无锡云车物联网科技有限公司（云车生态空间）注册成立于2014年8月，是一家致力于汽车后市场互联网+转型升级服务的国家高新技术企业，是目前国内领先的汽车数字生态产业园运营商，汽车后市场数字化、信息化解决方案提供商、汽车供应链“最后一公里”优质服务商。公司充分运用物联网、大数据、AI技术，致力于数字汽配、智慧供应链、智慧金融、智慧停车、智慧物业、智慧城市等智慧产业。公司目前业务涵盖软件与大数据平台开发、供应链管理、电子商务、仓储物流、汽配商贸、教育咨询培训、新能源、智慧物业等产业，客户遍布国内一半省市。

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。

云计算是由网格计算、虚拟化技术、普适计算、平台级服务、软件级服务等概念的混合演进而来的新兴计算机科学概念。它将计算任务分布在大量计算机、存储设备等构成的资源池上，使云用户能够根据需要获取计算能力、存储空间和各种软件服务等，是一种通过互联网将各种资源通过一定的方法整合在一起，以服务的形式向外提供的商业模式，有着良好的发展前景。 本课题针对云计算的调度和评估进行了研究，结合现有的协商调度算法和多Agent等技术，研究和设计一个高效可靠的面向服务的调度和评估模型。本调度和评估模型具有以下特点： 1、 完全采用分布式调度，不存在中央调度器，任务的调度由各个节点的调度器通过协作共同完成，有效避免了单点失效问题，提高了系统的安全性和可靠性。 2、 根据不同的服务质量需求，提供灵活的多目标调度机制和多指标评价策略。模型综合衡量了完成时间、费用、负载均衡、可信度等指标，根据服务的特性以及系统的运行状态特征动态地制定评价指标的优先权。 3、 采用多Agent技术，通过自主的Agent的协作完成任务。每个节点都有自己的资源管理Agent、服务调度Agent等，不受其他节点加入和退出的影响，具有良好的系统扩展性，满足了大规模的应用请求。本模型通过对云计算环境中各类虚拟资源的合理调度和评价，提高资源的利用率，并满足用户的QoS需求。因此，并为云计算产业的发展提供了很好的技术支撑。

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。

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。

产品详细介绍RFID智能设备工具柜 一、产品简介RFID智能设备工具柜是北京泰格瑞德科技自主研发的RFID工具管理系统方案之一，该系统设备工具柜内部集成了RFID读写器、RFID 定制天线、安卓一体机/工控一体机、IC卡刷卡设备等智能设备，对柜内贴有RFID电子标签的设备、工具进行智能自动化管理。                RFID读写器                            RFID天线二、产品特点*安全化：设备工具柜内装有RFID刷卡控制器，非授权卡无法打开对应的设备工具柜门。*信息化：设备、工具实时监测，记录每项工具参数数据，实现生命周期可视化。*自动化：省去人工扫描、盘点、录入等繁琐工序，实现快速、批量管理。*高效化：自动化+信息化代替手工作业，计算机自动实现数据采集，大大节约了人力成本，提高了工作效率。*智能化：当设备、工具未及时归还时，系统将自动报警并生成报表发送给相关负责人；如果工具不慎丢失，可通过RFID手持终端人工找回。 13965501553三、工作流程员工扫描IC员工卡打开柜门→取出/归还工具（设备）→关门自动确认借出/归还，系统提示借出人员、工具明细、借出时间等信息。还有日检查，月检查等操作模式，可以实时掌握各级单位工具的数量、种类、状态；采集数据；做到工具的高效化、智能化管理。四、行业应用主要应用于航空、电力、消防、机械、铁路等行业，实现设备、工具自动快捷的借用、归还、定位、查找、维护等功能。四、数据效益1. 盘点效率提升10倍以上，原人工盘点工作所需5-10分钟，RFID工具车系统自动盘点只需3-5秒。2. 当设备、工具在使用过程中失落，人工找寻一个工具平均花费时间10-20分钟，RFID工具管理系统利用RFID手持终端进一步查找失落工具只需3-5分钟，管理效率提升五倍以上。

《大数据交易应当重视和研究的几个问题》指出，为了保证交易数据来源的正当性和交易主体的合法性，为了有效克服大数据交易中的问题和风险，对于数据这种新型特殊财产的权属、开发利用及流转的特殊规律应当抓紧研究，相关制度建设要及时跟进。该报告建议从两方面入手：一是从私法角度明确数据的财产性质及其权属分配规则。在充分保护人格权和商业秘密的基础上，将数据产权按价值贡献在被采集者、采集者以及数据加工者等相关主体之间进行合理分配。二是从公法角度明确关于数据采集、加工，大数据产品的开发、流转等的监管规范。要明确数据的采集和利用不得违背公认的社会道德和善良风俗；在不损害相关主体的合法权益和公共利益的前提下，推动政府数据公开共享；禁止有可能威胁国家安全的跨境数据流动。

日前，国防科技大学系统工程学院大数据与复杂网络研究团队同四川大学、电子科技大学一起，组建新冠病毒大数据交叉学科研究平台，助力新型流行病研究和防控，给多个省份和国家有关部委等提供了8份数据分析报告和决策建议报告，为防控和战胜疫情贡献出了科学智慧。国防科技大学系统工程学院大数据与复杂网络研究团队基于新冠病毒大数据交叉学科研究平台，利用海量多源异构大数据，结合疫情发生发展规律，对人群流动及传播风险进行了综合建模和分析，为政府决策提供了参考依据。特别是团队通过分析春运期间人口流动大数据，建立起疾病传播模型，测算出了疫情扩散蔓延阶段武汉市向全国各地区的输出人口状况和新冠病毒感染的风险指数。还有许多研究人员尝试通过客运数据，研判各个地区及城市的感染风险。也有学者采用“百度迁移”所提供的人口流动数据，通过春运期间从武汉流向全国各省市的人口规模(不包含港澳台数据)和全国感染病毒人数的可视化分布，直观解读两者间的联系。同时加以推断，武汉封城之后，二次传染所造成的病毒传播将日趋占主导地位，传播程度和各省市的人口密度以及管控措施等密切相关。