第一篇：人力資源管理學(xué)科前沿講座上課心得

學(xué)科前沿講座上課心得

姓名：宋劍峰

班級：人力10-3班

學(xué)號09104013 在學(xué)科前沿講座課上，七位專業(yè)老師選擇了不同的專業(yè)課題為我們講解了許多人力資源管理理論和實踐上的專業(yè)知識。課程中，不論是許紅華老師的人力資源戰(zhàn)略性管理、于海淼老師的收入分配、李宗波老師的SPSS軟件數(shù)據(jù)分析方法，還是王智寧老師的人際關(guān)系和專業(yè)論文格式介紹、祁慧老師的積極心理學(xué)、郝麗風(fēng)老師的心理資本、陳紅老師的整體概括人力資源管理都讓我受益匪淺。

聽了許紅華老師的講座，印象最深刻的要屬對于人力資源管理對員工工作動機(jī)的影響那部分，通過有效的人力資源管理不僅能招收到高素質(zhì)的員工、培訓(xùn)出符合企業(yè)要求的員工，更能通過績效考核等手段影響員工的工作動機(jī)和工作態(tài)度。人力資源管理的作用在企業(yè)中無處不在，只要有員工的地方需要與企業(yè)戰(zhàn)略目標(biāo)相一致的人力資源管理。

于海淼老師講座的主題是收入分配的改革。我國國民收入兩級化是個老生常談的話題了，這個主題也很吸引我。老師先從宏觀的初次收入不均，國家經(jīng)濟(jì)政策如何使國民收入再分配，經(jīng)濟(jì)改革應(yīng)如何實行講到微觀的收入分配要素，應(yīng)如何進(jìn)行收入分配等方面讓我們?nèi)娴牧私饬松罨杖敕峙涞母母锏谋匾耘c合理性。

接下來是王智寧老師講得關(guān)于人際關(guān)系方面的講座。人際關(guān)系重在溝通，曾仕強(qiáng)教授的視頻讓我受益匪淺，別看他說得慢條斯理，但句句都發(fā)人深省，回味無窮。不過領(lǐng)我印象更深的是第二堂講座王老師給我展示了他的項目論文，據(jù)說不是輕易就能看到的，很感謝王老師無私奉獻(xiàn)的精神。雖然論文的內(nèi)容基本上不懂，但大到論文的整體風(fēng)格，撰寫格式，小到論文題目的決定，老師都給我們作了詳細(xì)的講解和中肯的建議。不僅如此，王老師的課堂風(fēng)格幽默輕松，別具一格也深深的吸引了我。

郝麗風(fēng)老師的心理資本和祁慧老師的積極心理學(xué)都是我很感興趣的，因為我對心理學(xué)是很感興趣的。人力資源管理與心理學(xué)密不可分，掌握一定的心理學(xué)知識對我們從事人力資源管理有很大的幫助，畢竟我們的工作離不開跟人打交道。心理資本是指個體在成長和發(fā)展過程中表現(xiàn)出來的一種積極心理狀態(tài)，是超越人力資本和社會資本的一種核心心理要素，是促進(jìn)個人成長和績效提升的心理資源。心里資本主要包括以下幾方面：希望、樂觀、韌性、主觀幸福感、情商、組織公民行為；而積極心理學(xué)是心理學(xué)的一個分枝，是指利用心理學(xué)目前已比較完善和有效的實驗方法與測量手段，來研究人類的力量和美德等積極方面的一個心理學(xué)思潮。積極心理學(xué)的研究對象是平均水平的普通人，它要求心理學(xué)家用一種更加開放的、欣賞性的眼光去看待人類的潛能、動機(jī)和能力等。通過兩位老師的講座讓我認(rèn)識到心理健康也很重要，我們應(yīng)該以樂觀積極的心態(tài)面對每一天。

李宗波老師的講座為我們講授了SPSS軟件在數(shù)據(jù)分析方面的應(yīng)用，這次課時既幸運有不走運的。不走運的是上課前停電了，教室光線很差，電腦業(yè)不能用更別說是給現(xiàn)場演示軟件使用方法了。幸運的是課上到一半終于來電了，課堂恢復(fù)了正常。李老師講得東西非常實用，雖然我不能通過這一堂講座就了解了如何運用SPSS軟件，但李老師的講座起到的引領(lǐng)的作用，要學(xué)會軟件的運用還得靠自己去探索。

最后一堂課是由陳紅老師講的，課一開始陳老師就對我們系大多數(shù)同學(xué)在上課與找工作兩者之間如何做出選擇的問題上給了我們很好的意見。她并沒有一味的告誡我們要好好上課，做好學(xué)生的本分，而是讓我們要果斷的選擇，做了選擇就不要后悔。印象最深的是陳老師通過圖片講解的方式給我們展示了她在國外看到的國外大學(xué)的所見所聞，國外的大學(xué)確實有值得我們我們學(xué)習(xí)的地方，不論從學(xué)術(shù)氛圍，學(xué)習(xí)氣氛，校園文化等方面。

通過這們課程的學(xué)習(xí)，我相信它一定會在我以后的職業(yè)和生活中發(fā)揮我意想不到的作用。

第二篇：學(xué)科前沿講座心得

桂林電子科技大學(xué) 學(xué)科前沿技術(shù)講座

心得體會

學(xué)號：10203110

5姓名：劉瑞

指導(dǎo)教師：王沖

專業(yè)名稱：計算機(jī)應(yīng)用技術(shù)

所屬學(xué)院：計算機(jī)科學(xué)與工程學(xué)院

成績：

近年來，數(shù)據(jù)挖掘引起了信息產(chǎn)業(yè)界的極大關(guān)注，其主要原因是存在大量數(shù)據(jù)，可以廣泛使用，并且迫切需要將這些數(shù)據(jù)轉(zhuǎn)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(yīng)用，包括商務(wù)管理，生產(chǎn)控制，市場分析，工程設(shè)計和科學(xué)探索等。

機(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘這些年一直是計算機(jī)應(yīng)用方面研究的重點和熱點，首先要了解什么是數(shù)據(jù)挖掘，簡單地說，數(shù)據(jù)挖掘是從大量數(shù)據(jù)中提取或“挖掘”知識。我一直對這方面的知識頗感興趣，這學(xué)期學(xué)院開設(shè)的學(xué)術(shù)前沿講座的課程，很有幸聽到了文益民教授對于自己在機(jī)器學(xué)習(xí)和數(shù)據(jù)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(guī)模數(shù)據(jù)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(xué)習(xí)的革命》一書，皆在指導(dǎo)我們?nèi)绾畏e累知識如何思考如何學(xué)習(xí)如何去做研究，具有拋磚引玉的指導(dǎo)意義。在這之后，又對了解機(jī)器學(xué)習(xí)和數(shù)據(jù)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(jī)的分類可以只分成工人（maker）和思考者（thinker）兩類。至此正式進(jìn)入問題的討論。

對于這次講座，文教授從四個方面進(jìn)行了講授。第一，實際應(yīng)用中的大規(guī)模數(shù)據(jù)分類問題。第二，大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來的挑戰(zhàn)。第三，大規(guī)模數(shù)據(jù)分類算法的研究。第四，展望發(fā)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(jī)器學(xué)習(xí)的實際應(yīng)用中，大規(guī)模數(shù)據(jù)分類問題一般會應(yīng)用在以下幾個方面，在高速高精度的工業(yè)圖像檢測方面，在專利分類方面，在生物信息數(shù)據(jù)快速增長方面，在支持向量機(jī)參數(shù)選擇方面。

大規(guī)模數(shù)據(jù)給機(jī)器學(xué)習(xí)帶來的問題有：

1、算法一般不是收斂太慢就是難以收斂，訓(xùn)練時間過長。

2、海量數(shù)據(jù)無法一次裝入內(nèi)存。

3、算法可靠性得不到保證。

4、已經(jīng)訓(xùn)練好的學(xué)習(xí)器遇到心得訓(xùn)練樣本時需要重新訓(xùn)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(guī)劃的子問題，3、Meta-learning，最小最大模塊化支持向量機(jī)以及快

速模塊化支持向量機(jī)，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(xiàn)，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(jī)訓(xùn)練算法。對于分類面拼接算法我進(jìn)行了比較仔細(xì)的了解，并下載閱讀了文教授于2009年3月份在湖南大學(xué)學(xué)報上發(fā)表的論文“基于分類面的快速模塊化支持向量機(jī)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(shù)的快速發(fā)展導(dǎo)致了諸如公共健康數(shù)據(jù)、信用交易數(shù)據(jù)、國家經(jīng)濟(jì)普查數(shù)據(jù)、網(wǎng)絡(luò)文本數(shù)據(jù)和地理信息數(shù)據(jù)等大規(guī)模數(shù)據(jù)集的產(chǎn)生。由于訓(xùn)練時間很長和空間需求很大，現(xiàn)有的大多數(shù)機(jī)器學(xué)習(xí)算法很難被直接用于大規(guī)模數(shù)據(jù)的機(jī)器學(xué)習(xí)。

這個算法是針對大多數(shù)現(xiàn)有的機(jī)器學(xué)習(xí)算法處理大規(guī)模問題時需要的訓(xùn)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(xùn)練階段，psfm2SVMs采用一簇平行超平面對大規(guī)模問題實施軟劃分，然后針對每個子問題并行訓(xùn)練支持向量機(jī)。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(xùn)練的支持向量機(jī)給出判別結(jié)果。在4個大規(guī)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(jī)(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(xùn)練時間的條件下，psfm2SVMs減少了由于訓(xùn)練集分割導(dǎo)致的分類器泛化能力下降。

支持向量機(jī)方法的本質(zhì)是在訓(xùn)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(yīng)于訓(xùn)練集所在空間的一個光滑曲面。如果采用訓(xùn)練集分割的方法，將這個光滑曲面分段求出，然后進(jìn)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(xùn)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(yōu)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(xùn)練時間和測試時間相同。在多核計算技術(shù)快速發(fā)展的今天，本文提出的算法，提供了一種可行的并行機(jī)器學(xué)習(xí)框架，對于研制高速高精度的機(jī)器學(xué)習(xí)算法具有一定的借鑒意義。未來計劃研究隨機(jī)向量w的方向?qū)sfm2SVMs泛化能力的影響，并將

該算法用于高速高精度工業(yè)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(jī)器學(xué)習(xí)和數(shù)據(jù)挖掘的未來進(jìn)行了展望，諸如現(xiàn)在流行的云計算，還有動態(tài)數(shù)據(jù)流學(xué)習(xí)，例外的發(fā)現(xiàn)，學(xué)習(xí)更復(fù)雜的函數(shù)，粒計算等等，都是今后發(fā)展的的熱點。聽完這個講座，我感到責(zé)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(jié)果和優(yōu)異的成績，我們所要做的就是倍加努力，汲取現(xiàn)有的知識，在新的領(lǐng)域開拓新的研究道路，積極探索，永不止步。

第三篇：學(xué)科前沿講座心得

學(xué)科前沿講座心得

08營銷一班

湯申萍

0806100117 在科學(xué)技術(shù)和信息技術(shù)的帶動下，經(jīng)濟(jì)全球化的進(jìn)程逐步加快，企業(yè)面臨的競爭已演變?yōu)閮r值鏈與價值鏈之間的競爭，為了提高供應(yīng)鏈管理對我績效，要做到擁有高效運行機(jī)制的同時建立一個科學(xué)合理的供應(yīng)鏈及其管理系統(tǒng)。因此，供應(yīng)鏈優(yōu)化勢在必行。

今天企業(yè)面臨的最大挑戰(zhàn)之一，就是要對從未有過的需求變數(shù)做出快速的反應(yīng)。很多原因?qū)е铝水a(chǎn)品和技術(shù)的生命周期縮短，企業(yè)間的競爭壓力也導(dǎo)致產(chǎn)品的頻繁變化。為了應(yīng)對這個挑戰(zhàn)，企業(yè)需要集中力量做到比以前更敏捷，以便在更短的時間內(nèi)對產(chǎn)量和種類的變化做出反應(yīng)。一條快速的供應(yīng)鏈能夠是企業(yè)更加快速的發(fā)展。

供應(yīng)鏈的定義是：供應(yīng)鏈?zhǔn)菄@核心企業(yè)，將供應(yīng)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(wǎng)鏈結(jié)構(gòu)，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(chǎn)品以及最終產(chǎn)品，最后由銷售網(wǎng)絡(luò)把產(chǎn)品送到消費者手中。供應(yīng)鏈管理的基本概念使供應(yīng)商、制造商、分銷商、零售商和最終 用戶形成整體的功能網(wǎng)鏈；包括所有加盟企業(yè)（節(jié)點企業(yè)）；從原材料供應(yīng)開始，直至最終產(chǎn)品；通過供應(yīng)商到用戶的物料鏈、信息鏈和資金鏈，實現(xiàn)增值鏈，即使相關(guān)企業(yè)都有收益（多贏）。

首先，供應(yīng)鏈管理把產(chǎn)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(nèi)了，包括從原材料供應(yīng)商、制造商到倉庫再經(jīng)過配送中心到渠道商。不過，實際上在供應(yīng)鏈分析中，有必要考慮供應(yīng)商的供應(yīng)商以及顧客的顧客，因為它們對供應(yīng)鏈的業(yè)績也是有影響的。

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

第三，供應(yīng)鏈管理是圍繞把供應(yīng)商、制造商、倉庫、配送中心和渠道商有機(jī)結(jié)合成一體這個問題來展開的，因此它包括企業(yè)許多層次上的活動，包括戰(zhàn)略層次、戰(zhàn)術(shù)層次和作業(yè)層次等。

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

供應(yīng)鏈?zhǔn)且粋€動態(tài)的系統(tǒng)，隨時間而不斷地變化。事實上，不僅顧客需求和供應(yīng)商能力隨時間而變化，而且供應(yīng)鏈成員之間的關(guān)系也會隨時間而變化。比如，隨著顧客購買力的提高，供應(yīng)商和制造商均面臨著更大的壓力來生產(chǎn)更多品種更具個性化的高質(zhì)量產(chǎn)品，進(jìn)而最終生產(chǎn)定制化的產(chǎn)品。

在聽講座的時候老師講得很認(rèn)真，我也帶著解決以下五個問題嘗試著學(xué)習(xí)。包括物流管理與供應(yīng)鏈管理的關(guān)系處理，物流企業(yè)和生產(chǎn)制造企業(yè)物流的視覺差異、物流管理戰(zhàn)略和戰(zhàn)術(shù)問題的區(qū)分與協(xié)調(diào)、反映物流領(lǐng)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(xué)習(xí)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(qiáng)，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(xué)習(xí)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(guān)問題，并提出的對應(yīng)的解決措施，我對課程理論的學(xué)習(xí)進(jìn)入了半知半解的狀態(tài)，有了一定的認(rèn)識、了解、感悟，通過聽講座我對書本的理論又有了進(jìn)一步的認(rèn)識，可感悟有了進(jìn)一步的提升。對比自己本學(xué)期所學(xué)到的知識及能力，感覺自己再具體提出相關(guān)解決措施的時候，沒辦法更好的調(diào)研、分析，得出解決的方案，理論與實際的兩者結(jié)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(xué)習(xí)方面的轉(zhuǎn)變由只是老師講解，轉(zhuǎn)變到了自己主動去了解、學(xué)習(xí)。通過自己上網(wǎng)下載相關(guān)案例，學(xué)習(xí)更多的東西。這就是我這學(xué)期有學(xué)習(xí)進(jìn)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(xué)期的學(xué)習(xí)，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(tài)上有些急切，很想學(xué)習(xí)相關(guān)方面的具體解決問題的知識，進(jìn)一步提升自己。

在進(jìn)一步學(xué)習(xí)的方面，我希望老師能再強(qiáng)化學(xué)生在這方面的意識，旨在合適的時候指出學(xué)生的不足和問題，讓學(xué)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(xué)生們樹立這方面的意識或習(xí)慣。

學(xué)生和老師的溝通不足，導(dǎo)致學(xué)生上課沒辦法更好的與老師所講解的內(nèi)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(jié)課有關(guān)的案例，課后讓學(xué)生更好的在課前提出相關(guān)的問題，講座上引導(dǎo)學(xué)生更好的在課前思考提出相關(guān)的問題，講座上引導(dǎo)學(xué)生廣泛地參與到思考與討論中出現(xiàn)了什么問題，為什么會出現(xiàn)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(guān)可行具體的方案去落實。這樣子就能更好地讓學(xué)生對理論與運用有更深地認(rèn)識了。

通過這次講座我不僅學(xué)習(xí)到了專業(yè)知識，也使得我的視野更開闊了，學(xué)習(xí)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(xué)科前沿講座心得

學(xué)科前沿講座—數(shù)據(jù)挖掘

近年來，大數(shù)據(jù)、云計算等非常火熱。聽了老師所講的關(guān)于《數(shù)據(jù)挖掘》這塊的相關(guān)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(shù)據(jù)挖掘的一些認(rèn)識。

隨著數(shù)據(jù)庫技術(shù)和計算機(jī)網(wǎng)絡(luò)的迅速發(fā)展以及數(shù)據(jù)庫管理系統(tǒng)的廣泛應(yīng)用，人們積累的數(shù)據(jù)越來越多，而數(shù)據(jù)挖掘就是在這樣的背景下產(chǎn)生的。簡單的說，數(shù)據(jù)挖掘就是從大量數(shù)據(jù)中提取或“挖掘”出潛在的、有價值的知識、模型或者規(guī)則的過程。作為一類深層次的數(shù)據(jù)分析方法，它利用了數(shù)據(jù)庫、人工智能和數(shù)理統(tǒng)計等方面的技術(shù)。

在聽講座時，老師主要講解了一下數(shù)據(jù)挖掘中的有關(guān)關(guān)聯(lián)規(guī)則、聚類、分類的方法以及相關(guān)的算法。老師在講關(guān)聯(lián)規(guī)則時，提到了關(guān)于“尿布與啤酒”的故事。一般，按照我們常規(guī)思維，這兩種東西根本就是兩個毫無關(guān)聯(lián)的商品，但是借助數(shù)據(jù)挖掘技術(shù)對大量交易數(shù)據(jù)進(jìn)行挖掘之后，卻可以尋求到這一有價值的規(guī)律。從一定程度上可以表明數(shù)據(jù)挖掘技術(shù)的巨大價值。

另外還講到了關(guān)聯(lián)規(guī)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(wù)（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(qiáng)規(guī)則，即產(chǎn)生用戶感興趣的關(guān)聯(lián)規(guī)則。其中，Apriori算法具有這樣一條性質(zhì)：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(dāng)有元素A添加到I中時，結(jié)果項集（A∩I）不可能比I出現(xiàn)次數(shù)更多。因此A∩I也不是頻繁的。

說到數(shù)據(jù)挖掘，應(yīng)該了解數(shù)據(jù)挖掘包含哪些步驟？第一，要確定研究對象，這是數(shù)據(jù)挖掘的重要一步。數(shù)據(jù)挖掘的最后結(jié)是不可預(yù)測的，但是要探索的問題是很明確的。第二，數(shù)據(jù)準(zhǔn)備階段。具體包含以下步驟：

1)數(shù)據(jù)的選擇，即搜索所有與業(yè)務(wù)對象有關(guān)的內(nèi)部和外部數(shù)據(jù)信息，并從中選擇出適用于數(shù)據(jù)挖掘應(yīng)用的數(shù)據(jù)

2)數(shù)據(jù)的預(yù)處理，即研究詩句的質(zhì)量，為進(jìn)一步分析做準(zhǔn)備，并確定將要進(jìn)行的挖掘操作的種類

3)數(shù)據(jù)的轉(zhuǎn)換，將數(shù)據(jù)轉(zhuǎn)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(shù)據(jù)挖掘成功的關(guān)鍵。

第三，數(shù)據(jù)挖掘階段。即對經(jīng)過預(yù)處理的數(shù)據(jù)進(jìn)行挖掘，包括分析和預(yù)測，關(guān)聯(lián)分析以及聚類分析相關(guān)算法等。第四，結(jié)果分析階段，解釋并對結(jié)果進(jìn)行評估，通常使用到可視化技術(shù)。第五，知識的同化，將分析所得到的知識集成到業(yè)務(wù)信息系統(tǒng)的組織結(jié)構(gòu)中去，從而得到有價值的信息。

通過上網(wǎng)查詢資料，了解到數(shù)據(jù)挖掘有一下七種常用方法：

① 分類。分類是找出數(shù)據(jù)庫中一組數(shù)據(jù)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(shù)據(jù)庫中的數(shù)據(jù)項映射到某個給定的類別，使用到KNN算法。它可以應(yīng)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(yù)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(yè)機(jī)會。②回歸分析。回歸分析方法反映的是事務(wù)數(shù)據(jù)庫中屬性值在時間上的特征，產(chǎn)生一個將數(shù)據(jù)項映射到一個實值預(yù)測變量的函數(shù)，發(fā)現(xiàn)變量或?qū)傩蚤g的依賴關(guān)系，其主要研究問題包括數(shù)據(jù)序列的趨勢特征、數(shù)據(jù)序列的預(yù)測以及數(shù)據(jù)間的相關(guān)關(guān)系等。它可以應(yīng)用到市場營銷的各個方面，如客戶尋求、保持和預(yù)防客戶流失活動、產(chǎn)品生命周期分析、銷售趨勢預(yù)測及有針對性的促銷活動等。③聚類。聚類分析是把一組數(shù)據(jù)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(shù)據(jù)間的相似性盡可能大，不同類別中的數(shù)據(jù)間的相似性盡可能小。使用到 K-means算法。它可以應(yīng)用到客戶群體的分類、客戶背景分析、客戶購買趨勢預(yù)測、市場的細(xì)分等。

④關(guān)聯(lián)規(guī)則。關(guān)聯(lián)規(guī)則是描述數(shù)據(jù)庫中數(shù)據(jù)項之間所存在的關(guān)系的規(guī)則，即根據(jù)一個事務(wù)中某些項的出現(xiàn)可導(dǎo)出另一些項在同一事務(wù)中也出現(xiàn)，即隱藏在數(shù)據(jù)間的關(guān)聯(lián)或相互關(guān)系。在客戶關(guān)系管理中，通過對企業(yè)的客戶數(shù)據(jù)庫里的大量數(shù)據(jù)進(jìn)行挖掘，可以從大量的記錄中發(fā)現(xiàn)有趣的關(guān)聯(lián)關(guān)系，找出影響市場營銷效果的關(guān)鍵因素，為產(chǎn)品定位、定價與定制客戶群，客戶尋求、細(xì)分與保持，市場營銷與推銷，營銷風(fēng)險評估和詐騙預(yù)測等決策支持提供參考依據(jù)。

⑤特征。特征分析是從數(shù)據(jù)庫中的一組數(shù)據(jù)中提取出關(guān)于這些數(shù)據(jù)的特征式，這些特征式表達(dá)了該數(shù)據(jù)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(dǎo)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(yù)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(jié)果對期望的偏差等，其目的是尋找觀察結(jié)果與參照量之間有意義的差別。在企業(yè)危機(jī)管理及其預(yù)警中，管理者更感興趣的是那些意外規(guī)則。意外規(guī)則的挖掘可以應(yīng)用到各種異常信息的發(fā)現(xiàn)、分析、識別、評價和預(yù)警等方面。

⑦Web頁挖掘。隨著Internet的迅速發(fā)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(shù)據(jù)進(jìn)行分析，收集政治、經(jīng)濟(jì)、政策、科技、金融、各種市場、競爭對手、供求信息、客戶等有關(guān)的信息，集中精力分析和處理那些對企業(yè)有重大或潛在重大影響的外部環(huán)境信息和內(nèi)部經(jīng)營信息，并根據(jù)分析結(jié)果找出企業(yè)管理過程中出現(xiàn)的各種問題和可能引起危機(jī)的先兆，對這些信息進(jìn)行分析和處理，以便識別、分析、評價和管理危機(jī)。數(shù)據(jù)挖掘是一種決策支持過程，它通過高度自動化地分析企業(yè)的數(shù)據(jù)，做出歸納性的推理，從中挖掘出潛在的模式，幫助決策者調(diào)整市場策略，減少風(fēng)險，做出正確的決策。這對于一個企業(yè)的發(fā)展十分重要。

通過聽此次學(xué)科前沿講座以及查閱相關(guān)資料，對數(shù)據(jù)挖掘有了一個較為全面的了解。在這個信息化時代，數(shù)據(jù)挖掘技術(shù)是一個發(fā)展很迅速的領(lǐng)域，隨著數(shù)據(jù)挖掘技術(shù)在各個領(lǐng)域的發(fā)展和應(yīng)用，未來會有很多人投入到數(shù)據(jù)挖掘技術(shù)的學(xué)習(xí)和研究中來。對我來說，作為一個計算機(jī)專業(yè)的人，數(shù)據(jù)挖掘也是我繼續(xù)關(guān)注和學(xué)習(xí)的一個領(lǐng)域，現(xiàn)在應(yīng)該學(xué)習(xí)更多相關(guān)的知識，為將來打好基礎(chǔ)。

第五篇：學(xué)科前沿講座 心得

學(xué)科前沿講座報告

郝倚天 2011021142

報告人：電子工程學(xué)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(dá)的發(fā)展歷史，接著介紹了相控陣?yán)走_(dá)的相關(guān)情況，最后詳細(xì)介紹了數(shù)字信號處理在氣象雷達(dá)中的應(yīng)用。

一、氣象雷達(dá)發(fā)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(dá)，1988年開始批量生產(chǎn)，并由此組成的美國下一代天氣雷達(dá)網(wǎng)(NEXRAD)作為美國氣象現(xiàn)代化的重要組成部分開始實施。WSR-88D多普勒天氣雷達(dá)不僅提高了探測能力，還具備了獲取風(fēng)場信息的功能，并提供了豐富的監(jiān)測和預(yù)警產(chǎn)品。2000年NEXRAD業(yè)務(wù)布網(wǎng)完成，包括了158部業(yè)務(wù)雷達(dá)，分布在美國本土以及近海和島嶼，雷達(dá)間的最大距離為250海里。NEXRAD網(wǎng)的布設(shè)，大大提高了對災(zāi)害性天氣，尤其是暴雨的預(yù)報能力，對龍卷形成前奏-中尺度氣旋和機(jī)場附近的下?lián)舯┝鞯淖R別具有特殊的能力。上世紀(jì)末，美國開始NEXRAD Open System的改進(jìn)工作，重點在雙線偏振技術(shù)的引入和數(shù)據(jù)網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)。計劃在2010年完成WSR-88D雷達(dá)的雙線偏振雷達(dá)改造。

加拿大自1998起的6年時間內(nèi)完成了“國家多普勒雷達(dá)計劃”，主要沿人口密集、災(zāi)害性天氣頻發(fā)并造成巨大災(zāi)害的海岸線布設(shè)了30部多普勒雷達(dá)，其中11部多普勒雷達(dá)是完全新建的，其余19部則是原有的常規(guī)雷達(dá)翻建成具有多普勒雷達(dá)功能的。雷達(dá)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(jìn)行將多普勒模式下的作用距離加大到240 km的技術(shù)開發(fā)。雷達(dá)網(wǎng)的建成，使得對龍卷的預(yù)報從幾乎不可能到提前15~20 min，對風(fēng)暴位置和雨雪量級做出了比以前更為準(zhǔn)確的預(yù)報。歐洲國家由于國土緊密相連，采取聯(lián)合方式建立雷達(dá)網(wǎng)，使雷達(dá)探測資料在天氣預(yù)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(xù)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(dá)網(wǎng)之一，共有130多部雷達(dá)，其中一半具有多普勒雷達(dá)能力，并建立了風(fēng)廓線雷達(dá)網(wǎng)，進(jìn)行歐洲大面積降水監(jiān)測和風(fēng)廓線觀測。COST717項目的主要目的是對先進(jìn)的雷達(dá)信息進(jìn)行評估、演示和記錄，如將徑向速度、垂直風(fēng)廓線、反射率、估算出的降水等作為參數(shù)，對數(shù)值天氣預(yù)報和水文模式進(jìn)行評估。

二、相控陣天氣雷達(dá)

相控陣多普勒天氣雷達(dá)，主要優(yōu)勢是可以提高獲取資料的時間分辨率、進(jìn)一步提高探測能力。一般雷達(dá)均基于機(jī)械掃描體制，這種掃描方法一般在6 min內(nèi)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?lián)舯┝鳌L(fēng)切變等過程，用這種傳統(tǒng)的方法很難同時滿足高時空分辨探測天氣過程三維結(jié)構(gòu)和發(fā)展演變的需求。

相控陣天氣雷達(dá)快速而精確地轉(zhuǎn)換波束的能力使該雷達(dá)能夠在1 min內(nèi)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(yù)測的輻射方向圖和波束指向。若干個固態(tài)發(fā)射機(jī)通過功分網(wǎng)絡(luò)將能量分配到每個天線單元，移相網(wǎng)絡(luò)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(jìn)行功率合成。接收時，各天線單元將接收到的目標(biāo)回波信號進(jìn)行相位相加進(jìn)入接收機(jī)。回波信號經(jīng)接收機(jī)放大、濾波后進(jìn)入信號處理機(jī)進(jìn)行多種模式的信號處理。對信號處理機(jī)提取的氣象數(shù)據(jù)進(jìn)行二次處理得到氣象預(yù)報需要的氣象要素資料。相控陣天氣雷達(dá)具有常規(guī)天氣雷達(dá)所不具有的許多優(yōu)點：可以實現(xiàn)跳躍式電掃描波束和天線方向圖形狀的自適應(yīng)控制，從而實現(xiàn)多功能探測能力；可充分地將雷達(dá)時間和能量資源應(yīng)用于微弱目標(biāo)探測能力、目標(biāo)數(shù)據(jù)率、分辨率、精度等等技術(shù)性能上，因而具有能對付多目標(biāo)、機(jī)動性強(qiáng)、反應(yīng)時間短、功能多、數(shù)據(jù)率高、抗干擾能力強(qiáng)、可靠性高等特點。相控陣?yán)走_(dá)跟蹤孤立的目標(biāo)是成熟的，但相控陣天氣雷達(dá)對分布體目標(biāo)的強(qiáng)度場和速度場的探測能力有待研究；即使是技術(shù)上可行，相控陣天氣雷達(dá)的陣面天線造價十分昂貴，近期在發(fā)展中國家難以實現(xiàn)業(yè)務(wù)化和組網(wǎng)。

三、數(shù)字信號處理的應(yīng)用

雷達(dá)信號處理則是為完成雷達(dá)數(shù)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(jīng)過變頻、放大和濾波等處理變成具有一定強(qiáng)度的模擬信號（時間上連續(xù)，幅度上可為任意實數(shù)值）。數(shù)字處理須采用模擬-數(shù)字轉(zhuǎn)換器,把模擬信號轉(zhuǎn)換成為數(shù)字信號（時間上離散，幅度上分層），然后進(jìn)行各種運算和處理。早期的雷達(dá)信號處理，幾乎全部是模擬的。50年代出現(xiàn)利用計算機(jī)進(jìn)行信號處理的雷達(dá)系統(tǒng)。這是雷達(dá)數(shù)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(shù)字信號處理的優(yōu)點是：①把許多功能綜合設(shè)計在一部處理機(jī)中，可以根據(jù)外來指令或預(yù)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(guān)，不像模擬處理那樣，性能與使用人員的調(diào)整有關(guān)，因此性能穩(wěn)定可靠。③有利于高速大規(guī)模集成電路的應(yīng)用，從而可使信號處理機(jī)的重量減輕和體積縮小。同其他領(lǐng)域的數(shù)字信號處理相比，雷達(dá)數(shù)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(nèi)的處理量（或稱吞吐率、解題率）極大。

數(shù)字轉(zhuǎn)換器把模擬視頻信號轉(zhuǎn)換成數(shù)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(dá)中，數(shù)字信號處理可劃分為周期內(nèi)處理和隔周期處理兩大部分。周期內(nèi)處理是指對一個周期之內(nèi)的回波脈沖進(jìn)行匹配或最佳濾波處理，使單個脈沖的信-噪比達(dá)到最大;隔周期處理是指對多個周期中回波脈沖串的復(fù)包絡(luò)進(jìn)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(dá)到最大。對于周期內(nèi)處理，采樣周期應(yīng)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(dá)一個重復(fù)周期。

數(shù)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(shù)微分方程描述，從而可以用傅里葉級數(shù)或傅里葉變換求解。同樣，這一類型的數(shù)字處理可以采用線性常系數(shù)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(tài)變量法解決線性時變型數(shù)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(jī)進(jìn)行仿真分析。關(guān)于含有非線性性質(zhì)的數(shù)字處理，只能對特定問題進(jìn)行計算機(jī)仿真計算，而不能應(yīng)用疊加原理。

信號處理方法有兩種，一種是信號依次進(jìn)入而形成信號流，另一種是執(zhí)行完一條指令再執(zhí)行下一條指令，形成指令流。雷達(dá)中的數(shù)字信號處理機(jī)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(fù)雜者則宜采用后者。