自然场景视觉感知与理解是人工智能的前沿热点，其主要任务是对场景中的视觉要素进行认知，进而推断出其中包含的场景语义。IMAGINE实验室近年来相继从场景构成分析、场景内容推理、场景结构建模等角度对这一问题展开了系统研究，着重探索了融合先验建模与深度学习的自然场景视觉理解这一问题。大数据具有规模大、种类多、产生速度快、有价值数据密度低等特点。对大数据信息分析具有重要意义，也是目前研究的热点，其主要任务是利用数据分析的方法从大数据中获取有价值信息。IMAGINE实验室近年来结合深度学习前沿技术和传统数据分析方法进行数据分析和预测，并在海关大数据分析项目和国网电力冰风灾害预测项目中进行应用

本成果面向交通运行监测、城市管理与民生服务，构建了大数据即服务（Big Data as a Service,BDaaS）平台。本成果通过建设的区域无线网络、区域综合交通感知系统、布设的高清视频、市民交互平台和智慧城市数据中心，动态关联城市路网信息、运营信息、生活信息等多种异类数据，利用海量信息处理和信物融合技术，为政府、企业和公众解决城乡一体化管理、安全和服务中的各种关键问题提供数据支撑，促进智慧城市的绿色、高效、协同发展。 智慧城市数据即服务平台（BDaaS）包括城市数据感知体系、智慧城市大数据平台、面向政府业务的智慧管理与服务平台、面向社会公众的服务平台、面向科研机构的数据共享服务平台、数据质量实时监测与评价系统共6个体系。本平台不仅应用于城市交通运行监测、公众出行信息服务、城市交通规划，特别的，还可面向研究的机构海量数据分析提供实时数据支撑。海量数据实时挖掘（综合数据处理时间<2s）

本项目围绕“城市场景的全息表达与复杂事件的临场分析理解”这一关键 科学问题展开研究，基于人机智能的有机结合、数据和知识的联合驱动以及多 模态数据的关联增强等学术思想，以城市场景的三维时空模型为载体，研究城 市的全息表达理论方法，探索多源感知信息的多层次关联、语义提取与融合分 析的机制和方法，形成城市场景的准全息计算模型，以提高机器对城市对象和 场景语义分析与理解的精准性；研究多源信息的视觉转换机制和自适应交互可 视化方法，探寻信息按需提取或采集的临场分析机制，推进人机智能的深度耦 合，提高对复杂事件分析和推理的能力。项目预期在城市场景的渐进式三维重 建、跨时空城市感知数据的关联学习和聚合分析、城市事件的交互式临场分析 等方面取得理论与方法的重要突破，培养一批优秀人才，使我国在城市信息化 和智能化方面的研究达到国际先进水平，产生重要的学术影响。

自美国 2011 年实施材料基因组计划（Materials Genome Initiative，MGI），现已成为全球材料创新研发的强大助推剂，将高通量实验、材料数据和高通量计算三要素有机结合，加速材料创新性研发并降低成本。MGI 将成分-工艺-组织-性能的关联集成化、跨尺度分析，将材料的研发由传统经验式提升到科学设计。高通量材料计算和数据挖掘技术是材料基因工程的重要组成部分，通过材料的高通量热力学/动力学计算、高通量相场模拟、数据挖掘和性能预测，实现材料合金成分、制备工艺、微观组织结构和宏观力学性能的调控及优化，为新材料的开发设计提供指导，实现产品全制备周期的数字化、智能化管理，提高产品质量稳定性、降低产品研发周期和成本、提升企业的核心竞争力。

南京理工大学与南京合众通数据技术有限公司合作研发的企业征信系列大数据平台，实现企业全面15大类100余项创新能力相关信息的精准跟踪和监测，产品已经加工成纵向、微向分析的深度征信产品，按照客户的需求种类制定DaaS策略，在目前征信报告的基础上，把服务和创新的意识运用于征信产品加工各个环节上。 基于该产品，受中央军委科技委委托，南京理工大学承担研发全球科技人才发现与跟踪平台的任务。 信用报告：提供企业信用报告服务为客户有偿提供目标企业详尽的信用信息数据以帮助客户制定商业运营

一、项目进展 创意计划阶段 二、负责人及成员 姓名 学院/所学专业 入学/毕业时间 学号 陈泳岐 计科院/计算机科学与技术 2019.9/2023.6 201931061097 三、指导教师 姓名 学院/所学专业 职务/职称 研究方向 杨云 计科院/软件工程 讲师 数据库应用 四、项目简介 本次研究主要是在“智慧政务”等网络留言平台的基础之上对大量留言数据进行分类、提取热度并对留言的回复情况进行质量评价，构建出基于机器学习的自然语言处理平台的一系列算法实现。主要包括三种算法，分别对应于政务留言中的三个痛点问题。留言分类算法主要是用来将不同留言进行分类和标签，再分别发送到对应部门，问题处理之后，留言回复质量评价算法将官方人员的回复质量进行采集与评价，判断单位人员对留言的处理情况。留言热点计算算法能够抽取每个留言的主题并生成相应的关键词展示给政务人员。

1. 痛点问题 随着信息化时代的发展，生活中的一切都在数字化，对信息存储的要求也越来越高。据IBM统计，人类每天创造的数据已达到2.5百亿亿byte，大约相当于5亿部高清电影的下载。互联网数据中心（IDC）的研究显示，到2020年数据总量（包括结构化数据和非结构化数据）的年复合增长率达将达到42%，2010~2020十年间，世界上数据总量从1 ZB增长到50 ZB，共增长50倍。 面对巨大的数据量，传统存储介质的存储能力以及材料的消耗与信息存储需求间将会面临严重不平衡状态。人类工厂生产的可存储设备总存储容量与数据产生总量间差距越来越大，到2020年几乎达到两倍的差距。根据目前硅基存储的发展趋势推测，可用于信息存储的硅储量将在2040年被完全耗尽。因此，寻找硅基存储的替代物，开发高效稳定低成本的新型存储介质，实现低成本，高效稳定且长期的数据存储是目前信息时代社会发展亟待解决的关键问题之一。 2. 解决方案 DNA在近年来被认为是一种未来具有巨大应用前景的数字存储介质。首先，相比较于传统存储介质，在数据保存寿命和存储密度上都有着极大的优势。在自然界中，DNA长久以来作为是承载生物体遗传信息的主要物质，地球发现的最早古生物蓝细菌，DNA作为其遗传物质已经存在了几十亿年，且在极端条件下仍然可以保存。在存储密度方面，DNA数字存储理论上可以达到455 EB/克 （4.55 × 1011GB/克），大约 1018  bytes 或107 GB每mm3， 比传统存储介质提高了5-6个数量级。其次，在数据维护与备份成本方面，DNA数字存储所需要的占地，资源，能源均远远小于传统存储介质。

从决策管理、信息中心、教师教学、学生学习等层面进行多维度分析，为校领导提供全校的可视化数据分析。

产品详细介绍请登录  中国科学软件网 了解stata软件报价和介绍信息。Stata是一款综合统计软件包,提供所有您想要的,包括数据分析,数据管理和绘图等.Stata各版本区别： Stata/SE, Stata/IC和Small Stata主要的区别在于每个版本能够分析的数据集大小。Stata/MP是一个拥有并行处理能力的Stata/SE。 Stata/MP: 适合双核、多核、多处理器计算机的Stata版本 Stata/SE: 适合大数据集的Stata版本 Stata/IC: Stata标准版本 Small Stata: 小型的、Stata学生版本 Stata/MP:运行最快和处理数据集最大的Stata版本。它通过并发运行多处理器或内核来加快运算速度。Stata/SE和Stata/MP允许数据集最多可达32,767个变量。观测值的数量仅受您计算机内存大小的限制。Stata/SE和Stata/MP在计算机内存大小足够的情况下允许最大11,000 x 11,000维矩阵。相关的是Stata/SE和Stata/MP能够拟合带有更多的自变量(最多10,998)的模型。 Stata/IC允许多达2,047个变量的数据集。观测值的数量仅受您计算机内存大小的限制。Stata/IC能够在一个模型中最多有798个右手边(right-hand-side)变量。 Small Stata限制能分析的数据集最多为99个变量并带有接近1,000观测值。Small Stata最多能在一个模型中有38个右手边(right-hand-side)变量。Student LabStudent Lab licenses are licenses that are strictly for use by students in a university computer lab for coursework and by faculty for teaching at degree-granting institutions.Student lab license限制只能安装在大学实验室内用于学生和教师上课教学使用。功能比较 版本最大变量数最大右手边变量数最大观测值数最大矩阵大小是否兼容64位系统？是否支持并行处理？平台 Stata/MP32,767 10,998无限*11,000是是Windows, Macintosh或 Unix Stata/SE32,767 10,998无限*11,000是否Windows, Macintosh或 Unix Stata/IC2,047798无限*800是否Windows, Macintosh或 Unix Small Stata99391,00040否否Windows 或Macintosh *最大观测值数仅受可使用的内存大小限制快速,简单并易于使用点击式的界面和强大,直观的命令语言让Stata使用起来快速,精确并易于使用。所有的分析结果都可以被复制和存档，并用来出版和审查。不管您什么时候写的内容，版本控制系统确保统计程序可继续生成同样的结果。统计功能介绍Stata使得大量的统计工具用于指尖标准方法基本表格和总结案例对照分析ARIMAANOVA 和MANOVA线性回归时间序列平滑广义线性模型（GLM）聚类分析对比和比较功率分析样本选择高级方法多层模型生存分析动态面板数据回归结构方程建模二进制，计数和审查结果ARCH多重替代法调查数据Treatment effects精确统计贝叶斯分析……