第一篇：學科前沿講座 心得

學科前沿講座報告

郝倚天 2011021142

報告人：電子工程學院 張福貴老師 地點：1104 時間：2014年12月1日（星期一）14:00 本次講座，張老師首先介紹了氣象雷達的發展歷史，接著介紹了相控陣雷達的相關情況，最后詳細介紹了數字信號處理在氣象雷達中的應用。

一、氣象雷達發展概況

美國在80年代初開始研制全相干脈沖多原普勒天氣雷達，1988年開始批量生產，并由此組成的美國下一代天氣雷達網(NEXRAD)作為美國氣象現代化的重要組成部分開始實施。WSR-88D多普勒天氣雷達不僅提高了探測能力，還具備了獲取風場信息的功能，并提供了豐富的監測和預警產品。2000年NEXRAD業務布網完成，包括了158部業務雷達，分布在美國本土以及近海和島嶼，雷達間的最大距離為250海里。NEXRAD網的布設，大大提高了對災害性天氣，尤其是暴雨的預報能力，對龍卷形成前奏-中尺度氣旋和機場附近的下擊暴流的識別具有特殊的能力。上世紀末，美國開始NEXRAD Open System的改進工作，重點在雙線偏振技術的引入和數據網絡結構的改進。計劃在2010年完成WSR-88D雷達的雙線偏振雷達改造。

加拿大自1998起的6年時間內完成了“國家多普勒雷達計劃”，主要沿人口密集、災害性天氣頻發并造成巨大災害的海岸線布設了30部多普勒雷達，其中11部多普勒雷達是完全新建的，其余19部則是原有的常規雷達翻建成具有多普勒雷達功能的。雷達的有效探測距離為240 km，多普勒模式下為120 km。目前加拿大正在進行將多普勒模式下的作用距離加大到240 km的技術開發。雷達網的建成，使得對龍卷的預報從幾乎不可能到提前15~20 min，對風暴位置和雨雪量級做出了比以前更為準確的預報。歐洲國家由于國土緊密相連，采取聯合方式建立雷達網，使雷達探測資料在天氣預報中得到充分利用。從1970年代后期，歐盟COST-72(Cooperative in Science and Technology Project 72)項目開始實施并持續了6年，至1980年代中后期的COST-76項目，歐洲形成了世界上兩大雷達網之一，共有130多部雷達，其中一半具有多普勒雷達能力，并建立了風廓線雷達網，進行歐洲大面積降水監測和風廓線觀測。COST717項目的主要目的是對先進的雷達信息進行評估、演示和記錄，如將徑向速度、垂直風廓線、反射率、估算出的降水等作為參數，對數值天氣預報和水文模式進行評估。

二、相控陣天氣雷達

相控陣多普勒天氣雷達，主要優勢是可以提高獲取資料的時間分辨率、進一步提高探測能力。一般雷達均基于機械掃描體制，這種掃描方法一般在6 min內完成14層的掃描，對于快速變化的中小尺度天氣過程如冰雹、龍卷、微下擊暴流、風切變等過程，用這種傳統的方法很難同時滿足高時空分辨探測天氣過程三維結構和發展演變的需求。

相控陣天氣雷達快速而精確地轉換波束的能力使該雷達能夠在1 min內完成全空域的掃描，同時獲取大量的氣象信息。所采用的陣列天線是由大量相同的輻射單元組成的孔徑，每個單元在相位和幅度上是獨立控制的，能得到精確可預測的輻射方向圖和波束指向。若干個固態發射機通過功分網絡將能量分配到每個天線單元，移相網絡又控制每個天線單元的初相位，通過大量獨立的天線單元將能量輻射出去并在空間進行功率合成。接收時，各天線單元將接收到的目標回波信號進行相位相加進入接收機。回波信號經接收機放大、濾波后進入信號處理機進行多種模式的信號處理。對信號處理機提取的氣象數據進行二次處理得到氣象預報需要的氣象要素資料。相控陣天氣雷達具有常規天氣雷達所不具有的許多優點：可以實現跳躍式電掃描波束和天線方向圖形狀的自適應控制，從而實現多功能探測能力；可充分地將雷達時間和能量資源應用于微弱目標探測能力、目標數據率、分辨率、精度等等技術性能上，因而具有能對付多目標、機動性強、反應時間短、功能多、數據率高、抗干擾能力強、可靠性高等特點。相控陣雷達跟蹤孤立的目標是成熟的，但相控陣天氣雷達對分布體目標的強度場和速度場的探測能力有待研究；即使是技術上可行，相控陣天氣雷達的陣面天線造價十分昂貴，近期在發展中國家難以實現業務化和組網。

三、數字信號處理的應用

雷達信號處理則是為完成雷達數字信號檢測和信息提取功能所采取的實施手段。物體的反射回波是微弱的高頻信號,經過變頻、放大和濾波等處理變成具有一定強度的模擬信號（時間上連續，幅度上可為任意實數值）。數字處理須采用模擬-數字轉換器,把模擬信號轉換成為數字信號（時間上離散，幅度上分層），然后進行各種運算和處理。早期的雷達信號處理，幾乎全部是模擬的。50年代出現利用計算機進行信號處理的雷達系統。這是雷達數字信號處理的開端，功能還僅限于自動檢測。

同模擬信號處理相比，采用數字信號處理的優點是：①把許多功能綜合設計在一部處理機中，可以根據外來指令或預先編好的程序靈活地選擇和組合使用。②精度僅與字長有關，不像模擬處理那樣，性能與使用人員的調整有關，因此性能穩定可靠。③有利于高速大規模集成電路的應用，從而可使信號處理機的重量減輕和體積縮小。同其他領域的數字信號處理相比，雷達數字信號處理的特點是信號帶寬大,因而采樣率高,并且實時輸出。因此，單位時間內的處理量（或稱吞吐率、解題率）極大。

數字轉換器把模擬視頻信號轉換成數字信號,從原理上可分為三個步驟，即采樣、保持和分層。在脈沖雷達中，數字信號處理可劃分為周期內處理和隔周期處理兩大部分。周期內處理是指對一個周期之內的回波脈沖進行匹配或最佳濾波處理，使單個脈沖的信-噪比達到最大;隔周期處理是指對多個周期中回波脈沖串的復包絡進行匹配或最佳濾波處理，使整個脈沖串中某時刻的信－噪比達到最大。對于周期內處理，采樣周期應小于或等于測時延（距離）的分辨單元。對于隔周期處理，采樣周期可以長達一個重復周期。

數字信號處理可分為四類，即線性非時變、線性時變、非線性非時變和非線性時變。在理論上最容易解決的是線性非時變型的處理。這一類型的模擬處理用線性常系數微分方程描述，從而可以用傅里葉級數或傅里葉變換求解。同樣，這一類型的數字處理可以采用線性常系數差分方程描述,從而可以用Z變換或離散傅里葉變換求解。

采用狀態變量法解決線性時變型數字處理的分析問題效果較好。這種方法尤其適用于利用電子計算機進行仿真分析。關于含有非線性性質的數字處理，只能對特定問題進行計算機仿真計算，而不能應用疊加原理。

信號處理方法有兩種，一種是信號依次進入而形成信號流，另一種是執行完一條指令再執行下一條指令，形成指令流。雷達中的數字信號處理機可采用這兩種方法中的任一種，也可以兼用兩種方法。一般來說，采樣速度高而功能較簡單者宜用前者；采樣速度較低而功能復雜者則宜采用后者。

第二篇：學科前沿講座心得

桂林電子科技大學 學科前沿技術講座

心得體會

學號：10203110

5姓名：劉瑞

指導教師：王沖

專業名稱：計算機應用技術

所屬學院：計算機科學與工程學院

成績：

近年來，數據挖掘引起了信息產業界的極大關注，其主要原因是存在大量數據，可以廣泛使用，并且迫切需要將這些數據轉換成有用的信息和知識。獲取的信息和知識可以廣泛用于各種應用，包括商務管理，生產控制，市場分析，工程設計和科學探索等。

機器學習和數據挖掘這些年一直是計算機應用方面研究的重點和熱點，首先要了解什么是數據挖掘，簡單地說，數據挖掘是從大量數據中提取或“挖掘”知識。我一直對這方面的知識頗感興趣，這學期學院開設的學術前沿講座的課程，很有幸聽到了文益民教授對于自己在機器學習和數據挖掘方面研究的講座，讓我對這些知識有了深入淺出的理解，受益匪淺。

12月5號，文益民教授做了題為“大規模數據的分類”的講座，在講座的最開始，文教授提到了戈登·德萊頓《學習的革命》一書，皆在指導我們如何積累知識如何思考如何學習如何去做研究，具有拋磚引玉的指導意義。在這之后，又對了解機器學習和數據挖掘首先要了解的知識做了簡要的說明，比如對于問題的分類是分為線性問題和非線性問題；比如聚類的含義是將物理或抽象對象的集合分成由類似的對象組成的多個類的過程；比如對于這個世界上計算機的分類可以只分成工人（maker）和思考者（thinker）兩類。至此正式進入問題的討論。

對于這次講座，文教授從四個方面進行了講授。第一，實際應用中的大規模數據分類問題。第二，大規模數據給機器學習帶來的挑戰。第三，大規模數據分類算法的研究。第四，展望發展前景。文教授主要是在第三點中做了很多工作也取得了可喜的成績。

在機器學習的實際應用中，大規模數據分類問題一般會應用在以下幾個方面，在高速高精度的工業圖像檢測方面，在專利分類方面，在生物信息數據快速增長方面，在支持向量機參數選擇方面。

大規模數據給機器學習帶來的問題有：

1、算法一般不是收斂太慢就是難以收斂，訓練時間過長。

2、海量數據無法一次裝入內存。

3、算法可靠性得不到保證。

4、已經訓練好的學習器遇到心得訓練樣本時需要重新訓練。

在最重要的部分，文教授提到了幾個重要的研究方法，包括算法，這里面包含有：

1、基于并行計算的算法，2、以并行計算方法求解工作集方法中每個迭代步中二次規劃的子問題，3、Meta-learning，最小最大模塊化支持向量機以及快

速模塊化支持向量機，4、Cluster-SVM，Cluster-based-SVM，Cascade-SVM。文教授在第三和第四點中都有自己的工作和貢獻，在第三點中，他提出了分類面拼接算法，在第四點中，提出了分層并行支持向量機訓練算法。對于分類面拼接算法我進行了比較仔細的了解，并下載閱讀了文教授于2009年3月份在湖南大學學報上發表的論文“基于分類面的快速模塊化支持向量機研究”，對于分類面拼接算法有了初步的研究，下面說說我對這個算法的理解。

信息采集和信息處理技術的快速發展導致了諸如公共健康數據、信用交易數據、國家經濟普查數據、網絡文本數據和地理信息數據等大規模數據集的產生。由于訓練時間很長和空間需求很大，現有的大多數機器學習算法很難被直接用于大規模數據的機器學習。

這個算法是針對大多數現有的機器學習算法處理大規模問題時需要的訓練時間很長和存儲空間很大的難點而提出的，英文名是psfnr SVMs，在訓練階段，psfm2SVMs采用一簇平行超平面對大規模問題實施軟劃分，然后針對每個子問題并行訓練支持向量機。在測試階段，測試樣本坐落于哪個子問題所在空間中，就由該子問題訓練的支持向量機給出判別結果。在4個大規模問題上的實驗表明:與采取硬劃分的快速模塊化支持向量機(fm2SVMs)相比，軟劃分能夠使psfm2SVMs得到更加光滑的分類面，因而ps2fm2SVMs的泛化能力較高。在不增加訓練時間的條件下，psfm2SVMs減少了由于訓練集分割導致的分類器泛化能力下降。

支持向量機方法的本質是在訓練集的一個高維像空間中尋找最大間隔分類超平面，這個分類超平面對應于訓練集所在空間的一個光滑曲面。如果采用訓練集分割的方法，將這個光滑曲面分段求出，然后進行連接，就可以得到這個光滑曲面的近似曲面。

該算法使用平行超平面簇對訓練集實施軟劃分，使得拼接后的分類面相比fm2SVMs得到的分類面更光滑，更接近最優分類曲面。因而，psfm2SVMs 的泛化能力比fm2SVMs的泛化能力要高。在并行條件下，兩者的訓練時間和測試時間相同。在多核計算技術快速發展的今天，本文提出的算法，提供了一種可行的并行機器學習框架，對于研制高速高精度的機器學習算法具有一定的借鑒意義。未來計劃研究隨機向量w的方向對psfm2SVMs泛化能力的影響，并將

該算法用于高速高精度工業圖像檢測。

這就是我的心得體會，在講座的最后，文教授還對機器學習和數據挖掘的未來進行了展望，諸如現在流行的云計算，還有動態數據流學習，例外的發現，學習更復雜的函數，粒計算等等，都是今后發展的的熱點。聽完這個講座，我感到責任重大，即使是一個點，也還有很多方面值得拓展和探索，作為研究生，研究是我們主要的工作，想要取得滿意的結果和優異的成績，我們所要做的就是倍加努力，汲取現有的知識，在新的領域開拓新的研究道路，積極探索，永不止步。

第三篇：學科前沿講座心得

學科前沿講座心得

08營銷一班

湯申萍

0806100117 在科學技術和信息技術的帶動下，經濟全球化的進程逐步加快，企業面臨的競爭已演變為價值鏈與價值鏈之間的競爭，為了提高供應鏈管理對我績效，要做到擁有高效運行機制的同時建立一個科學合理的供應鏈及其管理系統。因此，供應鏈優化勢在必行。

今天企業面臨的最大挑戰之一，就是要對從未有過的需求變數做出快速的反應。很多原因導致了產品和技術的生命周期縮短，企業間的競爭壓力也導致產品的頻繁變化。為了應對這個挑戰，企業需要集中力量做到比以前更敏捷，以便在更短的時間內對產量和種類的變化做出反應。一條快速的供應鏈能夠是企業更加快速的發展。

供應鏈的定義是：供應鏈是圍繞核心企業，將供應商、制造商、分銷商、零售商，直至最終客戶連成一個整體的功能網鏈結構，通過對信息流、物流，資金流的控制，從采購原材料開始，制成中間產品以及最終產品，最后由銷售網絡把產品送到消費者手中。供應鏈管理的基本概念使供應商、制造商、分銷商、零售商和最終 用戶形成整體的功能網鏈；包括所有加盟企業（節點企業）；從原材料供應開始，直至最終產品；通過供應商到用戶的物料鏈、信息鏈和資金鏈，實現增值鏈，即使相關企業都有收益（多贏）。

首先，供應鏈管理把產品在滿足客戶需求的過程中對成本有影響的各個成員單位都考慮在內了，包括從原材料供應商、制造商到倉庫再經過配送中心到渠道商。不過，實際上在供應鏈分析中，有必要考慮供應商的供應商以及顧客的顧客，因為它們對供應鏈的業績也是有影響的。

其次，供應鏈管理的目的在于追求整個供應鏈的整體效率和整個系統費用的有效性，總是力圖使系統總成本降至最低。因此，供應鏈管理的重點不在于簡單地使某個供應鏈成員的運輸成本達到最小或減少庫存，而在于通過采用系統方法來協調供應鏈成員以使整個供應鏈總成本最低，使整個供應鏈系統處于最流暢的運作中。

第三，供應鏈管理是圍繞把供應商、制造商、倉庫、配送中心和渠道商有機結合成一體這個問題來展開的，因此它包括企業許多層次上的活動，包括戰略層次、戰術層次和作業層次等。

盡管在實際的物流管理中，只有通過供應鏈的有機整合，企業才能顯著地降低成本和提高服務水平，但是在實踐中供應鏈的整合是非常困難的，這是因為：首先，供應鏈中的不同成員存在著不同的、相互沖突的目標。比如，供應商一般希望制造商進行穩定數量的大量采購，而交貨期可以靈活變動；與供應商愿望相反，盡管大多數制造商愿意實施長期生產運轉，但它們必須顧及顧客的需求及其變化并作出積極響應，這就要求制造商靈活地選擇采購策略。因此，供應商的目標與制造商追求靈活性的目標之間就不可避免地存在矛盾。

供應鏈是一個動態的系統，隨時間而不斷地變化。事實上，不僅顧客需求和供應商能力隨時間而變化，而且供應鏈成員之間的關系也會隨時間而變化。比如，隨著顧客購買力的提高，供應商和制造商均面臨著更大的壓力來生產更多品種更具個性化的高質量產品，進而最終生產定制化的產品。

在聽講座的時候老師講得很認真，我也帶著解決以下五個問題嘗試著學習。包括物流管理與供應鏈管理的關系處理，物流企業和生產制造企業物流的視覺差異、物流管理戰略和戰術問題的區分與協調、反映物流領域的最新研究與實踐成果及理論性與實用性相合共五個問題。

學習的過程可以分為兩個階段，一從被動地聽老師授課，起初就覺得講座理論性太強，而可感性又不高，難以更好的理解書中的理論，沒法更好地學習知識點，二對課本上所提到的案例加上老師的講解后，案例具體的指出存在的相關問題，并提出的對應的解決措施，我對課程理論的學習進入了半知半解的狀態，有了一定的認識、了解、感悟，通過聽講座我對書本的理論又有了進一步的認識，可感悟有了進一步的提升。對比自己本學期所學到的知識及能力，感覺自己再具體提出相關解決措施的時候，沒辦法更好的調研、分析，得出解決的方案，理論與實際的兩者結合不夠，沒辦法列出更為具體且行的方式以解決問題，提出方案的可操作性都有待提升。

自己學習方面的轉變由只是老師講解，轉變到了自己主動去了解、學習。通過自己上網下載相關案例，學習更多的東西。這就是我這學期有學習進步的地方。

不足之處：由于是第一次聽這一類的講座，自己沒辦法去了解到哪些途徑與方法能夠更好的解決我們的問題。通過本學期的學習，我明顯的感覺到了，在看待問題，分析、解決具體問題方面的能力，明顯不足，心態上有些急切，很想學習相關方面的具體解決問題的知識，進一步提升自己。

在進一步學習的方面，我希望老師能再強化學生在這方面的意識，旨在合適的時候指出學生的不足和問題，讓學生更好的意識到問題，有何途徑去更好的解決問題，灌輸樹立學生們樹立這方面的意識或習慣。

學生和老師的溝通不足，導致學生上課沒辦法更好的與老師所講解的內容，能有知識。思想或思維上的碰撞，擦出思維碰撞的火花。在講座之前，老師能先提前跟下節課有關的案例，課后讓學生更好的在課前提出相關的問題，講座上引導學生更好的在課前思考提出相關的問題，講座上引導學生廣泛地參與到思考與討論中出現了什么問題，為什么會出現問題，怎么去解決問題，為什么要這么去解決問題，如何具體的提出相關可行具體的方案去落實。這樣子就能更好地讓學生對理論與運用有更深地認識了。

通過這次講座我不僅學習到了專業知識，也使得我的視野更開闊了，學習能力也提高了。我覺得這是我踏上社會之前收獲的一筆財富。

第四篇：學科前沿講座心得

學科前沿講座—數據挖掘

近年來，大數據、云計算等非常火熱。聽了老師所講的關于《數據挖掘》這塊的相關知識講解，頗有感受。下面就是我聽過講座之后以及查閱資料之后，對數據挖掘的一些認識。

隨著數據庫技術和計算機網絡的迅速發展以及數據庫管理系統的廣泛應用，人們積累的數據越來越多，而數據挖掘就是在這樣的背景下產生的。簡單的說，數據挖掘就是從大量數據中提取或“挖掘”出潛在的、有價值的知識、模型或者規則的過程。作為一類深層次的數據分析方法，它利用了數據庫、人工智能和數理統計等方面的技術。

在聽講座時，老師主要講解了一下數據挖掘中的有關關聯規則、聚類、分類的方法以及相關的算法。老師在講關聯規則時，提到了關于“尿布與啤酒”的故事。一般，按照我們常規思維，這兩種東西根本就是兩個毫無關聯的商品，但是借助數據挖掘技術對大量交易數據進行挖掘之后，卻可以尋求到這一有價值的規律。從一定程度上可以表明數據挖掘技術的巨大價值。

另外還講到了關聯規則算法---Apriori算法。Apriori算法使用頻繁項集的先驗知識，使用一種稱作逐層搜索的迭代方法，k項集用于探索(k+1)項集。首先，通過掃描事務（交易）記錄，找出所有的頻繁1項集，該集合記做L1，然后利用L1找頻繁2項集的集合L2，L2找L3，如此下去，直到不能再找到任何頻繁k項集。最后再在所有的頻繁集中找出強規則，即產生用戶感興趣的關聯規則。其中，Apriori算法具有這樣一條性質：任一頻繁項集的所有非空子集也必須是頻繁的。因為假如P(I)< 最小支持度閾值，當有元素A添加到I中時，結果項集（A∩I）不可能比I出現次數更多。因此A∩I也不是頻繁的。

說到數據挖掘，應該了解數據挖掘包含哪些步驟？第一，要確定研究對象，這是數據挖掘的重要一步。數據挖掘的最后結是不可預測的，但是要探索的問題是很明確的。第二，數據準備階段。具體包含以下步驟：

1)數據的選擇，即搜索所有與業務對象有關的內部和外部數據信息，并從中選擇出適用于數據挖掘應用的數據

2)數據的預處理，即研究詩句的質量，為進一步分析做準備，并確定將要進行的挖掘操作的種類

3)數據的轉換，將數據轉換成一個分析模型，這個分析模型是針對挖掘算法建立的，能否建立一個真正適合挖掘算法的分析模型是數據挖掘成功的關鍵。

第三，數據挖掘階段。即對經過預處理的數據進行挖掘，包括分析和預測，關聯分析以及聚類分析相關算法等。第四，結果分析階段，解釋并對結果進行評估，通常使用到可視化技術。第五，知識的同化，將分析所得到的知識集成到業務信息系統的組織結構中去，從而得到有價值的信息。

通過上網查詢資料，了解到數據挖掘有一下七種常用方法：

① 分類。分類是找出數據庫中一組數據對象的共同特點并按照分類模式將其劃分為不同的類，其目的是通過分類模型，將數據庫中的數據項映射到某個給定的類別，使用到KNN算法。它可以應用到客戶的分類、客戶的屬性和特征分析、客戶滿意度分析、客戶的購買趨勢預測等，如一個汽車零售商將客戶按照對汽車的喜好劃分成不同的類，這樣營銷人員就可以將新型汽車的廣告手冊直接郵寄到有這種喜好的客戶手中，從而大大增加了商業機會。②回歸分析。回歸分析方法反映的是事務數據庫中屬性值在時間上的特征，產生一個將數據項映射到一個實值預測變量的函數，發現變量或屬性間的依賴關系，其主要研究問題包括數據序列的趨勢特征、數據序列的預測以及數據間的相關關系等。它可以應用到市場營銷的各個方面，如客戶尋求、保持和預防客戶流失活動、產品生命周期分析、銷售趨勢預測及有針對性的促銷活動等。③聚類。聚類分析是把一組數據按照相似性和差異性分為幾個類別，其目的是使得屬于同一類別的數據間的相似性盡可能大，不同類別中的數據間的相似性盡可能小。使用到 K-means算法。它可以應用到客戶群體的分類、客戶背景分析、客戶購買趨勢預測、市場的細分等。

④關聯規則。關聯規則是描述數據庫中數據項之間所存在的關系的規則，即根據一個事務中某些項的出現可導出另一些項在同一事務中也出現，即隱藏在數據間的關聯或相互關系。在客戶關系管理中，通過對企業的客戶數據庫里的大量數據進行挖掘，可以從大量的記錄中發現有趣的關聯關系，找出影響市場營銷效果的關鍵因素，為產品定位、定價與定制客戶群，客戶尋求、細分與保持，市場營銷與推銷，營銷風險評估和詐騙預測等決策支持提供參考依據。

⑤特征。特征分析是從數據庫中的一組數據中提取出關于這些數據的特征式，這些特征式表達了該數據集的總體特征。如營銷人員通過對客戶流失因素的特征提取，可以得到導致客戶流失的一系列原因和主要特征，利用這些特征可以有效地預防客戶的流失。

⑥變化和偏差分析。偏差包括很大一類潛在有趣的知識，如分類中的反常實例，模式的例外，觀察結果對期望的偏差等，其目的是尋找觀察結果與參照量之間有意義的差別。在企業危機管理及其預警中，管理者更感興趣的是那些意外規則。意外規則的挖掘可以應用到各種異常信息的發現、分析、識別、評價和預警等方面。

⑦Web頁挖掘。隨著Internet的迅速發展及Web 的全球普及，使得Web上的信息量無比豐富，通過對Web的挖掘，可以利用Web 的海量數據進行分析，收集政治、經濟、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關的信息，集中精力分析和處理那些對企業有重大或潛在重大影響的外部環境信息和內部經營信息，并根據分析結果找出企業管理過程中出現的各種問題和可能引起危機的先兆，對這些信息進行分析和處理，以便識別、分析、評價和管理危機。數據挖掘是一種決策支持過程，它通過高度自動化地分析企業的數據，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調整市場策略，減少風險，做出正確的決策。這對于一個企業的發展十分重要。

通過聽此次學科前沿講座以及查閱相關資料，對數據挖掘有了一個較為全面的了解。在這個信息化時代，數據挖掘技術是一個發展很迅速的領域，隨著數據挖掘技術在各個領域的發展和應用，未來會有很多人投入到數據挖掘技術的學習和研究中來。對我來說，作為一個計算機專業的人，數據挖掘也是我繼續關注和學習的一個領域，現在應該學習更多相關的知識，為將來打好基礎。

第五篇：控制學科前沿講座心得

控制學科前沿講座學習心得

本學期學院為我們開設了控制學科前沿講座，通過對本門功課的學習，我們對自動化專業有了更深的了解，對專業的學習有了更明確的目標和方向。同時也堅定了我們為祖國控制學科發展而奉獻的決心。

控制科學與工程是一個覆蓋面寬、層次跨度大的一級學科，它由控制理論與 控制工程、模式識別與智能系統、系統工程、制導·導航與控制、檢測技術與自動化裝置五個二級學科組成。控制科學是以控制論、信息論、系統論為其方法論基礎的，因此它首先是一門科學，它研究的是人們實現有目的行為的一般原理和方法，在這個意義上，控制科學對于人們認識自然、改造自然具有普遍的意義，控制科學的精髓是它的概念和方法，特別是作為其核心的模型、控制、反饋、優化等概念和方法。控制工程是控制論一般原理在工程系統中的具體體現，因此必須從工程系統的角度進行技術的集成，必然涉及到各行各業的技術和工藝背景。所以，控制工程從來就不是控制學科的專利，它應該也必須在與各工程領域的結合和各種相關技術的集成中得到發展。控制科學與工程作為一門通用的技術學科，這一學科包含的內容軟硬俱全，軟可以軟到控制數學，在抽象層面上以數學和邏輯為工具研究控制系統的一般規律，硬可以硬到到完全與硬件打交道，用元器件、集成電路搭建控制器與傳感器和執行機構組合成一個實實在在的控制系統。

“自動化”顧名思義是指實現過程或系統的自動運行，但它比用機械取代人的肢體勞動即機械化有著更深更廣的含義，其核心就是用控制論、系統論和信息論的思想去實現有目的的行為的過程。“信息化” 提出在60年代，它是培養、發展以計算機為主的智能化工具為代表的新生產力，并使之造福于社會的歷史過程。信息資源是信息化的基礎，開發利用信息資源是信息化的核心。“自動化”與“信息化”并不是同一回事，但是，兩者既有聯系，也有區別與特點。“自動化”與“信息化”兩者的聯系是：研究工作的時代相同，研究工作的理論基礎相似，研究工作的基本工具相同，研究問題的領域交融。兩者的區別是,首先，研究的對象明顯不同。其次，研究“自動化”與“信息化” 兩者的科學技術界的出發點不同，角度不同。再次，內涵與特點不同。“自動化” 信息化”雙方既互為依托，同時也相互促進。信息時代里 “自動化”與“信息化”雙方既互為依托，同時也相互促進。信息時代里，自動化就成了在機械化時代自動化的基礎上的信息時代的自動化。在計算機用 于自動化之前，自動化的功能目標是以省力為目的，代替人的體力勞動。隨著計算機和信息技術的發展，計算機和信息技術作為自動化技術的重要手段，自動化的視野大大擴展，自動化的功能目標不再僅僅是代替人的體力，而且可以代替人的部分腦力勞動。目前，國際上很多著名的工業自動化企業(廠商)紛至沓來，將他們信息技術用于企業產品設計、制造、管理和銷售的全過程，以 提高企業在“全球化”的形勢之下的市場應變能力和競爭能力。工業控制自動化技術正在向智能化、網絡化和集成化方向發展。因此，從提高企業自動化系統工作層次的角度看，信息化的確是促進了自動化的提高，而且可以說，信息化是更高層次的自動化。

隨著科技的發展和時代的進步，智能化深入人心，“物聯網”的概念也隨即產生。顧名思義，“物聯網就是物物相連的互聯網”。“物聯網”是一個基于互聯網、傳統電信網等信息承載體，讓所有能夠被獨立尋址的普通物理對象實現互聯互通的網絡。其核心就是通過各種信息傳感設備，實時采集任何需要監控、連接、互動的物體或過程的聲、光、熱、電、力學、化學、生物、位置等各種需要的信息，與互聯網結合形成的一個巨大網絡。其目的是實現物與物、物與人，所有的物品與網絡的連接，方便識別、管理和控制。因此，物聯網的實現對“自動化”與“信息化”提出了更高的要求，也體現了兩者結合的重要性。縱觀20世紀人類有許多的大發現和大發明，而21世紀人類也必將有更大更新的大發現和大發明。我學院正在緊跟時代的步伐，考慮如何在科技與經濟高速發展的21世紀將學院提高到一個更高的檔次，于是物聯網工程學院便誕生了！但是，現今物聯網技術還沒有發展成熟,還有很大的提升空間，我們難得的與西方發達國家站在同一起跑線上，所以，我們要抓住機遇趕超西方發達國家，讓祖國的控制學科位于世界一流之列。同時，作為一名大學生，我一定要好好學習專業知識，為祖國控制學科的發展貢獻一份微薄力量。

過控

0403

廖衛平