一、基于层次模型的智能数据挖掘框架及其模型（论文文献综述）
林景峰[1]（2021）在《基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立》文中研究表明研究背景和目的抑郁症（depression）又称为抑郁障碍,是指由于各种原因引起的,以持久、显着的心境低落为主要特征,常伴焦虑、躯体化症状、思维和认知功能减退等表现的一类心境障碍。中医学将抑郁症归属于“郁病/证”范畴,主要可分为肝气郁结、肝郁脾虚、肾虚肝郁、心脾两虚、气郁化火等证型。在抑郁症的中医辨证方面,目前中医抑郁症证候分型诊断方式主要有中医直接辨证和诊断量表分型。但目前抑郁症的证候分型方式离不开中医师的主观判断。为了从舌诊、脉诊、情绪识别、病历数据等多个层面客观化抑郁症患者信息,从而辅助对抑郁症患者进行抑郁症辨证,我们设计了此研究。本研究从舌诊、脉诊、情绪识别、病历数据四个层面对于患者的数据进行分析。并对数据利用深度学习和机器学习算法进行辨证识别。最后对四个层面的数据进行结合,尝试完成抑郁症患者的辨证识别。同时为其他疾病的人工智能中医辨证系统的建立与优化提供一定的参考。方法1.抑郁症中医人工智能舌诊方案的建立与验证使用python网络爬虫技术对互联网上有关舌象、舌诊等内容进行爬取。选取其中包含完整舌象、且舌象清晰的图片。利用Yolo v3目标识别算法对所得到的舌象图片进行目标识别,并进行截取,得到舌象图数据库。利用颜色校正算法等对所得到的目标图像进行颜色校正。对得到的目标舌象图片数据集进行人工分类。由2名中医师将所得到的舌象图片分为淡红舌、淡白舌、红绛舌,白苔、黄苔,厚苔、薄苔。接下来利用基于Keras框架的深度学习算法,对所得到的数据集进行深度学习,并得到学习结果的准确率、召回率值。确认结果较好后,选取临床抑郁症患者的舌象,利用Keras深度学习模型进行舌质、舌苔的判断,并与人工判断结果比较,得到最终结果的准确率、召回率等。2.抑郁症中医人工智能脉诊方案的建立与验证利用光电脉搏波原理,对食指指尖脉搏波和桡动脉关脉部位的脉搏波进行收集。指尖脉搏波每次收集时间在20s-2min左右,桡动脉脉搏波每次收集时间在3min左右,得到较为稳定的脉搏波数据。由2名中医师对脉象进行识别。利用Keras深度学习算法对所得到的数据集进行深度学习,并得到学习结果的准确率、召回率值。确认其结果是否较好。若得到的结果较好,可进一步在抑郁症患者上进行验证。3.基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证选取并收集轻中度抑郁症患者和健康人群的心电波和脉搏波。对所选取的受试者进行中医症状和体征信息的采集与评分和中医辨证。继而予患者观看30分钟情绪激发视频,视频包括7段激发患者产生平静、快乐、悲伤、恐惧、愤怒、惊讶和厌恶7种情绪的视频片段。利用软件对情绪激发时得到的心电和脉搏波数据进行记录。尝试利用深度学习算法对患者情绪进行识别,利用深度识别算法分别识别出抑郁症患者和健康人群,建立患者情绪与中医辨证之间的关系,尝试利用情绪识别方式对患者进行中医辨证和中医体质识别。4.依据病历系统患者症状的抑郁症患者中医辨证识别纳入北京中医药大学深圳医院（龙岗）自2016年1月1日开始的抑郁障碍病例,及其就诊病历。对就诊病历进行信息提取,并对提取的信息进行相应证型的对应。建立Logistic回归抑郁症中医辨证预测模型,评估模型的优劣;利用机器学习算法根据提取的病历信息（如患者的症状、体征）进行中医辨证。并计算其算法的准确率等。结果在人工智能舌诊识别方面,网络爬虫总共获得2515张相关舌象图片,经过筛选,共获得1427张存在目标区域的图片。利用YOLO v3进行目标识别,对266个标注结果进行学习。将266个标注结果按照1:1的比例分为训练集、验证集。经过两批73轮的训练,得到模型。模型的舌头目标识别准确率为96.10%,精确率为96.61%,召回率为98.85%。对目标识别结果进行舌色、苔的厚薄和苔色的深度学习识别,主要利用Keras深度学习模型结合K折交叉检验进行识别,对于舌色识别准确率在75%-82%左右,对于舌苔颜色识别的准确率在82%-95%左右,对于舌苔厚薄识别准确率在87%-92%左右。在人工智能脉象识别方面,我们以光电容积脉搏波作为研究对象,分别利用可穿戴式、手表式光电容积脉搏波设别对光电容积指尖脉搏波和光电容积桡动脉脉搏波进行收集,继而进行机器学习和深度学习分析。由于光电容积指尖脉搏波收集位置与桡动脉搏动位置较远,手表可穿戴式桡动脉脉搏波收集存在一定的位置偏倚、松紧度差异,导致学习结果欠佳。总共收集162名受试者的指尖脉搏波和43名受试者的桡动脉脉搏波。其中,收集桡动脉脉搏波时,我们可以见到数据存在位置偏倚、松紧度差异、数据溢出等异常情况,故提前终止数据收集。在指尖脉搏波的识别结果方面,机器学习算法的准确率在31%-40%之间,深度学习算法的准确率在44%左右。在桡动脉脉搏波方面,机器学习算法的最高准确率在64%左右,深度学习的准确率在22%左右。选取典型的脉搏波进行分析,机器学习算法的最高准确率在53%左右。在尝试基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证方面,我们首先利用既往两个数据集（Ascertain数据集和Dreamer数据集）进行基于心电波进行情绪识别算法的验证。对于Ascertain数据集,四分类情绪识别深度学习准确率为30%左右。对于Dreamer数据集,九分类情绪识别准确率在16%左右。在本团队收集的数据方面,共有75名受试者参与了情绪激发心电波与脉搏波的收集。其中36名试验组,39名对照组。在基线资料方面,男性36人,女性39人,平均年龄为44.08± 12.19岁。对照组与试验组的体质评分均存在明显的差异。其中,试验组在阳虚体质、阴虚体质、气虚体质、痰湿体质、湿热体质、血瘀体质、特禀体质、气郁体质的得分方面明显高于对照组,在平和体质的得分方面明显低于对照组。试验组的抑郁症中医辨证评分中,肝郁脾虚最高,其次为心肝火旺、肝肾阴虚、痰浊内蕴等证型,气滞血瘀的得分最低。在抑郁、焦虑量表评分方面,试验组与对照组相比,试验组HAMD总分和HAMD七项因子分均显着高于对照组,试验组HAMA总分和HAMA两项因子分均显着高于对照组。Pearson相关分析显示,不同体质与不同情绪激发分数的相关系数的绝对值基本在0.3以下。不同体质评分与情绪激发程度无绝对明显的相关性。抑郁症患者不同辨证分型与不同情绪激发分数的相关系数的绝对值基本在0.3以下。抑郁症患者不同中医辨证与情绪激发程度无绝对明显的相关性。在机器学习方面,利用平静、愉悦、悲伤、恐惧、愤怒、惊奇、厌恶等情绪心电波区分试验组和对照组（抑郁症患者和正常受试者）,其最高准确率分别是70%、72%、73%、77%、82%、69%、75%。对各种算法的平均准确率进行比较,高斯贝叶斯算法的平均准确率最高,达到73%。利用高斯贝叶斯算法进行整段心电波和受试者识别,其心电波段判定准确率均在70%左右,受试者组别的判定准确率为73.6%。利用七分法进行情绪识别,其不同算法情绪识别的准确率最高在30%。由于机器学习区分抑郁症患者的准确率、情绪识别的准确率、抑郁量表评分与体质和辨证的相关系数绝对值均不是非常高,我们认为原假设不成立。故未利用数据集进行中医抑郁症辨证和体质分型的识别。在基于病历系统患者症状特征选择的抑郁症患者中医辨证识别中,共纳入北京中医药大学深圳医院（龙岗）自2016年1月1日开始的567例病例,及其1128次的就诊病历。其中,男性患者280人,女性患者287人。在所有抑郁患者群体中,心脾两虚所占比例最大（16.98%）,其次为肾虚血瘀（9.57%）、肝郁脾虚（4.94%）等证型。症状方面,心情差、焦虑、乏力、入睡困难、多梦、头晕、腰酸、心烦、心悸等症状是就诊的抑郁患者的最核心症状。通过对症状的主成分分析（principal component analysis,PCA）,能较好地对心脾两虚、肾虚血瘀、肝郁脾虚等不同证型进行良好区分。利用logistic回归建立预测模型,通过受试者工作特征曲线（receiver operating characteristic curve,ROC）曲线下面积（C指数）来评价预测模型的区分度。结果显示,心脾两虚证型的C指数为0.77,肾虚血瘀证型的C指数为0.89,肝郁脾虚证型的C指数为0.85。模型具有较好的区分度。利用机器学习算法根据症状预测中医证型,运用五分类机器学习算法预测中医证型,准确率达到了 72%。利用机器学习算法预测中医证素,运用二分类机器学习算法,肝郁证素准确率为86%,脾虚证素准确率为86%,血瘀证素准确率为78%,肾虚证素准确率为88%,气虚证素准确率为97%。结论1.抑郁症的舌诊和基于病历系统患者症状的中医辨证识别在我们的研究中实现较好,而抑郁症的脉诊和基于情绪识别的抑郁症辨证和中医体质分析在我们的研究中实现欠佳。从整体上看,抑郁症舌诊研究、基于病历系统患者症状的中医辨证识别对于舌诊照片、病历系统数据的要求不是很高,易于实现,有较好的深入研究与广泛推广意义。而抑郁症脉诊研究（特别是手表式可穿戴设备脉诊研究）、利用生理信号进行情绪识别并进行中医辨证和中医体质识别,对数据收集设备等的要求较高,结果亦欠佳,仍有一些问题尚待确认、改进、解决。2.利用目标识别舌诊图片、截取目标识别结果后进行深度识别,能较好的识别舌色、舌苔颜色、舌苔厚薄。对识别模型在抑郁症患者的舌象图片上进行运用,结果较好。该模型对于照片采集设别、拍照姿势等的要求不高,易于操作。3.利用机器学习算法,依据指尖脉搏波或桡动脉脉搏波识别脉象,结果欠佳。其原因可能与指尖脉搏波与脉象相关度不高、手表可穿戴式采集设备采集的桡动脉脉搏波存在数据易受采集位置影响、数据溢出等状况有关。抑郁症患者的人工智能脉诊识别与采集设备具有非常强的相关性,对采集设备等的要求较高。4.利用机器学习算法和观看情绪激发视频时的脉搏波和心电波,可在一定程度上对抑郁症患者和正常人群进行识别,亦可在一定程度上识别受试者的不同情绪。但从目前的设备条件看,本研究团队难以完成对抑郁症患者的中医辨证和中医体质识别。其识别结果也与数据采集结果、情绪激发与否、情绪激发程度存在较强的相关性。对数据采集设别、采集环境等有较高的要求。同时,本研究未能标出情绪激发的具体时间与心电、脉搏波片段,导致无法提取各种情绪激发时心电波、脉搏波的具体形态。如何捕捉到情绪激发时的精准心电、脉搏波片段,亦值得更深入的研究。5.在基于病历系统患者症状特征选择的抑郁症患者中医辨证识别中,利用logistic回归建立预测模型、机器学习算法预测抑郁症患者中医证型与证素均能得到较好的结果。本研究选取的病历系统数据质量较为一般,符合真实世界中的一般情况。虽然如此,研究仍得到了较好的结果,我们认为其建立模型的方法具有较好的推广性,值得在更大样本量病例数据中进行更深入的研究与验证。
吴雅威[2]（2021）在《面向智库需求的智慧数据服务模式及服务能力评价研究》文中进行了进一步梳理近年来,作为决策咨询机构的智库,一直受到政府机构和决策者的高度重视,一系列相关政策法规的出台与实施,更为智库的建设与发展指明了道路和方向。然而,由于缺少多源数据、智慧化技术手段和专业人才支持在一定程度上制约了智库的快速发展,迫切需要图书情报机构（以下简称图情机构）提供智慧数据服务以满足智库复杂需求。目前,大数据时代持续推动着图情机构服务模式发生重大变化,正在促使其由传统信息服务向智慧数据服务转型。因此,当前智库到底存在哪些智慧数据服务需求,图情机构面向智库需求应该采取何种智慧数据服务模式,以及如何提升智慧数据服务水平和服务能力已经成为目前图情机构亟需研究的重要问题。本文以数据管理理论、用户场景理论和质性研究理论等为基础,探讨了面向智库需求的智慧数据服务要素、服务模式、模式实现及服务能力评价体系问题。首先,分析并构建了智库的智慧数据服务需求及其模型,结合实际案例对面向智库需求的智慧数据服务要素及其特征进行分析,进而提出了面向智库需求的两类智慧数据服务模式,详细阐述了智慧数据服务模式的实现路径,并构建了面向智库需求的智慧数据服务能力评价体系,最终针对智慧数据服务模式与服务能力评价体系给予相应对策及建议。本文的主要研究内容包括以下6个方面:（1）我国智库的智慧数据服务需求分析。主要通过混合式研究方法分析了智库的数据资源管理现状与问题、智慧数据服务需求以及需求驱动因素。明确了智库的两个主要需求:多源数据服务需求（包括多源数据采集与处理等）、创新发展环境服务需求（包括图情机构职能与服务及技术工具与人才等）。智库的数据需求、场景环境和应用过程的变化,对图情机构的智慧数据服务提出了更高期望与要求。本章为后文分析并提出针对性的面向智库需求的智慧数据服务要素、服务模式、模式实现以及服务能力评价体系奠定了需求基础和研究框架。（2）面向智库需求的智慧数据服务要素及其特征。基于智库需求,通过文献调研、案例分析以及借鉴智慧数据服务相关实践经验,分析了面向智库需求的智慧数据服务关键要素及其特征,阐述各要素在智慧数据服务中的定位和作用。明确了以图情机构、智慧数据、智能化技术方法、智慧化平台、服务环境为5大关键要素,以及服务场景化、技术智能化和数据多源化3大特征。引用生态系统及其相关发展理论构建模型来剖析服务主体、客体、环境间的能量流动及关系,最终以南京师范大学图书馆为例,通过分析其面向智库需求的智慧数据服务过程及其服务要素与特征,验证前文所明确的关键要素,为后文研究奠定要素基础。（3）面向智库需求的智慧数据服务模式。基于智库需求,结合模式构建法提出了面向智库需求的两类智慧数据服务模式:其一,个性化推荐模式,主要探讨图情机构通过感知智库需求,融合多源数据、专家智慧、智能技术及用户需求精准识别等资源与服务,通过智慧数据服务平台与新媒体技术,最终实现场景化、精准化与个性化推送;其二,嵌入式服务模式,主要探讨以图情机构为主体,通过分散、兼职和旋转门等途径嵌入智库内部及其活动过程,将智慧数据服务与智库的数据采集、综合处理、成果传播推广等环节相融合,精准定位智库需求,提供多源数据采集、融合处理、人才支持和影响力塑造等针对性服务。（4）面向智库需求的智慧数据服务模式实现。根据智库需求和图情机构智慧数据服务模式的具体内容与流程,面向智库需求的智慧数据服务模式实现主要包括以下6个方面:智库的特征识别与需求确定;基于Data Commons的智慧数据服务平台构建;多源数据融合;智能化技术与工具融合与协同治理;基于专家系统的多源数据分析与应用;基于向量空间模型的场景化服务推荐,以此来实现面向智库需求的智慧数据服务模式,体现了智慧数据服务的新路径与新思想。（5）面向智库需求的智慧数据服务能力评价体系。以智库需求、智慧数据服务过程和智慧数据服务内容为评价依据,初步构建了包括多源数据、智能化技术与工具、智慧数据服务人员三个维度的智慧数据服务能力评价体系。再利用专家调查法、灰色系统理论和层次分析法完成指标优化和赋权,以验证指标的合理性、有效性和可行性,最终确定智慧数据服务能力评价体系。最终以天津社科院图书馆为案例进行实证研究,论证服务能力评价体系中各指标的有效性、科学性和应用性,以此为图情机构提升智慧数据服务能力与质量提供适当参考。（6）面向智库需求的智慧数据服务保障策略。以智慧数据服务要素、服务模式及服务能力评价为依据,考量涵盖智慧数据服务关键要素、优化智慧数据服务流程、改善智慧数据服务能力评价体系等方面制定保障策略。智慧数据服务保障策略具有明显的层次化特征,涵盖政策保障、数据保障、技术保障与人才保障等层次。其中,政策保障涵盖建立健全相关法律法规等;数据保障涵盖完善多源数据建设、融合、安全与开放保障机制等;技术保障涵盖完备智能化数据管理技术、方法与工具集体系构建等;人才保障涵盖智慧数据服务人才队伍建设等。通过构建面向智库需求的智慧数据服务模式,可以优化智库活动流程,提升智库的课题研究能力、决策支持服务质量和可持续发展动力,还可保障面向智库需求的智慧数据服务质量和水平,也为大数据时代下图情机构智慧数据服务研究体系提供理论启发与借鉴,拓展智慧数据服务的理论与应用范畴,推动智慧数据服务可持续性发展。此外,通过建立面向智库需求的智慧数据服务能力评价体系,可以评价图情机构的智慧数据服务能力,帮助其更清楚的认识优势与缺陷,根据评价体系优化服务流程,更好的服务智库。同时,为图情机构系统认知大数据时代下面向智库需求的智慧数据服务实现路径提供参考,继而有效引导图情机构从智库需求感知到服务模式构建再到服务能力评价的流程化视角来看待面向智库需求的智慧数据服务工作。
黄振亚[3]（2020）在《面向个性化学习的数据挖掘方法与应用研究》文中认为个性化学习旨在根据学习者个体的认知水平、学习能力等,选择合适的学习资源与学习方式,使其弥补知识不足,获得最佳发展。近年来,在线学习系统的快速发展,不仅打破了传统课堂学习的时空约束,还提供了丰富的学习资源,吸引了越来越多的学习者,留下了大量的学习数据。这些学习数据蕴含着巨大的科学及市场价值,为实现数据驱动的个性化学习服务,提供了有力的支撑。因此,如何利用数据挖掘等技术对学习者学习数据进行理解、分析,实践个性化学习,已经成为计算机及相关交叉学科的研究热点。现阶段,尽管基于认知心理学等理论的相关方法已取得了一定的成效,但在线场景中的个性化学习研究人面临着学习资源表征苦难、学习过程复杂易变以及学习策略难以量化等挑战。为此,本文系统性地开展了面向个性化学习的数据挖掘方法及应用的探索性研究工作。具体地,针对练习题对象,提出了练习资源的深度表征方法,并在语言类和逻辑类两类典型练习题目的应用中进行验证;针对学生对象,分别提出了融合学习因素的知识跟踪方法和融合题目语义的知识跟踪模型;针对学习策略对象,提出了基于多目标学习的个性化推荐方法,提高学生学习效率。本文的研究工作依托于科大讯飞开发的国内领先的在线学习平台系统“智学网”,研究问题和研究数据均来源于实际应用场景,且研究方案均在真实平台中验证,具有实际应用价值。本文主要的工作与贡献可以概括如下:首先,本文研究练习题深度表征方法。一方面,本文针对语言类练习,提出了基于语义理解的练习题表征方法。语义理解是语言类练习表征的基础,传统方法基于固定的规则匹配,忽略了题目文本的语义丰富和依赖等特点。本文将该类练习题表征分解成语句理解和语义关联两个部分,首先使用卷积神经网络提取句子级别特征,然后,基于注意力机制,量化练习文本对于题目的语义依赖。最后,针对于题目难度预测任务,提出一种基于偏序学习的模型训练方法,消除不同测试范围带来的难度误差。该方法在高考英语阅读理解难度预测任务中进行了大量实验验证,其结果表明该方法能够有效提高难度预测的准确性和稳定性。另一方面,针对逻辑类练习,提出了基于结构理解的练习表征方法。区别于语言类练习,逻辑类练习通常含有特定结构的元素（如公式）。然而,传统方法直接将其视为文本序列进行表征,忽略了其结构特性。本文首先设计辅助工具,构建练习层面的公式依赖图,然后提出基于点注意和边注意两种策略的图网络学习其结构表征。最后,提出嵌套序列模型,融合练习的文本语义和公式结构关联。在数学简答题自动解答任务中验证了该方法能够有效挖掘数学练习中的公式结构,提高解题精度。其次,针对于学生用户,本文研究动态认知诊断方法。一方面,考虑到知识关联因素和人脑记忆/遗忘因素对于学习活动的影响,提出一种融合学习因素的知识跟踪模型EKPT。该模型首先基于练习-知识关联信息,将学生和练习映射到具有明确含义的知识空间中。然后,融合教育学经典的学习曲线和遗忘曲线理论,在知识空间中量化建模了学生知识学习的演化过程。实验结果表明该方法提高了认知诊断的精度。另一方面,考虑到学习过程中的题目语义（知识共性语义和文本个性语义）的影响,本文提出一种融合题目语义的知识跟踪框架。该模型首先设计动态增强记忆网络存储知识共性信息,刻画了学生对于知识的动态掌握情况。其次,提出题目特征提取器,挖掘文本个性信息,且将其融入到学生的知识变化建模过程中。最后,本文分别基于马尔科夫性质和注意力机制两种策略,提出两种实例化模型。实验在大量学生练习记录上进行,结果验证了具有精准的预测性能和知识跟踪可解释性。最后,在学习策略设计方面,本文提出一种基于多目标学习的个性化推荐算法。区别于传统推荐系统,在线学习推荐任务具有更大的挑战。传统方法通常遵从“推荐未掌握的练习”的单一推荐策略,为考虑复杂学习目标（如复习与探索平衡性、难度平滑性、参与度等）的影响。为了解决此问题,本文设计了不同的回报函数量化三种学习因素,然后提出一种深度强化学习方法,在学生交互学习中协同优化多个因素,从而找到最优推荐结果。本文在离线和在线两类场景中进行实验,结果均充分显示了该推荐算法的有效性。
邢海龙[4]（2020）在《大数据联盟数据挖掘服务模式研究》文中提出随着社交网络、传感器技术、移动互联网技术的快速发展,数据存储量已经达到了PB级别,成为了企业乃至国家的重要性战略资源。在国家政策的积极推动下,大数据服务平台不断涌现,为满足在“数据海洋”中获取所需资源及挖掘数据背后的潜在价值奠定了良好基础。但是目前大数据服务市场还处于发展初期,发育还不够完全,在面对用户多样的数据挖掘服务需求时,单一企业在服务能力方面还存在不足。为此,以大数据产业链为依托,以提高数据挖掘服务能力和服务质量为目的,通过整合大数据产业链上、中、下游企业的资源优势、技术优势和服务优势,以联盟的组织形式为社会提供数据挖掘服务,对完善大数据服务市场起到了重要作用,大数据联盟采用的服务模式将直接影响着数据挖掘服务的质量和水平,构建符合大数据服务需求特点、有利于整合联盟成员数据资源的数据挖掘服务模式是数据企业急需解决的紧迫课题。在跟踪总结国内外大数据、大数据联盟、数据挖掘及服务模式的研究现状、发展趋势和实际应用情况的基础上,分析和界定了大数据联盟、数据挖掘服务的相关概念及特点。从合作协同视角,运用核心能力理论、协同理论、博弈理论等,揭示大数据联盟合作机理,在分析大数据联盟数据演化过程、数据挖掘层次的基础上,构建大数据联盟数据挖掘服务模式框架。在此基础上,提出了大数据联盟标准化数据挖掘服务模式、定制化数据挖掘服务模式和智能化数据挖掘服务模式。标准化数据挖掘服务是针对用户共性化需求,提供的一种数据挖掘服务。该服务模式结合用户的需求类型,将联盟通过数据挖掘获取的资源进行服务产品的封装,以数据产品的形式进行发布与交付。并依照用户对服务认知和理解的程度不同,将服务方式划分为自助式和咨询式两种服务方式,以及从售后服务、运营监管两方面,提出标准化数据挖掘服务保障。定制化数据挖掘服务是针对用户个性化需求,提供的一种数据挖掘服务。该服务模式从联盟用户需求描述、服务能力挖掘、联盟数据准备、模型构建、模型评估和服务交付几个环节,构建大数据联盟定制化数据挖掘服务过程模型,依照用户的参与程度不同,将服务方式划分为委托式和跟进式两种服务方式,并从协调管理、资源配置、协同调度三方面,提出定制化数据挖掘服务保障措施。智能化数据挖掘服务是针对用户混合型需求,进行的一种数据挖掘服务。该服务模式是融合智能决策理论和知识推理方法,从服务需求知识表示、服务智能检索、服务重用与调整、服务支付、服务知识学习与存储几个环节,构建大数据联盟智能化数据挖掘服务过程模型,将服务方式划分为智能交互的委托式和智慧协同的跟进式两种服务方式,并从多案例经验集成、群体智能两方面,提出智能化数据挖掘服务保障措施。在实证研究部分,选择中关村大数据产业联盟中,以提供数据挖掘服务为主要业务的ZWJ大数据联盟为研究对象,将本文提出的大数据联盟数据挖掘服务模式运用到实际联盟中,验证数据挖掘服务模式的科学性与合理性,并完善数据挖掘服务模式管理体系。对大数据联盟数据挖掘服务模式的研究,有利于数据资源的流通、共享和价值创造。在满足日益增长的数据挖掘服务需求的同时,充分发挥联盟的资源优势、技术优势,挖掘数据资源背后的“知识财富”。为促进我国大数据服务产业蓬勃发展,提高数据资源价值活力和数字技术创新能力具有重要作用。同时研究成果有助于丰富企业资源管理理论与服务模式理论体系,并对大数据产业发展及大数据服务应用具有重要现实指导意义。
石楚臣[5]（2020）在《基于聚类算法和Spark框架的电量与线损分析研究》文中进行了进一步梳理线损水平是衡量和考核供电企业生产技术和经营管理水平的一项重要综合指标,同时线损也是关系电力企业经济、效益的关键指标。本文从实际需求出发,面向电量与线损两个方面开展研究与分析工作,主要研究内容如下:首先,针对现在电量数据繁杂、不完整的情况研究各种聚类算法,提出了基于One Class SVM算法的限值学习,在限值学习的基础上对异常数据进行检测识别,并对基于密度的聚类算法DBSCAN算法进行分析研究实现数据的离群值检测,提出了基于限值学习的异常数据辨识算法;并结合局部异常因子（LOF）算法进行分析研究,研究了基于密度聚类算法的多维数据离群值辨识。其次,进行了基于CIM的电网线损计算框架研究。通过对CIM标准的详细研究,确定电网线损计算与CIM的映射关系,对CIM进行了模型扩展应用于电网线损计算。此外,在对线损计算方法进行理论研究基础上,建立了全电压等级的理论线损计算模型,并对各种线损模型进行研究设计并针对滞留电量模型分析研究,基于线损模型的研究建立了电网线损计算框架。最后,提出了基于Spark框架的并行分布式线损计算方法。首先对Spark基本架构和生态的大数据技术以及通用大数据分析平台架构进行分析研究,然后面向传统线损分析系统和基于大数据技术的线损分析系统的功能需求进行分析,通过对线损数据集成与管理和数据处理及计算模块进行改进优化,实现了基于Spark框架的并行分布式线损计算方法。
于跃[6]（2019）在《中国智慧政府的价值目标追求及其实现研究》文中进行了进一步梳理美国IBM公司于2010年提出智慧城市愿景并将之推向世界。很多国家相继展开智慧城市实践,并以此推动智慧社会乃至智慧国家建设,使得智慧类实践热潮空前炙热,智慧化建设需求日益攀升。当城市、社会和国家治理由智能化转向智慧化,必然要求它们的管理者——政府所提供的管理、决策和服务也能从智能化提升至智慧化,由此引发的对政府具有高度智能和更多智慧的需求,必然要求电子政府由智能政府向智慧政府转型,同时要求其电子政务由智能政务向智慧政务转化。因之,智慧政府建构成为电子政府适应智慧化建设需求、进入新的发展阶段的必然选择。智慧政府基于电子政府已有成果建设,实践才刚刚起步,成果也只是初步的。在建的智慧政府和智慧政务成果是否名副其实?应该如何评判它们是否符合“智慧”的原则要求?未来的智慧政府及其政务系统建设和发展到底应往哪儿去、该怎样走?这些都取决于人们能否对智能与智慧、智能政府与智慧政府做出正确理解和合理区分。为正确理解智慧政府,明确智慧政府的衡量标准和表征标识,第一章从语义、哲学、科学、技术等维度辨析“智能”与“智慧”的区别与关联,从相关理论研究成果中析取智慧元素,在归纳已有的智慧政府概念的要点的基础上,厘定智慧政府的基本涵义是坚持“以人民为中心”理念,以满足公众需求和解决社会复杂问题为导向,以创新为动力,以政府职能清单为基本构架,以智慧决策为核心,利用信息技术和政府内外部合作共建具有高度智能和更多智慧的政务系统,从而主动精准、优质高效地推送令公众满意甚至超出公众期望的政务服务的一种新的政府形态。还在分析智慧政府的特质的基础上提出智慧政府的属性主要表现为智能性与智慧性、集聚性与延展性、可能性与可行性、继承性与批判性、自主性与规范性的统一,以此为确定智慧政府的评判原则提供初步素材,为摆正智能政府与智慧政府的关系与界线提供考据。之后,探究智能政府和智慧政府为何区分及以何区分,指出二者区别不在于比对它们的智能高低,而在于运行中注入、融汇、融会智慧的多少和程度,应以此促进两者相互转化,而相互转化的关键在于人类智慧的持续融入。智慧政府唯有依靠人民的智慧这一根本性的要素,才能追求智慧,进而更多地具有智慧,更好地应用智慧,从而推动电子政府向智慧政府晋阶。关于电子政府应该以智慧政府为发展方向的观念已经达成基本共识,很多国家已将智慧政府写入国家电子政府规划或专门制定的智慧政府规划,并已开始付诸行动。各国筹划的或在建的智慧政府的目标规划各有不同,并不一定符合本文提出的智慧政府的衡量标准和表征标识。但是,即使是在信息技术领先国家也很少有电子政府能够达到基本符合智慧政府的衡量标准和表征标识的情况下,各国的智慧政务建设在它们的目标规划的引导下也有不同程度的进展,说明各国有关电子政府和智慧政府的建设规划中所设计的目标的确有很多值得借鉴之处。至少,它们在努力建设智慧政府并将之提升到国家战略高度,这一行动本身的宝贵之处就在于:原则性地给出了电子政府应“往哪儿去”的答案。在智慧政府处于初步发展阶段的现实情况下,借助智能技术、机器和系统支撑智慧政府具备高度智能固然重要,令智慧政府至少具有与其智能程度相匹配的“智慧”更为重要。这就是为什么各国政府高度重视智慧政府建设并纷纷从国家战略高度对其目标做出规划的原因或初衷。第二章从明确中国政府和社会的价值追求入手,考查国外电子政府和智慧政府规划中设计的目标及其启示和借鉴,在明确中国智慧政府的价值目标选择原则的基础上,确立了中国智慧政府的价值目标取向,包括:开放透明的治理环境、共商共议的合作氛围、共建共享的基础资源、精准高效的政务服务、平等包容的伙伴关系。主要目的是明确中国智慧政府的发展方向,带领各级政府和全体人民向着正确的方向前进,从而做到不仅力促智慧政府追求智慧,还能够更多地具有智慧和更好地应用智慧。针对智慧政府的智能化和智慧化需求,着眼于建构具有更高定位——“以人民为中心”和更智安排——“数据驱动、精准对接的智能型政务系统与数据管理、信息管理、知识管理及更多智慧的相互融合”的智慧政府,第三章探讨智慧政府的生成和演进的逻辑规律,寻求智能生成和智慧演进所需依靠的资源要素和支持智慧政府具有智慧的逻辑模型,旨在获取使智慧政府具有高度智能和更多智慧的应然建构。采取的技术路线是:首先厘清智慧政府的生成逻辑,探寻智慧政府的机器或系统的“智能”究竟应该依靠哪些资源要素来生成,即解决“智能化从哪里来”的问题,提出应以数据资源为核心,借助数据、信息和知识等资源要素的递进关系逐步生成智能;其次研究智慧政府的“智慧”可以依靠哪些知识要素、采取怎样的逻辑进路来实现由“智能”向“智慧”的演进,即解决“智慧化往哪里去”的问题,提出可以将人类生成智慧的资源要素作为智慧政府的智慧生成需要依靠的基本要素,通过具体运用相关的管理理论和方法、技术手段和工具以及其他智慧元素,实现逐层管理资源、持续融入智慧、递进实现晋阶的效果,旨在为维持智慧政府生存和发展的合法性与合理性提供模式和方法。一些公共管理学者主张采取将人工智能向政府不断渗入的模式建构智慧政府。本文主张与之相向而行,即智慧政府通过将人的智慧嵌入政务系统之中使之事实上具有智能,再借助政务系统应用中的人机交互环节,将智信人的智慧持续注入系统之中,经由政务系统对其智慧进行融汇,继而再由智信人完成融会的工作,使得政务系统因为融入智慧而具有智慧,实现智慧的动态建构,推进智慧政府由智能向智慧晋阶。已有的电子政府和智慧城市实践为智慧政府建设积累了实践基础和有益经验。对于建立在电子政府和智慧城市已有成果之上的智慧政府而言,其研究重点显然不在技术基础、管理基础和体制机制上,凡此种种固然重要,但这却是电子政府分内应该解决或早该解决的问题。智慧政府所应具有的“智慧”之处,才是它更应该关注和解决的问题。基于此,第四章主要探索如何借助政务系统的智能以及社会公众的智慧实现以智慧武装智慧政府头脑的目的,并探讨了如何为之提供可能与可行的思想条件和实施路径。具体地讲,就是从智慧政府应用智慧的需求出发,首先,提出要进行主体间性思想建设、包容性文化建设、伦理道德教育、思维观念转变和知识能力培养等思想条件建设,借以提高智慧政府的软实力;其次,从完善顶层设计和行动计划、建设基础资源和政务系统以及改善内外部合作伙伴关系等路径提出智慧政府应用智慧的实践条件,以便为智慧政府硬实力建设提供解决方案,最终实现智慧政府的价值目标。
吴少杰[7]（2019）在《基于数据挖掘的煤矿机电设备运行状态预测方法研究》文中提出随着煤炭科技水平的不断提升,煤矿机电设备的安全可靠运行成为研究的热点。对于煤矿企业来说,机电设备的运行状态变化规律往往“隐喻”在大量复杂的数据中,需要深入研究煤矿机电设备状态信息的智能表征,从中挖掘出隐藏的价值信息,用此来表述机电设备的历史运行状态。通过历史的运行状态数据预知煤矿机电设备的未来运行状态、并对其进行健康状态评价,对机电设备采取相应的预防性措施,这己成为设备健康维护的基本模式。因此,本文深入研究基于数据挖掘的煤矿机电设备运行状态预测方法。首先,针对单一预测模型对煤矿机电设备运行状态预测精度低、适用性差的问题,深入分析ARIMA预测模型、灰色GM（1,1）预测模型以及BP神经网络预测模型的结构原理,提出AGB组合预测模型方法,通过调节各单一模型权重参数验证AGB组合预测模型预测精度。其次,针对煤矿机电设备运行状态数据量大、数据利用率低、单机进行海量数据挖掘速度慢等问题等,利用MapReduce技术,提出双MapReduce挖掘预测框架,建立双MapReduce的运行状态数据挖掘预测模型,利用MapReducel对监测数据的特征提取,利用MapReduce2对特征数据进行预测分析。在此基础上,对Map与Reduce实现过程进行设计。第三,针对煤矿机电设备健康状态评价量化难、且受主观影响大等问题,深入研究煤矿机电设备易发故障部位,建立健康状态评价体系,使用主成分分析法确定各评价指标,通过组合预测模型对采煤机健康状态评价指标进行预测;引入煤矿机电设备劣化度计算方法,构建多指标劣化度评价矩阵,利用AHP进行部件及各评价指标的权重确定,建立煤矿机电设备健康状态评价模型。最后,通过搭建Hadoop平台,揭示Hadoop集群节点与并行化处理速度之间的关系,验证了数据挖掘预测框架的高效性;对单一预测模型与提出的AGB组合预测模型进行实验对比分析,验证了AGB组合预测模型的预测精度。
李会龙[8]（2019）在《基于网络学习行为的学习者画像研究》文中认为随着互联网技术和信息技术的交汇融合发展,引发了数据迅猛增长,世界步入大数据时代。网络学习方式灵活多变,赋予了学习者更大的自由和选择权,为终生学习提供了有效途径,同时积累了大量的网络学习经历数据。对学习者学习经历数据为对象进行学习分析和数据挖掘,综合运用分析工具和方法对学习数据进行处理与分析,挖掘出其深层次含义,建立起数量结构与意义理解之间的联系。学习分析的出现和发展为网络学习的研究提供了新的研究方向和思路。根据学习者在学习过程中的行为表现,结合学习者的基本属性建立学习者画像模型,找出规律并开展应用,使网络学习平台可以根据学习者画像为学习者提供个性化、精准化、智能化的网络学习支持服务,提高学习效率和学习质量。因此,本研究基于网络学习行为开展学习者画像建模,并阐明其应用方向。进行基于网络学习行为的学习者画像研究,首先要解决数据收集的问题。究通过文献分析,对比了SCORM和xAPI优劣,发现SCORM难以满足研究需要,本研究利用xAPI标准跨平台、跨终端的技术特征收集交换数据,让学习经历数据可以独立于学习管理平台而独立存在,方便后续学习分析和数据挖掘。另外,本研究介绍了xAPI活动流Activity Stream,分析了活动流Activity Stream的结构,进行了LMS和LRS的对比分析,设计了“以学习者为中心”的基于xAPI标准的规范动词集和规范对象集,为构建基于网络学习行为的学习者画像模型奠定基础。在基于网路学习行为的学习者画像模型构建方面,本研究运用文献研究法和模型构建法,根据学习分析的方法和一般步骤,结合xAPI标准提出了一套切实可行的、具有可操作性的基于网络学习行为的学习者模型构建框架和流程,该框架由明确画像目标、数据收集、画像建模、画像可视化输出和画像应用五个阶段构成,同时画像的应用可以进一步明确画像目标,形成正向反馈。其中,基于网络学习行为的学习者画像模型构建是整个流程的核心。本研究梳理了目前学习者画像研究现状,结合中国大学MOOC网络学习平台数据情况,从课程学习特征、人际交互特征、任务完成特征和学习绩效四个维度提出了基于网络学习行为的学习者画像模型,并设计了xAPI活动流具体标识学习者学习行为,在教育大数据学习分析和数据挖掘的基础上进行学习者画像的可视化呈现,最后指明了基于网络学习者的学习者画像的应用方向,为支持教与学利益相关者更好的开展教学实践提供支持。在基于网络学习行为的学习者画像应用方面,本研究通过对学习者进行整体画像分析、个体画像分析和群体画像分析,经过描述性分析、相关分析、聚类分析等从课程学习特征、人际交互特征、任务完成特征和学习成绩特征将学习者群体分为三类,分别是较高沉浸性学习者、低沉浸性学习者和高沉浸性学习者,并且对每一类学习者的特征进行了较为详细的解释和描述。根据画像输出原则,进行了三类学习者画像可视化输出,可以直观区分不同的学习者群体。通过对学习者群体进行画像分析,本研究面向每个群体提出了相应的一些建议,可以帮助教与学利益相关者精准地认知学习者去群体,更好地提供群体个性化学习支持服务,防止学习者流失。
郭强[9]（2019）在《可拓建筑策划数据挖掘研究》文中研究指明可拓建筑策划数据挖掘研究是国家自然科学基金项目《面向可拓建筑策划与设计的可拓数据挖掘理论及其方法研究》（51178132,2012-2015）的重要组成部分,是建筑学、可拓学和数据挖掘领域的交叉研究课题。研究的目的在于,针对当前信息爆炸时代下建筑学领域呈现出的“数据丰富而有用知识难以获取”现象,用可拓数据挖掘的优点和长处来弥补现有可拓建筑策划理论和方法的不足,推动可拓建筑策划理论研究向更理性、更科学、更高效、更智能的方向发展。可拓建筑策划数据挖掘（Extension Data Mining for Extension Architectural Programming,简称EapEdm）是一种自动化的转换工具,能够将无限的互联网数据资源转换成可以指导可拓建筑策划的知识。论文运用跨学科交叉研究方法,对其基本理论、数据获取、数据库构建、知识发现进行研究,初步构建了可拓建筑策划数据挖掘的理论与方法体系。可拓建筑策划数据挖掘的基本理论研究,是在可拓建筑策划和可拓数据挖掘理论研究的基础上,深度思考可拓建筑策划数据挖掘的基本理论问题,为后续的应用方法研究奠定了理论基础。这部分研究提出了可拓建筑策划数据挖掘的涵义、定位、特点;从时代性、地域性、人本性和创新性角度,确定了EapEdm的挖掘对象和目标;建立了EapEdm的程序,分别是数据获取、数据库构建和知识发现;探讨了EapEdm的计算机实现途径和未来使用模式。可拓建筑策划数据挖掘的数据获取研究,是在深入分析互联网数据特点的基础上,运用云服务平台和数据采集软件,来批量采集各种网络开放数据平台中建筑策划相关数据的应用方法研究。这部分研究提出了数据获取的原则和操作步骤,建立了建筑行业动态数据、建筑基地环境数据、建筑使用者需求数据、建筑同类设施数据以及上述各种数据中建筑图像数据的采集方法。通过数据清理、数据评估、数据转换等数据处理方法,将上述采集的数据转化成高质量建筑数据。可拓建筑策划数据挖掘的数据库构建研究,是在现有数据库设计理论的基础上,建立数据库管理系统来组织、存储和管理上述高质量建筑数据的应用方法研究。这部分研究针对建筑学领域的专家学者和从事实践的建筑师展开访谈调查,确定了数据库的使用需求、类型划分和功能定位;从概念设计、逻辑设计、功能设计、数据库运行与维护等方面,分别提出了行业动态数据库、基地环境数据库、使用者需求数据库、同类设施数据库的构建方法,统称为可拓建筑策划数据挖掘的数据库管理系统（Extension Data Mining of Extension Architectural Programming Database Management System,简称EapEdm-DBMS）。可拓建筑策划数据挖掘的知识发现研究,是在现有数据挖掘和可拓数据挖掘方法研究的基础上,按照可拓建筑策划问题模式建立的挖掘应用方法研究。这部分研究以EapEdm-DBMS为基础,结合可拓建筑策划的知识需求,分别建立了建筑行业动态的知识发现方法、建筑基地环境的知识发现方法、建筑使用者需求的知识发现方法以及建筑同类设施的知识发现方法。首先,阐述每种方法的基本原理。然后,将其应用在策划的各个主要方面,并结合具体实例来进行阐释与论证。总之,可拓建筑策划数据挖掘研究通过将可拓建筑策划和可拓数据挖掘理论与方法进行交叉融合,构建起可拓建筑策划数据挖掘的理论研究框架,并最终形成了擅长发现可拓建筑策划知识的可拓建筑策划数据挖掘方法。这为可拓建筑策划领域增添了新的理论与方法,为建筑师利用互联网进行建筑创新提供了智能化工具,也对可拓数据挖掘的应用范围进行了拓展。
《中国公路学报》编辑部[10]（2016）在《中国交通工程学术研究综述·2016》文中研究表明为了促进中国交通工程学科的发展,从交通流理论、交通规划、道路交通安全、交通控制与智能交通系统、交通管理、交通设计、交通服务设施与机电设施、地面公共交通、城市停车交通、交通大数据、交通评价11个方面,系统梳理了国内外交通工程领域的学术研究进展、热点前沿、存在问题、具体对策及发展前景。交通流理论方面综述了交通流基本图模型、微观交通流理论及仿真、中观交通流理论及仿真、宏观交通流理论、网络交通流理论;交通规划方面综述了交通与土地利用、交通与可持续发展、交通出行行为特征、交通调查方法、交通需求预测等;道路交通安全方面综述了交通安全规划、设施安全、交通安全管理、交通行为、车辆主动安全、交通安全技术标准与规范等;交通控制与智能交通系统方面综述了交通信号控制、通道控制、交通控制与交通分配、车路协同系统、智能车辆系统等;交通管理方面综述了交通执法与秩序管理、交通系统管理、交通需求管理、非常态交通管理;交通设计方面综述了交通网络设计、节点交通设计、城市路段交通设计、公共汽车交通设计、交通语言设计等;地面公共交通方面综述了公交行业监管与服务评价、公交线网规划与优化、公交运营管理及智能化技术、新型公交系统;城市停车交通方面综述了停车需求、停车设施规划与设计、停车管理与政策、停车智能化与信息化;交通大数据方面综述了手机数据、公交IC卡、GPS轨迹及车牌识别、社交媒体数据在交通系统分析,特别是在个体出行行为特征中的研究;交通评价方面分析了交通建设项目社会经济影响评价、交通影响评价。
二、基于层次模型的智能数据挖掘框架及其模型（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、基于层次模型的智能数据挖掘框架及其模型（论文提纲范文）
（1）基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 英文缩略词表 |
| 第一章 文献综述 |
| 综述一 中医人工智能舌诊、脉诊方法和应用结果及其与抑郁症关系的文献综述 |
| 1. 人工智能舌诊方案的研究现状 |
| 2. 人工智能脉诊方案的研究现状 |
| 3. 既往脉象模型及其波形所代表的意义 |
| 4. 抑郁症患者的人工智能舌诊、脉诊或相关中医四诊的研究 |
| 5. 小结 |
| 综述二 人工智能情绪识别及情绪与抑郁症关系的文献综述 |
| 1. 情绪识别人工智能算法的研究背景 |
| 2. 基于心电和脉搏波变化的机器学习算法判断情绪 |
| 3. 抑郁症与人工智能情绪识别 |
| 4. 小结 |
| 综述三 基于患者病历系统中症状等因素的诊断模型与抑郁症关系的文献综述 |
| 1. 基于患者病历系统建立诊断预测模型的研究背景 |
| 2. 抑郁症患者的诊断预测模型 |
| 3. 小结 |
| 前言 |
| 第二章: 中医人工智能舌诊方案建立与验证 |
| 深度学习算法背景与算法选择 |
| 网络爬虫算法 |
| Yolo v3深度学习目标识别算法 |
| Tensorflow与Keras深度学习框架 |
| 1. 研究方法 |
| 1.1 深度学习算法舌诊方案的建立 |
| 1.1.1 网络爬虫获取相应数据 |
| 1.1.2 Yolo v3进行目标识别 |
| 1.1.3 颜色校正 |
| 1.1.4 基于Tensorflow的Keras学习框架进行深度学习 |
| 1.2 舌诊的方案的验证 |
| 2. 研究结果 |
| 2.1 爬虫数据结果 |
| 2.2 目标识别结果 |
| 2.3 颜色校正结果 |
| 2.4 深度学习识别算法实现与优化 |
| 2.5 方案的验证结果 |
| 3. 讨论与结论 |
| 3.1 结果讨论 |
| 3.2 结论 |
| 第三章: 中医人工智能脉诊方案建立与验证 |
| 光电容积脉搏波信号的原理 |
| 光电容积脉搏波的相关研究 |
| 1. 研究方法 |
| 1.1 试验一：以光电容积指尖脉搏波为基础的中医脉象识别研究 |
| 1.2 试验二：以光电容积桡动脉脉搏波为基础的中医脉象识别研究 |
| 2. 试验一 研究结果 |
| 2.1 基线数据结果 |
| 2.2 指尖脉搏波深度学习结果 |
| 3. 试验一 结果讨论 |
| 4. 试验二 研究结果 |
| 4.1 基线数据结果 |
| 4.2 深度学习算法结果 |
| 4.3 选取典型脉搏波的分析结果 |
| 5. 试验二 结果讨论 |
| 第四章: 基于深度学习情绪识别算法的抑郁症中医体质和中医辨证方案的建立与验证 |
| 心电、脉搏波变化与情绪识别的联系具备生理基础 |
| 抑郁症患者的中医辨证分型诊断量表、体质分类量表的选择及情绪种类的选择 |
| 情绪种类选择 |
| 假说的提出 |
| 1. 研究方法 |
| 1.1 既往研究资料再分析 |
| 1.2 Ascertain数据集的再挖掘分析 |
| 1.3 Dreamer数据集的再挖掘分析 |
| 1.4 基于人工智能情绪识别的抑郁症中医辨证与中医体质研究 |
| 2. 研究结果 |
| 2.1 基本信息与基线资料 |
| 2.2 中医体质与抑郁症中医证型分布分析 |
| 2.3 HAMD量表在对照组与试验组的评分与因子分析 |
| 2.4 HAMA量表在对照组与试验组的评分与因子分析 |
| 2.5 情绪测试激发结果在试验组和对照组之间的对比分析 |
| 2.6 情绪激发与证型、体质、量表评分的相关关系和线性回归分析 |
| 2.7 抑郁症组与对照组情绪测试不耐受情况统计 |
| 2.8 情绪识别的研究 |
| 2.9 利用心电信号区分对照组和试验组 |
| 2.10 利用脉搏波信号区分对照组和试验组 |
| 2.11 受试者的情绪识别 |
| 3. 讨论与结论 |
| 第五章: 基于病历系统患者症状特征的抑郁症患者中医辨证识别 |
| 1. 研究方法 |
| 1.1 研究对象 |
| 1.2 纳入标准 |
| 1.3 排除标准 |
| 1.4 统计学及大数据分析 |
| 2. 研究结果 |
| 2.1 患者基本信息 |
| 2.2 中医证型证素分类 |
| 2.3 证型证素分布与患者基本信息的危险因素分析 |
| 2.4 患者症状体征分布统计 |
| 2.5 患者症状、体征、证型证素的相关分析、聚类分析和关联规则分析 |
| 2.6 症状体征与不同中医证型、证素的PCA分析 |
| 2.7 logistic回归预测模型与机器学习算法及其结果 |
| 2.8 机器模型预测中医证型 |
| 3. 讨论与结论 |
| 整体讨论与总结 |
| 参考文献 |
| 创新点分析 |
| 不足与展望 |
| 致谢 |
| 在学期间主要研究成果 |
（2）面向智库需求的智慧数据服务模式及服务能力评价研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景与目的意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的 |
| 1.1.3 研究意义 |
| 1.2 国内外相关研究综述 |
| 1.2.1 图情机构智慧化资源管理与服务转型 |
| 1.2.2 图情机构智慧数据服务模式与服务体系 |
| 1.2.3 智慧数据服务能力及其评价 |
| 1.2.4 评述与分析 |
| 1.3 研究内容 |
| 1.4 研究方法和技术路线 |
| 1.4.1 研究方法 |
| 1.4.2 技术路线 |
| 1.5 创新点 |
| 第2章 相关概念与理论基础 |
| 2.1 相关概念 |
| 2.1.1 智库 |
| 2.1.2 智慧服务 |
| 2.1.3 智慧数据服务 |
| 2.1.4 面向智库需求的智慧数据服务 |
| 2.2 理论基础 |
| 2.2.1 数据管理理论 |
| 2.2.2 扎根理论 |
| 2.2.3 用户场景理论 |
| 2.2.4 灰色系统理论 |
| 第3章 我国智库的智慧数据服务需求分析 |
| 3.1 基于问卷调查的智库数据资源管理分析 |
| 3.1.1 调查问卷设计 |
| 3.1.2 调查对象与数据收集 |
| 3.1.3 结果分析 |
| 3.2 基于扎根理论的智库服务需求分析 |
| 3.2.1 研究对象与数据收集 |
| 3.2.2 范畴编码与检验 |
| 3.2.3 模型构建及分析 |
| 3.3 本章小结 |
| 第4章 面向智库需求的智慧数据服务要素与特征 |
| 4.1 面向智库需求的智慧数据服务过程 |
| 4.1.1 智库活动过程分析 |
| 4.1.2 面向智库需求的智慧数据服务过程分析 |
| 4.2 面向智库需求的智慧数据服务要素 |
| 4.2.1 图情机构主体 |
| 4.2.2 智慧数据 |
| 4.2.3 智慧化技术工具与方法 |
| 4.2.4 智慧数据服务平台 |
| 4.2.5 智慧数据服务环境 |
| 4.2.6 智慧数据服务要素之间关系 |
| 4.3 面向智库需求的智慧数据服务特征 |
| 4.3.1 数据多源性 |
| 4.3.2 技术智能性 |
| 4.3.3 服务场景化 |
| 4.4 案例分析 |
| 4.4.1 南京师范大学图书馆发展现状 |
| 4.4.2 南师大图书馆智慧数据服务分析 |
| 4.5 本章小结 |
| 第5章 面向智库需求的智慧数据服务模式 |
| 5.1 面向智库需求的智慧数据服务模式概念和类型 |
| 5.1.1 面向智库需求的智慧数据服务模式的概念 |
| 5.1.2 面向智库需求的智慧数据服务模式的类型 |
| 5.2 面向智库需求的个性化推荐智慧数据服务模式 |
| 5.2.1 智库活动过程分析 |
| 5.2.2 智库需求感知 |
| 5.2.3 资源融合及服务集成 |
| 5.2.4 智能化推荐 |
| 5.2.5 案例分析 |
| 5.3 面向智库需求的嵌入式智慧数据服务模式 |
| 5.3.1 智库活动层 |
| 5.3.2 嵌入层 |
| 5.3.3 融合层 |
| 5.3.4 服务层 |
| 5.3.5 案例分析 |
| 5.4 本章小结 |
| 第6章 面向智库需求的智慧数据服务模式实现 |
| 6.1 智库特征识别与需求确定 |
| 6.1.1 智库特征识别 |
| 6.1.2 智库需求确定 |
| 6.2 基于Data Commons的智慧数据服务平台构建 |
| 6.2.1 Data Commons平台的概念和特点 |
| 6.2.2 Data Commons平台的目标与功能 |
| 6.2.3 Data Commons平台的架构设计 |
| 6.3 多源数据融合 |
| 6.3.1 多源数据融合架构 |
| 6.3.2 多源数据融合方法 |
| 6.4 智能化技术融合与协同治理 |
| 6.4.1 智能化技术融合与协同治理模式 |
| 6.4.2 基于协同治理的智能化技术融合过程 |
| 6.5 基于专家系统的智能情报分析 |
| 6.5.1 专家数据管理模块 |
| 6.5.2 专家在线咨询模块 |
| 6.5.3 专家智能推荐流程 |
| 6.6 基于向量空间模型的场景化服务推荐模型 |
| 6.6.1 场景化服务 |
| 6.6.2 场景化服务接受效用 |
| 6.6.3 场景化服务推荐模型 |
| 6.6.4 场景化服务推荐实验 |
| 6.7 本章小结 |
| 第7章 面向智库需求的智慧数据服务能力评价体系 |
| 7.1 智慧数据服务能力评价体系问题的提出 |
| 7.2 智慧数据服务能力评价体系的构建依据 |
| 7.3 智慧数据服务能力评价指标的选取与修正 |
| 7.4 智慧数据服务能力评价指标的阐释 |
| 7.5 智慧数据服务能力评价指标的优化与赋权 |
| 7.5.1 样本选择及问卷描述 |
| 7.5.2 评价指标的重要性和易获得性计算 |
| 7.5.3 评价指标优化 |
| 7.5.4 评价指标赋权 |
| 7.6 实证研究 |
| 7.6.1 研究方法 |
| 7.6.2 数据分析 |
| 7.6.3 结果分析 |
| 7.7 本章小结 |
| 第8章 面向智库需求的智慧数据服务保障策略 |
| 8.1 政府政策保障方面 |
| 8.2 图书情报机构服务主体保障方面 |
| 8.2.1 强化服务意识并挖掘智库需求 |
| 8.2.2 优化图情机构的智慧数据服务架构 |
| 8.2.3 建立并完善智慧数据服务能力评价体系 |
| 8.3 多源数据保障方面 |
| 8.3.1 加强智慧数据体系建设 |
| 8.3.2 建立一体化多源数据联动与反馈机制 |
| 8.4 智能化技术方法与工具保障方面 |
| 8.4.1 加强现代化数据技术的融合和应用 |
| 8.4.2 完善智慧数据服务平台功能和服务 |
| 8.5 智慧数据服务人才保障方面 |
| 8.5.1 完善我国图情机构学科馆员制度 |
| 8.5.2 提升智慧数据服务人员的创新服务能力 |
| 8.6 本章小结 |
| 第9章 研究结论与展望 |
| 9.1 研究结论 |
| 9.2 研究局限与展望 |
| 9.2.1 研究局限 |
| 9.2.2 研究展望 |
| 参考文献 |
| 附录 |
| 研究成果 |
| 致谢 |
（3）面向个性化学习的数据挖掘方法与应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究工作面临的主要挑战 |
| 1.3 研究内容与主要贡献 |
| 1.4 组织结构 |
| 第2章 研究现状与基础知识 |
| 2.1 引言 |
| 2.2 练习题题目建模方法及应用 |
| 2.2.1 练习资源建模方法 |
| 2.2.2 基于练习的相关应用 |
| 2.3 学习者学习活动建模 |
| 2.3.1 项目反应理论 |
| 2.3.2 认知诊断分析 |
| 2.3.3 知识跟踪任务 |
| 2.4 推荐技术研究 |
| 2.4.1 传统推荐技术 |
| 2.4.2 深度推荐技术 |
| 2.4.3 教育领域的个性化推荐 |
| 2.5 本章小节 |
| 第3章 练习资源深度表征及应用 |
| 3.1 基于语义理解的练习表征及属性预测 |
| 3.1.1 引言 |
| 3.1.2 相关工作 |
| 3.1.3 问题定义及方案描述 |
| 3.1.4 基于语义注意力机制的卷积神经网络模型 |
| 3.1.5 难度属性预测应用 |
| 3.2 基于结构理解的练习表征及自动解题 |
| 3.2.1 引言 |
| 3.2.2 相关工作 |
| 3.2.3 问题定义及框架描述 |
| 3.2.4 数学公式语法结构图构造 |
| 3.2.5 基于图网络的神经解题模型 |
| 3.3 实验分析 |
| 3.3.1 基于语义理解的练习表征难度预测效果评估 |
| 3.3.2 基于结构理解的练习表征自动解题效果评估 |
| 3.4 本章小结 |
| 第4章 学习过程中的动态认知诊断分析 |
| 4.1 融合学习因素的知识跟踪模型 |
| 4.1.1 引言 |
| 4.1.2 相关工作 |
| 4.1.3 问题定义及框架描述 |
| 4.1.4 融合学习因素的知识跟踪模型EKPT |
| 4.1.5 基于EKPT模型的教育学应用 |
| 4.2 融合题目语义的知识跟踪模型 |
| 4.2.1 引言 |
| 4.2.2 相关工作 |
| 4.2.3 问题定义及框架描述 |
| 4.2.4 融合题目语义的知识追踪模型EKT |
| 4.2.5 基于EKT的教育学应用 |
| 4.3 实验分析 |
| 4.3.1 融合学习因素的知识跟踪模型效果评估 |
| 4.3.2 融合题目语义的知识追踪模型效果评估 |
| 4.4 本章小结 |
| 第5章 在线学习平台中的个性化推荐方法 |
| 5.1 引言 |
| 5.2 相关工作 |
| 5.3 问题定义及框架描述 |
| 5.4 基于多学习目标的个性化推荐方法 |
| 5.4.1 优化目标 |
| 5.4.2 题目估值Q网络 |
| 5.4.3 学习目标定义 |
| 5.4.4 算法与参数优化过程 |
| 5.5 实验分析 |
| 5.5.1 数据介绍与分析 |
| 5.5.2 模型与实验参数设置 |
| 5.5.3 离线场景下的推荐实验分析 |
| 5.5.4 在线场景下的推荐实验分析 |
| 5.6 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（4）大数据联盟数据挖掘服务模式研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.2.1 研究目的 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状及评述 |
| 1.3.1 大数据研究现状 |
| 1.3.2 大数据联盟研究现状 |
| 1.3.3 数据挖掘研究现状 |
| 1.3.4 服务模式研究现状 |
| 1.3.5 大数据联盟数据挖掘服务研究评述 |
| 1.4 主要研究内容和方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 1.4.3 技术路线 |
| 第2章 大数据联盟合作机理与数据挖掘服务模式架构 |
| 2.1 大数据联盟内涵及构成 |
| 2.1.1 大数据联盟内涵 |
| 2.1.2 大数据联盟特征 |
| 2.1.3 大数据联盟成员构成 |
| 2.2 数据挖掘服务相关概念界定及过程设计 |
| 2.2.1 数据挖掘服务的相关概念界定 |
| 2.2.2 大数据联盟数据挖掘服务过程 |
| 2.3 大数据联盟合作机理 |
| 2.3.1 大数据联盟形成动因 |
| 2.3.2 大数据联盟合作网络发展阶段 |
| 2.3.3 大数据联盟资源共享关系 |
| 2.3.4 大数据联盟合作协同模型 |
| 2.4 大数据联盟数据挖掘服务模式架构设计 |
| 2.4.1 用户需求层次 |
| 2.4.2 数据挖掘层次 |
| 2.4.3 大数据联盟数据挖掘服务模式总体框架 |
| 2.5 本章小结 |
| 第3章 大数据联盟标准化数据挖掘服务模式 |
| 3.1 大数据联盟标准化数据挖掘服务模式整体架构 |
| 3.2 大数据联盟标准化数据挖掘服务内容与定价 |
| 3.2.1 大数据联盟标准化数据挖掘服务内容 |
| 3.2.2 大数据联盟标准化数据挖掘服务定价方法 |
| 3.3 大数据联盟标准化数据挖掘服务过程 |
| 3.3.1 共性化服务需求挖掘 |
| 3.3.2 联盟标准化服务产品形成 |
| 3.3.3 标准化服务封装与发布 |
| 3.3.4 标准化数据挖掘服务交付 |
| 3.4 大数据联盟标准化数据挖掘服务方式 |
| 3.4.1 自助式服务方式 |
| 3.4.2 咨询式服务方式 |
| 3.5 大数据联盟标准化数据挖掘服务实现保障 |
| 3.5.1 售后服务保障 |
| 3.5.2 运营监管保障 |
| 3.6 标准化数据挖掘服务模式适用范围及实施策略 |
| 3.6.1 标准化数据挖掘服务模式适用范围 |
| 3.6.2 标准化数据挖掘服务模式实施策略 |
| 3.7 本章小结 |
| 第4章 大数据联盟定制化数据挖掘服务模式 |
| 4.1 大数据联盟定制化数据挖掘服务模式整体架构 |
| 4.2 大数据联盟定制化数据挖掘服务内容与定价 |
| 4.2.1 大数据联盟定制化数据挖掘服务内容 |
| 4.2.2 大数据联盟定制化数据挖掘服务定价方法 |
| 4.3 大数据联盟定制化数据挖掘服务过程 |
| 4.3.1 用户个性化需求描述 |
| 4.3.2 联盟成员服务能力挖掘 |
| 4.3.3 联盟成员数据资源准备 |
| 4.3.4 数据挖掘模型选择与评估 |
| 4.3.5 定制化数据挖掘服务交付 |
| 4.4 大数据联盟定制化数据挖掘服务方式 |
| 4.4.1 委托式服务方式 |
| 4.4.2 跟进式服务方式 |
| 4.5 大数据联盟定制化数据挖掘服务实现保障 |
| 4.5.1 协调管理保障 |
| 4.5.2 资源配置保障 |
| 4.5.3 协同调度保障 |
| 4.6 定制化数据挖掘服务模式适用范围及实施策略 |
| 4.6.1 定制化数据挖掘服务模式适用范围 |
| 4.6.2 定制化数据挖掘服务模式实施策略 |
| 4.7 本章小结 |
| 第5章 大数据联盟智能化数据挖掘服务模式 |
| 5.1 大数据联盟智能化数据挖掘服务模式整体架构 |
| 5.2 大数据联盟智能化数据挖掘服务内容与定价 |
| 5.2.1 大数据联盟智能化数据挖掘服务内容 |
| 5.2.2 大数据联盟智能化数据挖掘服务定价方法 |
| 5.3 大数据联盟智能化数据挖掘服务过程 |
| 5.3.1 混合型需求的知识表示 |
| 5.3.2 数据挖掘服务智能检索 |
| 5.3.3 服务重用与调整 |
| 5.3.4 智能化数据挖掘服务交付 |
| 5.3.5 服务知识学习与案例存储 |
| 5.4 大数据联盟智能化数据挖掘服务方式 |
| 5.4.1 智能交互的委托式服务方式 |
| 5.4.2 智慧协同的跟进式服务方式 |
| 5.5 大数据联盟智能化数据挖掘服务实现保障 |
| 5.5.1 多案例经验集成保障 |
| 5.5.2 群体智能保障 |
| 5.6 智能化数据挖掘服务模式适用范围及实施策略 |
| 5.6.1 智能化数据挖掘服务模式适用范围 |
| 5.6.2 智能化数据挖掘服务模式实施策略 |
| 5.7 本章小结 |
| 第6章 ZWJ大数据联盟数据挖掘服务模式 |
| 6.1 ZWJ大数据联盟背景及概况 |
| 6.1.1 ZWJ大数据联盟背景 |
| 6.1.2 ZWJ大数据联盟成员类型 |
| 6.2 ZWJ大数据联盟数据挖掘服务平台及内容 |
| 6.2.1 ZWJ大数据联盟数据挖掘服务平台 |
| 6.2.2 ZWJ大数据联盟数据挖掘服务内容 |
| 6.3 ZWJ大数据联盟标准化数据挖掘服务 |
| 6.3.1 用户A的共性化需求描述 |
| 6.3.2 标准化数据挖掘服务搜索 |
| 6.3.3 标准化数据挖掘服务交付 |
| 6.4 ZWJ大数据联盟定制化数据挖掘服务 |
| 6.4.1 用户B的个性化需求描述 |
| 6.4.2 联盟成员服务能力挖掘 |
| 6.4.3 联盟成员数据资源准备 |
| 6.4.4 数据挖掘模型选择与评估 |
| 6.4.5 定制化数据挖掘服务交付 |
| 6.5 ZWJ大数据联盟智能化数据挖掘服务 |
| 6.5.1 用户C的混合型需求知识表示 |
| 6.5.2 数据挖掘服务智能检索 |
| 6.5.3 服务调整与交付 |
| 6.5.4 服务知识学习与存储 |
| 6.6 ZWJ大数据联盟数据挖掘服务模式实施效果与提升策略 |
| 6.6.1 ZWJ大数据联盟数据挖掘服务模式实施效果 |
| 6.6.2 ZWJ大数据联盟数据挖掘服务模式改进措施 |
| 6.7 本章小结 |
| 结论 |
| 参考文献 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的科研项目 |
| 致谢 |
（5）基于聚类算法和Spark框架的电量与线损分析研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 论文研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 异常数据辨识研究现状 |
| 1.2.2 线损计算分析研究现状 |
| 1.2.3 大数据技术在电力系统中的应用研究现状 |
| 1.3 论文的主要内容和结构 |
| 第二章 经典数据挖掘算法和理论线损计算方法分析研究 |
| 2.1 数据挖掘算法分析 |
| 2.1.1 DBSCAN算法 |
| 2.1.2 One Class SVM算法 |
| 2.1.3 局部异常因子(LOF)算法 |
| 2.2 电网理论线损计算方法 |
| 2.2.1 均方根电流法 |
| 2.2.2 平均电流法 |
| 2.2.3 最大电流法 |
| 2.2.4 潮流法 |
| 2.2.5 理论线损计算方法小结 |
| 2.3 本章小结 |
| 第三章 基于限值学习的异常电量数据辨识算法研究 |
| 3.1 引言 |
| 3.2 异常数据分析 |
| 3.3 基于限值学习的异常数据辨识 |
| 3.3.1 基于One Class SVM算法的限值学习 |
| 3.3.2 基于限值学习的异常数据辨识算法流程 |
| 3.3.3 实验数据与实验结果分析 |
| 3.4 基于密度聚类算法的多维数据离群值辨识 |
| 3.4.1 问题描述 |
| 3.4.2 基于密度聚类算法的多维数据离群值辨识算法 |
| 3.4.3 实验数据和实验结果分析 |
| 3.5 本章小结 |
| 第四章 基于CIM的电网线损计算框架及其模型研究 |
| 4.1 IEC61970标准概述 |
| 4.1.1 IEC61970总体介绍 |
| 4.1.2 公共模型CIM |
| 4.2 电网线损计算框架与CIM映射 |
| 4.2.1 CIM基础类 |
| 4.2.2 能量交换类 |
| 4.2.3 CIM模型扩展 |
| 4.3 电网线损计算模型分析研究与设计 |
| 4.3.1 线损模型分析研究与设计 |
| 4.3.2 变损模型分析研究与设计 |
| 4.3.3 滞留电量算法模型研究与设计 |
| 4.3.4 理论线损计算模型研究与设计 |
| 4.4 电网线损计算框架 |
| 4.5 本章小结 |
| 第五章 基于Spark框架的并行分布式线损计算方法研究 |
| 5.1 Spark分布式计算框架 |
| 5.1.1 Spark概述 |
| 5.1.2 Spark基本架构和生态 |
| 5.2 基于Lambda的分布式计算架构 |
| 5.3 基于Spark框架的线损计算框架设计 |
| 5.3.1 基于Sqoop和 HDFS的数据集成与管理功能设计 |
| 5.3.2 基于Spark框架的并行分布式线损计算功能设计 |
| 5.4 基于Spark框架的并行分布式线损计算应用分析 |
| 5.4.1 基于Spark框架的并行分布式线损计算集群部署 |
| 5.4.2 实验结果与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士学位期间取得的研究成果 |
| 致谢 |
（6）中国智慧政府的价值目标追求及其实现研究（论文提纲范文）
| 中文摘要 |
| abstract |
| 绪论 |
| 一、研究的背景和问题的提出 |
| (一)研究的背景 |
| (二)问题的提出 |
| 二、研究的意义 |
| (一)理论意义 |
| (二)实践意义 |
| 三、文献回顾与研究述评 |
| (一)智慧政府的相关概念谱系 |
| (二)智慧政府的前提条件准备 |
| (三)智慧政府的基本策略安排 |
| (四)研究述评 |
| 四、研究思路和方法 |
| (一)研究思路 |
| (二)分析框架 |
| (三)研究方法 |
| 第一章 核心概念与理论资源 |
| 一、核心概念 |
| (一)“智能”与“智慧”辨析 |
| (二)智慧政府的基本涵义 |
| (三)智慧政府的特质和属性 |
| 二、智能政府与智慧政府区分 |
| (一)智能政府和智慧政府为何区分 |
| (二)智能政府和智慧政府以何区分 |
| 三、理论资源 |
| (一)合作治理理论 |
| (二)数据管理理论 |
| (三)信息管理理论 |
| (四)知识管理理论 |
| 本章小结 |
| 第二章 中国智慧政府的价值目标考量 |
| 一、中国政府和社会的价值追求 |
| (一)中国特色社会主义的价值观念 |
| (二)政府治理的价值取向 |
| (三)社会公众的现实诉求 |
| 二、国外电子政府和智慧政府的目标规划及其启示借鉴 |
| (一)国外电子政府的目标规划及其启示借鉴 |
| (二)国外智慧政府的目标规划及其启示借鉴 |
| 三、中国智慧政府的价值目标取向 |
| (一)开放透明的治理环境 |
| (二)共商共议的合作氛围 |
| (三)共建共享的基础资源 |
| (四)精准高效的政务服务 |
| (五)平等包容的伙伴关系 |
| 本章小结 |
| 第三章 智慧政府建构的逻辑进路和支持模型 |
| 一、智慧政府建构的逻辑进路 |
| (一)智慧政府的生成逻辑 |
| (二)智慧政府的演进逻辑 |
| 二、智慧政府建构的支持模型 |
| (一)智慧政府的数据管理模型 |
| (二)智慧政府的信息管理模型 |
| (三)智慧政府的知识管理模型 |
| 本章小结 |
| 第四章 中国智慧政府建构的思想条件和实施路径 |
| 一、智慧政府建构的思想条件 |
| (一)主体间性思想建设 |
| (二)包容性文化建设 |
| (三)伦理道德教育 |
| (四)思维观念转变和知识能力培养 |
| 二、智慧政府建构的实施路径 |
| (一)完善顶层设计和行动计划 |
| (二)优化基础资源和政务系统 |
| (三)改善内外部合作伙伴关系 |
| 本章小结 |
| 结论 |
| 参考文献 |
| 攻读博士期间发表的论文及其他科研成果 |
| 附件 数据管理的关键技术集 |
| 后记 |
（7）基于数据挖掘的煤矿机电设备运行状态预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 本课题的研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 本课题研究领域国内外的研究现状 |
| 1.2.1 数据挖掘国内外研究现状 |
| 1.2.2 机电设备状态预测方法国内外研究现状 |
| 1.2.3 机电设备健康状态评价方法国内外研究现状 |
| 1.3 本文的主要研究内容 |
| 1.4 技术路线 |
| 2 煤矿机电设备运行状态预测建模 |
| 2.1 数据挖掘技术简介 |
| 2.1.1 时序数据挖掘技术 |
| 2.1.2 机电设备运行状态数据特征分析 |
| 2.1.3 聚类挖掘算法的适用性分析 |
| 2.2 聚类挖掘算法建模 |
| 2.2.1 K—Means挖掘算法建模 |
| 2.2.2 距离的度量 |
| 2.2.3 聚类效果评估 |
| 2.3 煤矿机电设备运行状态预测方法简介 |
| 2.3.1 煤矿机电设备运行状态预测技术简介 |
| 2.3.2 煤矿机电设备运行状态特点分析 |
| 2.4 单一挖掘预测模型建模 |
| 2.4.1 GM(1,1)模型建模 |
| 2.4.2 ARIMA建模 |
| 2.4.3 BP神经网络建模 |
| 2.5 模型验证 |
| 2.5.1 GM(1,1)模型验证 |
| 2.5.2 ARIMA模型验证 |
| 2.5.3 BP神经网络模型验证 |
| 2.6 本章小结 |
| 3 基于双MapReduce的数据挖掘预测建模 |
| 3.1 MapReduce简介 |
| 3.1.1 MapReduce概述 |
| 3.1.2 MapReduce工作流程 |
| 3.2 基于双MapReduce的数据挖掘预测框架设计 |
| 3.3 基于AGB组合预测模型的煤矿机电设备运行状态建模 |
| 3.3.1 平均值权重法 |
| 3.3.2 方差-协方差权重法 |
| 3.3.3 最优矩阵法 |
| 3.3.4 AGB组合预测建模 |
| 3.4 基于双MapReduce的煤矿机电设备数据挖掘预测建模 |
| 3.4.1 挖掘预测模型建模 |
| 3.4.2 Map过程设计 |
| 3.4.3 Reduce过程设计 |
| 3.5 本章小结 |
| 4 基于劣化度的煤矿机电设备健康状态评价 |
| 4.1 煤矿机电设备健康状态评价 |
| 4.1.1 健康状态评价指标选取 |
| 4.1.2 健康状态等级描述 |
| 4.2 劣化度及其计算方法 |
| 4.2.1 劣化度定义 |
| 4.2.2 劣化度的计算 |
| 4.3 层次分析法 |
| 4.3.1 单层次分析法 |
| 4.3.2 多层次分析法 |
| 4.4 设备健康状态评价模型建立 |
| 4.5 实验验证 |
| 4.6 本章小结 |
| 5 实验验证与分析 |
| 5.1 实验平台搭建 |
| 5.1.1 硬件配置 |
| 5.1.2 软件配置 |
| 5.2 挖掘预测模型验证 |
| 5.3 数据挖掘预测模型并行化实验及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 附录 |
（8）基于网络学习行为的学习者画像研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.1.1 网络学习逐渐成为重要的教育形式之一 |
| 1.1.2 学习分析迅猛发展 |
| 1.1.3 学习者画像是个性化学习的关键 |
| 1.2 研究意义 |
| 1.3 研究目的 |
| 1.4 研究内容 |
| 1.5 研究方法 |
| 1.5.1 文献研究法 |
| 1.5.2 模型构建法 |
| 1.5.3 案例研究法 |
| 1.6 研究思路 |
| 2 基于网络学习平台的学习者画像研究综述 |
| 2.1 相关概念界定 |
| 2.1.1 网络学习行为 |
| 2.1.2 学习分析技术 |
| 2.1.3 学习者画像 |
| 2.1.4 数据可视化 |
| 2.1.5 xAPI标准 |
| 2.2 理论基础 |
| 2.2.1 成人学习相关理论 |
| 2.2.2 行为科学相关理论 |
| 2.2.3 学习行为相关理论 |
| 2.2.4 学习分析相关理论 |
| 2.3 国内外研究现状 |
| 2.3.1 国内研究现状 |
| 2.3.2 国外研究现状 |
| 3 基于网络学习行为的学习者画像模型构建 |
| 3.1 以“学习者为中心”的xAPI标准的活动流设计 |
| 3.1.1 基于xAPI标准的学习经历追踪 |
| 3.1.2 基于xAPI标准的规范“动词”集 |
| 3.1.3 基于xAPI标准的规范“对象(Object)”集 |
| 3.2 基于网络学习行为的学习者画像模型构建 |
| 3.2.1 明确网络学习者画像目标 |
| 3.2.2 基于xAPI的数据收集 |
| 3.2.3 基于网络学习行为的学习者画像模型的构建 |
| 3.2.4 基于网络学习行为的学习者画像输出 |
| 3.2.5 基于网络学习行为的学习者画像应用方向 |
| 3.3 本章小结 |
| 4 基于网络学习行为的学习者画像案例 |
| 4.1 研究准备 |
| 4.1.1 研究对象的选取与学习者分析 |
| 4.1.2 网络学习平台 |
| 4.1.3 课程内容分析 |
| 4.2 数据分析 |
| 4.2.1 数据概况 |
| 4.2.2 数据分析流程 |
| 4.2.3 学习者整体画像分析 |
| 4.2.4 学习者个体画像分析 |
| 4.2.5 学习者群体画像分析 |
| 4.3 本章小结 |
| 5 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究创新 |
| 5.3 研究不足与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间学术成果 |
（9）可拓建筑策划数据挖掘研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究的背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究目的与意义 |
| 1.2 国内外相关研究 |
| 1.2.1 建筑策划研究 |
| 1.2.2 数据挖掘研究 |
| 1.2.3 可拓建筑策划研究 |
| 1.2.4 可拓数据挖掘研究 |
| 1.2.5 相关研究综述 |
| 1.3 研究的理论基础 |
| 1.3.1 可拓建筑策划理论 |
| 1.3.2 可拓数据挖掘理论 |
| 1.4 研究的内容与方法 |
| 1.4.1 研究内容 |
| 1.4.2 研究方法 |
| 第2章 可拓建筑策划数据挖掘的基本理论 |
| 2.1 可拓建筑策划数据挖掘的涵义与定位 |
| 2.1.1 涵义 |
| 2.1.2 定位 |
| 2.1.3 维度 |
| 2.2 可拓建筑策划数据挖掘的数据 |
| 2.2.1 数据定义 |
| 2.2.2 数据类型 |
| 2.3 可拓建筑策划数据挖掘的知识 |
| 2.3.1 体现时代性的建筑行业动态知识 |
| 2.3.2 体现地域性的建筑基地环境知识 |
| 2.3.3 体现人本性的建筑使用者需求知识 |
| 2.3.4 体现创新性的建筑同类设施知识 |
| 2.4 可拓建筑策划数据挖掘的程序 |
| 2.4.1 数据获取阶段 |
| 2.4.2 数据库构建阶段 |
| 2.4.3 知识发现阶段 |
| 2.5 可拓建筑策划数据挖掘的特点 |
| 2.5.1 挖掘对象动态化 |
| 2.5.2 挖掘过程智能化 |
| 2.5.3 挖掘结果全面化 |
| 2.6 可拓建筑策划数据挖掘的实现途径和使用模式 |
| 2.6.1 计算机实现途径 |
| 2.6.2 未来使用模式 |
| 2.7 本章小结 |
| 第3章 可拓建筑策划数据挖掘的数据获取 |
| 3.1 可拓建筑策划数据挖掘的数据获取原理 |
| 3.1.1 数据获取原则 |
| 3.1.2 数据获取步骤 |
| 3.2 可拓建筑策划数据挖掘的数据采集 |
| 3.2.1 行业动态数据采集 |
| 3.2.2 基地环境数据采集 |
| 3.2.3 使用者需求数据采集 |
| 3.2.4 同类设施数据采集 |
| 3.2.5 各类数据中的建筑图像数据采集 |
| 3.3 可拓建筑策划数据挖掘的数据处理 |
| 3.3.1 数据清理 |
| 3.3.2 数据评估 |
| 3.3.3 数据转换 |
| 3.4 本章小结 |
| 第4章 可拓建筑策划数据挖掘的数据库构建 |
| 4.1 可拓建筑策划数据挖掘的数据库需求分析与功能定位 |
| 4.1.1 数据库的需求分析 |
| 4.1.2 数据库的功能定位 |
| 4.2 建筑行业动态数据库构建 |
| 4.2.1 概念设计 |
| 4.2.2 逻辑设计 |
| 4.2.3 功能设计 |
| 4.3 建筑基地环境数据库构建 |
| 4.3.1 概念设计 |
| 4.3.2 逻辑设计 |
| 4.3.3 功能设计 |
| 4.4 建筑使用者需求数据库构建 |
| 4.4.1 概念设计 |
| 4.4.2 逻辑设计 |
| 4.4.3 功能设计 |
| 4.5 建筑同类设施数据库构建 |
| 4.5.1 概念设计 |
| 4.5.2 逻辑设计 |
| 4.5.3 功能设计 |
| 4.6 可拓建筑策划数据挖掘的数据库运行与维护 |
| 4.6.1 数据库的运行 |
| 4.6.2 数据库的维护 |
| 4.7 本章小结 |
| 第5章 可拓建筑策划数据挖掘的知识发现 |
| 5.1 建筑行业动态的知识发现 |
| 5.1.1 EapEdm的行业动态分析原理 |
| 5.1.2 基于信息检索的建筑行业基础知识发现 |
| 5.1.3 基于聚类分析的建筑行业关注热点发现 |
| 5.1.4 基于趋势分析的建筑行业发展趋势发现 |
| 5.2 建筑基地环境的知识发现 |
| 5.2.1 EapEdm的基地环境分析原理 |
| 5.2.2 基于基地环境地图的基地环境知识发现 |
| 5.2.3 基于多种城市地图的基地环境知识发现 |
| 5.3 建筑使用者需求的知识发现 |
| 5.3.1 EapEdm的使用者需求分析原理 |
| 5.3.2 基于聚类分析的使用者需求知识发现 |
| 5.3.3 基于关联分析的使用者需求知识发现 |
| 5.4 建筑同类设施的知识发现 |
| 5.4.1 EapEdm的同类设施分析原理 |
| 5.4.2 基于分类方法的建筑场地创新知识发现 |
| 5.4.3 基于分类方法的建筑空间创新知识发现 |
| 5.4.4 基于分类方法的建筑形象创新知识发现 |
| 5.4.5 基于决策树方法的建筑规模构想知识发现 |
| 5.4.6 基于决策树方法的建筑技术选择知识发现 |
| 5.4.7 基于决策树方法的建筑经济决策知识发现 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 附录 |
| 攻读博士学位期间发表的学术论文及其他成果 |
| 致谢 |
| 个人简历 |
四、基于层次模型的智能数据挖掘框架及其模型（论文参考文献）
- [1]基于多种生理信息与症状体征的抑郁症中医人工智能辨证方案建立[D]. 林景峰. 北京中医药大学, 2021(02)
- [2]面向智库需求的智慧数据服务模式及服务能力评价研究[D]. 吴雅威. 吉林大学, 2021(01)
- [3]面向个性化学习的数据挖掘方法与应用研究[D]. 黄振亚. 中国科学技术大学, 2020(01)
- [4]大数据联盟数据挖掘服务模式研究[D]. 邢海龙. 哈尔滨理工大学, 2020(01)
- [5]基于聚类算法和Spark框架的电量与线损分析研究[D]. 石楚臣. 南京师范大学, 2020(03)
- [6]中国智慧政府的价值目标追求及其实现研究[D]. 于跃. 吉林大学, 2019(02)
- [7]基于数据挖掘的煤矿机电设备运行状态预测方法研究[D]. 吴少杰. 西安科技大学, 2019(01)
- [8]基于网络学习行为的学习者画像研究[D]. 李会龙. 西北师范大学, 2019(06)
- [9]可拓建筑策划数据挖掘研究[D]. 郭强. 哈尔滨工业大学, 2019(01)
- [10]中国交通工程学术研究综述·2016[J]. 《中国公路学报》编辑部. 中国公路学报, 2016(06)