检索范围:
排序: 展示方式:
章明,刘培
《中国工程科学》 2020年 第22卷 第6期 页码 111-120 doi: 10.15302/J-SSCAE-2020.06.015
金融安全是国家安全的重要组成部分,防范化解金融风险是金融工作的根本性任务。为帮助商业银行加快打造适应数字经济时代发展需要的风险防控平台,本文基于大数据应用的关键技术,提出了一种 “五层两域”智能风险防控平台总体框架;纵向包含风险数据层、特征计算层、风险模型层该设计有助于商业银行实现风险数据的统一治理和统一管理,在保证风险防控平台高效稳定运行的同时,又能在风险防控运营、数据分析、模型设计、规则调整等方面为风险防控业务人员提供充足的支撑。以某金融机构部署的智能风险防控平台为例,阐述了该平台的应用情况及实际成效,并对智能风险防控平台的应用发展提出建议。
智能过程制造中的数据解析与机器学习——大数据时代的最新进展与展望 Perspective
尚超、 Fengqi You
《工程(英文)》 2019年 第5卷 第6期 页码 1010-1016 doi: 10.1016/j.eng.2019.01.019
大数据的分布式机器学习的策略与原则 Review
Eric P. Xing,Qirong Ho,Pengtao Xie,Dai Wei
《工程(英文)》 2016年 第2卷 第2期 页码 179-195 doi: 10.1016/J.ENG.2016.02.008
大数据的发展已经引领了对能够学习包含数百万至数十亿参数的复杂模型的机器学习系统的新需求,以保证足够的能力来消化海量的数据集,提供强大的预测分析(如高维潜特征、中介表示和决策功能)。为了在这样的尺度上,在成百上千台的分布式机器集群中运行机器学习算法,关键往往是要投入显著的工程性的努力——有人可能会问,这样的工程是否还属于机器学习的研究领域?考虑到如此“大”的机器学习系统可以极大地从根植于机器学习的统计和算法的理解中受益——因此,机器学习的研究人员应该不会回避这样的系统设计—&mdash它们关注的是机器学习研究传统上注意较少的四个关键问题:一个机器学习程序怎样能分布到一个集群中去?机器学习计算怎样能通过机器间的交流连接起来?这样的交流是如何被执行的?机器间应该交流的内容是什么?通过揭示机器学习程序所独有的,而非常见于传统计算机程序中的基础性的统计和算法上的特点,并通过剖析成功案例,以揭示我们如何利用这些原则来同时设计和开发高性能的分布式机器学习软件以及通用的机器学习框架,我们为机器学习的研究人员和从业者提供了进一步塑造并扩大机器学习与系统之间的领域的机会
Fog-IBDIS——基于雾计算的制造系统大数据集成方法 Article
汪俊亮, 郑鹏, 吕佑龙, 鲍劲松, 张洁
《工程(英文)》 2019年 第5卷 第4期 页码 662-670 doi: 10.1016/j.eng.2018.12.013
在工业领域,如何在多源工业数据的协作分析中保障源数据的私密性与安全性至关重要。本文提出了一种基于雾计算的工业大数据集成与共享方法(Fog-IBDIS),采用云端与边缘端协作的方式,实现工业数据的分布式本地处理,在多源数据的分析中保障源数据的私密性与安全性。首先,在云端设计了任务流图,将多源数据分析过程分解成多个子任务;其次,设计了子任务管理、编译和运行控制、数据集成传输、基本算法库和管理组件五个模块,实现子任务的本地边缘端处理;最后,本文以大型客机制造过程为例,对Fog-IBDIS的运行过程进行了验证,其通过边缘与云端的协作方式,将多来源数据分析任务分解至本地执行,通过中间结果的传输串联实现工业大数据的分析,可保障原始数据的私密性与安全性。
周皓,柴洪峰
《中国工程科学》 2020年 第22卷 第6期 页码 103-110 doi: 10.15302/J-SSCAE-2020.06.013
随着我国金融开放、普惠金融与金融科技的发展,金融零售支付产业正在由高速度增长向高质量增长转型升级,当前金融零售支付风险呈现出更加复杂严峻的态势新型冠状病毒肺炎疫情的发生,使得人们的消费和支付习惯发生了很大变化,已经对金融零售支付风险控制研究提出了新的课题。本文分析了金融零售支付风险控制的新特点与不足,梳理了金融零售支付风险控制的现状,产业主体在合规履职、账户管理、交易监测、信用评估、数据安全、身份验证、技术风险等七方面的挑战。研究提出了关键在于建立完善与复杂严峻态势相匹配的全面风险管理体系与智能风控体系的观点,具体从数据共享、智能模型、系统架构、管理体制、人才培养五方面提出了对策建议。
超特长隧洞TBM 集群施工风险管控技术 Article
邓铭江
《工程(英文)》 2018年 第4卷 第1期 页码 112-122 doi: 10.1016/j.eng.2017.07.001
贾焰,方滨兴,汪祥,王永恒,安静斌,李爱平,周斌
《中国工程科学》 2019年 第21卷 第6期 页码 114-119 doi: 10.15302/J-SSCAE-2019.10.001
随着网络空间从传统互联网向人、机、物、服务与应用互联的泛在网络空间扩展,计算模式从“以云端集中计算为中心”向“前端、中间层和云端相结合”的方式转变,传统的云计算、边缘计算等计算模式难以满足泛在网络空间大数据计算需求。本文针对泛在网络空间大数据计算面临的问题,在知识体基础上,提出了一种泛在网络空间大数据“雾云计算”软件体系结构,在多知识体协同计算语言与模型基础上,实现雾端、中间层和云端多知识体的协同计算,为泛在网络空间大数据计算提供解决方案。
顾雪非,张美丽,刘小青,李婷婷,黄宵,王超群,徐楠,向国春,刘克军,高润霖
《中国工程科学》 2017年 第19卷 第2期 页码 88-94 doi: 10.15302/J-SSCAE-2017.02.015
为提高当前慢性病防控体系的效率,更好地遏制慢性病的流行,保护公众健康,2015年中国工程院设立了“卫生经济学应用于慢性病防控决策的战略研究课题组调研发现,作为一种重要的卫生决策工具,卫生经济学在慢性病防控决策过程中尚处于初级应用阶段。对卫生经济学的重要性认识不足,对卫生经济学的方法的掌握和应用能力有限,制约了其在慢性病防控决策中的应用,因此建议建立多元主体参与的卫生经济学研究力量,加强卫生经济学应用于慢性病防控决策的大数据积累及应用研究,提出将卫生经济学应用于我国慢性病防控决策的战略框架。
孙旭东 ,徐小宇 ,罗魁 ,张博 ,杨毅 ,刘梓壮 ,彭苏萍
《中国工程科学》 2023年 第25卷 第6期 页码 179-190 doi: 10.15302/J-SSCAE-2023.07.033
新能源大规模应用是实现“双碳”战略目标的主要途径,开展新能源应用安全风险防控战略研究有助于新能源应用安全监管、风险防控与保障体系建设当前我国新能源应用涉及的新兴基础设施类型多样,面临着安全事故成因复杂、安全风险认知仍不充分、安全防控技术体系不完备、安全监管制度建设滞后等现实问题。本文从我国新能源应用发展现状与安全形势分析出发,剖析了充 / 换电站、储能站、加氢站、综合能源站等新能源应用基础设施面临的安全风险防控问题,总结了国外相关安全风险防控的现状与经验启示;围绕建立新能源应用安全事故前、中、后立体防控与保障体系,加强各利益相关方的安全风险管理与监管能力两大防控目标,构建了新能源应用安全风险防控战略框架,明确了管理与技术两个维度的重点任务以及中长期工程科技支撑项目。
机器学习视角下的城市建模计算机图形方法综述 Review Article
冯天1,范非易2,Tomasz BEDNARZ3,4
《信息与电子工程前沿(英文)》 2021年 第22卷 第7期 页码 915-925 doi: 10.1631/FITEE.2000141
田兆阳,贾永刚 ,朱超祁 ,卢龙玉 ,郭煦,冯学志,王慧,王宏威,何满潮,彭建兵
《中国工程科学》 2023年 第25卷 第3期 页码 131-140 doi: 10.15302/J-SSCAE-2023.03.012
荆一楠 ,张寒冰,李智鑫 ,王晓阳 ,吴杰,柴洪峰
《中国工程科学》 2022年 第24卷 第4期 页码 121-132 doi: 10.15302/J-SSCAE-2022.04.014
Yahoo Streaming Benchmark:随着大数据和云计算的不断发展,基于流数据的应用产品数量激增,这同时也产生了一大批新的流计算引擎(如Storm、Flink、Spark而现有研究表明,通过使用深度学习方法从真实数据中自动学习数据特征来生成仿真数据,能够较好地模拟真实数据特征,同时可以有选择性地在一些数据特征中添加噪声信息以保证最终生成的数据不会造成隐私泄露 []。
机器学习和数据驱动算法在智慧发电系统中的应用——一种不确定性处理的视角 Review
孙立, Fengqi You
《工程(英文)》 2021年 第7卷 第9期 页码 1239-1247 doi: 10.1016/j.eng.2021.04.020
人工智能新方向:类人、机器、仿生和量子智能 Comment
李伟钢,Liriam Michi ENAMOTO,Denise Leyi LI,Geraldo Pereira ROCHA FILHO
《信息与电子工程前沿(英文)》 2022年 第23卷 第6期 页码 984-990 doi: 10.1631/FITEE.2100227
本评论回顾1998年提出的“一次性学习”(once learning,OLM)机制,和随后出现的用于图像分类的“一瞥学习”(one-shot learning基于目前人工智能(AI)研究现状,提出将其划分为以下子学科:人工类人智能、人工机器智能、人工仿生智能和人工量子智能。这些被认为是AI研发的主要方向,并按以下分类标准区分:(1)以类人、机器、仿生或量子计算为本的AI研发;(2)升维或降维的信息输入;(3)小样本或大数据知识学习。
标题 作者 时间 类型 操作