游客情感计算的文本大数据挖掘方法比较研究

旅游文本大数据以其方便、快捷和低门槛的特点为游客情感计算提供了极大便利，已经成为旅游大数据的主要来源之一。基于大数据理论和情感理论，以文本大数据为数据源，在全面梳理国内外情感计算相关成果的基础上，利用人工智能中的逻辑/算法编程方法、机器学习方法、深度学习方法对旅游文本大数据进行挖掘，探索最佳的基于文本大数据的游客情感计算方法。研究发现：（1）基于情感词典的游客情感计算模型，其核心是构建情感词典和设计情感计算规则，方法简单，容易实现，适用语料范围广。（2）机器学习，用统计学方法抽取文本中的特征项，具有非线性特征，可靠性较线性特征的情感词典方法高。（3）基于深度学习技术的游客情感计算，效果良好，准确率在85%以上。训练多领域的文本语料易于移植，实用性强，且泛化能力好，较适合大数据时代游客情感计算研究。     

力学研究中"大数据"的启示、应用与挑战

大数据在全世界发展迅猛, 应用成效显著.大数据独特的思维和方法, 为科学研究与探索提供了全新的范式.力学研究中,高时空分辨率、多参数同步观测与高精度、大规模模拟手段的发展,为力学大数据的发展提供了契机,大数据、机器智能方法的应用正呈现快速上升趋势.本文旨在分析大数据思维方法在力学研究中的应用, 及其启示与挑战.首先从大数据资源、大数据科学及大数据技术3个层面分析了大数据的内涵及研究态势,概括了国内外政府及组织机构的大数据发展规划.而后对比分析了力学思维方法与大数据思维方法的特点,指出两者的本质区别在于数据使用方式的不同而带来的范式差异:大数据采用数据驱动模型替代力学中的偏微分方程组以描述问题,在复杂系统的分析、预测中优势显著.回顾了大数据方法在材料性能预测、材料本构建模、湍流建模、结构健康监测及试验力学等方面的最新研究进展,以及动态数据驱动与数字孪生等大数据驱动的建模模拟新范式.总结了大数据在力学研究中应用的3种方式, 即驱动已有模型改进,挖掘复杂隐含的规律, 以及替代已有的理论方法等. 最后,建议以力学研究为主体和牵引, 大数据与力学双驱动,推动大数据与力学交叉形成理论与方法突破、及学科发展新方向.      

基于加权流量介数中心性的路网脆弱性分析——以无锡市为例

针对当前路网脆弱性研究中缺乏对真实交通状况考量的问题，在复杂网络理论的基础上，结合交通流量信息，提出了基于加权流量介数中心性的路网脆弱性分析方法。首先计算路网拓扑抽象图中各节点的最短路径介数中心性，然后使用流量数据对相应区域最短路径介数中心性加权，综合得到最终的脆弱性指标结果。以无锡市为例，对其实际交通路网脆弱性进行了计算，结果表明，该方法能综合反映静态全局路网结构与动态局部通行信息和现实交通情景下的路网脆弱性。     

信息化时代教育教学改革与创新——评《信息化时代的教育教学理论与实践研究》

以互联网、大数据为代表的信息化时代深刻影响了现代教育教学的历史选择与创新发展,为了更好地顺应信息化时代人才培养的创新要求与实践要求,高校应当以实践为导向,与时俱进地推进信息化时代教育教学的改革与创新。武晓琼和王海萍共同编著的《信息化时代的教育教学理论与实践研究》(中国水利水电出版社2018年出版),深入探讨了信息化时代的教育教学理论与实践的发展现状和改革路径。     

利用反射太赫兹时域强度分布定量检测沙粒中的微量原油

原油污染是海洋生物和环境安全的主要威胁之一,检测近海沙粒中的微量原油对于环境保护和原油勘探有着重要意义.本文采用反射式太赫兹时域波形对近海沙粒中的原油进行定量检测,详细地分析了延迟时间与沙粒中的原油浓度的关系.结果表明,原油浓度与延迟时间呈线性递减关系,反射式太赫兹时域波形是一种具有潜力的污染定量检测方法.     

基于阵列光电侦察系统空间观测数据融合方法

利用阵列式网络具有探测覆盖面积大、可靠性高、环境适应性强等技术优点，在组网内各侦察设备获得目标连续随时间变化的方位角、俯仰角等信息基础上，提出了基于阵列光电系统观测数据的坐标转换和数据融合方法。系统侦察站采用m×n阵列布站组网，目标进入侦察覆盖区域后各侦察站全方位观察，获得目标的角位置信息与时间数据，实时发送至中心站进行坐标转换与数据融合处理，实现对空间目标的快速探测及坐标定位。同时设计了相关算法软件并进行了外场实验，在1×3侦察阵列下完成了对空域目标的侦察观测，根据中心站数据处理结果实时建立了被测目标的三维航迹。实验结果表明:提出的坐标转换与数据融合处理方法，能够有效提升阵列光电系统的实际应用能力。     

考虑时变与高频因素的金融风险传染效应分析——以SHFE市场金属期货为例

为了有效度量金融市场中因相互关联而引发的风险传染效应,并充分体现其时变性与频繁性,立足高频数据并结合时变测度模型进行分析可能是较为合适的方法。基于此,文章在时变传染效应测度模型基础上,以我国金属期货高频交易数据为样本进行实证,得出结论:(1)市场间存在的时变风险传染效应是该市场价格波动的重要影响因素;(2)高频数据呈现的传染现象受传染源市场波动影响大,而受前期传染效应的滞后影响小,该现象表明针对传染源的及时处理是控制风险传染的有效途径;(3)兼顾时变与高频因素的传染效应其影响程度与市场价格波动及已实现波动呈反比,该现象表明波动较大或前期波动大的市场受相关市场风险传染影响小。     

基于多维混合柯西分布的点云配准

为提高三维点云在数据随机缺失和噪声干扰等复杂情况下的配准精度,提出一种基于多维混合柯西分布(MMC)的点云配准方法。将点云数学模型扩展为MMC模型,求解模型各参数,并构造出特征四面体,以优化旋转矩阵与平移向量;通过最大期望算法分别求出目标点云和待配准点云在MMC模型下的数据中心、协方差矩阵和权重的值。仿真与实验数据表明:与几种常用的算法相比,MMC算法即使在点云数据存在遮挡、缺失,大小不一致,含随机噪声,且具有无序性的条件下,也能精确配准,且具有良好的稳健性。     

基于红外光谱聚类分析的纳滤膜污染动态发展行为研究

污水再生利用是解决水资源短缺问题的有效对策。纳滤技术由于能够生产高质量的再生水，成为污水深度处理、再生利用的有效方法之一。然而，在纳滤过程中存在复杂的、动态的膜污染现象，会导致产水通量、产水质量下降等问题。研究膜污染动态发展的行为，对于膜污染的分阶段针对性控制具有重要意义。有机物是污染层动态发展过程的重要指示性成分，红外光谱是表征污染层发展过程中表面有机物官能团变化情况的重要手段。但由于红外光谱中峰的数量多，系列样品之间峰强度的差别较小（尤其是当膜污染过程中的采样间隔较小时），利用直观观察不易甄别不同样品间的谱图差异及其变化趋势，在此水平上难以对膜污染阶段进行准确识别、对各阶段特征进行有说服力的分类概括。为探索膜污染的动态发展过程，本研究将傅里叶变换红外光谱与统计学聚类分析相结合，对膜污染过程中不同时间点的膜样本进行红外光谱分析，再对红外光谱数据进行一系列预处理和系统聚类分析，从而客观解读膜污染动态发展过程中系列样品红外光谱分阶段变化规律。考虑到类别间距离度量方法、红外吸收峰强度标准化、峰之间自相关性、峰与样本之间交互作用等因素的影响，研究采用对应分析对红外数据进行预处理，提取各样本在主要维度上的得分，随后基于标准化欧式距离对各样本进行聚类。在为期一个月的城市污水深度处理纳滤试验过程中，由于污染物在膜表面累积，纳滤膜发生了较为严重的污染。通过对13个不同时间点的膜样本进行红外光谱聚类发现，膜污染可清晰划分为如下阶段：空白膜、阶段Ⅰ（3 h～8 d）、阶段Ⅱ（10～15 d）和阶段Ⅲ（20～30 d）。采用红外聚类，得到膜表面X射线光电子能谱（XPS）和三磷酸腺苷（ATP）含量分析等方法的交互验证。结果表明，随着膜污染的发展，膜表面有机物成分与共存微生物量发生协同变化，各阶段大致特征为：阶段Ⅰ各类有机污染物初步覆盖，微生物开始富集；阶段Ⅱ多糖类污染物比例上升，微生物的富集趋于稳定；阶段Ⅲ整体污染趋于成熟，有机污染物氢键特征更加明显。该研究通过对红外数据进行聚类分析，能够灵敏地探测各红外图谱之间的差别，有助于对红外光谱规律的深度挖掘，为膜污染阶段的识别和划分提供了一种客观、自动、可量化的辅助性方法，并且有助于归纳出不同阶段的污染层特征，可作为膜污染时序特征的侦查手段。此外，除了膜污染的研究，在材料、吸附等领域，只要有一系列变化的红外光谱，均可尝试采用红外光谱聚类分析方法，获取基于红外特征的定类信息或分阶段规律。     

利用带无标签数据的双支持向量机对恒星光谱分类

恒星光谱分类是天文技术与方法领域一直关注的热点问题之一。随着观测设备持续运行和不断改进，人类获得的光谱数量与日俱增。这些海量光谱为人工处理带来了极大挑战。鉴于此，研究人员开始关注数据挖掘算法，并尝试对这些光谱进行数据挖掘。近年来，神经网络、自组织映射、关联规则等数据挖掘方法广泛应用于恒星光谱分类。在这些方法中，支持向量机(SVM)以其强大的学习能力和高效的分类性能而备受推崇。SVM的基本思想是试图在两类样本之间找到一个最优分类面将两类分开。SVM在求解时，通过将其最优化问题转化为具有(QP)形式的凸问题，进而得到全局最优解。尽管该方法在实际应用中表现优良，但为了进一步提高其分类能力，有的学者提出双支持向量机(TSVM)。该方法通过构造两个非平行的分类面将两类分开，每一类靠近某个分类面，而远离另一个分类面。TSVM的计算效率较之传统SVM提高近4倍，因此，自TSVM提出后便受到研究人员的持续关注，并出现若干改进算法。在恒星光谱分类中，一般分类算法都是根据历史观测光谱来建立分类模型，其中最关键的是对光谱进行人工标注，这项工作极为繁琐，且容易犯错。如何利用已标记的光谱以及部分无标签的光谱来建立分类模型显得尤为重要。因此，提出带无标签数据的双支持向量机(TSVMUD)用以实现对恒星光谱智能分类的目的。该方法首先将光谱分为训练数据集和测试数据集两部分；然后，在训练集上进行学习，得到分类依据；最后利用分类依据对测试集上的光谱进行验证。继承了双支持向量机的优势，更重要的是，在训练集上学习分类模型过程中，不仅考虑有标记的训练样本，也考虑部分未标记的样本。一方面提高了学习效率，另一方面得到更优的分类模型。在SDSS DR8恒星光谱数据集上的比较实验表明，与支持向量机SVM、双支持向量机TSVM以及K近邻(KNN)等传统分类方法相比，带无标签数据的双支持向量机TSVMUD具有更优的分类能力。然而，该方法亦存在一定的局限性，其中一大难题是其无法处理海量光谱数据。该工作将借鉴海量数据随机采样思想，利用大数据处理技术，来对所提方法在大数据环境下的适应性展开进一步研究。