基于认知计算的大数据挖掘理论与技术

结题报告
项目介绍
AI项目解读

基本信息

  • 批准号：
    61672177
  • 项目类别：
    面上项目
  • 资助金额：
    63.0万
  • 负责人：
    张师超
  • 依托单位：
    南宁师范大学
  • 学科分类：
    F0607.知识表示与处理
  • 结题年份：
    2020
  • 批准年份：
    2016
  • 项目状态：
    已结题
  • 起止时间：
    2017-01-01 至2020-12-31

项目摘要

The classification and clustering of big data are useful to well understand and manage big data, so as to efficiently utilize these big data. Therefore, mining/analysis is an important step in the lifecycle of big data. This project studies models and methods of mining big data based on cognitive computation. It will focus on addressing three important issues, feature extraction and missing data imputation of big data, cognitive computation for big data, and multilevel mining of big data. The research plan of this project includes, preprocessing methods for extracting features and parameters from big data and missing data imputation; strategies and models for statistical cognitive computation and dynamic cognitive computation, mining of big-variety data and multilevel pattern discovery; key technologies for upgrading algorithms of data classification and clustering, and new methods of cost-sensitive classification and kNN learning. The expected outcomes are to achieve breakthrough results on cognitive computation, mining of variety data and kNN learning. These achievements will be beneficial for China industries, such as healthcare, marketing, fraud detection, image retrieval and Web information utilization when mining their big data.
对大数据分类与聚类处理的目的是为了更好地理解和管理大数据，以便有效地利用这些大数据。所以，分析与挖掘是大数据生命周期中最重要的一步。以认知计算为基础，本项目研究大数据挖掘的模型和方法，计划研究大数据特征提取与缺失填充、大数据认知策略和多层次大数据挖掘3个科学问题。主要研究内容包括，特征与参数提取、参数计算和缺失填充等大数据理解或预处理方法；统计认知理解与动态认知、多源大数据挖掘和多粒度/多层次模式挖掘等策略和模型；数据分类与聚类、代价敏感分类和kNN分类等的升级算法与改良技术。期望在认知计算、多样性数据挖掘和最近邻学习等方面取得突破性研究成果，可用于解决我国工业界，如医疗保健、营销、欺诈检测、图片检索、网络信息利用等的大数据处理需求。

结项摘要

大数据智能计算要面对的主要问题包括无法求解、求解成本高、找不到最优解等。针对这些问题，本项目发现数据及属性的特征规律，创新数据分类的模式化、互补性理论，寻求大规模、高维度数据分类的线性解与最优解。在以下两个方面取得重要结果：KNN分类模式化方法和数据级与属性级的结构信息递归互补模型。主要成果包括发表论文47篇，获得广西自然科学奖一等奖1项（2020年）、国际会议最佳论文1篇。

项目成果

期刊论文数量（37）
专著数量（0）
科研奖励数量（2）
会议论文数量（0）
专利数量（0）
TDHPPIR: An Efficient Deep Hashing Based Privacy-Preserving Image Retrieval Method
TDHPPIR：一种基于深度哈希的高效隐私保护图像检索方法
  • DOI：
    10.1016/j.neucom.2019.11.119
  • 发表时间：
    2020
  • 期刊：
    Neurocomputing
  • 影响因子：
    6
  • 作者：
    Zhang Chengyuan;Zhu Lei;Zhang Shichao;Yu Weiren
  • 通讯作者：
    Yu Weiren
Neighbor selection for multilabel classification
多标签分类的邻居选择
  • DOI：
    10.1016/j.neucom.2015.12.035
  • 发表时间：
    2016-03-19
  • 期刊：
    NEUROCOMPUTING
  • 影响因子：
    6
  • 作者：
    Liu, Huawen;Wu, Xindong;Zhang, Shichao
  • 通讯作者：
    Zhang, Shichao
Robust Joint Graph Sparse Coding for Unsupervised Spectral Feature Selection
用于无监督谱特征选择的鲁棒联合图稀疏编码
  • DOI：
    10.1109/tnnls.2016.2521602
  • 发表时间：
    2017-06-01
  • 期刊：
    IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS
  • 影响因子：
    10.4
  • 作者：
    Zhu, Xiaofeng;Li, Xuelong;Wu, Xindong
  • 通讯作者：
    Wu, Xindong
Graph PCA Hashing for Similarity Search
用于相似性搜索的图 PCA 哈希
  • DOI：
    10.1109/tmm.2017.2703636
  • 发表时间：
    2017-09-01
  • 期刊：
    IEEE TRANSACTIONS ON MULTIMEDIA
  • 影响因子：
    7.3
  • 作者：
    Zhu，Xiaofeng;Li，Xuelong;Wang，Can
  • 通讯作者：
    Wang，Can
Harmonious Genetic Clustering
和谐遗传聚类
  • DOI：
    10.1109/tcyb.2016.2628722
  • 发表时间：
    2018
  • 期刊：
    IEEE Transactions on Cybernetics
  • 影响因子：
    11.8
  • 作者：
    Huang Faliang;Li Xuelong;Zhang Shichao;Zhang Jilian
  • 通讯作者：
    Zhang Jilian

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--"}}
  • 发表时间：
    {{ item.publish_year || "--" }}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--"}}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}

数据更新时间：{{ journalArticles.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ monograph.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ sciAawards.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ conferencePapers.updateTime }}

{{ item.title }}
  • 作者：
    {{ item.authors }}

数据更新时间：{{ patent.updateTime }}

其他文献

"Missing is Useful": Missing V
“缺少才有用”：缺少V
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
  • 影响因子：
    --
  • 作者：
    张师超;Zhenxing Qin;Charl
  • 通讯作者：
    Charl
Mining Follow-up Correlation P
挖矿后续相关性P
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
  • 影响因子：
    --
  • 作者：
    张师超;Zifang Huang, 张继连,
  • 通讯作者：
    Zifang Huang, 张继连,
EDUA: An Efficient Algorithm f
EDUA：一种高效的算法
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
  • 影响因子：
    --
  • 作者：
    张师超;张继连, Chengqi Zhang
  • 通讯作者：
    张继连, Chengqi Zhang
肿瘤基因图集（TCGA）中恶性胶质瘤数据的挖掘
  • DOI：
    --
  • 发表时间：
    2012
  • 期刊：
    广西师范大学学报(自然科学版)
  • 影响因子：
    --
  • 作者：
    严小卫;田强;张师超
  • 通讯作者：
    张师超
Missing Value Imputation Based
基于缺失值插补
  • DOI：
    --
  • 发表时间：
    --
  • 期刊：
  • 影响因子：
    --
  • 作者：
    张师超;Yongsong Qin, 张继连,
  • 通讯作者：
    Yongsong Qin, 张继连,

其他文献

{{ item.title }}
{{ item.translation_title }}
  • DOI：
    {{ item.doi || "--" }}
  • 发表时间：
    {{ item.publish_year || "--"}}
  • 期刊：
    {{ item.journal_name }}
  • 影响因子：
    {{ item.factor || "--" }}
  • 作者：
    {{ item.authors }}
  • 通讯作者：
    {{ item.author }}
empty
内容获取失败，请点击重试
重试联系客服
title开始分析
查看分析示例
此项目为已结题，我已根据课题信息分析并撰写以下内容，帮您拓宽课题思路：

AI项目思路

AI技术路线图

相似国自然基金

{{ item.name }}
  • 批准号：
    {{ item.ratify_no }}
  • 批准年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}

相似海外基金

{{ item.name }}
{{ item.translate_name }}
  • 批准号：
    {{ item.ratify_no }}
  • 财政年份：
    {{ item.approval_year }}
  • 资助金额：
    {{ item.support_num }}
  • 项目类别：
    {{ item.project_type }}
{{ showInfoDetail.title }}

作者：{{ showInfoDetail.author }}

知道了

AI项目解读示例

课题项目：调控A型流感病毒诱导IFN-β表达的机制研究

AI项目摘要：

本研究聚焦于TRIM2蛋白在A型流感病毒诱导的IFN-β表达中的调控机制。A型流感病毒是全球性健康问题，其感染可导致严重的呼吸道疾病。IFN-β作为关键的抗病毒因子，其表达水平对抗病毒防御至关重要。然而，TRIM2如何调控IFN-β的表达尚未明确。本研究假设TRIM2通过与病毒RNA或宿主因子相互作用，影响IFN-β的产生。我们将采用分子生物学、细胞生物学和免疫学方法，探索TRIM2与A型流感病毒诱导IFN-β表达的关系。预期结果将揭示TRIM2在抗病毒免疫反应中的作用，为开发新的抗病毒策略提供理论基础。该研究对理解宿主抗病毒机制具有重要科学意义，并可能对临床治疗流感病毒感染提供新的视角。

AI项目思路：

科学问题：TRIM2如何调控A型流感病毒诱导的IFN-β表达？
前期研究：已有研究表明TRIM2参与抗病毒反应，但其具体机制尚不明确。
研究创新点：本研究将深入探讨TRIM2在IFN-β表达中的直接作用机制。
技术路线：包括病毒学、分子生物学、细胞培养和免疫检测技术。
关键技术：TRIM2与病毒RNA的相互作用分析，IFN-β启动子活性检测。
实验模型：使用A型流感病毒感染的细胞模型进行研究。

AI技术路线图

        graph TD
          A[研究起始] --> B[文献回顾与假设提出]
          B --> C[实验设计与方法学准备]
          C --> D[A型流感病毒感染模型建立]
          D --> E[TRIM2与病毒RNA相互作用分析]
          E --> F[TRIM2对IFN-β启动子活性的影响]
          F --> G[IFN-β表达水平测定]
          G --> H[TRIM2功能丧失与获得研究]
          H --> I[数据收集与分析]
          I --> J[结果解释与科学验证]
          J --> K[研究结论与未来方向]
          K --> L[研究结束]
关闭
close
客服二维码