文献综述-树木可视化
1.2.1 树木三维可视化模拟技术
目前，用于构造植物形态结构的计算机模型很多，大致可分为3大类：第1类模拟用于生成仅从视觉上近似于植物的计算机图形，注重视觉效果的逼真性，而不是植物学理论的真实性；第2类模型称为静态结构模型，是利用三维数字化方法测定具体植物的形态结构后直接应用这些数据构造特定植物的形态模型；第3类模型是动态结构模型，能模拟植物的动态生长过程（郭焱等，2001；刘兴龙等，2008）。有关树木形态生长可视化模拟的建模方法主要有以下几种：分形法（L系统、IFS法、DLA模型法）、几何结构法、粒子系统法、随机过程法和特征综合推理法。
（1）分形法
理论生物学家Lindenmayer提出了著名的基于文法、侧重于植物拓扑结构的L系统（Lindenmayer，1968）；Mech与Prusinkiewicz提出了所谓的“开放式（open）L系统”；为了模拟植物的连续生长过程，Prusinkiewicz等还提出了时变L系统。为了能够进一步应用微分方程表示植物的连续变化过程，Prusinkiewicz等又提出了微分L系统。加拿大Calgary大学的Prusinkiewiez等人，以L系统为植物形态结构的描述框架，开发了Vlab虚拟植物系统（Prusinkiewiez，1975）。李大锦、徐盛、袁震东等人应用L系统算法来模拟树木在不同环境下的生长状况（李大锦，2007）。
L系统经过不断的发展，已经成为一种应用广泛、功能强大的植物模拟方法，它强
调计算机图形学与植物生长机理的结合。但是，这种方法也存在着一些缺陷。一方面，L系统生成一个字符发展序列是一个并行迭代过程，这和植物并行生长的特征相吻合。基于这个特点，用L系统模拟植物的生长，提取其生长规则是关键，由于高大植物的生长规则不易提取，所以L系统不能很好的模拟高大植物；另一方面，在L系统具体编程实现时，形式语言的表示方法比较复杂，而且由于在产生式中同时描述植物的几何结构信息和拓扑信息，理解和使用也比较困难。
迭代函数系统IFS（Iterated Function System）是分形几何中的重要研究内容之一。Barnsley和Demko用IFS方法生成了具有极强自相似特征的蕨类植物叶片（Barnsley，1985）。马石安、陈传波对基于迭代函数的树木模拟方法进行了探索。李庆忠、韩金姝探讨几种基于IFS的彩色树木模拟技术，以及随机因素和迭代概率对树木形态的影响（李庆忠，2004）。祁燕等采用IFS方法和随机参数化方法，构造出三维桃树和枫树的模型（祁燕，2005）。仲
兰芬等生成了单轴分枝和合轴分枝两类树木的IFS码（仲兰芬，2005）。刘文进从交互式获取自然景物IFS码的角度对任意自然景物的信息提取问题进行了全面讨论（刘文进，2005）。
（2）几何结构法
Aono与Knnii提出了树木的三维几何模型，以植物特定分枝模式为基础，使用分枝角、开度角、分枝长度比例等几何参量，实施对植物几何结构的控制和修改。Weber 等提出了一种适合实时绘制的树木可视化模型表达方法以及相应的模型简化算法。Lintermann等通过模块化交互建模方法用图来描述树的结构。韩玉阁、宜益民和汤瑞峰利用随机生成方法提出了树木及丛林的随机生成模型，其中包括不同类型树木的单棵树木几何构形生成模型和由相同或不相同树木类型构成的丛林随机生成模型。
（3）粒子系统法
Reeves提出了注重于模拟花、草、树整体环境的粒子系统（Reeves，1983）。Reeves等人提出的粒子系统所绘制的森林是早期计算机生成虚拟自然景物最有说服力的例子之一。王小铭、林拉以树木的静态造型为背景，提出一种基于骨架定制和粒子系统模型的树木模拟方法（王小铭，2003）。
用许多形状简单的微小粒子作为基本元素来表示自然界不规则的模糊景物。由于自然景物中的大多数物体是随机的、模糊的、无规则的，因此可以把它们看作是粒子系统。它们不是静止的，而是随着时间的变化处在不断运动中的粒子集合，随着新粒子的不断产生和运动以及旧粒子的消亡，将引起其外形及内部结构的不断变化。因此粒子系统能较好地反映自然界的真实情况，可用于自然景物及各种自然现象的模拟显示。适用于模拟森林、草丛等复杂模糊的自然场景。
（4）随机过程法
法国农业国际合作研究发展中心（CIRAD）的Philippe de Reffye等人建立的虚拟植物模型AMAP，也称为随机过程模型，是一个针对植物结构特征的专用方法（Philippe de Reffye，2008）。近年来，我国在此领域也取得很大的进展，以中国科学院自动化研究所中法实验室（LIAMA）为代表，他们与中国农业大学等单位合作，在AMAP的基础上建立了GreenLab （青园）模型，它以数学公式表示，弥补了AMAPsim在模拟植株的生理生态功能的欠缺，又克服了AMAPhydro只能模拟简单形态结构的不足，而且具有计算时间短的优点。
（5）特征综合推理法
特征综合生成模型可分为两类:基于定义性特征综合的植物生成模型和基于描述性特征综合的植物生成模型。毛卫强，耿卫东，潘云鹤等用这种方法模拟了树木生长季节形态变化。
随着数学模型和计算机模拟技术在植物学领域中的应用，近年已有一些学者开展了植物构筑型动态模拟技术的研究（Fisher，1992；Kurth，1994；Guoyan，2001），使植物构筑型的研究逐渐向定量化和科学化发展。热带地区对树木地上部分构筑型的研究相对应，在温带和寒温带地区欧美植物学者开展了大量的有关草本植物，特别是无性系植物（clonal plant）地下茎构筑型的研究，并成功进行了计算机模拟（Clausnitzer，1994；Godin，1996；Lynch，1997），大大提高了人们对植物的构件的关系及其变化规律的认识。陈敏智等探讨了利用参数化L系统生成植物结构模型的方法以及基于这些模型的植物形态可视化模拟，给出了模拟这些结构模型所需的L系统的迭代公理和若干产生式参数（陈敏智，2007）。
1.2.2 树木形态结构模型研究
Barnsley提出了迭代函数系统IFS （Barnsley，1985），此后，又不少学者对此算法研究和改进。Oppenheimer提出了基于分形，利用基本参数控制，同时在植物生长新的子枝结点处对树枝生长参数进行随机扰动实现实时动画制作（Oppenheimer，1986）。祁燕等采用随机参数化方法，基于IFS分形算构造出真实感较强的三维枫树和桃树的模型。李庆忠、韩金姝探讨彩色树木自然着色的方法、自然光照状态下各种树影的绘制方法等几种基于IFS的彩色树木模拟技术，并研究了随机因素和迭代概率对树木形态的影响（李庆忠，2005）。仲兰芬等提出基于全局到局部的树木计算机建模方法，用户通过设定树冠形状来确定枝条的生长范围，采用最短距离和分形方法控制枝条的生成（仲兰芬，2007）。迭代函数系统在模拟植物自相似时的效果良好，但是对于一些拓扑结构过于复杂的植物则显得过于单一，不能表现自然植物的丰富多彩的形态。
树木枝条空间格局及其生长变化是决定树木结构和树冠形状的主要因素。由于枝条其自身的复杂性和多样性，所以枝条的模拟也是树木模拟的难点。20世纪70年代，人们开始对树木的冠形和枝系结构有了进一步的研究，比较系统的有树木构筑型理论。Halle等将热带树木划分为23个基本的构筑模式，并编制了检索表（Halle ，1978）。树木构筑型主要是由树木的总体冠形、分枝角度、分枝方式和生长节律等构成（臧润国，1998）。蒋有绪，臧润国等对海南岛尖峰岭树木园热带树木基本构筑型的初步分析（蒋有绪，1999）。而树木的冠形主要是由主干及其上着生的一级枝的属性（枝长，分枝角度）来决定。对于主干，可以用林学上常用的树高，胸径和削度方程来描述；对于枝条，也有不少学者对其进行了研究。宋会兴基于J.L.Harper的构件理论，对1-20 a的人工马尾松林苗木的分枝率动态进行了研究（宋会兴，2001）。何明珠等根据各级分枝角度、各级分枝长度、枝茎比、逐步分枝率和总体分
枝率、分枝分维数和计盒维数等16个指标将荒漠植物分为4个类型（何明珠，2005）。赵相健对不同生长环境下太白红杉分枝格局的可塑性做了研究，探讨其树冠构型可塑性、分枝格局与环境的关系（赵相健，2005）。可以看出以上学者分别从树木的整体构筑型模式和及其构筑型的分类，总体冠形、分枝角度、分枝方式和生长节律等组成。
肖锐，李凤日等对30株樟子松样木枝解析调查数据，通过分析不同林分、不同大小林木1级枝和2级枝的分枝概率、分枝格局和分枝角度，揭示了樟子松人工林树冠的分枝结构特点（肖锐，2006）。刘兆刚，李凤日等建立樟子松人工林树冠内一级枝条个数的预估模型，并对一级枝条在树冠内的垂直分布和水平分布规律进行了研究（刘兆刚，2007）。廖彩霞，李凤日等通过樟子松人工林6块固定标准地30株枝解析数据，在分析树冠表面积和树冠体积与林分变量和林木变量的基础上，利用幂函数建立了树冠表面积（CSA）和树冠体积（CV）的预估模型，同时还对林木材积生长量与CSA和CV进行了相关分析（廖彩霞，2007）。林勇明等采用Strahler法对福建省石峰寨风景区内的不同生长发育阶段桂花的枝系构型进行了统计分析（林勇明，2007）。
1.2.3 树木三维可视化模拟软件
国内外已有很多成熟的植物三维可视化软件，其对植物模拟的侧重点也各有不同，主要的植物模拟软件有：
（1）AMAP
法国CIRAD开发的AMAP系列软件具有描述植物生长、死亡、枝条分布情况的植物模型和实现三维可视化植物生长过程的功能。AMAP软件将植物结构归类为二十多种基本模型，并且可以调节有关树干、树叶、四季色相变化等各种参数，还可以通过制作地形，生成完整的自然景观动画。由于植物生长过程的复杂性，数据的收集及其不同生长阶段的参数化是非常耗时的一件事情。因此，AMAP软件目前的主要应用领域仍在景观设计方面。
（2）Geenlab
中国科学院自动化研究所中法实验室（LIAMA）为代表，他们与中国农业大学等单位合作，在AMAP的基础上建立了GreenLab（青园）模型，它以数学公式表示，弥补了AMAPsim （Barczi et al.，2008）在模拟植物的生理生态功能的欠缺，又克服了AMAPhydro（De Reffye et al.，1996）只能模拟简单形态结构的不足，而且具有计算时间短的优点。GreenLab模型结构模型部分主要以双尺度自动机模型（赵星，2006）为主，它是在AMAP模型基础上开发的，该方法从植物学的角度出发用微状态表示叶元的生长，用宏状态（由相同生理年龄的
微状态组成的）描述生长单元的生长，并用半马尔可夫链描述微状态和宏状态之间的关系，用属性表描述各状态的具体属性，精炼的表达植物的拓扑结构，并用这两种状态的组合和循环模拟描述植物的动态生长。由于使用属性表描述各状态的具体属性、结构条理，并且与植物学概念结合紧密，生成植物拓扑结构的过程与实际植物生长的过程相同，所以容易与生理生态模型相结合。
（3）SpeedTree
Speedtree是一款专门的三维树木建模软件，支持大片的树木的快速建立和渲染，而且它本身还带有强大的树木库，软件是由美国IDV公司研发制作的。不仅可以通过插件将树木导入到其他的三维建模软件中使用，也可以为游戏引擎提供强大的树形库支持，目前已经成为著名游戏引擎Unreal的御用树木生成软件。SpeedTree是一个专门的植被引擎。其技术最大的特征就是可以在使用极少多边形的情况下创造出高度逼真的树木和植物，并且可以调整风速效果，使得这些植物随着风的吹动而真实地摇动。游戏开发者就可以直接在特定地形上生成整个森林，无需将树一棵一棵地设置在相应地点上，大大提高了工作效率。并且通过SpeedTree的代码优化技术，画面上数量繁多的枝叶不会对画面帧数造成太大影响。SpeedTree主要应用在游戏制作，其主要变现美轮美奂的植物景观和逼真的动画效果，没有考虑树木的真实形态结构和生长变化，但是其成熟的渲染优化技术值得借鉴。
（4）Onyx TreeMaker
Onyx Treemaker是一套功能强大的树木的三维造型软件，应用它来解决单棵林木模型的生成。在Onyx Treemaker系统中拥有4个大类（针叶树、阔叶树、竹和棕榈），16个小类，超过700种树木的原型，能满足绝大多数场景建模以及林业研究的需要，这个原型库在同类产品中是有很大优势的。Onyx Treemaker中的所有可用参数都通过数值或者数值与滚动条并存的方式来控制，在提供直观的交互界面的同时满足精确性的要求。Onyx Treemaker在图形学的基础上实现三维的原理，在系统中体现清晰的层次性。该软件能够与市场上所用的绝大多数三维建模新产品实现文件级的兼容，系统生成的模型具有很大的灵活性，能够最大程度上适应平面设计与三维场景设计。除了Onyx Treemaker在造型方面的优势以外，该系统也存在着一些不足，三维的输出模型完全依赖图形学，其在生成的实时性上还稍显不足，在大面积场景中重复调用时所占用的渲染时间过长，从而影响了整体场景生成的实时性。
（5）xfrog
德国的Greenworks Gbr公司开发了Xfrog园林软件包，可用交互式方法快速制作各种树木和植物模型。该软件提供超过600种植物的模型库，所有的树叶、树干、花朵等都采用
实物扫描，更为真实。系统中植物建模是以整个枝条为单位构造的，虽然这不符合植物的实际生长特点，但作为一个纯图形学意义上的植物模拟软件，该参数输入方法结构条理，容易操作。
李大锦。用面向对象的L系统模拟树的生长《计算机仿真》2007年第2期 183-186
大数据文献综述
信息资源管理文献综述 题目：大数据背景下的信息资源管理 系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月 大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。
关键词：大数据信息资源管理与利用 目录 大数据概念.......................................................... 大数据定义...................................................... 大数据来源...................................................... 传统数据库和大数据的比较........................................ 大数据技术.......................................................... 大数据的存储与管理.............................................. 大数据隐私与安全................................................ 大数据在信息管理层面的应用.......................................... 大数据在宏观信息管理层面的应用.................................. 大数据在中观信息管理层面的应用.................................. 大数据在微观信息管理层面的应用.................................. 大数据背景下我国信息资源管理现状分析................................ 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日
大数据与数据可视化发展趋势_光环大数据培训
https://www.wendangku.net/doc/487859575.html, 大数据与数据可视化发展趋势_光环大数据培训 光环大数据培训是专注大数据、人工智能垂直领域高薪就业培训机构，多年来专注大数据、人工智能人才培养，携17年IT培训经验,与中关村软件园共同建立国家大数据人才培养基地,并与全球知名大厂商cloudera战略合作培养中国大数据高级人才，专注为大学生及在职人员提供专业师资平台及培训服务，助力他们高薪名企就业。 2016年，各行各业的大数据应用都渐渐从空洞的理论落地，被专家们称为“大数据元年”。无论如何，大数据已经成为IT领域的流行趋势，那么，2017年对大多数企业具有战略意义的大数据趋势有哪些? Infogix首席执行官兼总裁表示，2017年的大数据趋势主要集中在企业如何通过大数据实现更好的商业价值，以及如何通过改善商业智能来帮助企业改变组织流程和客户体验。企业业务主管要求要有更好的数据管理来满足合规性，更快速地采用大数据和创新变革的数据分析技术来引导业务。以下分享2017年大数据领域的十大趋势预测： 1.大数据的扩散 大数据的扩散使得快速分析数据获得有价值的洞察变得至关重要，企业必须将未使用的大数据(也称为黑暗数据)转换为可用的数据。目前大数据还没有产生实质性或决定性的价值和产品，所以企业想要通过新的产品或思想在竞争中获得优势还是大有可为的。 2.使用大数据改善客户体验
https://www.wendangku.net/doc/487859575.html, 使用大数据通过从传统系统转移到供应商系统、并购和核心系统升级来改进客户体验。通过自助服务灵活性分析数据，快速了解领先趋势，同时了解新客户收购增长机会。使用大数据来更好地了解客户，以便通过交叉销售或加售来提高收入，以及通过减少客户流失来消除收入损失的风险。 3.更广泛地采用Hadoop Hadoop绝对是大数据领域的一匹黑马，现在越来越多的企业采用Hadoop做大数据存储，逆向思维，创新的Hadoop解决方案会不会是未来企业的刚需呢?利用Hadoop企业能够使用高级分析来查找大量数据，通过查找有价值信息的数据从而得出更多有利可图的决策。 4.预测分析 一方面，精确预测未来的行为和事件能够大幅提高盈利能力。另一方面，快速改进欺诈检测能够尽量减少收入风险，提高运营绩效。 5.基于云的数据分析 将数据分析迁移上云，加速了新功能的采用，将数据转变为行动。另外，数据分析迁移上云，降低了维护和操作的成本。 6.趋向于信息学和数据价值的识别 利用信息学来整合复杂数据的收集、分析和可视化，并从数据中获得价值。 7.利用数据虚拟化实现最大的商业智能
学科领域信息可视化研究--以管理信息系统领域为例[文献综述]
（2011届） 毕业论文（设计）文献综述 题目：学科领域信息可视化研究--以管理信息系统领域为例 学院：商学院 专业：信息系统与信息管理 班级： 学号： 姓名： 指导教师：
一、前言部分 随着信息的日益丰富和互联网技术的发展,如何在海量数据中获取有效信息这一问题促使信息可视化领域成为当前的研究热点之一。信息可视化（information visualization），有时也被称作数据可视化（data visualization），近几年在国际上得到了广泛的重视。所谓信息可视化，就是将抽象数据用可视的形式表示出来，以利于分析数据、发现规律和支持决策。信息可视化的一个重要分支是引文分析可视化。自从加菲尔德创立引文索引数据库以来，引文分析法越来越多地被用来进行科学结构的分析、科学技术史及其发展规律的研究、科研绩效的评价等方面。它借鉴了很多科学可视化的技术，但又不同于科学可视化。科学可视化中的数据主要是物理世界、自然科学中的数据，例如卫星传回的数据等；而信息可视化中的数据来自社会现实和社会科学的各个方面，一般是比较抽象的数据，如金融数据、商业信息、文献等。信息可视化有以下几个比较突出的优点[1]： 1 提供了一条直观理解大量数据的途径。通过可视化，能够立刻辨别出最重要的信息 2 能够查询到没有预想到的现象。 3 能够发现数据本身的问题。合适的可视化方式可以揭示出数据本身以及人为造成的数据错误。 引文分析主要运用数学和逻辑学等方法对期刊、论文、专著等研究对象的引用和被引用现象和规律进行分析，以便揭示其数量特征和内在规律[2]。因为引文分析要处理大量的抽象的引文数据，信息可视化所具备的诸多优势无疑能促进引文分析应用这项技术。因此引文分析可视化最近几年在国外得到了蓬勃的发展，已经被应用于科学史研究、科学结构分析、知识领域显现等。但我国在这方面的研究层次较低，更多的是理论上的探讨，因此分析探讨国外在这方面研究中所采取的技术与方法对我国的研究无疑具有很强的借鉴意义。 近年来，随着社会信息化的推进和网络应用的日益广泛，信息源越来越庞大。目前已进入前所未有的信息时代。我们每天都处在各种信息的包围之中，需要一种快捷有效的方式帮助我们发现隐藏在庞杂信息当中的模式和知识，帮助我们决策。可视化的目标就是帮助人们增强认知能力，此即信息可视化的意义所在。信息的日益丰富决定着未来用户界面主要是一种信息界面，就某种意义而言，信息可视化代表着下一代用户界面的方向[2]。因为引文分析
大数据文献综述
信息资源管理文献综述题目：大数据背景下的信息资源管理 系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月
大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。 关键词：大数据信息资源管理与利用 目录 大数据概念 (3) 大数据定义 (3) 大数据来源 (3) 传统数据库和大数据的比较 (3) 大数据技术 (4) 大数据的存储与管理 (4)
大数据隐私与安全 (5) 大数据在信息管理层面的应用 (6) 大数据在宏观信息管理层面的应用 (6) 大数据在中观信息管理层面的应用 (7) 大数据在微观信息管理层面的应用 (8) 大数据背景下我国信息资源管理现状分析 (9) 前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日 报》将大数据时代、智能化生产和无线网络革命称为引领未来繁荣的大技术变革.“世界经济论坛”报告指出大数据为新财富，价值堪比石油.因此，目前世界各国纷纷将开发利用大数据作为夺取新一轮竞争制高点的重要举措. 当前大数据分析者面临的主要问题有:数据日趋庞大，无论是入库和查询，都出现性能瓶颈;用户的应用和分析结果呈整合趋势，对实时性和响应时间要求越来越高;使用的模型越来越复杂，计算量指数级上升;传统技能和处理方法无法应对大数据挑战. 正文：
计算机图形学文献综述
计算机图形学论文 学号： 11001010123 专业：信息与计算科学 班级： 110010101 姓名：王俊才 指导教师：傅由甲
一．摘要 计算机图形学(Computer Graphics，简称CG)是一种使用数学算法将二维或三维图形转化为计算机显示器的栅格形式的科学。简单地说，计算机图形学的主要研究内容就是研究如何在计算机中表示图形、以及利用计算机进行图形的计算、处理和显示的相关原理与算法。计算机图形学作为计算机科学与技术学科的一个独立分支已经历了近40年的发展历程。一方面,作为一个学科,计算机图形学在图形基础算法、图形软件与图形硬件三方面取得了长足的进步,成为当代几乎所有科学和工程技术领域用来加强信息理解和传递的技术和工具。计算机图形学在我国虽然起步较晚,然而它的发展却十分迅速。我国的主要高校都开设了多门计算机图形学的课程,并有一批从事图形学基础和应用研究的研究所。在浙江大学建立的计算机辅助与图形学国家重点实验室,已成为我国从事计算机图形学研究的重要基地之一。 关键词：实现2D/3D 图形的算法，纹理映射，发展简史，发展趋势 二、计算机图形学中运用到的技术算法 (1)OpenGL 实现2D/3D 图形的算法 OpenGL（全写Open Graphics Library）是个定义了一个跨编程语言、跨平台的编程接口的规格，它用于三维图象（二维的亦可）。OpenGL是个专业的图形程序接口，是一个功能强大，调用方便的底层图形库。OpenGL是个与硬件无关的软件接口，可以在不同的平台如Windows 95、Windows NT、Unix、Linux、MacOS、OS／2之间进行移植。因此，支持OpenGL 的软件具有很好的移植性，可以获得非常广泛的应用。由于OpenGL是图形的底层图形库，没有提供几何实体图元，不能直接用以描述场景。但是，通过一些转换程序，可以很方便地将AutoCAD、3DS/3DSMAX等3D图形设计软件制作的DXF和3DS模型文件转换成OpenGL 的顶点数组。 OpenGL是一个开放的三维图形软件包，它独立于窗口系统和操作系统，以它为基础开发的应用程序可以十分方便地在各种平台间移植；OpenGL可以与Visual C++紧密接口，便于实现机械手的有关计算和图形算法，可保证算法的正确性和可靠性；OpenGL使用简便，效率高。它具有一下功能： 1.建模：OpenGL图形库除了提供基本的点、线、多边形的绘制函数外，还提供了复杂的三维物体（球、锥、多面体、茶壶等）以及复杂曲线和曲面绘制函数。 2.变换：OpenGL图形库的变换包括基本变换和投影变换。基本变换有平移、旋转、变比镜像四种变换，投影变换有平行投影（又称正射投影）和透视投影两种变换。 3.颜色模式设置：OpenGL颜色模式有两种，即RGBA模式和颜色索引（Color Index）。 4.光照和材质设置：OpenGL光有辐射光（Emitted Light）、环境光（Ambient Light）、漫反射光（Diffuse Light）和镜面光（Specular Light）。材质是用光反射率来表示。
大数据文献综述
信息资源管理文献综述题目：大数据背景下的信息资源管理系别：信息与工程学院 班级：2015级信本1班 姓名： 学号：1506101015 任课教师： 2017年6月
大数据背景下的信息资源管理 摘要：随着网络信息化时代的日益普遍，我们正处在一个数据爆炸性增长的“大数据”时代，在我们的各个方面都产生了深远的影响。大数据是数据分析的前沿技术。简言之，从各种各样类型的数据中，快速获得有价值信息的能力就是大数据技术，这也是一个企业所需要必备的技术。“大数据”一词越来越地别提及与使用，我们用它来描述和定义信息爆炸时代产生的海量数据。就拿百度地图来说，我们在享受它带来的便利的同时，无偿的贡献了我们的“行踪”，比如说我们的上班地点，我们的家庭住址，甚至是我们的出行方式他们也可以知道，但我们不得不接受这个现实，我们每个人在互联网进入大数据时代，都将是透明性的存在。各种数据都在迅速膨胀并变大，所以我们需要对这些数据进行有效的管理并加以合理的运用。 关键词：大数据信息资源管理与利用 目录 大数据概念 (2) 大数据定义 (2) 大数据来源 (2) 传统数据库和大数据的比较 (3) 大数据技术 (3) 大数据的存储与管理 (4) 大数据隐私与安全 (4) 大数据在信息管理层面的应用 (5) 大数据在宏观信息管理层面的应用 (5) 大数据在中观信息管理层面的应用 (6) 大数据在微观信息管理层面的应用 (7) 大数据背景下我国信息资源管理现状分析 (8)
前言：大数据泛指大规模、超大规模的数据集，因可从中挖掘出有价值 的信息而倍受关注，但传统方法无法进行有效分析和处理.《华尔街日 报》将大数据时代、智能化生产和无线网络革命称为引领未来繁荣的 大技术变革.“世界经济论坛”报告指出大数据为新财富，价值堪比 石油.因此，目前世界各国纷纷将开发利用大数据作为夺取新一轮竞 争制高点的重要举措. 当前大数据分析者面临的主要问题有:数据日趋庞大，无论是入 库和查询，都出现性能瓶颈;用户的应用和分析结果呈整合趋势，对 实时性和响应时间要求越来越高;使用的模型越来越复杂，计算量指 数级上升;传统技能和处理方法无法应对大数据挑战. 正文： 大数据概念 大数据定义 维基百科对大数据的定义则简单明了:大数据是指利用常用软件工具捕获、管理和处理数据所耗时间超过可容忍时间的数据集。也就是说大数据是一个体量特别大，数据类别特别大的数据集，并且这样的数据集无法用传统数据库工具对其内容进行抓取、管理 大数据来源 1)来自人类活动:人们通过社会网络、互联网、健康、金融、经济、交通等活动过程所产生的各类数据，包括微博、病人医疗记录、文字、图形、视频等
基于微课的近五年研究的文献综述
基于微课近五年研究成果的研究 摘要：本文从微课的内涵与特点、微课的研究状况、微课翻转课堂、微课的质疑对微课的研究状况进行了近5年的分析。对微课的认识由形式到内容、由片面到全面、由感性到理性、不断丰富和发展的过程；学术界对微课的研究也是呈逐年增长的趋势；微课和翻转课堂共同作用可以充分发挥学生在学习中的主体作用；微课热是暂时的,微课却是长期的，因为微课符合了网络时代学习碎片化的需要。 关键词：微课；内涵与特点；研究状况；翻转课堂； 二十一世纪，互联网技术迅猛发展，方便快捷的移动设备广泛普及。与此同时，现代社会人们对学习方式的多元化需求不断增长。以高科技产品为传播媒体、能满足任何人随时随地学习的微课，便应运而生。 然而微课并非中国本土产物，而是“舶来品”2011年，中国广东省佛山市举办了中小学微课设计与制作大赛。佛山教育局在大赛中首次正式给出“微课”概念。2011年，“佛山市中小学优秀微课作品展播平台”和“微课网”创立，微课自此开启了在实践层面上的建设与发展。2014年举办的中国外语微课大赛，全国已有28个省筹备参与。由此可见，微课的影响已经由广州一省逐步扩展到河北、河南、四川、云南、江西、浙江、内蒙、辽宁、广西、海南、山西等多省及北京、重庆、上海和天津市。微课在中国通过短短的几年时间，经历了由区域到全国、由中小学到高校的发展趋势演变，内容所涉及的学科也越来越丰富。对微课研究也成了学术界一个很热的话题，介于此，我想从学者们对微课的解读、微课的研究状况、微课的发展课堂的理论研究以及对微课的理解的误区探讨近些年来学者们对微课的研究。 （一）微课的内涵与特点 微课又称微课例或微课堂，主要以视频的方式记录课堂某学科知识点的教与学，此外还包括与其相关的教学设计、课件素材、教学反思、练习测试、学生反馈、专家同行点评等多种教学辅助资源。一个“微”字就可以说明微课的关键所在。“微”字意味着微课的上课时间短，而时间的短暂决定了课堂的学习内容少而精。 微课是个“舶来品”，国内对微课内涵的认识经历了一个循序渐进的过程。胡铁生是教育硕士，中学电教高级教师。他2012年起担任全国中小学教师微课大赛评委，专注于微课等领域的实践与研究。他在2011年、2012年和2013年三个不同时期分别给出了微课的定义： （1）2011年，胡老师把微课定义为“以教学视频为载体，针对某个知识点或教学环节，而开展的各种教学资源的有机结合体。 （２）2012年，他定义微课是包含与教学相配套的“微教案”“微练习”“微课件”“微反思”及“微点评”等支持性、扩展性资源的新型网络课程资源。（３）2013年，胡老师定义微课是“基于网络运行的、不受时空限制的微型网络课程资源。” 通过把胡铁生老师不同时间对微课的定义进行对比，可以发现，从2011年到2013年，以胡老师为代表的微课研究专家们对微课的认识由最初的把微课定义为
大数据可视化理论及技术
大数据可视化理论及技术 （一）大数据可视分析综述 可视分析是大数据分析的重要方法。大数据可视分析旨在利用计算机自动化分析能力的同时，充分挖掘人对于可视化信息的认知能力优势，将人、机的各自强项进行有机融合，借助人机交互式分析方法和交互技术，辅助人们更为直观和高效地洞悉大数据背后的信息、知识与智慧。主要从可视分析领域所强调的认知、可视化、人机交互的综合视角出发，分析了支持大数据可视分析的基础理论，包括支持分析过程的认知理论、信息可视化理论、人机交互与用户界面理论。在此基础上，讨论了面向大数据主流应用的信息可视化技术——面向文本、网络(图)、时空、多维的可视化技术。同时探讨了支持可视分析的人机交互技术，包括支持可视分析过程的界面隐喻与交互组件、多尺度/多焦点/多侧面交互技术、面向Post-WIMP的自然交互技术。最后，指出了大数据可视分析领域面临的瓶颈问题与技术挑战。
（二）大数据分析工具 大数据是一个含义广泛的术语，是指数据集，如此庞大而复杂的，他们需要专门设计的硬件和软件工具进行处理。该数据集通常是万亿或EB的大小。这些数据集收集自各种各样的来源：传感器，气候信息，公开的信息，如杂志，报纸，文章。大数据产生的其他例子包括购买交易记录，网络日志，病历，军事监控，视频和图像档案，及大型电子商务。 在大数据和大数据分析，他们对企业的影响有一个兴趣高涨。大数据分析是研究大量的数据的过程中寻找模式，相关性和其他有用的信息，可以帮助企业更好地适应变化，并做出更明智的决策。大数据分析的常用工具通常有以下介绍的几种。 4.2.1Hadoop Hadoop是一个能够对大量数据进行分布式处理的软件框架。但是Hadoop是以一种可靠、高效、可伸缩的方式进行处理的。Hadoop是可靠的，因为它假设计算元素和存储会失
大数据外文翻译参考文献综述
大数据外文翻译参考文献综述 (文档含中英文对照即英文原文和中文翻译) 原文： Data Mining and Data Publishing Data mining is the extraction of vast interesting patterns or knowledge from huge amount of data. The initial idea of privacy-preserving data mining PPDM was to extend traditional data mining techniques to work with the data modified to mask sensitive information. The key issues were how to modify the data and how to recover the data mining result from the modified data. Privacy-preserving data mining considers the problem of running data mining algorithms on confidential data that is not supposed to be revealed even to the party
running the algorithm. In contrast, privacy-preserving data publishing (PPDP) may not necessarily be tied to a specific data mining task, and the data mining task may be unknown at the time of data publishing. PPDP studies how to transform raw data into a version that is immunized against privacy attacks but that still supports effective data mining tasks. Privacy-preserving for both data mining (PPDM) and data publishing (PPDP) has become increasingly popular because it allows sharing of privacy sensitive data for analysis purposes. One well studied approach is the k-anonymity model [1] which in turn led to other models such as confidence bounding, l-diversity, t-closeness, (α,k)-anonymity, etc. In particular, all known mechanisms try to minimize information loss and such an attempt provides a loophole for attacks. The aim of this paper is to present a survey for most of the common attacks techniques for anonymization-based PPDM & PPDP and explain their effects on Data Privacy. Although data mining is potentially useful, many data holders are reluctant to provide their data for data mining for the fear of violating individual privacy. In recent years, study has been made to ensure that the sensitive information of individuals cannot be identified easily. Anonymity Models, k-anonymization techniques have been the focus of intense research in the last few years. In order to ensure anonymization of data while at the same time minimizing the information
信息检索可视化文献综述
信息检索可视化文献综述 ［摘要］本文运用统计、比较方法对近几年我国研究信息检索可视化的相关著作和论文进行了统计研究，描述了信息检索可视化研究的主要内容，归纳了信息检索可视化研究的热点。 ［关键词］信息检索；可视化;面临的问题；展望 1 前言 随着网络技术的发展和信息量的激增，信息检索越来越受到人们的关注。而传统的信息检索大多集中在关键字匹配方面，对其语义的处理涉及的不多。因此，虽然有较高查全率，但查准率却不高，同时无法实现人机交互。对于互联网这样一个分布的信息空间，采用人工智能方法是实现人机交互学习的一种较好的方法：它可以代替人来完成繁杂的信息收集、过滤、聚类等任务，实现信息检索系统的智能化。 2 信息检索可视化研究方向与状况 近几年，国内关注信息检索可视化的专家学者也逐渐增多。现在已经有越来越多学者关注面向网络及大规模信息资源的检索可视化技术、各个具体领域的可视化、各种算法的改进等具体问题。国内现今对于信息检索可视化的研究主要体现三个方面： 2.1 理论探讨 理论探讨主要是对国外现有的信息检索可视化基本原理和基本技术的引入式学习。李春旺分析了国外三个具有代表性的可视化信息系统，FilmFinder、CoBrowse及WA V系统。最后阐述了当前信息检索可视化研究的主要任务及今后的发展趋势。文燕平在总结分析了已有信息检索可视化系统的基础上，提出了WWW信息检索可视化的一般原理，并指出信息检索可视化的实现需要始终坚持以支持信息检索为目标的原则。张学福在文中论述了信息检索可视化的基本问题，包括：信息检索模型、信息内容描述、可视化映射技术、可视化显示技术、全局映射与局部映射、实时可视化和人工参与的可视化等。 2.2 技术开发
大数据云计算文献综述
大数据云计算文献综述 一个大数据的调查 摘要：在这篇论文中，我们将回顾大数据的背景以及当前发展状况。我们首先介绍大数据的一般应用背景以及回顾涉及到的技术，例如：云计算、物联网、数据中心，以及Hadoop。接下来我们着重大数据价值链的四个阶段，也就是：数据生成，数据采集，数据存储和数据分析。对于每个阶段，我们介绍应用背景，讨论技术难题以及回顾最新技术。最后，我们介绍几个大数据的代表性应用，包括企业管理，物联网，在线社交网络，媒体应用，集成智慧，以及智能电网。这些讨论旨在提供一个全面的概述以及对读者感兴趣的领域的蓝图。这个调查包括了对开放问题和未来方向的讨论。 关键字大数据云计算物联网数据中心Hadoop 智能电网大数据分析 1、背景 1.1大数据时代的曙光 在过去的二十年，数据在各种各样的领域内爆炸式增长。按照2011年来自国际数据公司（IDC）的报告，世界上总共的创建及复制的数据量达到1.8zb,在五年内增长了大约九倍[1]。在未来这个数字至少每两年增加一倍。在全球数据的爆炸增长下，大数据这个词主要来描述巨大的数据集。与传统的数据集相比，大数据通常包括非结构化数据，这需要更实时的分析。 另外，大数据也能在发现新价值上带来新优势，帮助我们帮助我们获得一个深入隐藏价值的认识，也导致新挑战，例如，如何有效地组织和管理这样的数据集。
近日，行业产生兴趣的大数据的高潜力，许多政府机构公布主要计划加快大数据的研究和应用[2]。此外，大数据问题往往覆盖在公共媒体，如经济学[3，4]，纽约时报[5]，和全国公共广播电台[6,7]。这两个主要的科学期刊，Nature和Science，还开通了专栏讨论大数据的挑战和影响[8,9]。大数据的时代已经到来超越一切质疑[10]。 目前，与互联网公司的业务相关联的大数据快速增长。例如，谷歌处理的数据达数百拍字节（PB），Facebook的生成日志数据每月有超过10 PB，百度一家中国公司百度，业务流程有数十PB的数据，而阿里巴巴的子公司淘宝每天的网上交易产生几十太字节（TB）的数据。图1示出的全球数据量的热潮。当大型数据集的数量急剧上升，它也带来了许多具有挑战性的问题，解决方案如下： 图一、持续增长的数据 信息技术的最新发展（IT）使其更容易以产生数据。例如，每分钟有平均72个小时的视频上传到YouTube[11]。因此，我们面临的主要挑战是从广泛分布的数据源中收集和整合大量的数据。 云计算和物联网（IOT）的快速发展进一步促进数据的大幅增长。云计算提供了安全措施，访问网站以及数据资产的渠道。在物联网的典范，遍布世界各地的传感器正在收集和传送数据到云端进行存储和处理。这样的数据在数量和相互关系将远远超过对IT架构和现有企业的基础设施的能力，以及它的实时要求也将极大地强调可用的计算能力。日益增长的数据造成怎样在当前硬件和软件的基础上存储和管理如此庞大的异构数据集的问题。
虚拟现实文献综述
《VRML虚拟现实技术在数字校园系统中应用研究》文献综述 摘要：教育部在一系列相关的文件中，多次涉及到了数字校园，阐明了数字校园的地位和作用。虚拟数字校园模拟真实世界，提供了一个生动的校园空间。将虚拟现实技术应用在数字校园系统的开发，有助于大学自身的宣传和信息的高度集中、配置和互动。它在数字校园的应用，可以大大提高校园展示效果，也能够体现校园个性方面的优势，对校园今后的推广及展示带来非常大的帮助 关键词：虚拟现实；数字校园；基本概况 前言 教育部在一系列相关的文件中，多次涉及到了虚拟校园，阐明了虚拟校园的地位和作用。建设虚拟三维数字校园可以比较直观的了解校园的各个区域，在这个三维的校园里，空间次序的视觉理解和感知变得非常容易，使浏览者对校园环境产生身临其境的感觉[1]，其中的教学楼、实验楼、图书馆、宿舍楼、食堂、道路及绿化地带和种植的植物，都栩栩如生的呈现在我们的眼前，三维虚拟校园模拟真实世界，提供了一个生动的校园空间。三维虚拟校园可直接嵌入到大学的网站，直接通过网络浏览器察看，其丰富的、人性化的信息查询等功能，有效提高大学的美誉度，有助于大学自身的宣传和信息的高度集中、配置和互动。三维虚拟校园的直观特性，可以优化领导管理，对于校园信息管理、校园规划、建设等能够全局掌控。 一、虚拟现实技术的发展状况的研究 虚拟现实（Virtual Reality）技术是20世纪90年代初崛起的一种实用技术，它由计算机硬件、软件以及各种传感器构成三维信息的虚拟环境，可以真实地模拟现实中能实现的物理上的、功能上的事物和环境[2]。在虚拟现实环境中可以直接与虚拟现实场景中的事物交互，产生身临其境的感受，从而使人在虚拟空间中得到与自然世界同样的感受。该技术的兴起，为科学及工程领域大规模的数据及信息提供了新的描述方法。虚拟现实技术大量应用于建筑设计及其相关领域，该技术提供了“虚拟建筑”这种新型的设计、研究及交流的工具手段[3]。 在虚拟现实的发展过程中总结出虚拟现实系统应具有以下四个特征：（1）多感知性。指除一般计算机所具有的视觉感知外，还有听觉感知、触觉感知、运动感知、甚至还包括味觉、嗅觉、感知等。理想的虚拟现实应该具有一切人所具有的感知功能。（2）存在感。指用户感动作为主角存在于模拟环境中的真实程度。理想的模拟环境应该达到使用户难辨真假的程度。（3）交互性。指用户对模拟环境内物体的可操作程度和从环境得到反馈的自然程度。（4）自主性。指虚拟环境中物体依据现实世界物理运动定律动作的程度[4]。 虚拟现实技术自诞生以来，其应用一直受到科学界、工程界的重视，并不断取得进展，虚拟现实蕴藏的技术内涵与艺术魅力不断地激发着人们丰富的想象思维和创造的热情。从本质上讲，虚拟现实技术就是一种先进的人机交互技术[5]，其追求的技术目标就是尽量使用户与电脑虚拟环境进行自然式的交互。因此，虚拟现实技术为我们架起了一座人与数字世界沟通的桥梁。 二、虚拟现实技术在数字校园系统的应用解析 目前，数字校园存在有2个定义，并分别带来不同的研究与实践。一种定义是从信息、网络和媒体技术发展角度，数字校园被理解为一个以计算机和网络为平台的、远程教学为主的信息主体；另一个事从因特网、虚拟现实技术、网络虚
文献综述-树木可视化
1.2.1 树木三维可视化模拟技术 目前，用于构造植物形态结构的计算机模型很多，大致可分为3大类：第1类模拟用于生成仅从视觉上近似于植物的计算机图形，注重视觉效果的逼真性，而不是植物学理论的真实性；第2类模型称为静态结构模型，是利用三维数字化方法测定具体植物的形态结构后直接应用这些数据构造特定植物的形态模型；第3类模型是动态结构模型，能模拟植物的动态生长过程（郭焱等，2001；刘兴龙等，2008）。有关树木形态生长可视化模拟的建模方法主要有以下几种：分形法（L系统、IFS法、DLA模型法）、几何结构法、粒子系统法、随机过程法和特征综合推理法。 （1）分形法 理论生物学家Lindenmayer提出了著名的基于文法、侧重于植物拓扑结构的L系统（Lindenmayer，1968）；Mech与Prusinkiewicz提出了所谓的“开放式（open）L系统”；为了模拟植物的连续生长过程，Prusinkiewicz等还提出了时变L系统。为了能够进一步应用微分方程表示植物的连续变化过程，Prusinkiewicz等又提出了微分L系统。加拿大Calgary大学的Prusinkiewiez等人，以L系统为植物形态结构的描述框架，开发了Vlab虚拟植物系统（Prusinkiewiez，1975）。李大锦、徐盛、袁震东等人应用L系统算法来模拟树木在不同环境下的生长状况（李大锦，2007）。 L系统经过不断的发展，已经成为一种应用广泛、功能强大的植物模拟方法，它强 调计算机图形学与植物生长机理的结合。但是，这种方法也存在着一些缺陷。一方面，L系统生成一个字符发展序列是一个并行迭代过程，这和植物并行生长的特征相吻合。基于这个特点，用L系统模拟植物的生长，提取其生长规则是关键，由于高大植物的生长规则不易提取，所以L系统不能很好的模拟高大植物；另一方面，在L系统具体编程实现时，形式语言的表示方法比较复杂，而且由于在产生式中同时描述植物的几何结构信息和拓扑信息，理解和使用也比较困难。 迭代函数系统IFS（Iterated Function System）是分形几何中的重要研究内容之一。Barnsley和Demko用IFS方法生成了具有极强自相似特征的蕨类植物叶片（Barnsley，1985）。马石安、陈传波对基于迭代函数的树木模拟方法进行了探索。李庆忠、韩金姝探讨几种基于IFS的彩色树木模拟技术，以及随机因素和迭代概率对树木形态的影响（李庆忠，2004）。祁燕等采用IFS方法和随机参数化方法，构造出三维桃树和枫树的模型（祁燕，2005）。仲
大数据时代 文献综述
智慧时代下大数据技术在教育 领域的应用研究综述 姓名：李欢欢学号：2012221111120004 一、前言 大数据是近年来出现在通信和计算机领域中的一个热门关键词。关于大数据，尚未有一个统一的定义，但却有两个观点能够诠释大数据的本质。第一个观点来自于Gartner公司的Merv Adrian在2011年第一季度刊登在Teradata Magazine上的一篇文章，文中指出“数据超出了常用硬件环境和软件工具在可接受的时间内为其用户收集、管理和处理数据的能力”[1]。另一个观点来自于麦肯锡全球数据分析研究所(Mckinsey Global Institute)在2011年6月发布的《大数据：创新、竞争和生产力的下一个前沿》报告，报告中提出“大数据是指大小超出了典型数据库软件工具收集、存储、管理和分析能力的数据集”[2]。麦肯锡称：“数据，已经渗透到当今每一个行业和业务职能领域，成为重要的生产因素。人们对于海量数据的挖掘和应用，预示着新一波生产率增长和消费者盈余浪潮的到来。” 大数据已经深刻地影响到人们的生活、工作和学习。大数据的意义在于对由多种类型数据构成的数据集体进行分析和研究，提取有利用价值的信息，从而帮助人们在解决问题时可以作出科学的决策。同样大数据的威力强烈地冲击着教育系统，正在成为推动教育系统创新与变革的颠覆性力量。 二、大数据技术在教育领域的应用现状分析 1 大数据定义与特征 大数据（bigdata），又称巨量资料，海量资料，指的是所涉及的资料量规模巨大到无法透过目前主流软件工具，在合理时间内达到撷取、管理、处理并整理成为帮助企业经营决策更积极目的的资讯。研究机构Gartner[3]认为“大数据”是需要新处理模式才能具有更强的决策力、洞察发现力和流程优化能力的海量、高增长率和多样化的信息资产。麦肯锡的定义：大数据是指无法在一定时间内用传统数据库软件工具对其内容进行采集、存储、管理和分析的数据集合。无论哪种定义，我们可以看出，大数据并不是一种新的产品也不是一种新的技术，大数据只是数字化时代出现的一种现象。 大数据的主要特点可以概括为4V+1C。4V包含了四个层面：第一，即V olume（大容量），海量数据，规模庞大，已跃升到PB 级别；第二，Velocity（高速度），实时处理，处理速度快，涉及感知、传输、决策、控制开放式循环的大数据，数据实时处理有着极高要求，通过传统数据库查询方式得到的“当前结果”可能已没有价值，这也是大数据和传统的数据挖掘技术本质上的不同；第三，Variety（多样性），数据类型繁多：网络日志、视频、地理位置信息、图片等都是大数据；第四，Veracity（低密度），数据价值大，但价值密度低。对海量数据挖掘分析，对未来趋势与模式的可预测分析，深度复杂分析；“1C”即Complexity，是通过数据库处理持久存储的数据不再适用于大数据处理，需要有新的方法来满足异构数据统一接入和实时数据处理的需求[4]。 2 国内研究现状 对于“智慧时代下大数据技术在教育领域的应用”国内研究的现状，我主要通过借助中国知网提供的论文发表数据进行分析。在中国知网中选择“高级检索”类型，并在检索条件中选择“主题”检索，输入“大数据”并含“教育”，截止到2014年4月17日共检索出303 条结果与之相关，通过手工筛选，把会议报道等无关信息剔除掉，剩余160篇文章。 大数据在教育领域的应用，与国外相比，国内起步稍晚，还未形成整体力量。虽然2009年开始，大数据就成为了流行词汇，但是它在教育领域的应用是近3年才出现的。国内最早
大数据的经济学研究文献综述
大数据的经济学研究文献综述 摘要： 本文从大数据背景下的经济学研究出发，分析了大数据背景下对传统经济学所带来的冲击和挑战，以及大数据在经济学中的应用。大数据的应用给传统经济学带来了全新的方法，更重要的是，大数据给传统经济学带了全新的视角。 【关键词】大数据；大数据经济学；传统经济学；挑战 Abstract This article analyzed the big data which bring a big impact and challenges on the traditional economics under the background of big data, as well as the big data applications in economics. Big data’s applications has brought a new approach to traditional economics, more importantly, big data has brought a new perspective of traditional economics. 【Key words】big data; big data economics; traditional economics; challenges 1国外关于大数据经济学问题的探讨现状 对于大数据的概念，企业和学术界目前尚未形成公认的准确定义。维基百科的定义：大数据指的是所涉及的资料量规模巨大到无法通过目前主流软件工具，在合理时间内达到撷取、管理、处理并整理成为帮助企业经营决策目的的资讯。麦肯锡的定义：大数据是指无法在一定时间内用传统数据库软件工具对其内容进行采集、存储、管理和分析的数据集合。Dumbill ( 2012)采用IBM 公司的观点，认为大数据具有“3V”特点，即规模性( Volume ) 、多样( Variety ) 、实时性( Velocity) 。以IDC 为代表的业界认为大数据具备“4V”特点，即在3V 的基础上增加价值性( Value) 。权威IT 研究与顾问咨询公司Gartner将大数据定义为“在一个或多个维度上超出传统信息技术的处理能力的极端信息管理和处理问题。美国国家科学基金会( NSF) 则将大数据定义为“由科学仪器、传感设备、互联网交易、电子邮件、音视频软件、网络点击流等多种数据源生成的大规模、多元化、复杂、长期的分布式数据集”。 维克托（2013）赞同许多物理学家的看法，认为世界的本质就是数据。因此，大数据时代的经济学、政治学、社会学和许多科学门类都会发生巨大甚至是本质上的变化和发展，进而影响人类的价值体系、知识体系和生活方式。
可视化注塑模具设计【文献综述】
毕业设计开题报告 机械设计制造及自动化 可视化注塑模具设计 一、前言 1.1工程背景 人类社会的进步与材料的使用密切相关。其中塑料是20世纪才发展起来的一类新型材料，是高分子材料中最大的一类，由于塑料具有品种多、性能各具特色、适应性广等优点，而且生产塑料所消耗的能量低，因此塑料工业的发展保持着旺盛的势头。目前，注塑成型技术己经广泛的应用到了塑料制品的生产中[1],其中占很大比例的塑料制品是采用此项技术制成的。虽然注塑成型技术已经是一项比较成熟的技术，但是随着注塑制品在家电、汽车等高科技领域的应用，对制品的质量、性能及产品更新换代提出了更高的要求。但是高质量高精度高灵敏度的严格要求成为阻止塑料制品快速进入这些高尖领域的限制和束缚，如何提高注塑制品质量和性能成为该领域的重要研究课题。注塑成型过程是一个高度非线性、时变性的多参数作用过程。由于此过程具有多个参数相互作用并随时间变化的特性，所以每个参数对最后制件质量的优劣都具有不同程度的影响。为了减少最终制件的质量缺陷、提高生产质量，需要对整个成型周期中工艺参数的值进行检测控制，使对最终制件质量影响较大的工艺参数值能保持在最佳的工艺窗口内，从而确保最终制件质量达到最优[2]。 高分子材料的成型方法主要有挤出成型、注塑成型、吹塑成型、压延成型、压制成型等，其中，注塑成型因可以生产和制造形状较为复杂的制品、易于与计算机技术结合、易于实现自动化生产等优点，在高分子材料的成型加工中占有极其重要的位置[3]。注塑成型可以一次成型结构复杂的制品,应用很广[4],但由于材料、成型工艺、模具设计、制品设计及设备等各方面的影响,注塑制品常会出现各种表观缺陷,如:填充不足、凹陷与缩痕、变色与暗纹、熔接痕、银丝与剥层、乱流纹与喷射痕、无光泽与光泽不均匀、翘曲变形、表面划伤与龟裂等[5]。