下一代计算技术

文摘:信息对于人类的发展是必不可少的，就像空气对于生命的生存是必不可少的一样。信息技术带来的变化速度对我们在世界范围内的生活和工作方式产生了关键影响。随着数字环境的变化，图书馆的服务也在积极变化。今天，图书馆在所有活动中都使用当前的趋势，包括选择、整理和传播信息。今天，每个人都希望从图书馆获得信息和服务。物联网现在是世界的话题，在生活的各个方面都发挥着至关重要的作用。今天，我们可以看到，全球有超过1500万台相互连接的电子设备在运行。使用的物联网工具的最常见的例子是RFID技术。本文是为了提供RFID技术的概述，它的历史，RFID技术组件以及它是如何工作的，也讨论了RFID技术的优缺点。本研究亦为未来计划使用RFID技术实施自动化图书馆管理系统的图书馆提供参考。

关键字-图书馆，RFID标签，RFID技术，RFID阅读器，无线电波

[1]射频识别。(2017.9.29)。在维基百科，自由百科全书。2017年10月5日06:00，检索自https://en.wikipedia.org/w/index.php?title=Radio-frequency_identification&oldid=802966994

[10] Syed Md. Shahid，“RFID技术在图书馆中的应用:图书馆资料流通、跟踪、库存和安全的新方法”，《图书馆哲学与实践》第8卷第1期(2005年秋季)ISSN 1522-0222

[10]刘建军，张建军，图书馆射频识别技术的研究进展。IGCAR科学信息资源司。

[10]周文杰，方文文，图书馆RFID应用现状，信息技术与图书馆，芝加哥，25(2006):24-32。

[10] A. Larsan Aro Brian, L. Arockiam, P. Sheba Kezia Malarchelvi，基于物联网的安全智能图书馆系统，基于NFC的图书跟踪，国际新兴技术计算机科学与电子技术(IJETCSE)，第11卷第5期- 2014年11月p。21页。

文摘:蛋白质结构是蛋白质分子中原子(氨基酸)的三维排列。蛋白质三维结构预测可以很容易地了解蛋白质的功能和分子水平。本文综述了用于蛋白质三级结构预测的一些进化算法、方法和工具。

关键字:蛋白质结构，三维蛋白质结构预测，进化算法

[1]。尼尔森DL，考克斯MM(2005)。莱宁格的生物化学原理(第4版)。纽约，纽约:W. H. Freeman and Company。
[2]。默里等人，第30-34页。
[3]。Mount DM(2004)。生物信息学:序列与基因组分析。冷泉港实验室出版社。ISBN 0-87969-712-1。
[4]。张勇(2008)。蛋白质结构预测的进展与挑战生物工程学报，18(3):342 - 348。PMC 2680823。PMID 18436442。doi: 10.1016 / j.sbi.2008.02.004
[5]。刘建军，李建军，李建军，李建军，李建军，李建军;科普;Bordoli;读;克拉克;Schwede(2007)。CASP7中的自动服务器预测。蛋白质。69(增刊8):68-82。PMID 17894354。 doi:10.1002/prot.21761

文摘:蛋白质结构预测是生物信息学追求的重要目标之一，在医学(药物设计)和结构生物信息学中具有重要意义。三维蛋白质结构由其坐标X, Y和z确定。针对预测三维蛋白质结构的算法，方法，应用和各种技术的数据库。蛋白质三维结构的预测方法分为比较预测、折叠预测和从头预测。通过使用算法，它可以根据氨基酸序列确定和预测蛋白质结构。

关键字-蛋白质结构预测，方法，数据集，应用。

[1]。施奈尔，周俊杰，周俊杰，2008。A型流感病毒M2质子通道的结构与机制《Nature》451,591-595。
[2]。Erfan Khajia, Masoumeh Karamib, Zahra Garkani-Nejadc，瑞典哥德堡大学复杂适应系统系研究生，哥德堡生物化学系
[3]。伊朗军事医学大学，West Fatemy St, North Karegar Ave, Tehran, Iran，“使用帝国主义竞争算法和半球体暴露预测的3D蛋白质结构预测”E. Khaji等人/ Journal of Theoretical Biology 391(2016) 81-87。
[4]。BorkoBoskovic, Janez Brest，斯洛文尼亚马里博尔大学电子工程与计算机科学学院，“具有先进机制的遗传算法应用于疏水-极性模型和立方晶格中的蛋白质结构预测”。应用软计算45(2016)61-70。
[5]。Leonardo Correa, Bruno Borguesan, CamiloFartan, Mario Inostroza-Ponta和Marcio Dorn, L. Corr - rea, B. Borguesan和M. Dorn，巴西阿雷格里港南巴西格兰德州联邦大学信息学研究所。C. Farfán和M. Inostroza-Ponta就职于智利圣地亚哥圣地亚哥大学生物技术和生物工程中心IngenierıaInformática部门。“三维蛋白质结构预测问题的memetic算法”，Ieee/Acm计算生物学与生物信息学学报，第15卷，第1期，2016年4月。

文摘:聚类是一种数据挖掘技术。它旨在对数据进行决策自然分离。对象根据它们共享的相似性质进行分组。相似性是根据不同的参数来衡量的，比如一个对象的任何参数之间的共同参数的数量或最小允许的差异。数据挖掘技术包括分类、聚类、挖掘频繁模式和关联。其中，聚类在近几十年得到了研究者的广泛关注。集群涉及对性质相似的数据对象进行分组。这有助于大量数据的抽象过程。一旦抽象过程完成，数据组就可以以更紧凑的方式表示。这只是数据............

[1]。y。文本分类的统计方法评价。情报检索学报，1(1/2):67-88,1999。
[2]。泽拉斯和哈特曼。基于贝叶斯推理网络的自动索引。
第16届美国计算机学会信息检索研究与发展会议(SIGIR' 1993)。
[3]。C. Apte, F. Damerau和S. Weiss。基于决策规则和决策树的文本挖掘。自动学习与发现会议论文集，研讨会6:从文本和网络中学习，1998。
[4]。dr . D. Lewis和M. Ringuette。两种文本分类学习算法的比较。第三届文献分析与信息检索学术研讨会论文集(SDAIR'94)， 1994。
[5]。托尔斯滕约阿希姆。支持向量机的文本分类:具有许多相关特征的学习。在欧洲机器学习会议(ECML)。

文摘:数据库和联网技术的进步使信息储存和数据共享更加容易。数据挖掘技术用于访问集中式或分布式环境中的共享数据，以进行知识发现。所提取的知识可以被共享组织使用，从而实现互利。如果挖掘中使用的数据包含个人特定信息，则保护客户个人数据非常重要。同时利用数据来保证分析结果的有效性。保护隐私的数据挖掘侧重于为存储在数据库中的个人信息提供保护，并提供...........

关键字:数据安全，隐私，k-匿名，l-多样性，t-亲密

[10]余培生，刘振华，隐私保护数据挖掘模型与算法综述。保护隐私的数据挖掘，2008,11-52。
[10]斯威尼，L . k .匿名:一个保护隐私的模型。不确定性、模糊性与知识系统，2002,10(05)，557-570。
[10]王凯，冯斌，董刚，等。集成用于数据分析的私有数据库。情报与安全信息，2005,23-41。
[10]王瑞昌文，李军，傅亚文，王凯，(α， K) -匿名:一种改进的K -匿名数据发布模型。第12届ACM SIGKDD知识发现与数据挖掘国际会议论文集，2006,754-759。
[10]赵春春，蔡春英，一种基于k-匿名聚类的数据隐私保护方法。高级数据挖掘与应用，2007,89-99。

文摘:连接到互联网的庞大设备网络，包括智能手机和平板电脑，以及几乎所有带有传感器的设备——汽车、生产工厂的机器、喷气发动机、可穿戴设备等等。这些“东西”收集和交换数据。从民用到安全领域，物联网垂直切割了不同的应用领域。这些领域包括农业、太空、医疗保健、制造业、建筑业、水务和采矿业，这些领域目前正在将其遗留的基础设施转变为支持物联网。物联网指的是不断增长的物理对象网络，这些物理对象标记了用于互联网连接的IP地址，以及这些对象与其他支持互联网的设备和系统之间发生的通信。恒温器、汽车、灯、冰箱和更多的电器都可以连接到物联网。因此，在本文中，我们学习了这一有前途的技术的要点。

关键字:恒温器、智能手机、平板电脑、医疗保健、采矿。

[10] Kosmatos, e.a.， Tselikas, N.D.和Boucouvalas, A.C.(2011)将rfid和智能对象集成到统一的物联网架构中。物联网研究进展:科学研究，1,5-12。
[10] Aggarwal, R.和Lal Das, M.(2012)“物联网”背景下的RFID安全。首届物联网安全国际会议，喀拉拉邦，2012年8月17-19日。
[3] Biddlecombe, E.(2009)联合国预测“物联网”。检索于7月6日。
[4] Reinhardt, A.(2004)机器对机器的物联网。
[5]希金斯，K.T.(2015)。和下一代植物专家一起工作。食品加工[在线]。检索于2015年7月31日。

文摘:全球电力需求的大幅增长导致了更高质量的生产。由于工业发展和使用的灵活性，电力能耗需要迅速增加。由于主动环境特征的出现，导致正常功能哲学中的异常，提高质量所需的热电厂一致性和稳定性是一项鼓舞人心的任务。燃煤电站锅炉的能量输出大多是采用标准活动设定点来实现的。热电厂锅炉的机组效率是煤转汽过程的结果，不包括不可忽视的能量损失。这个提议的努力试图得出最佳的过程标准，以最小化和控制能量损失。关于燃料的详细知识.........

关键字-分析，锅炉，知识，损失，挖掘

[10] Christina Athanasopoulou & Vasilis Chatziathanasiou 2009，“火电厂故障传感器测量识别和替换的智能系统(IPPAMAS:PART 1)”专家系统与应用，Elsevier, no. 10。36，第8750-8757页。
[10] Dewangan, DN,Manoj Kumar Jha & Banjare,YP 2014，“火力发电厂汽轮机可靠性研究”，《国际科学与工程技术创新研究》，第3卷，第3期。7，第14915-14923页。
[10]方伟，韩璞，翟永杰，卢远，2012，“基于低NOx排放燃煤电厂燃烧的计算智能”，《国际计算技术进展》，第4卷，第2期。14.
[10] Firas B Ismail Alnaimi & Hussain H.AL-Kayiem, 2011，“基于过热器监测的蒸汽锅炉人工智能诊断系统”，应用科学杂志，第1期。11，第1566-1572页。
[10] Genesis Murehwa, Davison Zimwara, Wellington Tumbudzuku和Samson Mhlanga, 2012，“火力发电厂的能源效率改进”，国际创新技术与探索工程杂志，第2卷，第1期。1.

文摘:医疗机构和行业每天都会产生大量的数据。这些大量的信息可以被提取和分析，以获得可用于预测或预测未来事件的模式。许多医疗保健组织已经开始收集医疗记录，以便系统地使用这些数据来识别模式并改进特定人群的健康管理，从而提供更好的医疗服务，减少手工工作和成本。本文主要对登革热的不同分类进行调查，并对一个主要诊断为登革热感染的特定人群进行研究。它还讨论了与数据挖掘和一般医疗保健相关的关键问题和挑战。该研究发现越来越多的数据挖掘应用，包括分析卫生保健中心，以便更好地制定卫生政策，检测疾病暴发。我们从政府医院收集了数据。我们将这些数据应用到我们的模糊逻辑中，生成决策树，并比较了其他技术的性能。

关键字:数据挖掘、决策树、登革热、模糊逻辑、医疗保健

[10]陈志强，陈志强，陈志强，陈志强，一种基于神经网络的登革热和登革出血热诊断方法，中国医学杂志，2005,No.79, pp. 273-281。
[10] L. Tanner, M. Schreiber, J.G. Low, A. Ong, T.Tolfvenstam，赖永亮，吴立昌，yyss Leo, L.Thi Puong, S.G. Vasudevan, C.P. Simmons,M.L.黄英华，决策树算法在登革热早期诊断和预后预测中的应用，公共科学图书馆被忽视的热带病，Vol.2, 2008。
[10]李建军，李建军，李建军，一种基于非侵入性智能方法的登革热患者风险预测方法，专家系统与应用，卷。《中国科学》，2010年第3期，第2175- 2181页。
[4]世界卫生组织，《登革热/登革出血热治疗指南》，1999年
[10] M. Anbarasi, E. Anupriya, n.c.s.n。杨志强，基于遗传算法的心脏疾病预测方法研究，中国医学工程学报，2010

文摘:超分辨率(SR)是一种在不改变相机分辨率的情况下，通过软件算法提高图像分辨率的技术。在此背景下，本文提出了一种全自动SR算法，采用一种基于数值积分的非参数贝叶斯推理方法，在统计文献中称为积分嵌套拉普拉斯近似(INLA)。通过将这种推理方法应用于SR问题，证明了实现该技术所需的所有方程都可以写成封闭形式。仿真结果表明，该算法的性能优于目前提出的其他SR算法。

关键词:贝叶斯推理，封闭形式，积分嵌套拉普拉斯近似，非参数，超分辨率(SR)

[10] N. P. Galatsanos, V. Z. Mesarovic, R. Molina, A. K. Katsaggelos，“部分已知的分层贝叶斯图像恢复”
《IEEE译》。图像的过程。，第9卷，第9期。10，第1784-1797页，2000年10月。
[10] M. Tipping和C. Bishop，“贝叶斯图像超分辨率”，《神经信息处理系统进展》，
剑桥，马萨诸塞州:麻省理工学院出版社，第1303-1310,2003年。
[0] T. Pham, L. Van Vliet和K. Schutte，“使用自适应归一化卷积的不规则采样数据的鲁棒融合，”
[j]。信号的过程。， 2006年1月，第1-12页。
[10] M. Vetterli，“从混叠图像重建的超分辨率图像”，《SPIE/IS&T视觉通信学报》
和图像处理会议，T. Ebrahimi和T. Sikora编辑。，第5150卷的SPIE论文集，瑞士，2003。
[10]范德华，张志强，张志强，“基于图像混叠的图像配准方法研究”
《超分辨率》，欧洲科学院学报。信号处理，vol. 2006, pp. 1-14, march 2006/

文摘:在现代世界，用户已经开始通过他们的移动设备搜索他们的需求，用户可以通过移动环境更容易地访问信息，而不管用户的位置。访问信息可以是搜索位置的任何类型。搜索可以确定他们最近的教育机构，加油站，游乐区，餐厅等。空间查询被用来通过移动设备在世界的某个点访问更好的信息。一般使用KNN、范围查询来确定所需的位置。KNN还可以应用于银行、统计流程、社交网络等商业用途。在银行业，利用KNN识别最近的ATM机进行交易、贷款决策、银行信用风险分析等。针对上述过程，将K-NN改进为K-NN分类器。K-NN可以修改为K-NN Extract for Business...........

关键字- K-NN，空间，查询，分类器

[10]张晓明，张晓明，张晓明，“时空数据挖掘的研究与应用”，地理信息学报，第3期。不,2012年2月
宝贝安妮莎，k医生。Duraisamy，“基于空间挖掘的车辆运动预测:近期调查”，IJART,Vol.2问题4,2012年,pp-1-4。
[3] Bindiya, M.Varghese,Unnikrishnan, A,Poulose, Jacob。王晓明，空间聚类算法的研究进展[j] .计算机工程与应用，2013，(1):1-8,ISSN 2249-5126

[4] gourav rahangdale, manish agirwar先生，mahesh motvani博士，《IJCSI国际计算机科学期刊》，第13卷，第5期，2016年9月

[5] Aida krichene abdel moula“会计和管理信息系统”，第14卷，第14期。1、79106、2015页

[6]美国统计协会，“统计软件杂志”2012年11月，第51卷，第7期。

文摘:在过去的几年里，云计算一直是一个热门词汇，但令人惊讶的是，不管我们是否意识到，我们也在使用它。Gmail, Facebook, DropBox, Skype, Paypal, SalesForce.com都是云计算的例子。云计算指的是通过互联网按需交付资源。在传统的数据存储系统中，服务器室包括数据库服务器、邮件服务器、网络、防火墙、路由器、调制解调器、交换机、QPS(查询每秒指服务器将处理多少查询或负载)、可配置的系统、高速网络和维护工程师。要建立这样的资讯科技基础建设，我们需要投入大量的资金。为了克服这些问题，降低IT基础设施成本，云计算应运而生。本文旨在阐明云计算，它的需求，它是如何工作的，它的优点和缺点。

关键词:-一致性，规模经济，QPS

[1] Alexa Huth和James Cebula“云计算基础”，美国计算机应急准备小组。(2011)。
[10]杨晓燕，“云计算中的安全问题”，《计算机工程学报》，第1卷，第1期，PP(1-6)， 2013年10月。
[3] Balachandra Reddy Kandukuri, Rama Krishna Paturi和AtanuRakshit博士，“云安全问题”，《服务计算》，2009年。IEEE国际会议论文集，第517520,2009年。

文摘:当把人类送到以前没有人去过的地方时，有很多变量需要考虑，美国国家航空航天局(NASA)正在努力研究未来火星任务的健康和安全风险。风险很高，但NASA从一开始就意识到，它不需要把重点放在开发完美的分析模型上，而是要更多地关注建立一个数据科学过程，使决策者能够使用分析来回答大量不断变化的问题。这篇论文调查了“数据科学如何与火箭科学相结合，将人类送上火星?”

关键字分析-任务-数据科学-火箭科学

[1]用于收集数据的仪器:http://economictimes.indiatimes.com/articleshow/60273566。cms吗?= contentofinterest&utm_medium = text&utm_campaign = cppst utm_来源。
NASA最大的数据挑战是什么?：https://techcrunch.com/2016/11/19/how-data-science-and-rocket-science-will-get-humans-to-mars/
[3]高级分析概述:http://searchbusinessanalytics.techtarget.com/definition/advanced-analytics
关于Leidos及其作用:
[5] https://www.cloudera.com/solutions/gallery/lockheed-leidos-collaborative-advanced-analytics-and-data-sharing-platform-caads.html

文摘:数据挖掘用于转换来自web服务器的可用数据，以跟踪在线客户不断变化的态度。参与网上交易的商业机构必须对其进行准确的分类。基于不同层次的在线顾客的偏好和期望，购买行为和模式也有所不同。本文讨论了多变量决策树算法对在线客户进行监督分类。根据市场篮子分析进行分类过程。这种分类将有助于组织满足在线买家的期望，并引导他们在在线交易中取得成功的可持续性。多变量决策树处理属性的相关性。它使用影响在线购买的属性的线性机器关联。熵用于测量.........

关键字:数据挖掘，分类，在线买家，线性机器，单变量决策树，多变量决策树，购物篮分析。

[1]“数据挖掘”来自免费百科全书维基百科。网络。< http://en.wikipedia.org/wiki/Data_mining >。
贝扎尔、费尔南多、胡安-卡洛斯·库贝罗和尼古拉斯。“建立具有数值属性的多路决策树。”31.2013年4月5日。
罗克奇，利奥和奥德·迈蒙。“决策树”。28.2013年2月1日。
弗兰克，艾比。“修剪决策树和列表。”(2000): 218。2013年4月5日。
[j]昆兰。改进了C4.5中连续属性的使用。14.2013年1月11日…