美林数据技术股份有限公司（简称：美林数据，NEEQ：831546）是国内知名的数据治理和数据分析服务提供商，重点面向企业客户提供数据资产管理、数据分析与挖掘、数据开发应用为主的大数据产品及增值解决方案。成立至今，在能源、制造、金融、政务等领域积累了丰富的项目经验，自主研发的 Tempodata 系列大数据产品广泛应用于上千家大型企业，为用户提供从数据采集、数据资产管理、数据挖掘、数据分析应用等综合解决方案。 当前，以信息技术和数据作为关键要素的数字经济蓬勃发展，并成为推动我国经济增长的重要力量。数字人才是数字经济发展的核心要素，实践出真知，美林数据基于数十年数据领域实践经验，结合产业发展的人才需求，为高校提供从教学、实践、科研一体化的大数据应用能力解决方案——Tempo Talents 大数据人才应用能力成长平台。  

西安交通大学实验室安全设施建设-存储柜竞争性磋商

本发明公开了云存储系统中基于溯源信息的视频共享方法。系统客户端收集视频溯源信息，客户端上传共享的视频及相关视频溯源信息，服务器根据客户端上传的视频溯源信息建立溯源图。云存储系统服务器接收到视频下载请求后，在溯源图中查找所述请求下载视频的起始视频，若查找到起始视频存在于云存储系统中，则根据 BFS(广度优先遍历)算法选择一条从所述起始视频到所述请求下载视频的代价最小的路径，依照该路径重新生成所述请求下载的视频并发送给客

本发明公开了一种基于 SiCx 织构的硅量子点浮栅非易失性半导 体存储器及其制备方法，包括硅衬底，在硅衬底上掺杂形成的源导电 区和漏导电区，以及在源漏之间的载流子沟道上依次生长的隧穿氧化 层、电荷存储层、控制栅氧化层及金属栅层；所述电荷存储层包括 SiCx 织构和横纵向均匀分布于 SiCx 织构中的硅量子点。本发明有效利用硅 量子点-SiCx 织构间的隧穿势垒，构成了控制栅氧化层-SiCx 织构-Si 量子点-SiC

本发明提供了一种支持固态盘缓存动态分配的混合存储系统和 方法，该方法用固态盘和磁盘构建混合存储系统，其中固态盘用作磁 盘的缓存，本发明方法实时监控应用的负载特征及固态盘缓存命中率， 并建立应用的性能模型，从而根据应用的性能需求和负载特征的变化 动态地分配固态盘缓存空间。本发明提供的固态盘缓存管理方法可以 根据应用的性能需求合理地分配固态盘缓存空间，实现应用级的缓存 区分服务，并通过将应用的固态盘缓存空间进一步划分为读

本发明公开了一种基于 iSCSI 的自适应加解密安全存储系统和 方法，系统包括相连的启动端和目标端，启动端包括启动端负载计算 器、启动端转换控制器和启动端加解密器；目标端包括目标端负载计 算器、目标端转换器和目标端加解密器。负载计算器每隔ΔT1 收集负 载信息，计算负载值；启动端转换控制器收集启动端和目标端负载值， 每隔ΔT2 计算负载均值，根据两端负载均值判断是否进行状态转换， 如果不进行转换则保持状态不变，如果进

本发明公开了一种基于忆阻器实质蕴涵操作的计算与存储融合 的处理器及其操作方法；该处理器由多个计算与存储融合单元 (Computing&、Memory-Unit，CMU)通过通信网络相连接。本发明 中使用一种能记忆电阻的器件，即忆阻器。在设计电路时，忆阻器的 阻变特性已参与完成相应的计算，并将计算结果用忆阻器的阻态来保 存，省去了传统计算机系统中将计算结果输出到存储器的步骤，实现 计算与存储的融合。通过通信网络

本发明公开了一种基于忆阻器实质蕴涵操作的计算与存储融合 的处理器及其操作方法；该处理器由多个计算与存储融合单元 (Computing&、Memory-Unit，CMU)通过通信网络相连接。本发明 中使用一种能记忆电阻的器件，即忆阻器。在设计电路时，忆阻器的 阻变特性已参与完成相应的计算，并将计算结果用忆阻器的阻态来保 存，省去了传统计算机系统中将计算结果输出到存储器的步骤，实现 计算与存储的融合。通过通信网络

本发明属于半导体存储器技术领域，具体为一种基于二维半导体材料的电荷超注入存储器及其制备方法。本发明通过存储叠层能带设计，在实现闪存的非易失性存储特性；通过横向电场设计以及器件的仿真模拟设计，利用二维半导体材料的原子级薄层特性，显著增强最大横向电场从而提升电荷的注入效率，实现存储器中电荷的超注入机制，进而实现闪存的亚纳秒编程。本发明存储器在维持十年数据保持能力的同时，大幅提升了电荷注入效率，将编程速度提升至亚纳秒，为解决电荷存储领域超快编程和长保持时间无法共存的重大挑战提供新的解决方案。

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。