本发明公开了一种基于 GPU 的异步图数据处理系统，包括：实 现一个混合着色的算法：将原有的单一、启发式着色算法改为混合着 色算法；数据预处理策略：将原有的基于顶点度数的预处理分割方法 改为基于顶点着色分布的方式；异步处理执行引擎：将处理引擎的执 行方式由同步 BSP 方式改为异步处理的方式，结合混合着色算法模块， 实现 GPU 上的无锁异步编程；在异步处理执行引擎内部，实现迭代处 理模块、数据流执行模块，对 CPU

1.痛点问题 癌症是目前严重威胁人类生命健康的疾病之一，基于单细胞测序技术研究肿瘤的微环境和异质性，对于理解肿瘤的机制、优化肿瘤的用药方案具有重要意义，而如何对肿瘤单细胞数据进行全面深入的分析，还面临很多挑战。 肿瘤样本具有其独有的特点，在样本制备和单细胞分离过程中，其细胞应激反应大、坏死细胞多，为肿瘤单细胞数据的质量控制带来了挑战； 肿瘤单细胞数据分析有其独有的核心问题，比如复杂的微环境和高度的异质性，而如何充分考虑这些难点，并从信息学的视角进行深入研究，有待建立全面、自动的分析框架； 肿瘤单细胞数据的分析，对科研人员的编程能力和分析经验要求很高，亟需自动化、智能化的软件平台来降低数据分析的门槛，提高研究的效率。 2.解决方案 本项目围绕肿瘤单细胞转录组数据成果的技术核心点包括： 1)针对肿瘤单细胞实验过程中应激反应大、坏死细胞多的问题，提出了全面、精细的数据质量控制方案； 2)涵盖了常规的单细胞数据分析流程（数据标准化、降维、聚类、差异表达分析）； 3)创新了肿瘤微环境细胞类型辨识和细胞恶性估计等方面的研究方法； 4)从重要表型（细胞周期、干性）、基因集（已知的和潜在的）两方面深度解析了肿瘤内部的异质性； 5)提出了考虑肿瘤间异质性的批次效应校正方法； 6)构建了自动化、智能化分析的软件平台，能够自动生成全面、直观的分析报告。 基于本项成果产生的产品、服务或解决方案： 1)自动化、集成式的肿瘤单细胞转录组数据分析软件scCancer； 2)针对软件使用和分析结果解读的服务； 3)针对更个性化数据分析需求的咨询与服务。 3、合作需求 团队要求：合作方和团队需要对肿瘤单细胞测序方面有较多的实践经验，能为本项目的应用与落地提供条件； 资金需求：合作方可为团队提供资金支持项目的维护与更新。

本发明公开了一种用于大数据处理系统的内存数据集置换系统， 包括分析模块、信息监测模块、决策模块。分析模块用于对上层用户 程序进行逻辑分析，得出各运算阶段中生成内存数据集时的运算步骤 集合；信息监测模块用于对运行中的用户程序进行监测，并收集生成 内存数据集时的信息提交给决策模块；决策模块用于对收集到的信息 进行分析和排序，判断当前阶段是否需要对系统中的内存数据集进行 置换，在系统需要进行置换时确定需要移除的内存数据集并

MCPS V4.0软件专门用于多分量地震数据的处理与解释，是一个完全具备自主知识产权的软件系统。本软件基于三分量地震数据的特点，充分利用多波地震数据的矢量信息，对随机干扰与面波干扰进行识别与压制，最大限度的保持了有效地震信息的真振幅、极化特征、频带范围；在此基础之上对矢量波场进行分离与合成，将偏移成像中的输入道与输出道技术相结合，对转换波数据进行CCP道集分选与叠前偏移成像。本软件系统还提供了一些必要的振幅调制模块，如三分量地震数据归一化、三分量道均衡模块，可用于对不同系统输出的中间数据进

本发明公开了一种沥青混合料多序列动态蠕变试验数据处理及分析方法，通过设计一个巴特沃斯低通滤波器对试验测得的蠕变变形数据进行低通滤波，得到平滑的蠕变曲线，再分别计算每个加载序列的平均永久应变率，然后根据公式计算评价沥青混合料蠕变特性的三个指标：应变率敏感指数SRSI、复合平均永久应变率CAPSR、复合蠕变劲度模量CCSM：SRSI越大，意味着该应力状况对材料蠕变的影响越显著；CAPSR则代表了多种复杂应力状况下的等效应变率，该值越大，表明在材料在一次加载中产生的永久应变越大，材料的高温性能越差；CCSM代表了在蠕变试验结束时材料的抗永久变形能力的强弱，该值越大，证明材料的高温性能越好。

我校理学院大数据研究团队在人工智能与大数据处理技术研究方面取得系列进展，研究成果分别发表在IEEE Transactions on Neural Networks and Learning Systems、IEEE Transactions on Cybernetics和Information Sciences三大人工智能顶级期刊。神经网络是人工智能领域中目前最为火热的研究方向——深度学习的架构基础。虽然深度学习在近几年发展迅速，但是关于如何设计最优神经网络架构的问题仍处于探索阶段。该团队分别针对人工智能中神经网络结构复杂、高维大规模数据存在无效和冗余特征、难以获取长时序信息等问题与缺陷，设计出了一系列网络结构优化、大数据特征选择和时序循环神经网络模型，有效改善了上述不足，提高了人工智能模型的学习性能。 题目为《带Group Lasso惩罚与控制冗余的神经网络特征选择》（Feature Selection using a Neural Network With Group Lasso Regularization and Controlled Redundancy）的研究论文发表在人工智能领域权威国际期刊IEEE Transactions on Neural Networks and Learning Systems。王健副教授和博士生张华清为该论文共同第一作者， 我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项工作得到国家自然科学基金、国家科技重大专项、山东自然科学基金、中央高校基本科研业务费、中国石油天然气集团公司重大科技项目以及山东省高校青年创新科技支撑计划的资助。 特征选择技术也称属性选择，是指从原始特征或属性中选择出最有效的特征或属性以降低数据维度的过程，它是人工智能数据预处理环节的重要步骤，也是大数据处理技术的重要环节。该项工作在神经网络中嵌入Group Lasso惩罚项并实现特征冗余控制，在选出对解决问题最有帮助、蕴含信息量最大的特征或属性的同时，控制所选特征子集的冗余程度，以达到降维的最优效果，从而使模型的泛化能力更强，降低神经网络模型产生过拟合的风险。 题目为《基于L1正则化的神经网络结构优化模型设计与分析》（Learning Optimized Structure of Neural Networks by Hidden Node Pruning With L1Regularization）的研究论文发表在国际人工智能领域权威期刊IEEE Transactions on Cybernetics。硕士生谢雪涛和博士生张华清为论文共同第一作者，王健副教授为通讯作者，我校荣誉教授Nikhil R. Pal院士（印度统计研究所）参与指导，中国石油大学（华东）为第一署名单位。该项研究成果得到了国家自然科学基金、山东省自然科学基金和中央高校基本科研业务费的资助。 该项工作借助L1正则子具有的稀疏表达能力，提出两种神经网络结构优化学习模型；本项工作另外一个突出贡献就是提出了一种简单且具有通用性的收敛性证明方法，同时保证了模型设计的合理性。实验结果表明所提出模型具有强大的鲁棒性、广泛的适用性、理想的剪枝能力和良好的泛化能力，适用处理高维大数据。该研究成果在人工智能与深度学习构造最简网络结构方面具有很强的指导作用和应用推广价值。

流立方在技术流派里属于流式大数据实时处理领域，但兼顾了批式数据处理技术的优势，一定程度的做到了混合时态的实时处理。流立方通过在数据流水过程中嵌入流处理引擎将所有流过的数据进行实时处理, 并生成多维度的可计算数据魔方。1）超高并发性：“流立方”产品拥有每秒处理百万笔交易流水复杂分析的能力。而达到这样的性能仅需要 8 台普通的 pc 服务器搭建的集群。2）超低时效性：流立方对每笔流水处理的延时严格控制在毫秒级，实际生产中平均延时稳定在 10 毫秒左右。形象一点来说，也就是在海水涌进海洋的几乎同一时刻，数据就被分析完成了，远远低于人类学上 0.1 秒即有所感知的时间节点，处理速度比一眨眼快了很多倍。最近一年，流立方的高级版本更是提升到了微秒级的处理延时，将被用在春运票务、军工、反恐等要求更加极致的场景。3）高可靠性、高扩展性、高兼容性：流立方自带的可计算分布式缓存高性能、高可靠、高可扩展。在内存不足时, 能够平滑扩展到多节点。流立方平台内支持算法数量达到几十个。计算模型、脚本独立管理,在线编写、即时部署即时生效, 大大节约上线时间。

一种大规模并发数据流处理系统及其处理方法,涉及数据处理技术领域,所解决的是提高流处理器处理效率的技术问题.该系统包括数据流单元缓冲区,数据流单元聚类队列池,数据流单元映射表,流处理器池,数据流读取部件,DSU聚类分配部件,任务调度部件,计算后处理部件,所述流处理器池由多个GPU构成,其中数据流读取部件用于将并发数据流写入数据流单元缓冲区,DSU聚类分配部件用于对数据流单元缓冲区中当前被处理的数据流单元进行分类,任务调度部件用于将数据流单元聚类队列池中的就绪队列加载至流处理器池中的GPU上执行流计算,计算后处理部件用于将GPU的计算结果返回到数据流.本发明提供的系统,能提高流处理器的处理效率.

本发明公开了一种分开处理数据与元数据请求的方法。包括： 增加请求的元数据语义；为每个 SCSI 设备设置数据请求队列与元数据 请求队列，后者专门用来处理元数据请求，且对不同的请求采用不同 的处理方式。根据元数据请求粒度小、实时性强、分布分散的特点， 元数据请求队列采用优先响应处理的方式，请求不经过 I/O 调度层， 不在请求队列中延迟，直接下发到磁盘驱动器；对请求粒度大，频度 相对低，分布集中的数据请求，采用经过 I

本发明公开了一种群集运动实验数据采集方法及系统，方法包括以下步骤：在实验场景中采集群集运动目标的视频；从当前视频帧中提取目标运动区域；对目标运动区域滤除背景；将滤除背景的目标运动区域与目标灰度阈值进行比较，判定大于目标阈值的像素点为可疑目标像素点，将邻近的可疑目标像素点视为一个可疑目标；将可疑目标与预定目标长度、宽度和面积阈值进行比较，判定可疑目标为个体目标、多目标重合、非目标中的一种；根据历史目标位置、速度和