大数据论文例1

由于历史文化名城展示与利用涉及到的内容很多，包括历史学、地理学、建筑学、社会学、景观生态学等，与此同时，随着科学技术的进步，先进的数据采集、建筑测绘等软硬件设施已经大量应用于历史文化名城的展示与利用当中，在此过程中产生了数量庞大的数据信息，而大数据能够对这些庞大的数据信息进行快速准确的处理．所谓“大数据”就是指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．例如，三维激光扫描技术是一种通过激光反射的原理，将被测量对象通过三维激光扫描系统的处理，构建成一整套的点云数据模型，在此基础上，通过专业的三维软件技术对于被测对象进行逆向的数字化构建，从而能够进行后续的数字化的研究与利用．在此过程中，点云数据会大量涌现，尤其是对于展示与利用真实性要求更高的项目而言，所产生的数据将会无限接近于真实的被测对象，数据会呈现出几何数量级增长．数据量大，能够促进历史文化名城展示与利用在探索方法和研究理念的层面上产生根本性的变革．对于早期的历史文化名城的展示与利用来说，由于受到认知性和数据分析能力的影响，人们就某一处历史文化名城的展示与利用的形式、内容以及方法上，仅仅是能够通过数量有限的样本案例和数据资料，利用较为传统的技术手段进行数据的分析、评估和管理．大数据的应用，能够将大量的历史文化名城的相关信息进行有目的性的筛选和处理，为展示利用的方式、方法在名城中的应用，提供了较为全面和具体的对策措施，提高展示利用实施的精确性．

1.2大数据对多样数据类型的处理

历史文化名城在展示利用时涉及到的数据繁多复杂．单就其中的某一处历史建筑来讲，《历史文化名城、名镇、名村保护条例》对建筑本身的历史档案包括了5项内容:1)建筑艺术特征、历史特征、建设年代及稀有程度;2)建筑的有关技术资料;3)建筑的使用现状和权属变化情况;4)建筑的修缮、装饰装修过程中形成的文字、图纸、图片、影像等资料;5)建筑的测绘信息记录和相关资料．除此之外，还有关于历史沿革、历史事件、地名典故、名人轶事等资料．上述几项内容，基本涵盖了一处历史建筑的历史价值和人文价值，这些详细资料，在历史文化名城的展示利用时会起到举足轻重的作用．在历史文化名城的展示利用的过程中，数据的类型非常多，有图片资料、文字资料、影像资料、图纸资料、点云数据等．在以往展示利用处理数据信息的时候，利用传统的数据处理技术，事先定义好结构化的数据．结构化数据是将对象数据向便于查询、处理的方向抽象的结果．结构化数据即行数据，存储在数据库里，可以用二维表结构来逻辑表达实现的数据．结合到典型场景中更容易理解，比如企业ERP、财务系统;医疗HIS数据库;教育一卡通;政府行政审批;其他核心数据库等．在结构化数据过程中，通常会忽略一些特定条件之下所不必考虑的细节，筛选出有用信息．随着互联网技术、展示利用技术以及测绘技术的快速发展和演进，非结构化的数据大量的出现，难以用结构化来进行表示，在存储记录数据的同时还要储存数据的结构，增大数据存储和处理的难度．相对于结构化数据而言，不方便用数据库二维逻辑表来表现的数据即称为非结构化数据，包括视频、音频、图片、图像、文档文本等形式．具体到典型的案例中，如医疗影像系统、教育视频点播、视频监控、国土GIS、设计院、文件服务器PDM/FTP)、媒体管理等具体应用资源，这些行业对于存储需求包括数据存储、数据备份以及数据共享等．目前在历史文化名城展示与利用当中，所利用的数据大部分都是非结构化的数据，而这些非结构化的数据将会逐渐成为主流化的数据．随着历史文化名城保护的发展，与展示利用相关的影响因子指标数量上必定会更加的丰富和细化．为了满足历史文化名城展示与利用的目的，在相关数据激增的同时，新的数据类型还会不断出现，很难用一种或是几种规定的模式来描述趋于复杂、多样性的数据形式．而大数据与传统的数据处理方式最大的不同之处就是，它在非结构化数据和信息的方面能够最大限度地将大量历史文化名城展示与利用的相关影响因子指标的细节信息进行数据非结构化，可以减少在数据处理过程当中的数据流失现象，为展示与利用提供更加充分的情报信息与技术支撑．

1.3大数据对数据信息的快速处理

由于科学技术水平的飞速发展和普及，数据越来越庞大，必须有相应的数据处理能力才能够将大量的数据进行充分而有效的利用．历史文化名城的展示与利用发展到今天，展示利用的相关数据除了具有传统属性以外，还具有时效性，通常某些数据的价值会随着时间的推移而迅速降低，能否快速准确地处理这些数据，则是充分体现它们的价值所在，而大数据的特点就在于能够快速、持续、实时的处理数据，从而能够满足相关的需求．在经济发展和大规模建设工程中，经常会忽略历史文化名城的历史文脉的科学展示与利用．有时会单纯地将历史文化名城的展示与利用和社会发展、自然环境及其居民生活割裂对待，这样会恶化居民的生活环境，不利于拉动居民的消费，不利于延续传统的历史文脉，不利于文化产业的发展，不利于创造品牌效应，降低城市的知名度，不利于历史文化名城的可持续发展，对传统风貌会造成严重破坏．在大数据的背景下，为了保护这些稀缺的展示利用资源，使得名城保护能够可持续发展，大数据就需要对名城的相关数据进行快速处理，及时快速的提出有效、合理的保护措施．

2大数据在历史文化名城展示利用中数据处理的应用

2.1在历史文化名城空间数据上的应用

在《历史文化名城、名镇、名村保护条例》中提到，历史文化名城、名镇、名村应当整体保护，保持传统格局、历史风貌和空间尺度，不得改变与其相互依存的自然景观和环境;建设控制地带内的新建筑物、构筑物，应当符合保护规划确定的建设控制要求;核心保护范围内的历史建筑，应当保持原有的高度、体量、外观形象及色彩等，从条例以上的内容描述可以看出，与历史文化名城展示与利用的相关信息具有非常典型的空间性．历史文化名城展示与利用中空间数据的采集，基于移动设备、互联网络、测绘系统、自动记录系统、数据档案系统等，以及通过这些系统综合分析所产生的再生数据．大数据通过整合和深入提取这些空间数据，将这些信息进行重新利用，实现海量展示与利用的数据信息的实时处理，智能判断以及快速决断，为某一项历史文化名城的展示利用提供决策依据．随着三维激光扫描技术的逐渐成熟，在历史文化名城的街区展示利用中，通常采用三维激光扫描技术，将历史街区现有的建筑特征和风貌进行数据的采集和整理，之后通过计算机相关软件的处理，恢复历史街区传统的风貌特征，并通过虚拟现实等技术手段将其进行一定的场景重现．

2.2在历史文化名城数据分析上的应用

由于大数据在信息处理上具有透彻感知、广泛互联互通、深入智能等特点，能够借助互联网络进行传递、协同以及共享操作，在通过利用先进的数据分析技术，深入分析收集到的展示利用的数据后，进而获取到更加具有创新性的、系统性的、全面性的数据信息来满足某一项历史文化名城在这方面的信息需求．大数据在数据分析方面的应用，从过去单维度的项目计划、项目管理和项目执行，转变为多维度的新兴的项目协作关系．在这种新的组织关系下，每一处历史文化名城个体，在进行展示与利用项目的筹划、设计和实施过程中，都可以精确地、自由地、即时地共享和获得相关信息，发掘同一类型数据的共性和不同，对彼此各自的特点进行正面、真实、合理的归纳与总结，找到若干种恰当的展示与利用的方式与方法，然后进行比较和选择，以达到最佳的展示利用的效果．大数据的应用，促进了历史文化名城的数字化基础构建和物理设备的相互融合，通过数据对于名城的数据采集和汇总，经过网络实现人与物的统一与整合，之后再通过云计算技术，使其对于历史文化名城的展示与利用的管理更加动态化、系统化．

3大数据对历史文化名城展示利用的意义

历史文化名城的组成是由历史文脉和城市形态两大重要要素构成．现在愈来愈多的人们开始呼吁政府有关部门采取有效的措施，保护和传承历史文化名城的历史脉络和注重塑造城市形态，传承历史记忆，展现人文气息．在社会经济处于重大历史变革的今天，对于历史文化名城传承的思考更加具有意义．历史文化名城的历史文脉和城市形态通常表现为包括城市空间形态、结构形态、聚集形态等一些具有可读性强的、城市意向明显的、静止性的、永久性的客观物体．城市形态作为物质属性，其展示利用通常是展现城市的空间轮廓、城市肌理、街道格局、风貌特征、建筑物和构筑物本体等;而历史文脉作为非物质属性，其展示利用通常是展现与历史文化形态有直接联系的演变规律、历史事件、社会结构、社会制度、哲学思想、伦理观念、语言文字、文学艺术、礼仪风俗以及地域文化等．历史文脉的展示通常是结合历史文化名城的物质空间和相关史实文献资料的整理，采用声、光、电等现代的技术手段将抽象的历史文脉以一种相对具体的形式进行展示．大数据的功能和作用就是能够把城市形态和历史文脉等这些具有物质属性和非物质属性的资料信息进行数据化、数字化的统计、整理和归纳，以一种清晰的思路与方式展示历史文化名城文化创造的成就，以生动、形象、完整的方式来诠释历史文化的脉络．通过大数据在历史文化名城形态特征的展示与利用，探索古代与现代文明相互融合的有效方式与途径，在保持相关历史记忆的同时，加入新的科学、技术的活力，从而促进历史文化名城的可持续发展．从历史文化名城的展示利用的角度来说，加强文化遗产展示与利用和促进经济与社会发展的有机结合，探索展示利用的有效解决途径和方式，是为历史文化名城的展示与利用提供策划方案、拟定策略、提供决策的科学依据．只有在保持古城的形态和历史文脉传承的前提下，选择大数据的方式进行历史文化名城的展示与利用，文化遗产本身及其遗产价值才能以更有成效、最佳的方式体现．

大数据论文例2

二、大数据思维给新媒体文学带来的理论思考新媒体文学的大数据分析

从学理上带来三组思考:一是大数据推动了新媒体文学的发展，然而新媒体文学能被彻底数据化吗?如果不能，那在什么样的层面上可以被数据化?新媒体文学与大数据思维融合的真正重要意义在何处?二是新媒体文学遭遇大数据思维之后，是否意味着对于新媒体文学的研究可以完全转换为数据式的实证研究?如果不能，对新媒体文学的研究还有哪些方面是大数据不可能涉及和完成的?三是当我们将文学接受者的大数据作为文学创作的唯一和最高标准之后，新媒体文学在题材选取、形式美学和叙事节奏等方面是否走向绝对迎合读者的趋势?如果是的话，新媒体文学作家的意义何在?他们又应该采取迎合还是引领的姿态呢?

第一，新媒体文学活动都发生在网络之上，因而可以被充分数据化。大数据自产生之日起，就迅速与人类已有的知识和学科产生了极强的关联，比如医疗健康、交通规划、公共管理、教育培养等领域都在你看不见的地方悄悄运作着大数据分析。“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本质的变化和发展，进而影响人类的价值系统、知识体系和生活方式。哲学史上争论不休的世界可知论和不可知论都将转变为实证科学中的具体问题。”瑏瑥大数据的此种趋势根源于它能将所有网络行为数据化的能力，比如在新媒体文学活动之中，我们可以轻松采集到作家和读者的数量、年龄层、分布地域、经济状况、教育程度、阅读习惯、题材喜好，等等。除此之外，大数据可以分析:哪种题材的文学受众最多?同一种题材之中，什么样的文学桥段让读者喜欢?幽默、推理、悬疑还是浪漫?文学作品之中什么样风格的语言会更受哪种人的喜爱?什么样的故事情节发展路线和结局是最受人欢迎的?等等。这些方面都可以通过读者的评论和阅读数据反馈到内容提供商和文学作家那里，从而对作品进行实时调整。但是，我们不能因为大数据有这样的效果，就认为新媒体文学可以被完全大数据化。其实，作为技术和艺术合一的新媒体文学在多个维度上是不能被量化的，比如作家的灵魂高度、文学思想的深邃性、文学的意境、文学的美感、文学的终极关怀和文学对人性的探测等都不能被量化，而这些维度恰恰是文学之为文学最核心的内容。不管大数据技术怎么发达，它所追求的绝对客观性其实在数据产生之初就不存在。数据无论在表面上看起来多么客观地再现对象情况，它本身其实是在一种具有倾向性和差异性价值观基础上被建构的。因而，大数据的生成和分析永远不可能摆脱自己天生就具有的价值主观性。我们能看到的数据是研究者有能力或者热切希望看到的数据，若非如此，即便大量数据生成了，也不能被数据识别系统发现。这就好比雷达效应，你的关注点除了对象之外别无他物，但是“他物们”却客观大量地存在于你的意识之外，只不过你无意或不能去抓取它们。所以，大数据不管看起来多么科学客观，背后其实与主观价值判断是分不开的。“大数据”并不等同于“大智慧”，即使占有大量的数据，还必须有对数据具有专业化分析能力的人。Netflix的CEO里德•哈斯廷斯利用数据分析的方法也是受他前期从事碟片租赁服务的启发。他一方面熟悉在网络上怎么通过数据分析为别人推荐自己喜欢的电影和电视剧，另一方面他在无数的观影之中对影片具有极强的审美鉴赏能力。科技和人文的结合让他具有对《纸牌屋》数据进行采集和分析的能力，这才是Netflix进军艺术界成功的原因。所以，同样的大数据在不同主体那里得出的结论或者采取的应用是相距甚远的。就好比同样是医学CT扫描，仪器是相同的，照出的片也是相同的，为什么大家愿意去权威医院检查呢?问题的根源在于对CT成像进行分析的医生水平，同样的CT成像，在拥有不同经验的医生那里得出的结论很可能有天壤之别。大数据作为一种技术在教育、电影、艺术等人文领域广泛运用已是不争的事实，除了让人文领域的成果与经济效益直接产生关联之外，它的最重要意义其实是在哲学思维层面。大数据分析使我们抛弃传统哲学一直追求的现象背后的原因，而转向为关注事物和事物之间的关系性，即从因果关系转变为相关关系。瑏瑦这种思维方式转变是顺应时代的实用需求而产生的。一方面，大数据思维不去深究因果关系，而是绕开因果关系，退到因果关系的上层———相关关系(包含因果和非因果关系)。这种搁置因果的选择更是由于因果关系和相关关系之间复杂的关系:“(1)两个事物间有因果关系时，这两个事物间往往会有相关关系;(2)两个事物间不存在因果关系时，这两个事物间也可能会有相关关系(虚伪相关关系);(3)两个事物间有因果关系时，这两个事物间也有出现零度相关关系的可能(虚伪零度相关关系)。”瑏瑧当略过这些复杂关系，只关注“相关关系———结果预测”，就会省去无数不必要的麻烦，而直接得出需要的答案。“相关关系的核心是量化两个数据值之间的数理关系。相关关系强是指当一个数据值增加时，其他数据值很有可能也会随之增加。”瑏瑨2004年，沃尔玛公司分析顾客消费时的各种数据时，意外察觉到数据和数据之间的相关性:飓风来之前，手电筒和蛋挞都销量增加，因而超市毫不犹豫地将它们放在飓风用品附近。这个例子就表明在大数据时代，深究原因并不一定能找到答案，而对数据进行相关性分析才是其核心。另一方面，大数据带来的相关性分析由于技术的成熟变得比因果分析更容易。丹尼尔•卡尼曼(DanielKahneman)甚至认为，人类之所以一直热衷于因果关系思维，是因为在信息不发达的社会采用因果思维可以快速地作出决定。相反，在那个时代如果采用相关思维会特别费力且不可能有任何结论。大数据由于技术的支撑完全可以支持相关性思维，但我们在现实之中会发现传统因果思维得出的结论被置于大数据时代后是有问题的。

大数据论文例3

2.针对消费者个性需要推出产品个性化贯穿于整个信息化过程中，大数据能够将数据推向一个个性化方向，“这种个性化是基于系统通过分析读者阅读行为、喜好，从而获得对用户需求的感知。每个读者获得专属于自己的书，就是这种个性化服务的一种典型体现。在技术意义上，这种模式是能够成为现实的。”针对消费者的个性化需求推出产品，消费者肯定会购买，当消费者对满足个性化的产品满意时，数字出版的内容也能实现其价值，整个企业能获得一定的进步。消费者接触各种营销推广信息时，消费者的情感态度、认知行为会发生一定的变化，对于这种变化，传统的小规模范围内的问卷调查无法获得准确的信息，根本做不到监测全部，大数据背景下的网络平台将发挥出巨大的作用。淘宝每天会遇到几亿用户，每个用户具有不同的爱好与特征，淘宝将消费者的信息搜集起来，进行大数据分析，根据消费者的个人需要再去投放最合适的个性化产品广告，从而达到淘宝销售传播的效果最大化。建设个性化的数字出版平台能够把消费者和出版的企业联系起来，这点在当今大数据时代具有很重要的意义：数字出版的个性化平台要和各种终端（手机、IPad）、社交媒体（微信、微博、论坛）进行无缝连接，促使消费者得到快捷的阅读和便利的分享体验。数字出版内容的个性化定制购买与在线支付紧密联系在一起，这样，消费者就能轻而易举地购买产品。个性化数字平台和数据分析商进行链接，实现消费者的体验需求。例如，对于收费电子书，可以提供部分章节让读者进行阅读，这些电子书能够在被阅读时随时评论和分享。当读者在阅读时，平台能够及时收集到数据，关注到读者的静态与动态，读者的年龄、性别、收入、学历、地点、工作、读完免费部分会不会购买后继章节、读者一般在一页上停留的时间长短等信息全部被搜集起来，通过综合信息来分析和判断用户的经验。对于具有语音交互功能的数字出版App，数字出版商可以联合智能手机、IPad等阅读端的触摸屏、麦克风来监测用户的使用时间和场景，利用监测数据来评定这个App的质量。

3.优化研发生产整体平台在现代数字出版企业管理过程中，数字出版产品自开始研发阶段，就由RDM（ResearchDevelop-mentManagement研发管理系统）进行管理，生产过程一般由ERP（EnterpriseResourcePlanning企业资源计划系统）和数字化制作工具管理，供应链由SCM（Supplychainmanagement供应链管理）进行管理。如果使用系统对整个产品研发生产整体流程进行分析，就类似于将整个研发生产的整体流程进行扩大分析，并抽取精华进行观察，这对优化整体流程，提高产品的质量与生产效率具有很大的意义。产品研发过程中，可以实时利用大数据一起来建设协同编纂平台，在这个平台当中，作者、生产商、编辑、校对、平台商等相关工作人员可以一起进行协同编纂，并进行协同，形成新的BPP（BusinessProcessPlatform企业业务流程平台）。在这个协同编纂平台中，作者、生产商、编辑、校对、平台商等相关工作人员在工作过程中产生大量的非结构化数据。利用大数据对这些非结构化数据进行分析，往往能发现文本中的常见错误、制作中的瓶颈、工作人员能力的欠缺等，相关工作人员从而可以在后继的工作过程中拾遗补缺，调整工作方法，采取措施进行应对。当今诸多消费者不愿付费阅读的问题也可能会被较好地解决。鉴于协同编纂的兴起，数字出版企业就能根据目标消费者阅读需求来开发数字产品，注意产品的设计者、生产商、编辑、校对、平台商等每个环节工作人员与消费者之间的互动情感，对消费者的反馈信息进行开发，反思协同编纂中哪些工作环节导致消费者付费意愿不高，促使开发消费者付费心理的问题在根本上得到重视，这样，消费者就会拥有付费的意愿。

4.国有数字出版媒体利用大数据做出表率我国的国有数字出版单位属于“事业性质，企业管理”，同样也受到大数据的影响。国有数字出版单位生产力的未来提升，必然和大数据的获取、释放紧密相关。西方的媒体、政府、公民三者实行“媒体-政府-公民”三足鼎力趋势，三者之间保持相对独立，媒体得不到政府的资金或数据支持。我国的国有数字出版单位来源于国有传统媒体，充当着党和政府的喉舌，比其他商业媒体容易获得大数据。国有数字出版单位在不违背保密原则的前提下，应该尽可能和政府保持沟通，获得一个议题的全部数据，分析相关性，并最后释放到产品生产，这样就能在和他国媒体、其他商业媒体的竞争中保持自身的优势。国有数字出版单位对数据的获取和释放有着一定的依赖度：国有数字出版单位依赖政府收集数据的程度，国有数字出版单位依赖政府释放大数据的程度。大数据时代，国有数字出版单位的力量想壮大，数据权限的获取和释放程度是很重要的方面，国有数字出版单位在优先利用大数据将自身产品做大做强时，也就为其他商业媒体做出了表率，提示了一定的经营路径。

二、未来大数据技术在数字出版中存在的缺陷与挑战

1.部以XML格式输出———该问题成为当前大数据技术中的重要难题。依托大数据，从庞大的非结构化数据中来揭示新的意义和关系，并实现精准生产和精准营销是当下数字出版面临大数据而努力的方向。只有完善的XML格式输出技术，未来的数字出版才能做到聚类分析、聚类融合、网络分析、数据集成、可视化分析等。

2.收集渠道闭塞搜集各种信息来完成大数据采集是数字出版未来的趋势，但目前的数字出版信息搜集仍存在一些缺点：数字出版产品在整个研发、生产、销售过程中还没有彻底完成信息化经营，整体搜集难度显得较大；数字出版的云存储平台根本不具备海量存储功能；数字出版中的内容商、平台商还没有完全转换成数据提供商，因此，他们无法及时获取数据；当前的数字出版产品无法记录消费者使用过程中的痕迹，因此即使数字出版中的内容商、平台商变成数据提供商，也无法记录数据。

大数据论文例4

[1]陈杰.本地文件系统数据更新模式研究[D].华中科技大学2014

[2]刘洋.层次混合存储系统中缓存和预取技术研究[D].华中科技大学2013

[3]李怀阳.进化存储系统数据组织模式研究[D].华中科技大学2006

[4]邓勇强，朱光喜，刘文明.LDPC码的低复杂度译码算法研究[J].计算机科学.2006（07）

[5]陆承涛.存储系统性能管理问题的研究[D].华中科技大学2010

[6]罗东健.大规模存储系统高可靠性关键技术研究[D].华中科技大学2011

[7]王健宗.云存储服务质量的若干关键问题研究[D].华中科技大学2012

[8]余雪里.金属氧化物pn异质结对光电响应与气体敏感特性的作用[D].华中科技大学2014

[9]王玮.基于内容关联密钥的视频版权保护技术研究[D].华中科技大学2014

[10]韩林.云存储移动终端的固态缓存系统研究[D].华中科技大学2014

[11]田宽.宫内节育器用Cu/LDPE复合材料的表面改性研究[D].华中科技大学2013

[12]聂雪军.内容感知存储系统中信息生命周期管理关键技术研究[D].华中科技大学2010

[13]王鹏.低密度奇偶校验码应用于存储系统的关键技术研究[D].华中科技大学2013

[14]刁莹.用数学建模方法评价存储系统性能[D].哈尔滨工程大学2013

[15]符青云.面向大规模流媒体服务的高性能存储系统研究[D].电子科技大学2009

[16]王玉林.多节点容错存储系统的数据与缓存组织研究[D].电子科技大学2010

[17]田敬.对等存储系统中的数据可用性与安全性研究[D].北京大学2007

[18]傅颖勋，罗圣美，舒继武.安全云存储系统与关键技术综述[J].计算机研究与发展.2013（01）

[19]杨黎.金属氧化物半导体多孔膜材料气敏过程中的导电行为研究[D].华中科技大学2013

[20]聂雪军.内容感知存储系统中信息信息生命周期管理关键技术研究[D].华中科技大学2011

[21]周可，张江陵，冯丹.Cache对磁盘阵列性能的影响[J].电子学报.2003（09）

[22]LipingXiang，YinlongXu，JohnC.S.Lui，QianChang，YubiaoPan，RunhuiLi.AHybridApproachtoFailedDiskRecoveryUsingRAID-6Codes[J].ACMTransactionsonStorage（TOS）.2011（3）

[23]LipingXiang，YinlongXu，JohnC.S.Lui，QianChang.OptimalrecoveryofsinglediskfailureinRDPcodestoragesystems[J].ACMSIGMETRICSPerformanceEvaluationReview.2010（1）

[24]BiancaSchroeder，GarthA.Gibson.Understandingdiskfailurerates[J].ACMTransactionsonStorage（TOS）.2007（3）

[25]LakshmiN.Bairavasundaram，GarthR.Goodson，ShankarPasupathy，JiriSchindler.Ananalysisoflatentsectorerrorsindiskdrives[J].ACMSIGMETRICSPerformanceEvaluationReview.2007（1）

[26]任劲，谢长生，李为.iSCSI协议及其Linux下的实现[J].小型微型计算机系统.2003（07）

参考文献

[1]赵贻竹.开放式环境中自动信任协商机制研究[D].华中科技大学2008

[2]杨寅.存储系统可靠性关键技术研究[D].华中科技大学2013

[3]王鹏.低密度奇偶校验码应用于存储系统的关键技术研究[D].华中科技大学2013

[4]姜国松.RAID控制器APoRC软件架构研究[D].华中科技大学2009

[5]李华曜.金属氧化物半导体多孔膜材料光电性能评价的研究[D].华中科技大学2013

[6]刘军.光盘版权保护系统若干关键问题的研究[D].华中科技大学2009

[7]赵小刚.硬盘驱动器自伺服刻写关键技术的研究与仿真[D].华中科技大学2009

[8]裴灿浩.可支持多协议盘阵的存储加密技术研究[D].华中科技大学2010

[9]杨志红.改性Cu/LDPE纳米复合材料的释放行为与生物相容性研究[D].华中科技大学2007

[10]刘百灵.自动信任协商中敏感信息保护机制及提高协商效率方法研究[D].华中科技大学2010

[11]余永升.互联网环境下涉密图像的泄密检测与追踪方法研究[D].华中科技大学2010

[12]吴伟.海量存储系统元数据管理的研究[D].华中科技大学2010

[13]张志广.用于重要电子文件保护的数字水印和数字指纹算法研究[D].华中科技大学2009

[14]詹玲.面向应用的对象存储设备的数据组织研究[D].华中科技大学2009

[15]姚杰.分布式存储系统文件级连续数据保护技术研究[D].华中科技大学2009

[16]孔君华.高钢级X80管线钢工艺、组织与性能的研究[D].华中科技大学2005

[17]孙望强.大分子纳米粒的制备工艺及其性能研究[D].华中科技大学2004

[18]柏自奎.金属氧化物气敏元件阵列的制备与性能研究[D].华中科技大学2008

[19]陈云亮.分级存储系统中基于进化算法的数据管理与保护关键技术研究[D].华中科技大学2013

[20]孔令罔.基于光斑图像分析的光盘驱动器头盘准直系统研究[D].华中科技大学2007

[21]刘春.硬盘读写通道若干关键技术的研究与仿真[D].华中科技大学2007

[22]文风.金属/聚合物复合材料的腐蚀行为和金属离子扩散动力学研究[D].华中科技大学2007

[23]蔡水洲.铜/低密度聚乙烯纳米复合材料在模拟宫腔液中的腐蚀行为及其对铜离子的控释[D].华中科技大学2005

参考文献

[1]赵振.一种自适应海量存储系统组织策略及关键技术研究[D].华中科技大学2006

[2]刘海华.基于运动特征分析的视频对象分割与表达研究[D].华中科技大学2006

[3]林植.基于策略的访问控制关键技术研究[D].华中科技大学2006

[4]刘剑.面向服务体系结构的服务重组关键技术研究[D].华中科技大学2006

[5]史维华.65nmNORMLC快闪存储器的低功耗高压电路设计和快速编程算法研究[D].复旦大学2009

[6]魏雄.网络存储的智能化管理与服务研究[D].武汉大学2011

[7]刘艳.陈潭秋生平史事与思想研究[D].华中师范大学2014

[8]刘艳.二甲氧基硫代磷酸酯类农药单克隆抗体研制及单链抗体三维结构模拟[D].南京农业大学2009

[9]任崇广.面向海量数据处理领域的云计算及其关键技术研究[D].南京理工大学2013

[10]刘艳.期望价值、学习目地和学习行为：汉语作为第二语言学习动机研究[D].南京大学2012

[11]刘艳.和谐社会构建中的和谐消费研究[D].湖南师范大学2012

[12]李勇.异构存储系统中的缓存技术研究[D].华中科技大学2014

[13]刘艳.嗜热丝氨酸蛋白酶TfpA的外源表达与分子定向改造[D].四川农业大学2012

[14]刘艳.几种北方落叶栎种子发育的形态生理及萌发特性研究[D].北京林业大学2013

[15]刘艳.海岛棉枯萎病抗性相关基因的克隆及功能验证[D].新疆农业大学2013

[16]刘艳.孕期补充DHA对脂多糖所致宫内感染仔鼠脑组织TLR4、核因子-κB表达影响[D].华中科技大学2009

[17]刘艳.乌头碱对大鼠心肌细胞毒性作用的分子毒理学机制研究[D].华中科技大学2009

[18]王辉虎.纳米氧化锌的控制制备及其光催化性能的研究[D].华中科技大学2006

大数据论文例5

1循证医学与数据证据

循证医学，简之就是“遵循证据的医学”，又被称为实证医学。循证医学重视医生的临床经验，即传统意义上的经验医学，同时又强调诊断、治疗等决策应在临床证据最为符合病症的基础上作出[1]。在循证医学的创立、发展与传播方面，英国的科克伦(ArchiebaldL.Cochrane)、美国的费恩斯坦（AlvanR.Feinstein）以及萨克特（DavidL.Sackett）做出了重大贡献，成为循证医学的奠基人。科克伦强调大规模随机临床试验的重要性。他认为只有在大规模临床试验中使用随机分组策略，才能避免因样本分组而产生的选择性偏差，保持对照组和试验组样本的背景因素平衡，从而才能做出最终正确的比较与评价。他建议及时将切实医学证据传播给使用者，接受专家评估并对可信度进行适当分级，以使医学证据能被及时整理、归纳与更新。费恩斯坦奠定了现代流行病学的数理统计与逻辑基础。从1970年到1981年，他在美国《临床药理学与治疗学》杂志（ClinicalPharmacologyandTherapeutics）上，以“临床生物统计学”（ClinicalBiostatistics）为题连续发表了57篇论文，将数理统计学和逻辑学导入到临床流行病学，科学系统地建立了临床流行病学的有关理论体系。萨科特则为循证医学的传播与发展做出了巨大贡献。他发起并主编了与循证医学有关的两本著名杂志：《美国内科医师学会杂志俱乐部》和《循证医学》。

1997年，他还主编出版了《循证医学》一书，该书被译为多种文字并在世界上广为传播。正是在《美国内科医师学会杂志俱乐部》上，加拿大盖亚特(rdonH.Guyatt)于1991年首次提出了循证医学一词[3]。从循证医学与数理统计和逻辑学的渊源，便可以看出循证医学注重证据的内涵。它是一门非常强调证据制作的学科，同时又非常重视医学证据的传播和评估，这正是它区别于以往医学的特点。通过评估产生可信证据，通过传播发挥证据价值。医生在诊断与治疗过程中，不仅基于经验直观判断，而且结合证据科学决策，更加客观地进行诊断与治疗。短短十多年的时间，在世界各国医学研究与临床实践中，循证医学得到了广泛深入的应用。科克伦最初创建的世界循证医学协作网已经包括约50个专业协作小组，所收集的医疗证据几乎覆盖所有临床医学领域。1996年，我国华西医科大学建立了中国循证医学中心，并于1999年正式加入世界循证医学协作网；2001年，中国循证医学中心创办了《循证医学》杂志，发表在各类杂志的循证研究论文达45842篇。但是，循证医学也有其面临的问题，如对证据进行科学评价等问题。临床证据目前还没有完整、科学的定义，证据评价标准及推荐级别尚未完全统一，不同国家不同疾病的证据质量分级不尽相同。而且，随着人类对疾病认识的加深以及诊疗手段的革新，评价标准还会随这些因素的变化而变化。

循证医学的基础是数理统计学，要求RCT的实验样本及环境一致，以便排除个体差异及环境干扰，但这在现有条件下近乎不可能实现。号称大规模随机对照实验的样本偏少，对照组和试验组难有条件一致的个体，环境随时间空间变化造成实验对照控制困难。目前，大规模的医学样本采集困难，几百个样本已经算是比较大的样本了；而根据统计理论如要达到90%的敏感度，至少需要约1300个的数据样本。为了克服RCT样本不足的问题，Meta分析方法得到了广泛应用：通过综合已有研究多个样本集的结果，可以推得大规模样本集的综合结果。Meta分析取得了很多有价值的研究成果，但是，Meta分析的基础也是数理统计学，其运用的前提是样本及实验环境一致，正是在这一点上它备受质疑。首先，不同样本集的权重控制难于完全公正，因为其实验环境难于恰当评价和把控，实验结果难免有过度包装和偏颇之嫌。Meta分析存在的另一个问题是：它所依赖的数据往往不是最新的即时案例，制作的证据可能因环境与气候的变化而失去应用价值。总之，循证医学所面临的问题包括：证据的稀缺性、偏倚性、可靠性、及时性、公正性，以及环境的一致性等方面的问题。由于证据的一致性和及时性存在问题，基于历史数据进行Meta分析备受质疑。2014年，《英国医学杂志》在名为《循证医学濒临破产》的文章中指出[5]：循证医学的证据属于间接证据，基础建立在已经发表的研究文献上，利益冲突容易影响证据的公正性，证据环境与临床决策环境存在距离；循证医学助长了过度诊断、过度治疗，并可能存在沦落为利益集团代言人的危险。

2大数据对循证医学的影响

大数据（Bigdata）又称巨量或海量数据，是指数据规模巨大以至在合理时间内，无法通过当前主流软件工具，获取、处理、分析以便决策的结构复杂的数据[6]。大数据如下具有4V特点：Volume（巨量）、Velocity（瞬速）、Variety（多样）、Value（价值）。巨量是指已经不能再用GB（即1024MB）和TB（即1024GB）为单位，来衡量大数据的存储容量或规模，而要以PB（即1024TB）、EB（即1024PB）乃至ZB（即1024EB）为单位来计量数据容量。在巨量的医疗大数据中，各种条件的样本都会存在，因此，证据的稀缺已经不是问题。瞬速是指兼具方向的快速变化，即数据随时间和空间快速变化。大数据中的样本通常是全空间的、多维度的、全时间的及瞬时变化的。由于大数据地域环境广，数据样本量巨大、正反样本齐全，证据的“制作”已不再必要，而是随时随地客观地存在。瞬速性通过可佩戴健康监测设备体现，这为及时获取病患信息提供了极大便利。多样是指数据的种类繁多、结构复杂、因果并存、甚至同一数据表现出不同形式。数据的多样性对数据的理解和分析是一个巨大挑战，但同时也为样本分析结果的验证带来便利。因此，在医疗大数据环境下，不仅随时可以采集样本进行分析处理，还能对分析得到的结果马上进行验证，从而能够保证医学证据的可靠与可信。

价值是指相比小规模、历史数据而言，大数据具有更高的研究和使用价值。由于任意时刻任意地点都有大量样本，样本的稀缺性和及时性已经不是问题，这为医学研究扫清了采样障碍；同时由于样本丰富冗余多样，也为研究结果的验证提供了便利；大数据除具有巨量历史数据外，还有不同地域环境的巨量即时数据，这使循证决策更具应用价值和时效性。大数据将首先改变医学数据的采集方式。大数据的形成往往依靠自动采集技术，随着可佩戴监测设备如iWatch等的出现，医学数据的采集及积累速度将出现爆炸性的增长。以往的数据同大数据相比，如同沧海之一粟。且以往的数据往往靠手工采集完成，普遍存在稀缺、偏倚、可靠、及时、公正等问题，这样采集的证据必然会影响医学研究的结论。基于手工证据进行决策，其结论未必准确及时公正可靠。医疗大数据不间断地在不同地点同时采集，不仅包含历史数据以及即时数据，甚至还可能包含未来需求信息，例如，ogle就是通过人们对感冒药品的搜索来预测流感的。大数据的出现将改变医学数据的管理方式。在网络数字化高度发达的今天，尽管已经出现了电子病历，但纸张病历在数据管理中仍然重要。然而，纸张病历有其固有缺陷，如容易破损或丢失、整理归档的周期过长、借阅的时间成本极高、研究采样的工作量巨大等等。伴随大数据出现的数据融合技术能将不同医院的电子病历整合在一起，并同可佩戴健康监测设备的数据及时集成，大大减少了电子病历的整理、借阅和数据采集时间，这不仅对病人的疾病诊断和预警监控更加有利，同时也对医生的临床及医学研究更有帮助。通过语音和可视眼镜等现代化的数据浏览设备，医生在查房间隙就能获知下一病人既往病情，从而能大大减少医生的劳动强度，使医生有更多时间治疗病人，有更多的时间进行医学研究。

大数据的出现将改变医学数据的分析方式。以往在收集样本数据以后，通常使用SAS或SPSS等软件，对采集的数据进行统计分析，发现相关病因或建立决策模型。这些软件受计算能力及内存容量的限制，只能处理样本量不大的数据，并且处理的数据维数有限，例如，SPSS不能超过40维，而医疗大数据的维数成千上万。通过手工或统计软件的计算方法，将无法满足医疗大数据的分析需要。

当维数超过30个致病因素时，可能要考虑230种因素组合，普通统计软件已无法计算和处理，必须依靠内存及速度“无限”的云计算。必须研究与开发基于大数据和云计算的分析与挖掘技术如深度学习技术，使其能够自动完成高维病因数据的分析与主要病因的提取。总之，医疗大数据的采集、整合、分析、处理、研究完全靠人工完成已极其困难，没有利用云计算的统计分析软件也难于完成医疗大数据的分析和处理。在大数据时代，必须借助深度学习等技术完成医疗大数据的分析和挖掘。虽然医疗大数据能够弥补数据样本的不足和不公，但只有借助更为先进的分析工具和软件，才能为循证医学带来进一步的变革和发展。

3大数据对循证医学的变革

证据制作是循证医学的核心，证据能为医生的诊治提供参照，因此，循证医学得到了快速发展。但是，矛盾、偏颇、过时的证据也使循证医学备受质疑。首先是证据及其结论存在大量的矛盾，使人们对循证医治的结果产生怀疑；其次是证据偏颇使其成为利益代言人的工具；其三是证据时过境迁使医治达不到预期效果。而医疗大数据的出现恰好能够弥补以往证据采集与制作的不足。首先，医疗大数据使证据的稀缺问题得到解决；其次，随大数据广泛汇集的医生及病人评价，可有效避免证据成为利益代言人的工具；其三，可穿戴等自动采集设备可保证证据的时效性。这将有助于循证医学同中医的结合。中医的治疗过程通常比西医长，其证据采集及疗效评估存在很大问题，而随着可穿戴健康监测设备等技术的发展，长期持续采集治疗证据及疗效将不再困难，从而有助于循证医学在中医等领域发展壮大。此外，随大数据兴起的先进数据分析与挖掘技术，将对循证医学起到巨大的推进作用。临床决策分析评价是确定循证治疗方案的关键步骤，现有的决策分析评价模型包括决策树、Markov过程等一系列模型，这些模型在面临高维大数据时力不从心，难于继续提供较高的决策精度，使医生对医治方案是否有效失去信心。随着大数据深度学习技术的出现，病因的分析和提取已完全自动化，且大大降低了建立决策分析模型的工作量，提高了治疗方案的决策精度。对于任何疾病诊治方案，考虑的疾病致病因素越多，即证据或特征维数越多，得到的参考信息就越多，诊治的准确性就会相应提高。但是，医生在遇到大量高维的证据数据时，往往面临从中选择少数有效证据的难题。例如，假定要考虑30个致病因素或检验指标，建立决策模型就要考虑230种因素组合，从中筛选一个最优因素组合作为模型输入的工作量是巨大的。因此，要得到由若干最优证据构建的最佳决策分析模型，医生们所投入的研究精力可想而知。

筛选最优因素组合是医生们最费精力的工作，目前这项工作可以被深度学习自动完成了。深度学习最早由Hinton等人在2006年提出，它是一种无监督的特征学习和提取技术，它通过低层特征的组合构建更加抽象的高层特征。2012年，Lecun等人利用卷积神经网络真正实现了高效的多层深度学习。传统的神经网络学习只有单向认知过程，通常只包含一个隐含层，因层数较少而被称为浅层学习。深度学习则包含认知和生成两个过程，并且每个过程都包含多个隐含层，其模型的总体框架如图1的虚框部分所示。如图1所示，深度学习的“输入层”可以理解为各种致病因素以及各种检查化验结果，例如遗传环境因素以及肝功全套指标等；自底向上的箭头表示认知过程，自顶向下的箭头表示生成过程，即深度学习由两个互逆的过程构成；认知权重向量WnT和生成权重向量Wn表示深度模型的知识。原始“输入层”经“隐含层H0”认知得到输出，输出又经“隐含层h0”生成得到新“输入层”，如果原始“输入层”和生成的“输入层”完全一致，则说明认知产生的输出是完全正确的。根据信息论的有关理论，学是会产生损失，新旧输入不可能完全一致。因此，只要两者近乎一致就可以了。认知和生成权重同隐含层的每个输出相关联，wake-sleep深度学习算法用于双向调节权重：(1)利用下层输入和认知权重向量WiT产生输出表示，然后使用梯度下降法调节生成权重向量Wi；（2）利用输出表示和生成权重向量Wi产生输入表示，然后使用梯度下降法调节认知权重向量WiT。通过逐层学习最终得到顶层的认知和生成权重向量WnT、Wn。在深度学习完成后，如果要建立决策分析模型，只需将顶层输出即自动提取的特征，作为分类模型如支持向量机的输入，并用类别标记如肝硬化分级训练支持向量机，就可以得到用于决策分析的精确分类模型，分类模型如图1的虚框外部所示。2014年，香港中文大学汤晓鸥教授领导计算机视觉研究组(mmlab.ie.cuhk.edu.hk)，开发了一个名为DeepID的深度学习模型，在LFW数据库上识别5749个人脸的准确率已达99.15%，其精细和准确程度已经超过了人眼和大脑。医疗大数据及深度学习必将为循证医学带来一场新的革命。不仅数据缺失、偏颇以及过时等问题会被迎刃而解，而且证据收集、制作以及诊治方案的决策都将会自动化，这将扩大循证医学在所有领域包括中医等领域的应用范围，大大降低医生在证据制作、治疗方案决策与疗效评估等方面所付出的精力，推动循证医学向更深更广更加现代化的方向发展。

4总结

医疗大数据带来的变革将是全方位的，它不仅为医学研究和证据制作带来便利，同时也将促进中医等替代和补充医学的发展。作为大数据采集的一项关键技术——便携式/可佩戴健康数据自动采集技术，将大大提高医疗数据采集以及证据制作的效率，解决中医等疗效数据需要长期采集观测的难题，弥补循证医学存在的证据偏颇、不公、过时等缺陷，促进循证医学更加客观、公正、可靠地在临床治疗中应用。在循证医学的证据评估以及利用方面，伴随大数据出现的云计算能够提高证据分析与处理的效率，大大节省医生临床应用和医学研究所需要花费的时间；面向大数据的深度学习能够从浩瀚的高维医疗数据中，自动完成疾病致病因素及环境因素等的筛选与提取工作，并能建立精度远远超过人脑的决策分析模型，从而大大提升医生建立和应用循证治疗方案的信心，有助于循证医学被各科医生更加广泛地接受和应用。尽管深度模型包含更多的隐含层，其学习时间要远远长于浅层学习，但两种模型的决策时间相差不大，因此，这并不妨害深度模型的有效应用。特别值得一提的是，深度学习将证据提取与决策分析两个过程合二为一，大大降低了医生在临床及医学研究中应用循证医学的劳动强度。基于大数据、云计算和深度学习的循证医学，由于能够降低劳动强度、提升工作效率、提高决策精度，因而将具有更加广阔的应用前景和发展方向。

大数据论文例6

医院病案记载着各个时间段的患者诊疗状况以及疾病演变状况，其中关键的病案信息包含患者家族史、患者本身的病史、医院诊疗过程、病情检查与病情诊断得出的报告等。

由此可见，医院病案信息牵涉各项日常的医院业务，有关部门对此有必要予以全方位的信息审核、信息收集以及档案存储。但从现状来看，当前仍有某些医院并没能全面关注综合性的病案信息管理，而与之有关的病案管理措施也没能真正实现健全。在此前提下，医院应当尝试在现阶段的病案管理中全面使用大数据模式，以此来全面保障病案信息管理的成效性。

医院对于病案信息管理运用大数据手段的重要意义

第一是提升医院当前利用各类病案信息的整体水准。大数据手段在客观上有助于实现多层次的数据与信息整合，从而显著提升了利用医院病案的水准。医院在全面集成当前现有的病案信息基础上，应当能够妥善划分各项相应的患者信息，确保将其分成收费信息、患者检查信息、患者诊疗信息、门诊信息、报告与检验信息等。在划分上述各类信息以后，运用大数据手段还能创建针对各个患者的识别身份编码，以便于实现多层次的信息关联集成。

第二是全面支撑医疗决策。医院由于具备了大数据手段作为管理病案信息的必要辅助，因此针对实时性的病案信息都能着眼于精确进行搜集。在决策系统的全面支撑下，有关科室就能全面明晰现阶段的患者病情种类、院内患者分布与其他相关要素。相比于传统模式，大数据手段更加有助于汇总信息以及统计信息，对于某些潜在误差也能予以彻底杜绝。除此以外，医院针对当前入院的各科室危重患者应当予以侧重关注，以便于提供日常各项医疗决策必需的信息支撑。

第三是拉近护患关系并且突显以患者为本的宗旨。在集成病案信息的基础上，医护人员针对当前阶段的各项患者信息都能予以全方位的精确掌握，上述措施有助于增强现有的患者满意度，拉近护患关系。例如近些年来，患者已经能够凭借电脑或者手机等工具来随时查找个人诊疗信息，对于实时性的自身健康状态也能全面加以了解。在某些情形下，患者一旦表现为某些危重病情，临床医师对其就要及时进行处理，全面保障患者健康并且提升患者生活水准。

医院当前病案信息管理现状

目前各地已有较多医院正在尝试引进病案信息的大数据管理模式，并且逐步将大数据手段渗透于管理医院病案信息的各个流程中。但是不应忽视，各地医院在现阶段仍然表现为相对较低的病案管理综合水准。探究其中根源，就在于医院及其有关部门针对病案管理仍然欠缺必要的关注度，同时也没能着眼于引进大数据手段作为其中必要的辅助与支撑。

此外，多數医院并没能设置独立性的病案管理专门科室，医院现存的病案管理部门体现为较强的附属性特征。作为管理医院病案信息的专门人员来讲，上述人员本身应当具备优良的病案管理水准。与此同时，上述人员也要掌握涉及到大数据的有关常识，并且将其灵活适用于当前的医院病案管理。但是截至目前，负责管理医院病案信息的专门人员仍然表现为滞后性的专业素养，甚至没能熟悉日常性的病案信息汇总、信息分析以及信息处理操作。除此以外，医院部门针对此类管理人员也没能给予专门性的管理技能培训，甚至聘用某些兼职人员代替专职性的病案管理人员。

探求改进举措

增设专门的病案信息管理机构

医院如果要着眼于优化病案管理的综合效果，那么关键在于设置专门的病案管理部门，有关领导对此也要引发更多的关注。近些年以来，各地医院都在致力于建成病案管理的专门委员会，在此前提下助推信息化的医院建设。与此同时，医院还需结合自身的真实状况来增设病案信息的新科室，确保该科室在整个医院体系内占据独立的位置并且拥有独立职能。

通过运用上述的改进举措，病案管理机构就能全面突显其具备的价值与意义，确保该科室能够覆盖于医院临床管理、制定病案管理规划以及收集病案信息等领域。每隔相应的时间段，管理委员会针对当前的医院病案信息要予以全方位的归纳汇总，此举措有助于保障病案管理能够达到的综合水准。

运用信息化手段来辅助管理

在目前阶段中，各地医院已经能够凭借信息化技术来显著增强病案管理的实效性，在这其中包含自动式的条码识别、微缩光盘技术、数字化的病案管理与其他相关技术。医院通过灵活使用上述大数据手段，就能够着眼于挖掘深层次的患者病案信息，确保现有的病案信息符合准确性与真实性的基本要求。近些年各地医院都在致力于创建资源共享的病案管理网络，在此前提下诞生了新型的电子病案。此外，医院在存储各类患者病案时，也能够借助大数据手段予以完成。这是由于运用电子化存储的方式有助于在线查询各项病案信息，从而服务于现阶段的临床治疗优化与完善。针对出院后的患者来讲，运用大数据手段就能打印并且查询患者现有的各项病历信息。数字化管理应当能够覆盖于医院当前的各项日常管理工作，此项举措在根本上保障了病案信息共享，同时也便于利用与存储病案信息。

全面提升人员素养

从目前现状来看，各地医院针对自身保存的患者病案都给予了更多关注，同时也认识到了病案具备的价值。在此基础上，作为管理医院病案的专门人员而言，应当全面提升自身具备的综合素养，针对医学统计学、外语、计算机与其他学科的有关知识都要予以相应的掌握。

因此可见，病案管理人员是否拥有优良的专业素养，在根本上关乎病案信息管理的整体效果。病案信息管理牵涉多领域以及多层次的学科与专业，因此作为管理人员而言，上述人员应当能够精确检索各项信息，以便于实现全方位的信息获取。在此前提下，医院针对各类临床信息应当予以全方位的传递，确保病案信息能够体现其应有的临床价值、科研教学价值以及其他价值。在目前阶段中，医院针对原有的病案管理思路应当予以相应转变，确保将病案管理的侧重点全面落实于分析收集以及汇总各类病案信息。

结束语

医院病案信息在医院现有的管理系统中占据了重要位置，这是由于病案信息记载着全过程的医疗信息。与此同时，医院如果要给出相应的医疗决策，那么也必须凭借病案信息予以完成。

截至目前，医院及其有关部门正在逐步意识到医院病案管理与大数据手段相互融合的必要性，对于医院当前的各项管理举措也能够予以相应的优化。因此在病案信息管理的有关实践中，医院针对信息化手段有必要着眼于灵活加以运用，在此前提下服务于病案信息管理实效性的提升。

信息管理毕业论文范文模板(二)：信息管理到知识管理过程中档案价值重新发现论文

【摘要】基于信息与知识、信息管理与知识管理之间的关系，分析在知识管理过程中档案价值的新特征。档案价值的实现主要是通过将其主体与客体之间的关系显现化，通过知识管理对档案信息进一步挖掘使档案更好地实现其应有的价值。

【关键词】信息管理；知识管理；价值特征

一、信息管理到知识管理

对于知识管理与信息管理之间的关系，我们可以从信息与知识之间的关系入手。有关知识与信息之间的关系有很多种观点。一种观点持有者们认为，信息存在于自然环境、人类社交活动以及人们思维之中，而知识的存在局限在人们的社交活动范围之中，因而信息包涵了知识。另一种观点持有者认为，信息是可编码化的知识或显性可视的知识，而知识除了显性之外，还包涵隐性知识，即存在于人类大脑之中、不可编码化的知识，因而知识包涵了信息。对于以上两方观点，有学者认为，从本质上来说，信息是一种具有物质属性并以物质存在的方式反映呈现给大众，这种物象化及其存在方式可以广泛地包含人类活动及其成果。而知识是人们对这种反映的一种主观性的认识结果，是一种智力成果。因而，就信息与知识两者之间的关系而言，信息是具有知识属性的，并以知识成果作为其具体的表现形式。知识管理这一概念最早是在企业管理中被提出来的，知识管理的概念可能会因为其所涉及的学科领域的差异而存在各种不同的版本，但是知识管理的目标大抵是相同的，即知识管理想要实现的是在最恰当的时间将信息传递给最需要的人，以便于此人可以利用这一信息做出最恰当的决策并付诸实践活动。然而档案又是如何与知识管理存在联系的呢？档案根据其定义我们可以了解到，其最明显的特征为原始记录性。档案的这种原始记录性的特征奠定了档案不可动摇的地位，也是将档案区别于图书、信息等的重要凭证。因此档案凭借其固有的原始记录性的根本属性无可厚非的可称其是信息的最根本来源。知识是我们依靠自身主观能动性对信息进行筛选的结果，故档案也可以称为是知识的源头。

二、知识管理的档案价值

当今由于知识管理层次的不断深入，档案的使用价值呈现出来了新特征，因此对于知识管理中档案价值的重新发现，笔者认为是必要的。知识可以分为显性知识与隐性知识。档案是一种直接呈现在人们眼前的显性知识，是知识的来源，因此档案也是知识管理的核心部分。

（一）从理论基础角度分析。理論基础角度主要可以从档案后保管范式与档案双元价值理论两个方面。档案后保管范式包括新来源观、宏观价值鉴定论、知识服务三个方面。1.新来源观。新来源观就是对于文件的来源问题进行一种全新的认识，传统意义上，我们是在文件转化为档案之后才开始对档案进行管理，而新来源观理论则强调对于文件的管理工作应该从文件形成之初就着手开始进行，从开始形成时就开始对其管理，即强调的是一种“前端控制”“全过程管理”，通过这种管理方式可以方便人们从文件形成之初的背景，文件形成过程的结构层次以及文件未来可能会涉及的研究发展的方向进行全面系统的管理。2.宏观价值鉴定论。宏观价值鉴定论强调的是对于档案价值的鉴定我们不能仅仅局限于对其本身形成部门、机关所产生的价值作用上来判断是否对其进行保存，而应将价值的鉴定提升到对整个社会层级上来。使更广大的人群可以受益，进而实现档案的第二价值，这也正是谢伦伯格所强调的档案双元价值理论中的第二价值。3.知识服务。知识服务顾名思义主，要是将档案信息上升为知识层次对其进行管理，这一理论主要表现在传统档案保管员身份的变化上，可以说档案保管员的工作并非只局限于对档案的排列、档案、上架等一些基础性的工作。在知识服务中档案保管员的工作主要是将档案中的文字信息加工、提炼出有价值的部分，对这些有价值的部分进行整理，使有价值的信息可以提供给人们利用，即提高了档案信息的质量，也节省了档案利用者筛选档案的时间。以上就是档案后保管范式中所包括的三个方面的基本内容，档案后保管范式是在电子文件不断产生的背景下提出来的，将档案价值鉴定工作与知识服务有机结合起来，从而肯定了档案价值在知识管理中的地位。4.档案双元价值理论主要指档案的工具价值与档案的信息价值。工具价值所指的就是档案产生之初所赋予的价值。正如一个事物的产生是有其原因的，并能在其产生的基础上发挥其应有的价值，为社会提供利用服务。信息价值主要是依据信息接收者，即知识主题与知识客体之间的关系而形成的一种价值关系。这种价值的实现是需要一定的载体对信息进行传递实现的。知识主体的不同对知识的需求自然就会不尽相同。主体带着目的和需求查询接受信息，并且由于每个人的知识素养，知识储备的不同，对同一信息的理解也是大相径庭的。正如每个人读研究生的目的是不同，每个人的人生经历也是不同的，所以对待同样的问题我们会有自己的想法，我们会根据自身的经验分析理解所获取的信息。

（二）从实际理论角度分析。实践基础主要表现在公共档案管提供利用的层面上，主要包括知识获取、知识管理与知识服务三个方面。1.知识获取是实践的前提保障工作。正所谓没有原材料我们就无法进行生产加工一样。所以要想使公共档案真正体现价值，首先我们需要获取到一定的知识。知识管理权主要指的不再是对纸质文件的有序化整理过程，而是对文件上所反映出来的知识内容进行整理加工，对文件上面的信息进行分析，挖掘出更有价值的部分，对其进行管理。2.知识服务体现在政府信息公开这一层面上，档案馆作为政府信息公开查询的场所，具有提供知识服务的合法地位，同时主动提供信息查询等方面的服务也是其应当履行的义务，满足公众的需求是其应当做的。同样也是公共档案管发展的动力所在。在知识服务提供利用方面，公共档案馆可以借鉴公共图书馆的成功措施，如举办展览，提供远程服务，提供电子化检索平台等等。公共档案馆通过提供新的利用服务方式可以吸引更多的公众，进而实现其公共服务的价值。

三、知识管理中档案价值实现的特征

传统档案管理活动中只有有价值的文件才可以转换成档案进行管理、保存。而在知识管理活动过程中，档案的价值与使用价值时同等重要的。档案的价值主要体现在隐性知识层面，档案的使用价值主要体现在显性知识层面。因此对于知识管理中档案的这种价值与实用价值并重的条件下，档案价值也呈现出了新的特征。

（一）集成化与灵活性。传统的档案价值体现在主题对客体的需要，对主体需要的档案进行归档保存以实现其价值。而知识管理中更加注重的则是知识，并且这一管理从文件形成之初就需要开始着手进行了，体现在外在内在结合的全过程中，在整个过程中因可能涉及的不同人提出的不同要求，故灵活性也是必不可少的。

（二）多元化与共享性。公众对于档案的利用可能是间接的，而公众对于知识的获取则不同，这是一种主动性的活动。正如约翰奈斯比特曾经提到的“我们淹没在信心之中，但我们仍处于知识的饥渴中”。作为知识个体的人因其自身处于不断发展中，所以人作为知识个体是渴望获得知识的。知识管理的过程中则强调的是，将档案中的知识以一种共享的方式传播开来，呈现在公众面前，以便于公众根据自身的需要获取知识。这种共享性是多元化的，可以是一对一、一对多、多对一、多对多的方式。正如我们需要完成一项工作可能一份文件就包括了我们所需要获取的全部信息，也有可能我们需要通过搜集不同文件中的部分信息，进行整合后的信息才是我们真正需要的。个体的需求可能是单一的也可以是多元化的。

（三）显性化与增值型。知识管理需要的是主体通过交流的方式将隐形的知识显性化，知识管理中侧重于人力资源管理、成本投入管理、技术管理三个方面，这三点主要是依据企业知识管理所提出的。而当前就档案而言为了实现档案的价值应更加趋于主动性。主动性主要指主动提供服务，知识管理重视的是个体之间，个体与组织之间的知识共享过程，进一步促进知识创新以实现档案信息的增值型。

四、档案价值在知识链中的体现

（一）知识获取。知识获取包括信息采集與信息创造两个方面。采集的过程我们强调的是对于信息的获取要注重其完整性与信息的可靠性。创造则更加侧重于，将隐形信息显性化的过程。档案室信息是一种外在存在形式，因此可以说档案室信息的承载体，也就是知识获取的主要来源，对于有价值的信息获取应该对其加以记录以便日后更多人利用。

（二）知识开发。知识开发的过程是对信息进行分析，加工，处理，存储整合的过程。使信息有序化、体系化。这种信息开发的过程要遵守信息本身的客观性原则，知识开发者不可以根据个人的主观意识对信息进行任意的更改，要保持信息的原貌。知识开发就是档案工具价值和信息价值转换的过程。

（三）知识利用。知识获取与知识开发的过程都是为了知识最终能被有效地利用，利用过程中的个人与组织之间的信息传播、信心交流、信息之间的转移，到最后的信息共享过程都是档案价值实现的体现。

大数据论文例7

随着企业信息化的要求，国有企业的文档管理虽然实行了电子化、网络化，但是仍有许多纸质文档占用大量的存储库房、橱柜和文档架等空间。文档机构将文档转化为知识的能力严重不足，这使得原本步入半衰期的文档资源直接进入休眠期乃至死亡期，进而导致掌握着企业最有价值信息的文档机构在数字化时代不断边缘化。虽然文档机构所收藏资源实现了数字化储存，但这些资源长期处于休眠期，并没有实际价值意义。

1.2基于知识管理的国有企业文档管理

随着数字化、电子化，网络化时代的来临，文档管理的管理模式经历了实体管理、信息管理、知识管理过程，这演化过程实际是文档价值的升华与知识内涵的拓展过程。知识管理是指通过对企业内外各种信息、知识进行有效的识别、全面的收集、科学的加工和充分的运用,并且通过促进知识共享、鼓励知识创新、实现知识增值，从而来提高企业的应变能力和创新能力。基于文献的梳理，文档管理与知识管理的研究集中于构建知识管理的要求。笔者认为企业文档是企业重要的知识资源，是企业知识管理的基础；同时，文档管理是保护企业知识产权的有力武器。知识管理是实现隐性知识价值的途径，而文档管理是对显性知识的管理。从文档管理与知识管理的性质来看，文档管理是使归档文件的有序化和结构化，实现文档的利用价值；而知识管理是通过对文档的收集、加工、利用、编研和信息化管理等手段，将文档转化为知识资源。从文档管理与知识管理的共同性质来看，它们都是对信息资源进行加工，提取出有价值的信息，为企业提供服务。

1.2.1文档管理模式的转变

传统的文档管理是以纸质文件为管理对象，而现在多以电子文件与纸质文件互为交融的资源为管理对象，并且重视知识管理、知识共享与知识创新。

1.2.2文档业务的流程再造

业务流程再造是企业管理对组织流程重组的一种管理思想。文档业务流程再造是以文档业务流程为改造对象和中心，以关心客户的需求和满意度为目标，对现有的文档业务流程进行根本的再思考和形式的再设计，使得企业能最大限度地适应新形势下的现代经营环境。文档管理的流程再造是以文件管理的流程为基础，实现文件“产生、运转、归档、永久保存或销毁”流程的改造与知识管理的前端控制，流程再造是根据文件管理的流程实行文件前端控制，主要是对企业内部文档而言，将产生于职能部门的文档，经过初次加工，送入文档机构，由文档人员根据企业文档管理的标准体系进行再次加工，然后进行归档，通过数据挖掘的知识管理平台提取知识，最后通过服务平台提供给用户。

1.2.3文档管理人才队伍的建设

传统的文档管理人员的职能是接受、保管、排序、借出、归档等基本职能，但是基于知识管理的文档管理模式中，更要重视知识的产出，重视资料背后隐藏的有价值的知识。这要求作为参与信息管理、知识管理的工作人员提高自己的素质与工作能力，掌握管理学和现代企业管理知识，熟悉企业业务流程，同时懂得利用科学技术提高自己的工作效率。

2大数据环境下国有企业文档管理面临的新挑战

2.1文档管理模式面临的新挑战

大数据时代意味着企业的数据量多而且结构化数据与非结构化数据并重。基于知识管理的企业文档管理模式重视知识管理、知识共享、知识创新。大数据到来，对知识管理的模式提出了新的要求。现有管理模式的收集视角狭隘，而在大数据背景下，文档机构的收藏应多元化发展，从广泛视角收集文档资料，更多关注一些复杂化、碎片化、底层化信息的收集。

2.2文档业务流程面临的新挑战

目前，我们从文档流程与数据流程两方面进行文档管理。我们注重文档的前端控制，但是只是对文档产生之前的文件做出简单鉴定与加工处理。这样的处理并没有减轻文档机构人员的工作量，而是加重了文档机构重复性鉴定与加工处理。文档资料的冗余性、复杂性导致了知识提取工作量繁重，提取知识不可靠性。所以对文档的前端控制来说，文档产生之前的文档鉴定方法与文档的标准化格式是非常必要的，选择正确的文档鉴定方法能快速辨别文档的价值，提高文档输入速度，而文档标准化格式处理是挖掘知识的基础。

2.3文档管理人才建设面临的新挑战

人才资源是企业文档管理的关键。传统的文档管理模式中，只要求工作人员有归档、收集资料、查询等基本知识，而随着电子化、网络化的推进，企业要求文档机构人员除了具备基本服务素养，还要懂得信息化技术。但是在大数据背景下的企业文档管理，这些素养还远远不够，文档工作人员不仅要懂得现代企业管理理论，熟悉企业业务流程，还要具有数据处理能力，能够运用先进的技术提高工作能力与效率。工作人员要从数据的视角看待文档，以大数据理念推动文档的管理与服务。从管理层来看，要严格把关人才选拔；加快文档人员知识结构的变革，多途径、多层次培养人才。

2.4管理技术支持和服务面临的新挑战

技术是企业发展的生产力。在基于知识管理的企业文档管理模式中，技术是整个模式架构的基石。从整体来看，IT架构布局是整个知识管理平台的基础；从局部来看，数据挖掘技术是知识提取的核心技术，是整个企业文档管理的中心。整个文档管理的轴心是数据挖掘技术，所有的活动都围绕它开展。现有文档管理模式提供的是点对点的个性化服务。在大数据背景下，用户在竞争日益激烈的环境下需要更多的信息与知识才能做出好的决策，这对国有企业文档机构提供的服务提出了新的挑战。用户要求文档机构的服务响应速度更快，信息检索与查询更便捷，信息与知识的可理解性更强，并且能够提供全过程的信息服务。这要求文档机构在大数据背景下的个性化服务不仅提供用户所需要的信息，还要通过对用户需求进行分析，提供基于海量分布式资源的精细化知识组织输出，即实现“信息+解决方案”的一站式服务。

3基于知识管理的国有企业文档管理的优化途径

为了应对大数据时代的挑战，我们可从两个方面解决基于知识管理的文档管理的问题。

3.1基于知识管理的文档管理模式的改进文档

管理工作的开展需要两方面的支持。文档是企业的宝贵资源，促进企业的成长，所以知识管理需要管理层领导的支持。管理层要重视、关注企业文档管理工作，为文档管理配备必要资源，从大局出发，定时提出要求，及时给予工作指导。在人员配备方面，企业要选用有一定信息素养，掌握一定管理理论的工作人员，同时要具有数据处理能力。大数据技术能够解决企业文档的电子文档数据储存提供与调用速度慢的问题，所以企业的技术服务部必须从企业大局出发，全面建设企业信息化平台。从企业底层的网络IT架构到面向用户的信息平台，技术部的人员要提供一站式技术，为文档管理部门提供基础技术支持。另外，在面向用户的文档管理平台上，必须要对用户进行权限管理，防范企业泄密的风险。

3.2基于知识管理的文档管理业务流程再造

基于文档管理业务流程再造，是指我们在文档前端控制的时候，增加文档鉴定与文档格式标准化功能。在文档鉴定方面，采用徐拥军学者（2008年）的宏观鉴定论。它不再采用“时间、来源、职能、内容或用户”之类的具体标准，而是改用更加宏观且相对抽象的“文件形成机关的社会职能”标准。这种宏观鉴定标准与方法可以对体积量大的文件进行批处理式的鉴定，提高鉴定速度，进而提高资料收集工作的效率。对于提高企业文档输入工作的效率问题，这就要求企业建立文档管理标准化体系。标准化体系分为两个层次：第一个是数据输入的标准化格式。标准化格式的电子文档数据提高了工作人员对数据输入的效率，同时也利于工作人员对海量标准化数据深层次的挖掘。第二个是企业文档管理流程的标准化。工作人员严格按照标准化流程办事，落实流程各个阶段的责任，防止文档泄密与丢失等其他突发事件。知识管理平台是企业档案管理的核心，它的前端是企业收集的文档经过标准化处理的数据，后端是面向用户的开放性信息平台。知识管理平台的核心是数据挖掘技术，数据挖掘技术是大数据时代的一种数据处理技术，它指从大量的、不完全的、有噪声的、模糊的、随机的实际应用数据中，提取隐含在其中的、人们事先不知道的、但又是潜在有用的信息和知识的过程。数据挖掘技术善于发现文档海量信息中的精华，有利于有效的知识管理，是实现知识挖掘、知识共享、知识创新的途径与方法。

大数据论文例8

（1）原始数据量大，且呈异构、多样性。

（2）难以用数学方式表达其结构及特征。例如：医生对医学影像、信号和其他临床数据的解释多是非结构化的语言或文字形式自由的口述，难以标准化。

（3）数据可能包含冗余的、无意义的或不一致的属性，并且数据经常要更新。

（4）数据采集很难完全避免噪声干扰，而噪声往往会影响处理结果。生物医学大数据处理包括数据的收集、抽取与集成、分析与挖掘、解释和共享等诸多方面，涉及数据库、信息科学、统计学、高性能计算、网络科学、心理学等多个领域。

2生物医学信息处理

2.1数据挖掘在生物医学信息分析中的应用

数据挖掘是对海量数据进行处理和分析，找出数据间的隐含联系，发现未知规律，最终获得知识的过程。挖掘的过程包括信息收集、数据集成、数据规约、数据清理、数据变换、数据挖掘、模式评估和知识表示8个步骤[5]。近年来，数据挖掘是生物医学信息分析的常用手段，尤其是在循证医学研究、基因组和蛋白质组的研究领域中有很广泛的应用价值。KDNuggets在2011年全球数据挖掘应用行业调查的结果表明：健康行业位居10大数据挖掘应用领域的第3位。生物医学领域大数据多是不完整的、不一致的、有噪声的，数据具有独特的复杂性、丰富性、规模和重要性，需要数据挖掘的特殊关注。数据挖掘经典算法，如：分类、聚类、关联分析、序列等在生物医学数据挖掘时都可使用。

2.1.1　分类（Classification）

分类是根据己知数据的特征和分类结果，为每个类找到合理的模型(构造分类器)，然后用这些模型对新数据进行分类。K最邻近算法、决策树、支持向量机、神经网络等是常用的分类模型构造方法。疾病的诊断和鉴别就是典型的分类过程。例如：美国学者利用数据挖掘软件Clementine，以决策树算法为模型，分析挖掘了医疗机构HealthOrg的数据仓库中有关年龄、BMI指数、腰臀比和周锻炼次数等数据，得出糖尿病患病危险因素的分析结果。此外，还有一些国内外研究者针对肺癌、乳腺癌的诊断数据，通过分类挖掘的方法提高诊断的精确性。

2.1.2　聚类（Clustering）

分析聚类分析是将有共同特征或相似度高的数据对象实例聚成一类的过程，常用来研究样品或指标分类问题。聚类分析在生物医学领域已经得到广泛的应用，例如：可以根据流行病学特征属性的相似程度将病例数据划分成若干类，通过比较各个类别之间的临床医学状态特征属性的差异来分析某类疾病。国外学者选取SEER数据库中的217558例肺癌病例，通过分析每个病例的22个临床医学特征属性和23个流行病学特征属性的相似度后，将这些病例划分为20类，这就是典型的聚类分析。

2.1.3　关联（Association）分析

关联反映的是一个事件和其他事件之间依赖或关联的知识，可以通过表征事物特征的两个或多个变量的取值之间存在的某种规律性，找出数据之间隐藏的关联关系。关联现象在生物医学领域普遍存在，例如：临床上的某些疾病会同时呈现几种不同的病症，这些病症之间就表现为一定程度的关联性，而医生诊断病症的过程常常以观察症状为基础。

2.1.4　序列挖掘（SequenceMining）

序列是指按一定顺序或规律排列构成的一系列符号、数值或事件。存储于DNA、RNA和蛋白质中的遗传和功能信息可用符号序列表示，分析序列数据能找到其统计规律或发现序列组成部分片段之间的相似性或相同性，这是生物信息学研究中最常用方法。此外，还可用时间序列数据进行某些疾病的研究与治疗，例如：欧盟资助的T-IDDM（TelemetricManagementofInsulinDependentDiabetesMellitus）项目通过Internet采集糖尿病患者的连续监测数据，经时间序列分析后找到患者一天内血糖水平变化的规律和趋势，为医生调整或精确胰岛素治疗方案提供有效的数据和支持。

2.1.5　图挖掘（GraphMining）

利用待研究的数据对象构建图这种数学模型，然后从图中寻找频繁出现的子图，从而挖掘出有价值的信息。例如：美国学术界整合出2003年H5N1禽流感感染风险地图，经过图挖掘分析出2013年H7N9人类病例区域[11]。此外，从政府管理角度来看，公共卫生部门可以针对覆盖全国患者的电子病历数据库进行图挖掘，从而完成全面疫情的监测。

2.2文本挖掘——生物医学文献信息的大数据处理

2.2.1　文本挖掘

目前，全球医药类期刊近3万种，每年200多万篇，并且以每年7%速度递增，互联网上的信息资源约有30%以上的是与医学信息相关的。文本挖掘（Text-Mining）和信息可视化（InformationVisualization）是分析这些数据，揭示知识领域的内在联系的最有效手段。文本挖掘主要结合文字处理技术，利用智能算法，分析大量的半结构化和非结构化文本源（如文档、电子表格、电子邮件、网页等），抽取散布在文本文件中的有价值知识，并转化为可利用的知识的过程，其工作流程如图2所示，挖掘前要完成包括文本收集、文本分析和特征修剪三个步骤的预处理工作。文本挖掘多以计算机技术实现，文档聚类、文档分类和摘要抽取是应用最多的技术。文档聚类主要完成大规模文档集内容的概括、识别文档间隐藏的相似度、减轻浏览相关、相似信息等功能。文档分类多以统计方法或机器学习自动实现，简单贝叶斯分类法，矩阵变换法、K最邻近分类算法以及SVM等都是其常用的分类方法。摘要抽取主要是利用计算机自动地从原始文档中提取全面、准确反映该文档中心内容的简单连贯的短文。此外，文本挖掘的结果评价常用分类正确率、查准率、查全率、支持度和支持度置信度等世界公认的重要参数进行评价。生物医学信息处理领域所涉及的DNA序列综合特征分析、蛋白质功能和相互作用分析、疾病基因发现、药物作用靶点预测等都与文本挖掘技术密不可分。在我国，已经有一些研究者利用文本挖掘技术来研究医学文献背后隐藏的知识。临床上，医生用文本挖掘技术对疾病的处方和中药用药规律进行了分析。

2.2.2　信息可视化

信息可视化是一种运用计算机图形学和图像处理技术，将信息转换为具有一定意义图形或图像，并进行交互处理的理论、方法和技术。它能有效发掘、过滤和研究海量数据，以更直观、有效的方式使研究人员更容易发现隐藏在信息内部的特征和规律，深层次地发掘包括生物医学领域在内的多个学科的研究热点和研究前沿信息，为研究人员把握研究方向提供帮助。信息可视化的常用工具有TDA、CiteSpace、Histcite、Vxinsight等软件，主要完成数量统计、共现分析和统计图表、共现矩阵、节点链接图、技术报告展示等功能。例如：国外学者针对PubMed数据库中2002年到2011年的文献，分析了以“电子健康档案”、“医疗记录系统”和“计算机辅助诊疗”为主题的文献的引用情况后，用可视化工具展现其研究结果，使相关领域的科研人员很直观的了解了该领域的研究状况。

大数据论文例9

2相关概念

在信息化时代“，数据”成为一个热门词汇，如今数据已经深入到每一个行业和领域，并成为促进生产的重要因素。而“大数据”这样的概念是在数据的基础上逐渐流行起来的，这最早源于美国“。大数据”指的是运用更先进软件和科技对数据进行管理和分析，将数据流整合，将海量的数据进行处理，也就是说，传统的数据管理技术已经不能适应现在的大量数据了，我们要进行新技术的开发，迎接大数据时代的到来。大数据(Bigdata)一般指的是软件工具难以捕捉、管理和分析的大容量数据，其单位通常是“TB”。大数据是一个企业在创造了大量非结构化和半结构化数据后，组成一个数据集，其具有4V特性：(1)容量大(Volume)。非结构化数据的超大规模和增长；占总数据量的80%～90%；比结构化数据增长快10到50倍，是传统数据仓库的10～50倍。(2)格式多(Variety)。异构和多样性；很多不同的形式，如文本、图像、视频、机器数据等；没有模式或者模式不明显；不连贯的语法或句义。(3)价值高(Value)。大量的不相关信息的提纯；对未来趋势与模式的可预测分析；深度复杂分析(机器学习、人工智能VS传统商务智能咨询、报告等)。(4)速度快(Velocity)。实时分析而非批量式分析数据输入、处理与丢弃，立竿见影而非事后见效。数据之间的跨应用和跨系统的结构化和非结构化数据体现着数据与数据的复杂关系，这些数据相互之间关联却又相对独立，大量的数据通过储存和分享进行交换和联系。通过对大量数据进行分析、整合和交换，不断创造新的价值，加快生产，发现新领域和新知识，将数据流最大价值化和最大应用化，这是大数据的实质与内涵，简单来说，就是将大数据内部信息进行关联和挖掘。

3大数据给公司带来的挑战

新疆新捷股份有限公司成立于1995年8月，是专业从事天然气终端销售及综合利用的企业。公司秉承中国石油“奉献能源、创造和谐”企业宗旨，坚持昆仑能源“低碳经济、绿色发展”理念，努力将公司建设成为国内一流的天然气终端销售企业。从企业战略着眼，信息就是财富，企业如果对这些大数据管理得当，就可以发掘出更为强大可靠的决策信息。目前大数据时代给企业管理者带来的挑战有如下几个方面。

3.1如何获取大数据现在很多企业所能获取的数据信息有限，仅仅是冰山一角，大约为总数据的15%以下，并且对数据整合程度不够，存在很多非结构化数据和半结构化数据。无法获取足够的数据成为企业发展的障碍，这些对于现代企业来说是一个很大的难题，传统的商业智能系统对大量信息数据的标准化和结构化整合已经不能适应，海量数据的产生需要企业运用先进的手段获取更多，并对信息数据加以整合，这样才能通过大量的数据分析市场需求，增加客户，提高企业的服务质量，不断提升企业的国际竞争力。因此，如何获取大数据成为新疆新捷股份有限公司的一个挑战。

3.2对管理团队的挑战新疆新捷股份有限公司的传统管理模式是高层决策者凭借自己的经验和决策能力下决定，其他管理人员负责完善决策和执行。在大数据时代来临前数据量较小，信息有限且获取信息的成本较高，因此这种传统的管理模式还可以适应企业发展。但随着信息化社会的发展和大数据时代的到来，这种传统的管理模式已经不能适应海量的数据，这更多的是需要新疆新捷股份有限公司通过大量的数据进行分析，结合企业自身的特点，组成管理团队进行决策，这样才能不断适应社会的发展，增强企业的竞争力。决策者在决策过程中的直觉主义已经不能适应大数据时代，这是企业在管理上遇到的一个挑战。

3.3对企业管理流程的挑战多数企业的管理流程是逆向思维方式，也就是说通过在经营过程中出现的问题进行分析，通过一个管理团队的讨论和协商，制定出一套解决方案，这样的管理流程有一定的好处，但也会因为有一些管理问题还没有出现，导致管理上的疏漏，而新疆新捷股份有限公司就曾是这样的管理流程。对于现在海量数据的产生，新疆新捷股份有限公司不能再按照逆向思维模式进行管理了，其应该尽量运用正向思维的管理方式，根据现在大数据时代的特点，进行数据收集，找出数据之间潜在的关系，对客户信息进行整理分析，充分了解客户的需求，进而提出优化方案，这样更有利于企业发现自身的问题，并走在其他企业前面，提高竞争力。

4大数据时代企业管理变革

随着信息流动、网络新生代的成长和数据量的增加，过去传统企业可能通过强大的体制控制力，或者信息不对称的优势地位进行封闭企业管理的模式，在今天已经越来越行不通了。面对海量数据，我们要以数据体现的内容为先决条件，不断适应大数据时代的变革，同时，对企业的管理进行改进和变革，大数据时代下企业管理需要做出变革几点如下。

4.1获取数据在大数据时代，企业最重要的是进行数据的获取，收集一定的数据才能更好地对企业进行管理和实施决策。大数据需要有一个平台，需要进行一个数据的抓取，它有传输、分析、建模、优化等作用，最后产生认知，这些都是在大数据这个平台上所必须具备的一些特性。这些特性使得企业间可以通过大数据平台进行跨行业交流。大数据平台会把全世界的数据进行共享，使得全世界在物理空间的活动都得以体现在大数据平台上，这是一个很重要的概念。对于企业来说，要不断融入这个平台，通过共享数据和收集数据，开发潜在客户。

4.2管理团队的挑战大数据时代的到来对于企业的管理既是机遇又是挑战，对于企业的管理者来说，这有利于数据的收集和分析，我们在面对大数据的挑战时，首先要将数据量化，量化的数据有利于管理效率的提升，管理者通过大量的数据信息掌握公司的业务和客户，对公司内部和外部客户进行管理，提升管理和决策的质量。我们可以通过以下三个方面面对挑战。

4.2.1转变管理模式企业在管理上要与时俱进，要在大数据时代充分了解数据是什么，并通过数据进行有利于自己企业发展的分析，要根据大数据转变管理模式。海量数据是管理的主线，我们应该通过数据说话，利用数据进行潜在客户的挖掘。以往的管理模式都是由高层人员根据自己的经验进行决策和管理，而在大数据时代，我们应该建立一个管理团队，对海量数据进行管理和收集，通过分析数据得出结论，再通过研究讨论，最终确立决策方案。这种管理方式可以给企业带来巨大的商业价值，实现企业对客户进行增值服务的附加值，以数据为主的管理模式更合理，更科学，也更符合大数据时代的特点，此外，还有利于企业增强竞争力，提高管理和决策的效率。

4.2.2转变思维模式面对大数据时代，企业管理者需要对大数据进行量化分析，这和传统的思维模式并不相同，因此需要转变管理者的思维模式。在面对重大决策和企业管理时，要先进行数据查找和数据分析，从数据上得出结论，分析结果，最后再进行决策和管理，这种方式不但会提高管理者的效率，也会提高其他工作人员的积极性和业务执行能力。另外，我们要允许数据做主，也就是说提高数据分析的力度，将来自一线的数据进行分析，通过数据判断决策是否正确，大数据的整理和分析是需要较长的时间来完成的，这对企业来说也是一种挑战。

4.2.3培养人才资源在大数据时代人才资源是一个企业发展的重要因素。如今的高级管理人才越来越稀缺，拥有综合能力的管理人才不多，因此企业应该进行管理人才的培养，只有将人才、科技、管理、决策进行融合和调整，才能使企业清晰自己的发展目标，制定适合自己的发展战略。企业可以在管理人才的选择上挑选一些经验丰富、学历较高的人才，再进行岗前培训和在职培训，提高他们的管理能力和应对大数据时代的能力。企业通过培养视觉化、系统化人才，将企业的海量数据进行快速、高效的整理和分析，从而提高企业竞争力，使企业能充分迎接大数据时代带来的挑战，更好地把握大数据时代出现的机遇。

大数据论文例10

1认识大数据

相信大家都还记得2013年5月10日淘宝十周年晚会上，阿里巴巴集团董事局主席马云在其卸任集团CEO职位的演讲中说到：“大家还没搞清PC时代的时候，移动互联网来了，还没搞清移动互联网的时候，大数据时代来了。”

什么是大数据？

早在1980年，当时著名的未来学家阿尔文·托夫勒便在其著作《第三次浪潮》中热情洋溢地将大数据赞颂为“第三次浪潮的华彩乐章”。不过直到时光抵达2009年，“大数据”才开始成为互联网信息技术行业的流行词汇。

环顾四周，我们都已经切身感受到了当今的信息量正在以前所未有的速度膨胀。当我们的普通民众在上世纪90年代刚刚接触个人计算机的时候，1MB的磁盘，1GB的硬盘已经是不错的配置。然而现在呢？GB、TB都已经无法满足我们丈量数据大小的需要，PB、EB、ZB已经义无反顾地承担起了丈量数据的大任。

随着互联网自媒体的普及，每天都有数以亿计的人在发微博、写微信、更新个人主页、使用社交网站、发表个人评论……全球互联网上每天会有220万TB的新数据产生，90%的数据都是在过去的24个月内创造出来的，如今，这个比例还在不断上升。

在维克托·迈尔-舍恩伯格及肯尼斯·库克耶编写的《大数据时代》中，他们对大数据的表述是：大数据(big data)，或称巨量资料，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。他们对大数据的特性进行了归纳，提出了4V特点，即Volume(数据量大)、Velocity(要求实时性强)、Variety(数据的种类多样)、Value(数据是有价值的)。

而《互联网周刊》则认为“大数据”的概念远不止大量的数据和处理大量数据的技术，或者所谓的“4V特点”之类的简单概念。大数据是涵盖了人们在大规模数据的基础上所能做到的事务，而这些事务在小规模数据的基础上是无法实现的。换句话说，大数据让我们能够以一种前所未有的方式，通过对海量数据进行分析，获得具有巨大价值的产品和服务，或者深刻的洞见，进而最终形成变革世界的力量。

2大数据应用的现状分析

最早提出世界已经迎来“大数据”时代的机构则是全球知名的咨询公司——麦肯锡。麦肯锡在其研究报告中指出：数据已经渗透到每一个行业和业务职能领域，逐渐成为重要的生产因素；而人们对于海量数据的运用将预示着新一波生产率增长和消费者盈余浪潮的到来。

大家都或多或少地意识到应该能从这些海量的数据中获取些什么，然而究竟我们能获取到什么呢？

一个被广为传播的典型案例是：在2012年初美国的一家Target超市，一位愤怒的父亲突然闯进来对店铺经理咆哮道：“你们竟然给我17岁的女儿发婴儿尿片和童车的优惠券，她才17岁啊！”经理下意识地认为是店里出了问题，也许是误发了优惠券，于是立即向这位父亲道歉。然而经理却没有意识到，其实这是公司正在运行的一套大数据系统得出的分析结论。

Target会从其会员的购买记录中去了解该顾客的性格、类别等一些列业务活动。上面的例子正是Target为适龄女性创建的一套怀孕期变化分析模型，如果相关客户第一次购买了婴儿用品，系统将会在接下去的几年中根据婴儿的生长周期向顾客推荐相关的产品，从而培养和提高客户的忠诚度。

果然，一个月后，该名愤怒的父亲打电话给商铺道歉，因为Target发来的婴儿用品优惠券不是误会，他的女儿确实怀孕了。

利用数据挖掘用户的行为习惯和喜好，在凌乱纷繁的数据背后发掘出更符合用户兴趣和习惯的信息、产品和服务，并对这些目标化的信息、产品和服务进行针对性地调整和优化，这便是大数据能带给商家最诱人的价值之一。

随着社交网络在人们生产生活中地位的快速提升，大量UGC(User Generated Content用户自生成的内容)进入互联网，上述价值的实现也变得越来越明显。

事实上，全球IT业巨头都已经意识到数据的重要意义和“大数据”时代的到来。包括IBM、EMC、惠普、微软在内的全球知名跨国公司都陆续通过收购与“大数据”相关的厂商来实现技术整合。

目前典型的大数据应用领域有：

商业智能。例如：用户行为分析，即结合用户资料、产品、服务、计费、财务等信息进行综合分析，得出细致、精确的结果，实现对用户个性化的策略控制，这在营销网络的流量经营分析中占有越来越举足轻重的地位。个性化推荐，即在各类增值业务中，根据用户喜好推荐各类业务或应用，这已成为运营商和门户提供商服务用户的一个最有效方式之一，比如应用商店的软件推荐、IPTV视频节目的点播推荐、购物或旅游网站的猜你喜欢等。

公共服务。一方面，公共机构可以利用大数据技术把积累的海量历史数据进行挖掘利用，从而提供更为广泛和深度的公共服务，如实时路况和交通引导；另一方面，公共机构也可以通过对某些领域的大数据实时分析，提高危机的预判能力，如疾病预防、环境保护等，为实现更好、更科学的危机响应提供技术基础。

政府决策。通过对数据的挖掘，从而有效提高政府决策的科学性和时效性。例如：日本大地震发生后仅仅9分钟，美国国家海洋和大气管理局(NOAA)就了详细的海啸预警。并且随即NOAA通过对海洋传感器获得的实时数据进行了计算机模拟，制定出详细的应急方案，并将制作的海啸影响模型实时在了YouTube等网站上。

3大数据解决方案的现状分析

以往谈及大的数据通常用来形容一个公司创造的大量非结构化和半结构化的数据。如今把“大数据”作为一个专有名词提及，通常指的是解决问题的一种方法，即通过收集和整理生产生活中方方面面的数据，然后对其进行整理、挖掘、分析、处理，进而从中获得有用的价值信息。这种衍化出的新的商业模式即为通常意义上的大数据解决方案。

虽然通常意义上的大数据解决方案描述了一种通常的行为，但要实现这种通常的行为，往往会遇到诸多技术和硬件上的问题。一个显而易见的问题就是：大数据包络万象，而且像音频、文本信息、视频、图片等非结构化数据正以突飞猛进的速度增长，加上移动互联网的普及所带来的如位置、生活信息等富含价值的数据，现有的，或者传统的对数据的处理手段和硬件配置已越来越跟不上数据发展的步伐。

于是革命爆发了！

哈佛大学社会学教授加里·金就说道：“这是一场革命，庞大的数据资源使得各个领域开始了量化进程，无论学术界、商界还是政府，所有领域都将开始这种进程。”

数据需要存储，存储需要设备，存储设备的容量和可扩展性以及读取的速度成为了一大问题(容量问题)；大数据不是一日而成的，往往都需要一定周期的积累，在数据的积累过程中，以前的数据和现在的数据在存储上应该是能保持一致的，无论设备升级与否，而且这些数据要长期有效，这是一个持久的问题(积累问题)；与持久相对应的，互联网是变化的、经济活动是变化的、整个世界都是变化的，针对某些实时问题，如交易、金融等，用已经过去的数据显然是不合适的，这也是一大问题(延迟问题)；大数据包络万象，有些是可以随意获得、和消除的，有些，如金融数据、医疗信息、政府情报等，则是需要按不同级别进行保护和加密的，特别是在需要交叉数据参考的应用中，不同部分的数据有着不同的安全需要，这又是一大问题(安全问题)；为了满足上述问题，我们显然可以通过不断加大投入，购买更多的存储设备、雇佣跟多的工作人员、建设更多的数据中心和分析中心，但这一切都是由成本的，特别是对于以盈利为目的的商业机构而言，成本和收益永远都是最优先考虑的问题之一(成本问题)；当然还有很多其他的问题，这里就不一一罗列了。

驱动商业机构解决上述问题的动力肯定是商业利益。以全球知名的IT制造与服务和咨询提供商IBM为例，其全球CEO调研显示，唯有在数据获取、将数据转换为洞察力、再将洞察力转化为行动力等方面表现优秀的企业，才能有持续的绩效表现。绩效突出者从海量数据中挖掘出有价信息的能力是绩效不佳者的2倍。

IBM认为由于当今企业、市场、社会、政府之间的联系变得越来越紧密，传统的数据分析正日益呈现出“大数据”时代的新特点，即容量要求更高、速度要求更快、数据类型多样和数据来源复杂4个方面。结合多家领先市场咨询机构的调研数据显示：

2010-2015年，“大数据”市场年均符合增长率为39.4%，将是整个信息与通信技术市场增速的7倍；管理及维护数据的成本将是购买存储设备所需成本的4倍；全球数据量的年均复合增长速度为59%；未来需要分析的信息源中，混合类型数据所占比重将高达85%；数据分析直接受到服务器性能制约的数据量将占到总体的87%；仅2012年一年，服务器在整体“大数据”市场投资中就将占去14%的比重。

这就意味着传统计算的低效正在为企业发展带来阻碍，企业感到当前的IT系统变得更加复杂且难以管理。数据显示：企业用于运营和维护IT系统的费用已经超过整体预算的70%，并且这一比例仍在持续增长；企业有三分之二的IT项目及解决方案部署超出了原定计划；IT架构的复杂度将以当前速度每两年就增加一倍。

于是出乎绝大多数人意料的事情发生了：IT部门，这个曾经作为企业现代化和创新化能力标志的部门，正越来越成为企业新创新的阻力而非动力。

怎么办？

很多人立即想到了另外一个热词：“云计算”。

IBM全球高级副总裁Rod Adkins认为，当前全球IT领域有了令人振奋的发展趋势和挑战，现在每天有大量数据和信息生成，这为大数据分析提供了机会；数据中心的挑战也为IT提供了新机会，比如云计算，能降低数据中心成本。

EMC资深产品经理李君鹏认为，大数据本身就是一个问题集，云技术是目前解决大数据问题集最重要有效的手段。云计算提供了基础架构平台，大数据应用在这个平台上运行。目前公认处理大数据集最有效手段的分布式处理，也是云计算思想的一种具体体现。Teradata技术总监Stephen Brobst则表示，公有云架构对数据仓库没有影响，因为企业的CIO不会无缘无故把财务数据或者客户数据放到云上，那样很危险。然而，是私有云架构确实有影响：第一，通过私有云，可以巩固数据集市，减少利用率不足的问题；第二，可以通过灵敏的方式将数据集成，实现业务价值。

于是有人就此理解为：大数据的最佳解决方案是采用云计算和分布式处理，利用互联网将运算能力、存储能力都做分布式的处理，认为这样做就可以最大程度上地降低成本、增加扩展性和灵活性。

然而事实真的如此吗？

让我们来分析一下最近IBM公司在国内针对百万人口的城市级信息中心制定的解决方案：

面对数量庞大且增长迅速的各类交通信息：120万辆机动车电子卡、4万辆机动车的实时GPS定位、200万笔公交IC卡数据、518个高清卡口的113亿张图片等，该市信息中心的领导意识到，当前多个项目能源消耗大、占地要求非常高、并且原有的网络设备难以满足新增的需求，网络设备经常更换，并且这些相互独立的数据库、服务器和存储，以及不同的访问权限和没有统一的管理界面，让本就压力巨大的数据中心的效率大打折扣，同时也极大浪费了宝贵的人力、能源和其他各种资源。

IBM给出的解决方案是：

首先，在基础平台上摒弃了分布式的服务器架构，而是采用大型服务器在基础架构上对处理能力、I/O吞吐和主存储进行了整合，这样做的最大亮点是，将原有成百计的分布式服务器整合到了个位数，极大地节省了空间和能源，做到绿色环保；因为不用考虑各分布式服务器之间的互通互联和各服务器之间的状态及负载均衡与调配，节省了相当数量的管理人员；另外大型服务器自身端到端的管理功能和适用于异构工作负载且基于策略的框架，有效帮助信息中心实现中心控制，实现极高的性能。

其次，在整合的基础平台之上，采用“云计算”框架虚拟化设计，实现了智能交通和政务网站的整合。这一方案让用户在使用上可以享受与分布式架构相同甚至更加优越的性能。由基础平台通过虚拟化形成的任意数量的虚机，在统一云管理软件URM的配置下，能够提供统一的管理视图和管理机制，简化在多套异构业务系统环境下系统的运营和维护工作。

而在本方案中的存储部分则采用了运行稳定、性能领先、技术成熟的SAN网络架构，具有很好的稳定性，能为前端各应用提供可靠的数据存储平台，并且整个SAN网络中的部件都配置了双冗余组件，保证任一部件的损坏不会影响整个系统的运行，而关键数据库的数据都通过合理的备份策略，定期备份在了物理磁带上，保证关键数据的绝对安全。

总结下来，整合的基础平台，“云计算”框架的虚拟化设计，和定制化的高速存储，打造出了最稳定、最可靠、最安全、最绿色的运行环境，让政府的大数据应用完美落地。

可见，大数据的解决方案不同于纯粹云计算的解决方案，虽然云计算带来了看上去更便宜的处理能力和存储能力，但对于往往都有相当数量级规模的大数据应用而言，在基础架构上巧妙地整合和部分的集中，反而能更好地解决安全性、可靠性、稳定性和绿色环保的需要。