计算机新技术专题报告Word文档下载推荐.docx
《计算机新技术专题报告Word文档下载推荐.docx》由会员分享，可在线阅读，更多相关《计算机新技术专题报告Word文档下载推荐.docx（11页珍藏版）》请在冰点文库上搜索。
从研究领域来看，人工智能的研究主要专家系统、机器学习、模式识别、自然语言理解、自动定理证明、智能决策支持系统、智能控制、智能检索、机器视觉、问题求解、人工智能方法、系统和语言工具、自动程序设计、机器人学、博弈、人工神经网等。
值得指出的是这些人工智能的子领域并不是相互独立的，大多数人工智能研究课题都涉及诸多智能领域。
2.大数据处理
2.1大数据简介
大数据近几年来新出现的一个名词，它相比传统的数据描述，有自己的四个特性，分别是：
Volume（大的数据量）、Velocity（输入和处理速度快）、Variety（数据多种多样）、Veracity（真实有价值）。
因此，大数据需要新的处理模式来取代传统的数据处理方法，它同时包含数据量巨大和快速的处理速度两层含义。
云计算是一种大数据的处理技术平台，综合了各种资源之后提供一些虚拟技术服务。
这样的方式可以很大程度降低用户维护、处理、使用数据以及其他计算资源的成本。
数据单位已不再是用GB,TB能够满足的描述需要，而是步入了PB级别的时代。
传统的数据存储方式已经不能满足这些数据的存储和处理，只有依托云平台存储技术的方式来解决这个当前已经面临的问题。
2．2大数据技术分析
1．大数据的处理方式
大数据的处理方式大致分为数据流处理方式和批量数据处理方式两种。
数据流处理的方式适合用于对实时性要求比较高的场合之中。
并不需要等待所有的数据都有了之后再进行处理，而是有一点数据就处理一点，更多地要求机器的处理器有较快速的性能以及拥有比较大的主存储器容量，对辅助存储器的要求反而不高。
批量数据处理方式是对整个要处理的数据进行切割划分成小的数据块，之后对其进行处理。
重点在于把大化小——把划分的小块数据形成小任务分别单独进行处理，并且形成小任务的过程中不时进行数据传输之后计算，而是将计算方法（通常是计算函数——映射并化简）作用到这些数据块最终得到结果。
2．大数据处理系统应用
开源是现在很多大型国际IT公司倡导的服务方式，这个理念拥有很多拥护者。
虽然它最初的出现和商业搭不上边，但已为具有现代发展理念的国际大型商业IT公司所接受，他们所认同的是面向服务的开源，进而出现了新的经济增长方式。
目前有一些较为前沿的公司已经研发开源的大数据处理技术，比较典型的是推特研发的Storm系统和谷歌研发的MapReduce模型。
前者是以数据流方式进行数据处理而后者是采用批量数据的处理方式。
MapReduce是目前用得比较多的方法，其核心思想就是两个步骤：
Map和Reduce。
Map过程就是一个映射过程，完成这一步之后再对其进行Reduce过程处理，也即是精简的过程。
最后将处理的最终结果进行输出。
3．大数据技术发展趋势
传统的关系型数据库和新兴的数据处理技术目前是并存状态，它们之间将来会相互学习，相互渗透，相互影响，互相融合，最
终形成对数据分析有利的格局，能够更好地为大数据处理服务，从庞大巨量的数据当中找到需要的数据并对之进行处理、分析乃至决策。
2.3大数据关键技术
（一）云计算
传统的计算机设计与软件都是以解决“结构性”数据为主。
对这一类新型的“非结构”要求一种新的计算架构。
而云计算就是这样一种新的计算架构。
云计算是一种基于互联网的计算方式，通过这种方式，共享的软硬件资源和信息可以按需提供给计算机和其他设备，它为数据提供保管、访问的场所和渠道。
云计算的几大特征是：
随需自助服务、随时随地用任何网络设备访问、多人共享资源、基于虚拟化技术快速部署资源或获得服务、减少用户端的处理负担、降低用户对rr专业知识的依赖。
云计算是大数据的rI1基础，而大数据是云计算的应用。
云计算是大数据成长的驱动力，而另一方面，越来越多的数据需要云计算去处理，所以云计算与大数据是相辅相成的。
（二）数据挖掘
数据挖掘是指从数据库的大量数据中揭示出隐含的、先前未知的并有潜在价值的信息的过程。
利用数据挖掘进行数据分析常用的方法主要有分类、回归分析、聚
类、关联规则、特征、变化和偏差分析、Web页挖掘等，它们分别从不同的角度对数据进行挖掘。
①分类。
分类是找出数据库中一组数据对象的共同特点并按照分类模式将其划分为不同的类，其目的是通过分类模型，将数据库中的数据项映射到某个给定的类别。
②回归分析。
回归分析方法反映的是事务数据库中属性值在时间上的特征，产生一个将数据项映射到一个实值预测变量的函数，发现变量或属性问的依赖关系。
③聚类。
聚类分析是把一组数据按照相似性和差异性分为几个类别，其目的是使得属于同一类别的数据间的相似性尽可能大，不同类别中的数据间的相似性尽可能小。
④关联规则。
关联规则是描述数据库中数据项之间所存在的关系的规则，即根据一个事务中某些项的出现可导出另一些项在同一事务中也出现，即隐藏在数据间的关联或相互关系。
⑤特征。
特征分析是从数据库中的一组数据中提取出关于这些数据的特征式，这些特征式表达了该数据集的总体特征。
⑥变化和偏差分析。
偏差包括很大一类潜在有趣的知识，如分类中的反常实例，模式的例外，观察结果对期望的偏差等，其目的是寻找观察结果与参照量之间有意义的差别。
⑦Web页挖掘。
随着Internet的迅速发展及Web的全球普及，使得Web上的信息量无比丰富，通过对Web的挖掘，收集各种有关的数据，分析这类数据以获取重要的信息。
通过这些角度对数据进行挖掘，预测趋势和行为、分析数据关联度、聚集类似数据、描述数据概念、检测数据偏差等，进而对数据进行全方位的分析。
（三）可视化技术。
可视化技术主要旨在借助于图形化手段，清晰有效地传达与沟通信息。
依据数据及其内在模式和关系，利用计算机生成的图像来获得深入认识和知识。
利用人类感觉系统的广阔带宽来操纵和解释错综复杂的过程、涉及不同学科领域的数据集以及来源多样的大型抽象数据集合的模拟。
数据可视化不仅用于探索性数据分析，也是传递分析结论的重要手段。
仪表盘是数据的可视化表示与沟通的重要手段。
同时，更加注重设计的信息图也开始逐渐新兴起来。
3．智能技术在物联网中的应用
3.1什么是物联网
物联网（InternetofThings，loT）作为一种新兴网络技术和产业模式，在业界受到广泛关注．从国际电信联盟（ITU）在信息社会世界峰会上发布的《互联网报告2005：
物联网》中可以总结出物联网所体现的两层基本涵义：
（1）目前的三大网络。
包括互联网（Internet）、电信网、广播电视网是物联网实现和发展的基础，物联网是在三网基础上的延伸和扩展；
（2）用户应用终端从人与人之间的信息交互与通信扩展到了人与物、物与物、物与人之间的沟通连接，因此，物联网技术能够使物体变得更加智能化．从目前的发展形势看，最有可能率先获得智能连接功能的物体包括家居设备、电网设备、物流设备、医疗设备以及农业设备，并基于此实现人类与自然环境的系统融合．
3.2物联网的系统架构
如图1所示，包括底层网络分布、汇聚网关接入、互联网络融合以及终端用户应用四个部分．
3.3物联网的技术体系
ITU在2005年的物联网报告中重点描述了物联网的4个关键性应用技术——标签事物的RFID技术、感知事物的传感器技术、思考事物的智能技术、微缩事物的纳米技术．目前，国内物联网技术的关注热点主要集中在传感器、RFID、云计算及普适服务等领域．物联网技术涉及多个领域，这些技术在不同的行业往往具有不同的应用需求和技术形态．物联网的技术构成主要包括感知与标识技术、网络与通信技术、计算与服务技术及管理与支撑技术四大体系．
3.3.1．感知与标识技术
感知和标识技术是物联网的基础，负责采集物理世界中发生的物理事件和数据，实现外部世界信息的感知和识别，包括多种发展成熟度差异性很大的技术，如传感器、RFID、二维码等．
1）传感技术．
传感技术利用传感器和多跳自组织传感器网络，协作感知、采集网络覆盖区域中被感知对象的信息．传感器技术依附于敏感机理、敏感材料、工艺设备和计测技术，对基础技术和综合技术要求非常高．目前，传感器在被检测量类型和精度、稳定性可靠性、低成本、低功耗方面还没有达到规模应用水平，是物联网产业化发展的重要瓶颈之一．
2）识别技术．
识别技术涵盖物体识别、位置识别和地理识别，对物理世界的识别是实现全面感知的基础．物联网标识技术是以二维码、RFID标识为基础的，对象标识体系是物联网的一个重要技术点．从应用需求的角度，识别技术首先要解决的是对象的全局标识问题，需要研究物联网的标准化物体标识体系，进一步融合及适当兼容现有各种传感器和标识方法，并支持现有的和未来的识别方案．
3.3.2．网络与通信技术
网络是物联网信息传递和服务支撑的基础设施，通过泛在的互联功能，实现感知信息高可靠性、高安全性传送．
1）接入与组网．
物联网的网络技术涵盖泛在接入和骨干传输等多个层面的内容．以互联网协议版本6（IPv6）为核心的下一代网络，为物联网的发展创造了良好的基础网条件．以传感器网络为代表的末梢网络在规模化应用后，面临与骨干网络的接入问题，并且其网络技术与需要与骨干网络进行充分协同，这些都将面临着新的挑战，需要研究固定、无线和移动网及Ad．hoc网技术、自治计算与连网技术等．
2）通信与频管．
物联网需要综合各种有线及无线通信技术，其中近距离无线通信技术将是物联网的研究重点．由于物联网终端一般使用工业科学医疗（ISM）频段进行通信（免许可证的2．4GHzISM频段全世界都可通用），频段内包括大量的物联网
设备以及现有的无线保真（WiFi）、超宽带（UWB）、ZigBee、蓝牙等设备，频谱空间将极其拥挤，制约物联网的实际大规模应用．为提升频谱资源的利用率，让更多物联网业务能实现空间并存，需切实提高物联网规模化应用的频谱保障能力，保证异种物联网的共存，并实现其互联互通互操作。
3.3.3．计算与服务技术
海量感知信息的计算与处理是物联网的核心支撑．服务和应用则是物联网的最终价值体现．
1）信息计算．
海量感知信息计算与处理技术是物联网应用大规模发展后，面临的重大挑战之一．需要研究海量感知信息的数据融合、高效存储、语义集成、并行处理、知识发现和数据挖掘等关键技术，攻克物联网“云计算”中的虚拟化、网格计算、服务化和智能化技术．核心是采用云计算技术实现信息存储资源和计算能力的分布式共享，为海量信息的
高效利用提供支撑．
2）服务计算．
物联网的发展应以应用为导向，在“物联网”的语境下，服务的内涵将得到革命性扩展，不断涌现的新型应用将使物联网的服务模式与应用开发受到巨大挑战，如果继续沿用传统的技术路线必定束缚物联网应用的创新．从适应未来应用环境变化和服务模式变化的角度出发，需要面向物联网在典型行业中的应用需求，提炼行业普遍存在或要求的核心共性支撑技术，研究针对不同应用需求的规范化、通用化服务体系结构以及应用支撑环境、面向服务的计算技术等．
3.3.4．管理与支撑技术
随着物联网网络规模的扩大、承载业务的多元化和服务质量要求的提高以及影响网络正常运行因素的增多，管理与支撑技术是保证物联网实现“可运行．可管理．可控制”的关键，包括测量分析、网络管理和安全保障等方面．
1）测量分析．
测量是解决网络可知性问题的基本方法，可测性是网络研究中的基本问题．随着网络复杂性的提高与新型业务的不断涌现，需研究高效的物联网测量分析关键技术，建立面向服务感知的物联网测量机制与方法．
2）网络管理．
物联网具有“自治、开放、多样”的自然特性，这些自然特性与网络运行管理的基本需求存在着突出矛盾，需研究新的物联网管理模型与关键技术，保证网络系统正常高效的运行．
3）安全保障．
安全是基于网络的各种系统运行的重要基础之一，物联网的开放性、包容性和匿名性也决定了不可避免地存在信息安全隐患．需要研究物联网安全关键技术，满足机密性、真实性、完整性、抗抵赖性的四大要求，同时还需解决好物联网中的用户隐私保护与信任管理问题．
3.4智能技术在物联网中的应用
3.4.1智能交通
1．交通物联网的构成
交通物联网是在较完善的交通设施基础上，将新一代智能技术充分运用于交通运输系统所建立的一种实现。
即把智能传感器件装备到各地公路、水路、公交、地铁各相关系统的基础设施中，把车辆、船只等运动设施，还有桥梁、大坝、隧道、车站、港口等固定设施，网络、视频、广播、通讯、遥感等各种媒体设施，在互联网的支撑下经过互联构成“物联网”。
而后通过超级计算机系统、智能交通系统以及云计算将物联网软硬件资源整合起来，构成一个完整的交通物联网体系。
智能交通系统是交通物联网中的核心系统。
人们通过它能以更加科学的智能的和动态方式管理和控制交通。
早期的智能交通系统被称为智能车辆道路系统，简称：
IVHS。
因为各个地方的国土面积、人口数量、密度和分布情况、汽车拥有量以及人均道路拥有量等都不一样，所以通常由政府组织开展智能交通系统的规划。
鉴于如今的交通发展趋势，智能交通系统可分为以下几个支撑系统：
1）动态路线引导系统，简称：
DRGS
2）车辆运行管理系统，简称：
MOCS
3）安全驾驶支持系统，简称：
DSSS
4）智能图像处理系统，简称：
IIIS
5）紧急救援与公众安全系统，简称：
HELP
6）公交优先系统，简称：
PTPS
7）先进车辆信息系统，简称：
AMIS
8）环境保护管理系统，简称：
EPMS
2．交通物联网的特征
（1）全面物联：
智能传感设备将交通所有基础设施物联成网，通过专用技术对网络系统实时感测和智能的控制，全面实现交通网络智能化管理。
（2）充分整合：
物联网与互联网系统完全连接和融合，将软硬件资源最大有效的整合共享，资源分配更加充分和合理。
为低碳环保、减少资源冗余浪费，提供最佳的基础设施。
（3）协同运作：
有效地利用基础设施的潜能，各个关键环节进行和谐高效地协作，监管保障进一步到位，不断消除自身的隐患，达到智能交通的最佳状态。
（4）学习创新：
立足系统本身的知识学习、积累和更新，不断地进行科技创新和应用，加快交通智能系统的研发和升级，提高可持续发展的能力。
3．智能技术在交通物联网的应用成果
1）智能技术的应用
应用智能技术解决交通运输问题，已成为公认的最为有效的途径。
从第十二届多国城市交通通展中可以看到，集电子技术、信息技术、传感器技术、数据通讯技术、人工智能和计算机应用等技术于一体的跨学科的智能技术，在交通科技领域的普及应用越来越广泛。
如“一卡通”解决方案、RFID无线射频识别技术、GPS智能导航系统、ETC不停车电子收费系统、道路控管系统、网络影像传输系统、电子警察抓拍系统、公路车辆自动监测记录系统、交通综合信息管理系统、道路交通仿真系统等等。
将不同的系统集成并将它们智能化从而提升交通管理的水平，已初见成效。
由此可见，智能技术有效地综合运用于我国交通运输管理体系，已呈现出巨大的潜力和发展空间。
2）应用智能技术取得的成果
（1）智能公交方面，建立统一的智能化公共交通综合信息平台，在公路、水路等客运行业逐步实现全国联网信息共享服务。
城市公交实行全程实时监控，科学的调节车流的时空分布，优化了城市公交网络。
展示和引导公众选择低碳出行，逐步拓展公共交通综合信息平台的应用领域，提高公交运营效率和服务能力。
（2）交通停车诱导方面，建立动态停车诱导系统和汽车租赁信息服务系统，在完善停车场和公共交通组合的基础上建设驻车换乘信息诱导系统；
利用网络媒体和手机、GPS智能导航等信息终端，为公众提供实时、便捷、个性化的交通信息服务。
（3）出租车营运管理方面，应用了RFID无线射频识别技术。
上海市启动了出租车电子标签试点，将识别芯片安装在出租车后窗的玻璃处，执法人员使用手持识别仪透过GSM将数据传送到指挥中心，快速的把出租车的车牌号、发动机号、车辆颜色、营运证等资料读出，以此快速地识别正规出租车和“克隆”出租车，借助交通物联网智能标签识别技术，有效的提高了出租车辆营运管理的水平。
（4）公路不停车电子收费方面，ETC使公路收费走向网络化、智能化，提高公路的通行能力，降低了收费管理的成本，减少了车辆和路面的损耗，为解决交通拥挤、交通阻塞、交通事故和交通污染问题提供了有效的途径。
4.基于神经网络的手写体签名识别
4.1手写体签名识别系统的流程图
手写签名的随意性较大，又受环境、心情等因素影响，不可避免地出现签名大小、方向等存在一定的差异，而这些差异会影响后续的识别结果。
本系统手写体识别的系统流程图如图1所示。
图1手写体签名识别系统流程图
首先，用照相机采集签名图像样本，本系统的实验数据来源于在l0周内40个不同人员的手写体签
名，每周签名3次，共1200组数据。
然后，对采集的图像进行预处理，主要包括图像灰度处理，图像二值化，图像中值滤波，图像归一化处理，图2为图像预处理的效果图。
接着对预处理后的图像进行特征值的提取，最后利用神经网络对特征值进行识别和判断，确定是否是真实签名。
图2图像预处理后的图像效果图
4.2手写签名图像特征值的提取
特征提取在自动签名识别中起着十分关键的作用，提取特征的好坏直接影响到最终的识别效果。
通
常情况下，如果提取的特征太少，则无法提供给分类器足够的分类信息，影响识别效果；
如果提供的有效特征越多，获得的有关签名的信息也就越多，识别效果也就越好，但过多的特征值会增加运算量，识别速度会变慢，也可能会带入一些冗余数据，干扰正常信息。
所以在本系统中，主要提取三类特征值：
形状特征值、笔划密度特征值和纹理特征值。
（1）形状特征的提取。
形状特征值是签名图像的全局特征值，主要提取的参数有签名图像的宽高比、签名点面积与总面积比、签名连通域个数和网孔个数、字体轮廓的倾斜方向等特征值，全局变量具有很好的分类效果，对于不是精心模仿的签名，能很好地反映出与真实签名之间的差别。
（2）笔划密度特征的提取。
在本系统中，利用图像二值化后的签名图像的文字点阵，从不同的方向
扫描文字，得到的扫描线和笔划相交的次数，形成笔划密度特征函数。
本系统从水平和垂直两个方向分别取l5条和31条扫描线进行扫描，并将所得数据进行规范化处理，得到一个特征值范围在f01）的46维的特征向量。
（3）纹理特征的提取。
纹理特征的提取主要是对签名图像的低灰度特征和灰度分布特征进行分析提
取。
签名的低灰度特征表明签名力度的大小，重笔、顿笔和笔划交叉重叠的书写习惯，灰度分布特征则可以用灰度直方图表示，显示整个签名图像的灰度分布情况，也在一定的程度上反映了一个人的书写特征。
4.3基于BP神经网络的签名识别
BP神经网络的构成：
BP神经网络由输人层、隐含层和输出层三层网络构成，它的特点是：
信号向前传递，误差向后反馈。
BP神经网络是目前应用最广泛的神经网络模型之一，其网络特点如图3所示。
图3BP神经网络模型图
针对签名图像的特点，对样本采用了三种不同的特征提取方法：
形状特征、笔划密度特征、纹理特征，分别提取相应的特征参数，对应构造一个BP神经网络分类器，三个神经网络分类器采用了并行设计，均是包含一个隐含层的三层网络结构，每个神经网络都有一个输出。
手写体识别系统神经网络识别系统的构成如图4所示。
图4神经网络识别系统的构成
（1）输入层神经元个数。
输入层神经元个数根据签名图像所抽取的特征维数数大小来确定。
（2）输出层神经元个数。
在系统中，神经网络分类器用以判别真伪。
我们输出层采用对数S型传递
函数，使得输出范围在（0，1）内，然后根据所得的值与权值进行比较，来判断真伪。
假如某待测签名样本的神经网络测试结果为（O，1）范围内某值，权值为W，则当大于W时，判定结果为1，也就是真实的签名；
否则判定结果为0，是假的签名。
（3）权值的确定：
通过实验发现0．7左右合适。
（4）三个并行神经网络分类器每个都有一个输出数wi，i=l，2，3；
计算最后的分类结果：
=X1×
W1+X2×
2+X3×
W3
【参考文献】
1.物联网：
概念、架构与关键技术研究综述，北京邮电大学学报2010年6月第33卷第3期
2.智能技术在交通物联网中的应用和探讨杨铁军
3.王万森．人工智能．北京：
人民邮电出版社，
4.基于神经网络的手写体签名识别的研究，金浙良覃娟浙江工业职业技术学院
升级会员 