一、怎样从已遗忘的AlphaServer磁盘中读取数据（论文文献综述）
奚兰兰[1]（2021）在《智能状态预警及备份系统的研究与实现》文中研究说明
田钰莹[2]（2021）在《小学低段数学例题教学中插图的运用研究》文中研究说明
白小曼[3]（2021）在《基于Spark的城市道路拥堵预测研究》文中研究说明随着社会经济的不断进步,人民生活水平逐渐提升,城市私家车保有量也在逐年稳步攀升。由机动车保有量上涨引发的交通需求与道路有限通行能力之间的不平衡关系日渐严重,最终以交通拥堵的形式呈现在我国的各个城市道路中。目前,交通拥堵问题在我国众多城市道路中日趋严重,频繁的拥堵不仅导致出行时间延误,而且加剧车辆污染排放。道路拥堵问题的治理关键是提前预测到可能出现的交通堵塞现象,并对各种拥堵情况发出预警信号,提前采取对应措施。因此,及时预测拥堵情况的发生、对各种可能出现的拥堵情况进行预警,对我国城市交通发展至关重要,对缓解通行压力、提高出行安全、节省出行时间、降低能源浪费具有重大意义。基于城市道路交通数据,对城市道路拥堵预测方法进行了研究。主要工作包括:查阅相关文献,研究道路交通拥堵预测算法、并行化技术、大数据云计算技术的发展现状。总结现有研究存在的问题与不足,确定以基于Spark并行的优化随机森林为研究目标。研究相关大数据技术,构建集群环境。从数据处理、特征选择、参数优化等角度进行研究。采用阈值法和交通流机理法对异常数据和缺失数据进行判别,采用移动平均法和历史趋势法对缺失和异常数据进行处理。构建χ2-YYPO-RF模型,利用卡方检验对处理后的数据进行特征选择,并通过阴阳对优化算法对随机森林进行参数优化,合理设置影响随机森林预测精度的两个关键参数决策树数量ntree和分裂属性个数mtry,并基于Spark大数据平台进行模型的并行化设计。为确定研究内容的可行性,通过准确率实验将K近邻算法、长短期记忆神经网络算法、传统随机森林算法与χ2-YYPO-RF模型从正确率、精确度、召回率、F1度量等方面进行比较;通过加速比实验和可扩展性实验,比较不同节点数目和不同数据量情况下的并行化模型的加速比和扩展比,验证模型并行化效果。实验证明,提出的χ2-YYPO-RF城市道路拥堵预测模型具有95.58%的预测准确率,四个评价指标均高于其他模型。随节点个数和数据量的增长,模型的加速比逐渐上升,扩展比逐渐降低,且逐渐趋近于理想值。
贾艳艳[4]（2021）在《初中生数形结合能力水平的调查研究》文中认为现阶段我国提倡能力为本的素质教育,发展学生的创新意识和学科能力已经成为基础教育面临的重要任务。数形结合思想有利于学习迁移,关注学生数形结合能力水平的提升,能够有效促进发散思维和创新思维的发展。然而,一线教师却普遍反映学生数形结合能力不高,存在很多问题。因此,调查分析初中生数形结合能力发展的现状水平以及存在的突出问题,提出有针对性的教学策略,对于教师因材施教,帮助不同学生提升数形结合能力就有了重要的现实意义。该研究主要采用文献分析法、问卷调查法、定量分析法和试卷分析法,针对初中生数形结合能力进行了理论研究,界定了其特有的内涵,并构建了包含三个维度、三个水平的能力测评框架。以此为依据编制了测试题和调查问卷,通过实证研究,得到以下结论:（1）初中生在数形结合能力上总体表现一般,仍存在较大的提升空间。17%的学生位于水平零;16.6%的学生处于水平一;26.7%的学生处于水平二;39.7%的学生处于水平三。（2）初中生数形结合能力水平在性别上不存在显着性差异,但在不同等级学校间总体上存在显着性差异。女生在对数形结合能力要求不高、难度不大的问题情境中表现良好,而面对综合型问题情境时表现不如男生。省级示范性中学的数形结合能力水平高于普通学校。同时,发现初中生在数形结合能力表现上存在着一些突出问题:（1）理解题意偏差;（2）迁移思维受阻;（3）创新探究固化。结合学生在数形结合能力上的表现,建议一线教师从以下几个方面加强教与学:（一）加强几何表征,提高数形结合理解能力;（二）深度理解基础知识,提高数形结合迁移能力;（三）强化模型思想,提高数形结合创新能力;（四）以错题档案和课堂思考时间为切入点改善学与教。
李程[5]（2021）在《基于信息抽取的知识图谱构建系统的设计与实现》文中研究表明随着互联网技术的深入发展,日常生活中产生的数据总量迅速增多,人们对于信息获取的速度和搜索的效率开始有了更高的要求。但是原有的知识语义网无法清晰地表示出节点之间的关系,难以快速地找到目标内容。谷歌在2012年提出了知识图谱这种信息表示模型,将信息中的主实体、客实体映射为图谱里的节点,将关系映射为边。这样既能适应于不同领域,又能帮助人们快速的找出关联信息,所以构建知识图谱对于知识的传播有着积极的推动作用。对于知识图谱的构建而言,三元组的抽取是最核心的环节,因此本文在调研现有三元组抽取和知识图谱构建系统的基础上,提出了三元组自动抽取的模型和构建系统的设计方案,论文的主要贡献为:1.在实体关系三元组抽取中,提出了基于权重指针网络的抽取模型,在卷积网络的基础上采用不同尺度的空洞卷积核结构,通过权重指针网络对重复出现的实体进行筛选,从整体的角度对于多组不同长度的实体进行标注。在SKE和CHIP数据集上进行模型的检验,结果表明该模型比当前主流的BI-LSTM+Attention模型提升了 1.8%左右。2.在事件主体三元组抽取中,提出了基于多头注意力机制的抽取模型,在Bi-LSTM网络中融入了多头注意力机制,获取词语的不同语义信息,通过嵌入触发词特征来定位事件中心短语。将本文的方法在CCKS和iFLYTEK数据集中进行验证,结果表明本文的模型给予了核心实体更多的关注,比起CNN+CRF的主流结构提升了 1.5%左右。3.提出了知识图谱构建系统的整体架构,设计并实现了文本上传、三元组抽取、知识图谱生成和知识图谱管理等全方位的解决方案,使用了 Flask作为后端框架,以Neo4j和MySQL作为数据库管理系统。经过系统测试后证明系统中的服务具备较高的可行性和稳定性,可以面向多种行业和不同知识水平的用户群体。
胡烈云[6]（2021）在《基于BiLSTM-CRF与分类分层标注的微博突发事件时空信息抽取方法》文中研究说明城市突发事件是指城市中突然发生,造成或可能造成严重社会危害的自然灾害、事故灾难、公共卫生事件以及社会安全事件。城市突发事件的快速感知与空间化有利于决策者及时做出决定、合理分配应急资源。针对传统监测手段存在耗费人力、成本高,存在时空局限性,信息时效性、空间可视性差等不足,本文利用微博免费、海量、传播快、实时性强等特点,提出了一种基于双向长短期记忆网络和条件随机场（BiLSTM-CRF）与分类分层标注的微博突发事件时空信息抽取方法,实现了城市突发事件时空信息的精细抽取与空间化展示。论文的主要工作及成果体现在:（1）研究了新浪微博城市突发事件数据的获取、处理方法。利用Python与Selenium开发了主题网络爬虫,获取了2018年1月至2019年12月的南昌市主题为“火灾”与“车祸”的突发事件微博数据;设计了基于主题词典与文本相似度的微博数据清洗方法对微博数据进行筛选、去重等处理,得到了初步的微博突发事件语料。（2）设计了分类分层时空信息标注体系（CHSIAS）并构建了微博突发事件标注语料库。根据城市地名编码规则与常用时间表达式分类方法,基于BIESO边界标注方法设计了适用于微博突发事件的分类分层时空信息标注体系,并使用该标注体系对微博数据进行标注,得到了微博突发事件语料库。（3）研究了基于BiLSTM-CRF的微博突发事件时空信息抽取方法。基于BiLSTM-CRF构建了微博突发事件时空信息抽取模型,使用预训练词向量（Pretrained Word Embedding）代替随机初始化词向量（Random Word Embedding）,并基于微博突发事件语料库进行模型训练。（4）研究了基于语义推理与地理编码的突发事件空间化方法。针对从微博中抽取的突发事件时空信息表达不规范、成分残缺等特点,设计了突发事件时空信息推理与补全方法,对时间信息与地名地址进行了标准化处理,并利用地理编码技术对突发事件进行空间化展示。（5）完成了基于BiLSTM-CRF与CHSIAS的微博突发事件时空信息抽取与空间化实验。实验结果表明:CHSIAS与人民日报语料标注体系相比,它们分别与CRF、BiLSTM-CRF（Random Word Embedding）、BiLSTM-CRF（Pre-trained Word Embedding）之一结合进行时空信息识别,CHSIAS均获得较高的F值,且可以获得多层级的、精细化的突发事件时空信息。其中CHSIAS与BiLSTM-CRF（Pre-trained Word Embedding）结合的方法的F值最高,达到了91.65%。使用CHSIAS时,对于时间信息,BiLSTM-CRF（Pre-trained Word Embedding）的识别效果最好;对于位置信息,BiLSTM-CRF（Pre-trained Word Embedding）对道路、兴趣点、建筑物和地址连词信息的识别结果的F值相比BiLSTM-CRF（Random Word Embedding）方法分别提升了3.41%、4.18%、5.87%和15.99%,相比CRF方法分别提升了4.76%、5.85%、3.91%和3.67%。在此基础上对抽取出的时空信息进行了标准化处理,并利用地理编码等方法对突发事件进行空间化展示。结果表明基于本文的方法利用微博数据进行突发事件感知可行有效,本文的研究成果有利于丰富社交媒体数据整合理论与方法,为居民智慧出行、环境与社会治理、政府快速应急相应提供有力的技术支撑。
王怡峥[7]（2020）在《基于公交大数据的OD挖掘与预测方法研究》文中指出城市规模的日益扩大导致市民汽车保有量的持续增长,这将使交通拥堵问题日益凸显,发展城市公交系统成为缓解该问题的首选方式。基于公交运营数据的公交客流OD（Origin Destination）挖掘,即从公交运营数据中关联匹配出每位乘客的上下车记录,利用这些记录可分析出站点客流,向公交线路优化和调度等提供决策依据。利用挖掘出的公交OD进行客流分析及预测,是实现城市智能交通系统的关键,也是公共交通领域的研究热点之一。由于公交运营数据的数据量大、价值密度低,本文在设计公交OD挖掘方法时,重点考虑方法的挖掘效率和成功率,然后基于公交OD实现了客流的多角度分析和预测,主要工作和创新点如下:（1）针对公交OD挖掘技术难以部署应用、挖掘效率低的问题,基于裸金属架构虚拟化平台和大数据组件,构建公交大数据平台,并以此实现基本的公交OD挖掘方法。基于Hive的时空关系度量和资源导向的Hive调优,提高了公交OD挖掘的效率。在千万次刷卡记录中,以生产条件下可接受的离线耗时,成功挖掘千万条公交OD,这些结果可通过出行与吸引校验,说明该方法满足生产环境中离线挖掘公交OD的需求。（2）针对公交OD挖掘成功率不高的问题,首先基于时间阈值匹配上车站点,接着提出候选站点集,实现基于站点上客数的上车站点匹配、基于概率的下车站点预测,然后基于Hive UDF实现了候选站点集,结合Hive调优技术节省了UDF的资源消耗,并达到100%的O匹配率和99.6%的D预测率。最后实现了OD矩阵、断面客流量和站点累计客流量的可视化分析,并据此向公交管理机构提出合理的建议。（3）基于深度神经网络和ConvLSTM,提出了非对称上下文时空网络（Nonsymmetric Contextualized Spatial-Temporal Network,NSTN）用来构建公交OD预测模型,该模型包含站点空间上下文和时空上下文两部分,前者内置OD矩阵和DO矩阵间的非对称关系,使得预测向OD方向偏移,保证了模型的稳定性和预测精度,后者基于ConvLSTM实现基本的OD矩阵预测。在SMAPE与RMSE的衡量下,NSTN与其它5个模型相比精度最高。当数据集变为其它线路时,NSTN仍然能保持精确的预测能力,所预测的OD矩阵能通过出行与吸引校验,说明模型的泛化能力强,可用于公交领域在OD矩阵预测方面的实际需求。
王昱博,马春光[8]（2020）在《基于空间量证明的共识算法综述》文中研究表明在区块链系统中,空间量证明被认为是比工作量证明更绿色、更经济的选择。与工作量证明不同,空间量证明将存储作为投入的资源,以此有效地避免资源的集中化,提高不同矿工之间挖矿的公平性。文章将空间量证明作为主要论述对象,列举了区块链中现有的物理资源消耗型证明技术,对其中以存储量作为消耗资源的证明技术进行展开,阐述了空间量证明的当前研究现状,对将基于空间量证明的共识算法与区块链结合的难点进行分析并总结现有的解决方法。
张军[9]（2020）在《基于深度学习的图像描述的研究与系统实现》文中指出作为信息存储以及信息查询的主要载体,网络中存储图片数据总量每年呈指数规模增长,如何有效地使用搜索引擎查询关键字,搜索相关图片成为各大图片检索应用的重要问题。事实上,网络中大量的图片信息并没有其对应的描述标签,因此利用高效的算法对大量无标签图片标注准确的图像描述并将其展示给用户,在图像检索系统中是一个极其重要的的问题。近年来人工智能技术发展迅速,深度学习技术结合大规模GPU在各个领域拥有广泛的应用场景,如机器翻译、人脸识别和语音识别等。本文使用深度学习技术对图片信息标注问题的解决进行了研究。深度学习算法模型可以理解图片的内容并提取图像的语义信息,从而描述图片内容与语义描述之间的关系,进而生成可理解的文本内容。本文基于神经网络模型结合注意力机制提出了生成描述的模型,并结合该模型实现了中文图像检索系统。具体工作如下:1.提出了生成图像描述的模型。模型包括图像编码,特征提取和图像解码三部分。其中,图像编码采用了 ResNext网络作为图片数据的编码器。特征提取采用通道和空域注意力机制学习图像的通道与空间上的权重并基于这个权重对编码器提取的特征进行加权。图像解码采用了 ONLSTM模型来实现语句的有序性和层次感。此外,模型引入了过度校正方法,用于解决训练和测试集数据分布不一致的场景时,出现的过度纠正或者错误积累的问题。2.在模型实现的基础上,本系统使用Java、Python、HTML等编程语言实现一个web端的中文图像检索系统和基于后端共用的微信公众号服务。使用docker打包部署系统,并使用nginx,多数据库和服务器保证系统的性能。
孟冬[10]（2019）在《军事分析仿真时空信息通信优化技术研究》文中认为运动实体广泛存在于攻防体系对抗实验等军事分析仿真应用中,其连续运动行为导致时空状态更新占据了应用大部分的通信内容,成为影响和制约运行效率的关键因素。传统的通信优化技术主要面向于提高数据传输速度或过滤冗余通信链路,并不能有效解决大规模时空数据传输引起的通信瓶颈问题。因此,开展以减少时空状态信息通信量为目标的相关技术研究,对于提高通信性能,有效利用现有的计算和通信资源,满足军事分析仿真日益增长的性能需求,推动仿真理论和技术的进一步发展具有重要的实用价值和理论意义。针对军事分析仿真中时空信息的通信瓶颈问题,论文围绕“计算换通信”优化思路展开研究,利用仿真中时空信息蕴含的数据规律和行为知识构建与运动实体行为相对应的代理模型,并通过“发送方构建、接收方计算”的方式降低时空信息的通信量,从而提高分析仿真的运行性能。具体工作和创新点如下:（1）提出基于轨迹数据流建模的在线时空数据管理方法。时空数据是分析和理解实体运动行为、构建代理模型的基础。由于时空数据的动态差异性、流数据更新特性、以及频繁I/O操作需求,采用传统的文件保存、数据库支持等方法收集相关数据会严重影响仿真运行性能,难以有效适应在运行过程中持续收集时空信息的需求。针对上述问题,论文提出了一个基于轨迹数据流建模的在线时空数据管理方法,该方法通过先分割、后建模的方式,将传统的随仿真周期持续执行的时空数据收集操作,转换成由运动行为特征变化触发的间断性建模过程,从而降低了时空数据管理开销。实验结果表明所提方法相比采用传统方法可以减少磁盘I/O次数,压缩需要保存的时空数据规模,进而缩短仿真副本运行时间。（2）提出基于动态本地计算机制的时空信息通信优化方法。时空数据描述了运动实体的连续运动状态,其通信交互所表现出的“链路多”、“频率高”、“内容简短”、“持续通信”特点导致传统通信优化技术难以有效缓解军事分析仿真中时空信息的通信瓶颈问题。论文提出一种基于全时域运动模型的动态本地计算机制,将通信优化转换为代理模型构造,发送方利用运动行为在分析仿真多样本多次运行的实验过程中所表现出的相似性,基于在线收集和保存的历史时空数据,以轨迹为单位在线构建可代理实体功能的全时域运动模型,接收方只需在本地运行该运动模型即可获取发送方的时空状态信息。实验结果表明所提方法利用分析仿真多样本多次运行的系统特点,有效避免真实时空数据传输,减少时空信息实际通信量,在当前实验设定下,对仿真性能的提升最高可达到42.64%。（3）提出基于自适应运动预测机制的个体时空信息通信优化方法。当收集的历史时空数据由于仿真运行次数少或实体运动行为变化自主性高而无法提供有效的建模依据时,依靠轨迹相似性构造代理模型无法保证基于“计算换通信”的通信优化效果,而传统的运动建模方法也由于时空数据稀疏和运动模式稀疏问题,难以适用于单次仿真运行下对高自主性运动实体行为变化的描述和预测。论文提出一种基于动态混合式运动预测模型的自适应运动预测机制,利用在线提取的个体行为特征信息提高代理模型的运动预测能力,并通过主动切换内部预测器来动态适应个体行为变化,实验结果表明所提方法针对高自主性运动实体,可以有效预测运动行为,降低高自主性运动行为的时空信息通信频率,仿真系统的带宽需求在当前实验设定下降低了23.9%～25.1%。在上述研究成果的基础上,论文以海上防空分析仿真应用为实例,首先对其通信特点进行分析,验证了论文的相关理论及思想,接着基于该军事应用对所提优化技术和传统通信优化方法进行综合测试,实验结果表明所提优化技术具有优化能力可迁移、优化效果可进化、优化方法可兼容的优势,对仿真运行性能的提升在当前实验设定下最高可达到45.53%。
二、怎样从已遗忘的AlphaServer磁盘中读取数据（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、怎样从已遗忘的AlphaServer磁盘中读取数据（论文提纲范文）
（3）基于Spark的城市道路拥堵预测研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 研究现状 |
| 1.2.1 交通拥堵预测国外研究现状 |
| 1.2.2 交通拥堵预测国内研究现状 |
| 1.2.3 随机森林算法研究现状 |
| 1.2.4 存在的问题及解决方案 |
| 1.3 本文研究内容和组织结构 |
| 1.3.1 研究的主要内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 相关理论与技术研究 |
| 2.1 交通拥堵概述 |
| 2.2 城市道路交通预测相关算法介绍 |
| 2.2.1 逻辑回归算法 |
| 2.2.2 K近邻算法 |
| 2.2.3 长短期记忆神经网络 |
| 2.3 大数据相关技术 |
| 2.3.1 HDFS分布式文件系统 |
| 2.3.2 Spark生态系统 |
| 2.3.3 分布式弹性分割数据集RDD |
| 2.3.4 Spark任务的执行 |
| 2.3.5 Spark MLlib介绍 |
| 2.4 本章小结 |
| 第三章 城市道路交通数据预处理方法研究 |
| 3.1 城市道路交通数据介绍 |
| 3.1.1 城市道路交通数据 |
| 3.1.2 数据采集技术 |
| 3.2 数据说明和分析 |
| 3.2.1 数据说明 |
| 3.2.2 数据质量问题 |
| 3.3 数据预处理 |
| 3.3.1 问题数据判别 |
| 3.3.2 问题数据处理 |
| 3.4 本章小结 |
| 第四章 Spark优化随机森林拥堵预测方法 |
| 4.1 交通拥堵判别标准 |
| 4.2 随机森林道路拥堵预测模型 |
| 4.2.1 随机森林 |
| 4.2.2 随机森林模型优化分析 |
| 4.3 卡方检验交通数据集特征选择 |
| 4.4 阴阳对优化随机森林拥堵预测模型 |
| 4.4.1 YYPO算法 |
| 4.4.2 YYPO-RF模型实现 |
| 4.5 基于Spark的并行化随机森林拥堵预测模型构建 |
| 4.6 本章小结 |
| 第五章 城市道路交通拥堵预测实验 |
| 5.1 集群部署和环境配置 |
| 5.2 实验目的与预测评价指标 |
| 5.2.1 实验目的 |
| 5.2.2 实验评价指标 |
| 5.3 交通拥堵预测实验设置与分析 |
| 5.3.1 准确率实验 |
| 5.3.2 加速比实验 |
| 5.3.3 可扩展性实验 |
| 5.3.4 拥堵预测结果展示 |
| 5.4 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文及取得的科研成果 |
（4）初中生数形结合能力水平的调查研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究问题 |
| 1.3 研究意义 |
| 2 文献综述 |
| 2.1 文献计量分析 |
| 2.2 数学学科能力测评的相关研究 |
| 2.3 数形结合的相关研究 |
| 3.数形结合能力的内涵及具体表现 |
| 3.1 数形结合能力的内涵 |
| 3.2 数形结合能力的水平划分 |
| 4 研究设计 |
| 4.1 研究对象 |
| 4.2 研究思路与研究方法 |
| 4.3 初中生数形结合能力水平测试卷的编制 |
| 4.4 初中生数形结合能力调查问卷的编制 |
| 5 初中生数形结合能力水平发展的现状分析 |
| 5.1 数据的收集与整理 |
| 5.2 测试结果的整理与分析 |
| 5.3 差异分析 |
| 5.4 本章小结 |
| 6 初中生数形结合能力水平现状的问题分析 |
| 6.1 学生数形结合主要表现调查问卷结果分析 |
| 6.2 学生数形结合能力测试卷典型错误分析 |
| 6.3 本章小结 |
| 7 提高初中生数形结合能力的教学建议 |
| 7.1 加强几何表征,提高数形结合理解能力 |
| 7.2 深度理解基础知识,提高数形结合迁移能力 |
| 7.3 强化模型思想,提高数形结合创新能力 |
| 7.4 以错题档案和课堂思考时间为切入点改善学与教 |
| 8 研究结论与反思 |
| 8.1 研究结论 |
| 8.2 研究不足 |
| 8.3 研究展望 |
| 参考文献 |
| 附录 |
| 附录一:数形结合能力评价指标专家咨询表 |
| 附录二:初中生数形结合能力水平测试卷 |
| 附录三:初中生数形结合能力主要表现学生调查问卷 |
| 后记 |
| 攻读硕士学位期间取得的科研成果清单 |
（5）基于信息抽取的知识图谱构建系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 符号说明 |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.2.1 知识图谱 |
| 1.2.2 信息抽取 |
| 1.3 本文的主要研究内容 |
| 1.4 论文的组织结构 |
| 第二章 相关技术综述 |
| 2.1 系统相关技术 |
| 2.1.1 Echarts库 |
| 2.1.2 Flask框架 |
| 2.1.3 Neo4j数据库 |
| 2.2 模型相关技术 |
| 2.1.1 BERT |
| 2.1.2 CNN |
| 2.1.3 LSTM |
| 2.1.4 注意力机制 |
| 2.1.5 CRF |
| 第三章 知识图谱构建系统的需求分析 |
| 3.1 平台用户角色分析 |
| 3.1.1 普通用户角色 |
| 3.1.2 平台管理员角色 |
| 3.2 系统需求分析 |
| 3.2.1 功能需求 |
| 3.2.2 非功能需求 |
| 3.3 系统用例分析 |
| 3.3.1 登录与退出 |
| 3.3.2 平台管理员的用户权限管理 |
| 3.3.3 普通用户的文本内容管理 |
| 3.3.4 三元组抽取 |
| 3.3.5 知识图谱生成 |
| 3.3.6 知识图谱可视化 |
| 3.3.7 知识图谱管理 |
| 3.4 本章小结 |
| 第四章 基于权重指针网络的实体关系抽取模型 |
| 4.1 引言 |
| 4.1.1 实体关系抽取问题的定义 |
| 4.1.2 问题的主要难点 |
| 4.1.3 本章的主要工作 |
| 4.2 模型的整体流程和架构 |
| 4.2.1 BERT预处理层 |
| 4.2.2 空洞卷积层 |
| 4.2.3 空洞卷积中的特征提取 |
| 4.2.4 损失函数的设计与优化 |
| 4.2.5 权重指针网络 |
| 4.2.6 后检验 |
| 4.2.7 创新点和主要贡献 |
| 4.3 实验分析 |
| 4.3.1 数据集 |
| 4.3.2 实验环境和参数 |
| 4.3.3 评价指标 |
| 4.3.4 实验对比 |
| 4.4 本章小结 |
| 第五章 基于多头注意力机制的事件主体抽取 |
| 5.1 引言 |
| 5.1.1 事件主体抽取问题的定义 |
| 5.1.2 问题的主要难点 |
| 5.1.3 本章的主要工作 |
| 5.2 模型的整体流程和架构 |
| 5.2.1 Bi-LSTM层 |
| 5.2.2 触发词嵌入层 |
| 5.2.3 多头注意力层 |
| 5.2.4 Dropout优化策略 |
| 5.2.5 模型的融合 |
| 5.2.6 创新点和主要贡献 |
| 5.3 实验分析 |
| 5.3.1 数据集 |
| 5.3.2 实验环境和参数 |
| 5.3.3 评价标准 |
| 5.3.4 实验分析 |
| 5.4 本章小结 |
| 第六章 知识图谱构建系统的总体设计 |
| 6.1 系统的结构与功能 |
| 6.1.1 系统的网络结构 |
| 6.1.2 系统的功能结构 |
| 6.2 系统模块的定义 |
| 6.3 系统的总体流程设计 |
| 6.3.1 文本上传流程 |
| 6.3.2 三元组抽取流程 |
| 6.3.3 知识图谱修改和查询流程 |
| 6.4 数据库的总体设计 |
| 6.5 本章小结 |
| 第七章 知识图谱构建系统的详细设计 |
| 7.1 系统的技术框架 |
| 7.2 知识图谱构建流程 |
| 7.3 主要功能与模块 |
| 7.4 主要模块的详细设计与实现 |
| 7.4.1 数据处理模块的设计与实现 |
| 7.4.2 三元组抽取模块的设计与实现 |
| 7.4.3 知识图谱生成模块的设计与实现 |
| 7.4.4 知识图谱可视化模块的设计与实现 |
| 7.4.5 知识图谱管理模块的设计与实现 |
| 7.5 知识表示与存储 |
| 7.5.1 知识表示 |
| 7.5.2 知识存储 |
| 7.6 本章小结 |
| 第八章 系统测试 |
| 8.1 设备与环境说明 |
| 8.2 功能测试 |
| 8.2.1 用户抽取三元组的场景 |
| 8.2.2 用户生成并浏览知识图谱的场景 |
| 8.2.3 管理员管理权限、模型和图谱的场景 |
| 8.3 非功能测试 |
| 8.4 本章小结 |
| 第九章 总结与展望 |
| 9.1 工作总结 |
| 9.2 进一步展望 |
| 参考文献 |
| 致谢 |
（6）基于BiLSTM-CRF与分类分层标注的微博突发事件时空信息抽取方法（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状及分析 |
| 1.2.1 社交媒体数据获取 |
| 1.2.2 微博数据时空信息抽取 |
| 1.2.3 微博突发事件空间化 |
| 1.3 研究内容与目标 |
| 1.4 技术路线 |
| 1.5 论文组织结构 |
| 1.6 本章小结 |
| 2 相关理论及方法 |
| 2.1 信息抽取与命名实体识别 |
| 2.2 序列标注问题 |
| 2.3 常用命名实体识别方法 |
| 2.3.1 隐马尔可夫模型 |
| 2.3.2 条件随机场 |
| 2.3.3 循环神经网络 |
| 2.3.4 长短期记忆网络 |
| 2.4 语料与词典 |
| 2.5 词的向量表示 |
| 2.6 命名实体识别质量评价方法 |
| 2.7 本章小结 |
| 3 微博数据获取与语料库构建 |
| 3.1 基于Selenium与高级搜索的微博数据获取 |
| 3.2 基于主题词典与文本相似度的微博数据清洗 |
| 3.3 突发事件微博语料库构建 |
| 3.3.1 CHSIAS |
| 3.3.2 人民日报语料标注体系 |
| 3.3.3 微博突发事件语料库 |
| 3.4 本章小结 |
| 4 基于BiLSTM-CRF的微博突发事件时空信息抽取 |
| 4.1 BiLSTM-CRF |
| 4.2 预训练词向量 |
| 4.3 基于BiLSTM-CRF与分类分层标注的时空信息抽取模型 |
| 4.4 本章小结 |
| 5 基于语义推理与地理编码的突发事件空间化 |
| 5.1 时间信息标准化 |
| 5.1.1 时间信息规则库 |
| 5.1.2 时间信息推理与补全 |
| 5.2 空间信息标准化 |
| 5.2.1 地名地址库 |
| 5.2.2 地名地址推理与补全 |
| 5.3 突发事件空间化 |
| 5.4 本章小结 |
| 6 实验、结果分析及应用 |
| 6.1 基于BiLSTM-CRF与分类分层标注的时空信息抽取 |
| 6.1.1 实验设置 |
| 6.1.2 实验数据 |
| 6.1.3 实验环境及参数 |
| 6.1.4 结果与分析 |
| 6.2 基于语义推理与地理编码的突发事件空间化 |
| 6.2.1 时间信息标准化 |
| 6.2.2 空间信息标准化 |
| 6.2.3 突发事件空间化 |
| 6.2.4 结果分析与应用 |
| 6.3 本章小结 |
| 7 总结与展望 |
| 7.1 总结 |
| 7.2 展望 |
| 参考文献 |
| 致谢 |
| 在读期间公开发表论文(着)及科研情况 |
（7）基于公交大数据的OD挖掘与预测方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 公交OD挖掘的研究现状 |
| 1.3 公交OD预测的研究现状 |
| 1.4 主要研究内容及研究方法 |
| 1.5 论文结构安排 |
| 第二章 公交大数据平台搭建 |
| 2.1 Iaa S层的虚拟化平台 |
| 2.1.1 裸金属架构 |
| 2.1.2 虚拟化平台的搭建 |
| 2.2 Paa S层的Hadoop平台 |
| 2.2.1 Hadoop生态系统 |
| 2.2.2 Hadoop |
| 2.2.3 Hive |
| 2.3 公交大数据平台的架构及搭建 |
| 2.4 本章小结 |
| 第三章 基于Hive的公交OD挖掘及分析 |
| 3.1 数据预处理 |
| 3.1.1 公交运营数据 |
| 3.1.2 调度表预处理 |
| 3.1.3 IC刷卡记录表预处理 |
| 3.2 上车站点匹配 |
| 3.2.1 基于时间阈值的上车站点匹配 |
| 3.2.2 基于站点上客数的上车站点匹配 |
| 3.3 下车站点预测 |
| 3.3.1 基于查询的出行链算法 |
| 3.3.2 基于概率的下车站点预测 |
| 3.4 基于Hive的公交OD挖掘实现 |
| 3.4.1 度量记录间的时空关系 |
| 3.4.2 候选站点集的数据结构与实现 |
| 3.4.3 Hive调优 |
| 3.4.4 挖掘方法的Hive QL实现 |
| 3.5 公交OD挖掘实验与结果分析 |
| 3.5.1 公交OD挖掘结果及分析 |
| 3.5.2 出行与吸引校验 |
| 3.5.3 与其它方法的比较 |
| 3.6 基于公交OD的客流分析 |
| 3.6.1 断面客流分析 |
| 3.6.2 站点累计客流量分析 |
| 3.7 本章小结 |
| 第四章 基于非对称上下文时空网络的公交OD预测 |
| 4.1 基于ConvLSTM的公交OD预测 |
| 4.2 非对称上下文时空网络(NSTN)的构建 |
| 4.2.1 模型的总体设计 |
| 4.2.2 站点空间上下文模块 |
| 4.2.3 时空上下文模块 |
| 4.2.4 防止过拟合策略 |
| 4.3 实验与结果分析 |
| 4.3.1 数据预处理 |
| 4.3.2 评价指标 |
| 4.3.3 顺序预测法 |
| 4.3.4 平行预测法 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 研究总结 |
| 5.2 研究展望 |
| 参考文献 |
| 攻读学位期间所取得的相关科研成果 |
| 致谢 |
（9）基于深度学习的图像描述的研究与系统实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 国内外研究现状 |
| 1.3 论文的主要工作 |
| 1.4 本文的组织结构 |
| 第二章 深度学习相关基础知识 |
| 2.1 神经网络概述 |
| 2.1.1 卷积神经网络 |
| 2.1.2 循环神经网络 |
| 2.1.3 长短期记忆神经网络 |
| 2.2 编码解码器 |
| 2.3 优化算法 |
| 2.4 自然语言处理技术 |
| 第三章 基于深度学习的图像描述模型 |
| 3.1 图像描述的发展和存在的问题 |
| 3.2 深度学习的图像描述模型 |
| 3.2.1 模型结构 |
| 3.2.2 图像描述模型中使用的模块 |
| 3.2.3 模型原理 |
| 3.3 过度校正算法 |
| 3.4 图像描述生成模型实验 |
| 3.4.1 数据集的介绍以及参数的设置 |
| 3.4.2 实验环境与实验过程 |
| 3.4.3 评价指标 |
| 3.4.4 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 中文图像检索系统的需求分析与设计 |
| 4.1 需求分析 |
| 4.1.1 系统功能需求分析 |
| 4.1.2 功能性需求场景描述 |
| 4.1.3 系统非功能性需求分析 |
| 4.2 系统概要设计 |
| 4.2.1 系统结构 |
| 4.2.2 系统模块设计 |
| 4.2.3 数据库设计 |
| 4.3 系统详细设计 |
| 4.3.1 数据获取模块设计 |
| 4.3.2 数据预处理模块设计 |
| 4.3.3 模型训练模块设计 |
| 4.3.4 中文描述展示模块设计 |
| 4.3.5 反馈模块设计 |
| 4.3.6 检索模块设计 |
| 4.3.7 公众号模块设计 |
| 4.4 本章小结 |
| 第五章 中文图像检索系统的实现 |
| 5.1 架构搭建 |
| 5.2 数据获取模块的实现 |
| 5.3 数据预处理模块的实现 |
| 5.4 模型训练模块的实现 |
| 5.5 中文描述展示模块的实现 |
| 5.6 反馈模块的实现 |
| 5.7 图片检索展示模块的实现 |
| 5.8 公众号模块的实现 |
| 5.9 系统测试 |
| 5.9.1 系统部署环境 |
| 5.9.2 系统测试 |
| 5.9.3 功能测试用例 |
| 5.9.4 性能测试 |
| 5.10 本章小结 |
| 第六章 总结与展望 |
| 6.1 论文总结 |
| 6.2 问题与展望 |
| 6.2.1 系统不足 |
| 6.2.2 未来展望 |
| 参考文献 |
| 致谢 |
（10）军事分析仿真时空信息通信优化技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景和意义 |
| 1.2 研究现状及面临的主要问题 |
| 1.2.1 军事分析仿真概述 |
| 1.2.2 传统通信优化技术 |
| 1.2.3 现有技术的主要问题 |
| 1.3 研究目标及主要工作 |
| 1.3.1 研究目标 |
| 1.3.2 主要研究内容 |
| 1.3.3 主要创新点 |
| 1.4 论文组织结构 |
| 第二章 面向通信优化的时空数据管理方法 |
| 2.1 引言 |
| 2.2 相关研究与局限性 |
| 2.3 基于轨迹数据流建模的在线时空数据管理方法 |
| 2.3.1 移动物体、轨迹信息与时空数据的相关概念 |
| 2.3.2 面向运动实体的轨迹信息管理模型 |
| 2.3.3 面向时空数据流的在线轨迹建模框架 |
| 2.4 在线时空数据管理过程中关键步骤的设计实现 |
| 2.4.1 基于Douglas-Peucker算法的时空数据流分割 |
| 2.4.2 基于时空映射函数的轨迹表示方法 |
| 2.4.3 基于符号化描述的轨迹索引方法 |
| 2.5 实验与分析 |
| 2.5.1 实验环境 |
| 2.5.2 实验设计 |
| 2.5.3 实验结果与分析 |
| 2.6 本章小结 |
| 第三章 面向多样本多次运行的仿真实体时空数据通信优化 |
| 3.1 引言 |
| 3.2 相关研究与局限性 |
| 3.3 基于全时域运动模型的动态本地计算机制 |
| 3.3.1 动态本地计算机制总体框架 |
| 3.3.2 通用全时域运动模型定义 |
| 3.3.3 基于相似性分析的在线轨迹匹配方法 |
| 3.3.4 基于安全区域的运动模型更新策略 |
| 3.4 实验与分析 |
| 3.4.1 实验环境 |
| 3.4.2 实验设计 |
| 3.4.3 实验结果与分析 |
| 3.5 本章小结 |
| 第四章 面向单次运行的仿真实体时空数据通信优化 |
| 4.1 引言 |
| 4.2 相关研究与局限性 |
| 4.3 自适应运动预测机制的框架结构 |
| 4.4 基于动态混合式运动预测模型的AMPM机制实现方法 |
| 4.4.1 动态混合式运动预测模型框架 |
| 4.4.2 DPM:基于轨迹片段相似性的行为特征信息提取 |
| 4.4.3 PMM:基于交叉验证的运动预测器构建 |
| 4.4.4 RCM:基于预测性能评估的主动更新策略 |
| 4.5 实验与分析 |
| 4.5.1 实验环境 |
| 4.5.2 实验设计 |
| 4.5.3 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 时空信息通信优化技术实现与应用测试 |
| 5.1 基于YH-SUPE的时空信息通信优化方案设计实现 |
| 5.1.1 总体架构 |
| 5.1.2 建模框架 |
| 5.1.3 计算模型封装示例 |
| 5.2 典型军事分析仿真——海上防空分析仿真系统 |
| 5.2.1 系统模型 |
| 5.2.2 应用实现 |
| 5.3 NADS系统样例中时空信息通信特点分析 |
| 5.4 基于NADS测试实例的时空信息通信优化实验及结果分析 |
| 5.4.1 NADS测试实例设计及参数配置 |
| 5.4.2 时空信息通信优化方案有效性分析 |
| 5.4.3 与传统通信优化方法的优化性能对比 |
| 5.5 本章小结 |
| 第六章 结论与展望 |
| 6.1 论文工作总结 |
| 6.2 进一步研究工作 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
| 作者在学期间参加的主要科研工作 |
| 附录 A 分布式仿真的相关协议规范 |
| 附录 B 不同应用的延迟容忍时间 |
| 附录 C 预置时空函数映射函数子项说明 |
四、怎样从已遗忘的AlphaServer磁盘中读取数据（论文参考文献）
- [1]智能状态预警及备份系统的研究与实现[D]. 奚兰兰. 北京邮电大学, 2021
- [2]小学低段数学例题教学中插图的运用研究[D]. 田钰莹. 西南大学, 2021
- [3]基于Spark的城市道路拥堵预测研究[D]. 白小曼. 内蒙古工业大学, 2021(01)
- [4]初中生数形结合能力水平的调查研究[D]. 贾艳艳. 河北北方学院, 2021(01)
- [5]基于信息抽取的知识图谱构建系统的设计与实现[D]. 李程. 北京邮电大学, 2021(01)
- [6]基于BiLSTM-CRF与分类分层标注的微博突发事件时空信息抽取方法[D]. 胡烈云. 江西师范大学, 2021
- [7]基于公交大数据的OD挖掘与预测方法研究[D]. 王怡峥. 河北工业大学, 2020
- [8]基于空间量证明的共识算法综述[J]. 王昱博,马春光. 网络空间安全, 2020(04)
- [9]基于深度学习的图像描述的研究与系统实现[D]. 张军. 北京邮电大学, 2020(05)
- [10]军事分析仿真时空信息通信优化技术研究[D]. 孟冬. 国防科技大学, 2019(01)