特点，从体系建设、算法使用、相关建议等方面，论述了基于数据挖掘的推荐算法在高校课程与图书个性化推荐中的应用。     

电子政务中的数据挖掘及其应用

在分析电子政务中数据特点的基础上，概述了电子政务中的数据挖掘的方法和流程，提出需要重点研究的若干关键问题包括框架体系构建、挖掘算法设计、知识管理与分析评价等，最后对数据挖掘在电子政务决策中的应用进行了探讨。     

最低生活保障系统中数据挖掘技术的实现

本论述对低保数据的挖掘中,使用了两种挖掘算法,另外配合SQL Server 2010提供的数据挖掘功能对低保数据进行了全面的分析,介绍了OLAP技术和数据挖掘在低保数据分析中的应用.主要内容包括:分析了数据挖掘技术在低保数据分析中的应用意义;研究了关联规则、决策树算法、聚类分析在低保数据分析中的应用.这也是低保信息化工作今后重要的研究目标和发展方向.     

基于数据挖掘技术的电子商务设计

介绍了数据库、数据挖掘、联机分析等相关技术的概念，以及这些技术在电子商务中的应用；介绍了基于数据挖掘技术的电子商务系统的设计以及使用Analysis Services工具进行的数据挖掘处理与分析。     

EIS环境下的数据挖掘技术的研究

从数据挖掘的一般性定义入手，给出了ＥＩＳ环境下数据挖掘的概念和过程。并根据ＥＩＳ和数据挖掘各处在的特点，以概念树算法和决策树算法为例，在分析了它们算法原理的基础上，探讨了通过属性值间概念存在的层次关系实现ＥＩＳ数据查询的农级细化；根据信息论原理，以分类学习为基础，通过计算各属性所含信息量大小，得出判断规则，     

关联规则在课堂教学评价中的应用

数据挖掘是近年来出现的一种综合了机器学习、统计学、数据库等众多领域的新技术．而关联规则是数据挖掘的核心技术，应用广泛．本文将数据挖掘中的关联规则算法应用于学校课堂教学评价中，找出了课堂效果与教师职称、年龄之间内在的关联规则，可以有效地指导教学工作。     

海洋GIS时空数据组织框架模型研究

通过对现有海洋GIS时空数据组织模型的评述，从海洋基础数据出发，以实用、高效的海洋时空数据的组织管理和应用为目标，提出了海洋GIS时空数据组织框架模型，该框架从原始海洋数据集的定义、海洋GIS时空数据仓库的内涵、时空数据的组织层次、算法的应用层次等多个方面进行了全新的描述和设计，使海洋时空数据的组织过程更加详尽、清晰。     

推荐系统研究综述

随着互联网技术的快速发展,如何对海量网络信息进行挖掘分析,已成为热点和难点问题。推荐系统能够帮助用户在没有明确需求或者信息量巨大时解决信息过载的问题,为用户提供精准、快速的业务(如商品、项目、服务等)信息,成为近年来产业界和学术界共同的兴趣点和研究热点,但是,目前数据的种类多种多样并且应用场景广泛,在面对这种情况时,推荐系统也会遇到冷启动、稀疏矩阵等挑战。深度学习是机器学习的一个重要研究领域和分支,近年来发展迅猛。研究人员使用深度学习方法,在语音识别、图像处理、自然语言处理等领域都取得了很大的突破与成就。目前,深度学习在推荐领域也得到了许多研究人员的青睐,成为推荐领域的一个新方向。推荐方法中融合深度学习技术,可以有效解决传统推荐系统中冷启动、稀疏矩阵等问题,提高推荐系统的性能和推荐精度。文中主要对传统的推荐方法和当前深度学习技术中神经网络在推荐方法上的应用进行了归纳,其中传统推荐方法主要分为以下3类:1)基于内容推荐方法主要依据用户与项目之间的特征信息,用户之间的联系不会影响推荐结果,所以不存在冷启动和稀疏矩阵的问题,但是基于内容推荐的结果新颖程度低并且面临特征提取的问题。2)协同过滤推荐方法是目前应用最为广泛的一种方法,不需要有关用户或项目的信息,只基于用户和诸如点击、浏览和评级等项目的交互信息做出准确的推荐。虽然该方法简单有效但是会出现稀疏矩阵和冷启动的问题。3)混合推荐方法融合了前2种传统推荐方法的特点,能取得很好的推荐效果,但在处理文本、图像等多源异构辅助信息时仍面临一些挑战与困难。依据神经网络基于深度学习的推荐方法主要分为4类:基于深度神经网络(DNN)的推荐方法、基于卷积神经网络(CNN)的推荐方法、基于循环神经网络(RNN)和长短期记忆神经网络(LSTM)的推荐方法、基于图神经网络(GNN)的推荐方法、将深度学习技术融入到推荐领域,构造的模型具有以下优势:具有较强的表征能力,可以直接从内容中提取用户和项目特征;具有较强的抗噪能力,可以轻易地处理含有噪声的数据;可以对动态或者序列数据进行建模;可以更加精准地学习用户或项目特征;便于对数据进行统一处理,并且可以处理大规模数据。将深度学习技术应用到推荐领域,可以积极有效地应对传统推荐方法面临的挑战,提高推荐效果。     

基于区块链技术的海洋数据资源共享应用设计

 分析了中国“海洋数据孤岛”问题的本质原因，提出了一种基于区块链技术的海洋数据资源共享应用模式，改良了区块节点的共识机制和海洋数据在区块链上的存储方式，构建，海洋数据资源共享平台，以达到推动海洋数据的开放共享与增值流通的目的。     

机器学习在遥感影像分类中的应用

 概述了机器学习的主要方法及其在遥感影像的主要应用方向,涵盖环境生态遥感中机器学习技术的研究、应用情况及近年来的新进展。通过使用深度学习对FY-3C气象卫星资料进行积雪检测的应用实例,说明深度学习模型可以利用大数据的优势不断提高检测精度,在某些指标中取得了更优于传统机器学习的精度,可解决传统机器学习难以解决的一些问题,从而带动遥感应用模式的创新。     

分类任务中标签噪声的研究综述

近年来,随着机器学习的发展,分类系统的性能有了很大的飞跃。模型需要大量带标签数据才能使训练结果达到要求,而获取高质量的标注数据费时费力。为了降低成本,出现了众包、自动化系统等方法标注训练数据。但是,这些标注方法往往会产生大量错误标注,即标签噪声。另外,信息不足、专家错误和编码错误等因素,也可能使标签受到污染。训练过程中对标签噪声的处理不当,可能会使预测精度和准确性降低,或者使模型复杂度增加。因此,研究标签噪声对推广机器学习在各领域的应用和降低机器学习算法的部署成本等方面具有重要意义。通过综述产生标签噪声的原因、影响以及近几年来应对标签噪声的一些技术方法,对标签噪声的研究现状和发展前景进行分析。     

面向深度学习的Las格式测井数据转换器设计

深度学习在地质学领域有了越来越多的应用.在测井领域,可以利用深度学习方法更好地进行岩性分析、断层和裂隙识别等.测井数据最常用的数据格式是Las格式,而目前深度学习应用程序包不能直接对Las文件进行读取,因此存在数据间格式转换问题,需要将测井Las文件转化为能直接被程序包读取的数据格式.借助Visual Studio 2012平台,运用C#语言设计开发了一个LastoCSV格式转换软件,该软件能够对Las测井文件进行读取、分析、存储,然后转换为能被深度学习应用程序包直接读取的CSV格式文件,并且可对无效数据进行剔除处理.实验结果表明,该软件能快速准确地对数据进行处理并转换成CSV格式文件.     

基于深度学习的军事目标识别算法综述

目标识别作为深度学习中最受欢迎的领域之一,已广泛应用于民用的各个方面,如人脸识别、行人重识别、车牌识别、车辆识别等;而在军事应用领域,由于军事目标数据集较少,但识别要求精度高实时性强,所以还在发展阶段。本文首先阐述了基于深度学习的军事目标识别发展现状;然后介绍了六种目前主流的基于深度学习的军事目标识别算法（包括Mask R-CNN、GAN与深度森林、DRFCN、E-MobileNet、SSD300、YOLO）及相关网络结构、改进方法与实际应用;最后对主流方法进行总结,并探讨了未来的发展趋势。     

基于门控宽度模型的结构监测数据预测

随着信息技术的不断发展,机器学习在结构自动化监测中的应用逐渐增长。数据分析与预测作为结构自动化监测的重要一环,是保障结构安全的关键。针对目前结构监测数据预测方法未充分挖掘数据特征和运算时间冗长的问题,提出一种基于门控宽度模型（gated broad learning system, G-BLS）监测数据预测模型。G-BLS在BLS特征节点增加遗忘门和循环反馈门机制,能够控制特征节点提取相关性高的信息。与深度模型相比,G-BLS模型网络结构简单,在保证预测精度的同时大大减少了模型训练时间。实测的地铁基坑沉降数据测试结果表明,G-BLS可有效实现预测监测数据的可靠性与实时性,是一种精准快速的结构监测数据预测方法。     

深度学习在轴承故障诊断领域的应用研究

深度学习具有强大的学习能力和特征分类能力,能够在海量、多源和高维测量数据中进行特征提取,具有不依赖人工干预而进行模型诊断和泛化的能力,广泛应用于设备故障诊断领域。阐述了深度学习的典型模型:深度置信网络(DBN)、卷积神经网络(CNN)和自编码器(AE),重点论述了深度学习在轴承故障诊断领域的应用进展。最后讨论了深度学习在轴承故障诊断领域所存在的问题及发展趋势。     

深度学习研究及军事应用综述

深度学习作为当前人工智能领域的研究热点之一,已经受到广泛关注.借助于强大的特征表示和学习能力,深度学习日益成为军事领域智能化发展的技术基础.首先结合深度学习的最新发展,指出深度学习的快速发展得益于理论的突破、计算机运算能力的显著提高和开源软件的广泛流行,着重梳理了目前主要的深度学习硬件平台和编程框架,并总结了各自的特点...