卫星红外反演洋面温度的卷云大气订正方案

本文首先简要地评论了国际上卫星红外遥感反演洋面温度（ＳＳＴ）的发展。然后,应用半经验、半理论方法,提出一种新的卷云大气ＳＳＴ非线性反演方法。对应于３个不同的ＳＳＴ气候区域,用改进的甚高分辨辐射计（ＡＶＨＲＲ）卫星实测数据和理论模拟值,分别建立了卷云大气中３个ＳＳＴ反演方程,并对一些有关问题进行了讨论。     

大数据与量子计算

大数据技术的迅猛发展对计算效率提出了更高的要求.由于量子系统的独特性质,量子计算具有经典计算不具有的量子超并行计算能力,能够对某些重要的经典算法进行加速.人们发现,除了大数分解算法,量子计算的更多用途是对量子体系的仿真计算和在数据分析领域的应用.近年来,大数据和量子计算开始融合.虽然实际使用的量子计算机尚未建成,量子计算在大数据的应用在理论上已经取得了一些重要的进展.实验上也有了一些发展.本文首先介绍量子计算的基本原理和Grover量子算法.随后以量子机器学习作为切入点,介绍了量子计算在数据挖掘领域的应用.     

大数据哈希学习:现状与趋势

随着信息技术的迅速发展,各行各业积累的数据都呈现出爆炸式增长趋势,我们已经进入大数据时代.大数据在很多领域都具有广阔的应用前景,已经成为国家重要的战略资源,对大数据的存储、管理和分析也已经成为学术界和工业界高度关注的热点.收集、存储、传输、处理大数据的目的是为了利用大数据,而要有效地利用大数据,机器学习技术必不可少.因此,大数据机器学习(简称大数据学习)是大数据研究的关键内容之一.哈希学习通过将数据表示成二进制码的形式,不仅能显著减少数据的存储和通信开销,还能降低数据维度,从而显著提高大数据学习系统的效率.因此,哈希学习近年来成为大数据学习中的一个研究热点.本文对这方面的工作进行介绍.     

潘云鹤：大数据催生新的信息服务

当今世界,数字化信息资源急速膨胀,以大数据、移动互联网、物联网、云计算为标志的信息技术逐渐成熟,特别是大数据技术与经济社会各个领域的高度融合,正在带动众多产业的变革与创新。用中国工程院院士潘云鹤的话来讲,是＂移动互联网的发展,信息的增长让世界发生了新的变化,信息世界已经产生,我们正步入大数据时代。在大数据时代,一些新的信息服务形式将会诞生,这让预测未来成为诸多可能之一＂。大数据为什么会出现？在其《大数据和知识服务》的专题发言中,     

应用CSCW技术的PDM流程管理研究

文章采用CSCW技术对PDM中的流程协同设计过程进行了研究，分析了CSCW技术应用于PDM中时应该解决的诸多问题，架构了一个新型的C／S和B／S混合的网络模型，并且提供了一个切实可行的设计方案．     

基于构造物特征点的矢量数据化简算法

在进行公路矢量数据化简时,采用已有算法,一些构造物可能会在转换低比例尺时被不正确地化简掉,影响应用的正确性.提出了一种基于构造物特征点的二级矢量数据化简算法,根据空间位置提取高速公路中的构造物点,进行一级化简,构成构造物特征点,以每个特征点作为分割点,将整个曲线划分为若干子曲线,在每个子曲线中采用Douglas-Peucker算法进行二级化简,最后进行子曲线合并,并设计了一种多比例尺矢量数据组织的构建方法.实验表明该数据化简算法能够有效化简数据,并且保存完整的构造物特征点,选取的多级比例尺能够满足应用的需求.     

DGPS各种误差因素分析

讨论了差分全球定位系统(Differential Global Positioning System,DGPS)的系统构成及各种数据通信链路情况,系统分析了DGPS的各种误差因素影响的程度,采用计算机实验数据处理方法比较了2D定位模式和3D定位模式的定位结果,表明了在用户不经历任何大于±5m的垂直运动的场合下,采用高度约束的2D定位模式定位,其定位误差和3D定位模式的水平位置定位误差具有同等趋势和量级.     

云计算环境中面向大数据的改进密度峰值聚类算法

对密度峰值聚类算法进行有效改进,计算各样本点之间的距离和各样本点局部密度,选择两者中较大的样本点作为聚类中心点,根据其余样本点与各中心点的距离设定样本点所属类别;引入K近邻算法对密度峰值聚类算法进行优化,求解各样本点的距离时只需要考虑其周围由邻近值决定的若干样本点,实现距离阈值的自动选取;根据距离矩阵计算样本点的密度,绘制决策图并选择簇内中心点,将剩余点根据密度值分配给离中心点距离最近的类;最后将K近邻-密度峰值聚类算法部署至Hadoop云计算平台,用于解决大规模数据聚类的问题。仿真结果表明,通过合理设置K近邻算法的近邻值k,K近邻-密度峰值聚类算法具有较好的大数据样本聚类性能,与常用聚类算法相比,该算法具有更高的聚类准确率和聚类效率,适用于大数据样本聚类。     

基于数据增强和字词融合特征的实体槽位识别

针对传统的基于字级表示的实体槽位识别模型无法很好利用词语信息,以及信息技术(IT)运维领域缺少足够数量公开数据集的问题,提出一种基于BERT＿Word2vec＿BiLSTM＿CRF模型的实体槽位识别方法,并通过数据增强对模型的训练数据集进行扩展．该模型将基于转换器的双向编码表征(BERT)模型得到的字向量表示和Word2vec得到的词向量表示进行融合,通过双向长短时记忆(BiLSTM)网络进行上下文编码,通过条件随机场(CRF)进行解码,得到最终的序列标注结果．通过在某企业提供的数据集上进行实验,结果表明：融合词级特征可以在BERT预训练模型的基础上进一步提升识别性能,F1值达到了92.33%.