云计算技术的研究重点？

<h2>一、云计算技术的研究重点？</h2><p>云计算技术研究的重点是和传统IDC在服务类型上的区别，常用的传统IDC服务包括实体服务器托管和租用两类，而云计算提供的服务是从基础设施(Iaas)到业务基础平台(PaaS)再到应用层(SaaS)的连续的整体的全套服务，IDC数据中心将规模化的硬件服务器整合虚拟到云端，为用户提供的是服务能力和IT效能。</p><h2>二、结构抗震方面的热点和实际问题研究？</h2><p>结构抗震是结构工程的一个重要领域，其关键是在地震等自然灾害发生时，确保建筑物及其人员的安全。近年来，结构抗震方面的热点和实际问题研究主要包括以下几个方面:</p><p>1. 高层建筑抗震性能研究：高层建筑在地震时易遭受严重破坏，因此，如何提高高层建筑的抗震性能一直是结构抗震领域的热点之一。研究人员正在探索高层建筑的非线性地震反应分析、地震波传播模拟、高层建筑的结构体系优化等方面。</p><p>2. 结构非线性力学研究：结构非线性力学是结构抗震研究的重要方面之一，其关键是如何模拟和分析结构在地震等自然灾害发生时的非线性行为。研究人员正在探索结构的非线性力学特性、非线性分析算法、结构非线性对抗震性能的影响等方面。</p><p>3. 结构抗震试验方法研究：结构抗震试验方法是验证结构抗震性能的重要手段。近年来，随着计算机技术和测试技术的发展，结构抗震试验方法也在不断更新和完善。研究人员正在探索更高精度的试验方法、试验设备智能化、数据分析智能化等方面。</p><p>4. 地震波传播模拟研究：地震波传播是地震灾害发生的重要原因之一，因此，如何准确模拟地震波的传播过程对结构抗震设计至关重要。研究人员正在探索地震波传播模拟新方法、模拟精度提高等方面。</p><p>5. 结构抗震智能化研究：随着人工智能和计算机技术的不断发展，结构抗震智能化已成为结构抗震领域的热点之一。研究人员正在探索结构抗震智能化方法、智能控制系统、结构抗震智能监测等方面。</p><p>结构抗震方面的热点和实际问题研究主要包括高层建筑抗震性能研究、结构非线性力学研究、结构抗震试验方法研究、地震波传播模拟研究、以及结构抗震智能化研究等方面。</p><h2>三、云计算技术的重点研究对象？</h2><p >人类社会在步入二十一世纪后，计算机科学与技术水平得到了迅猛发展，且计算机系统在各领域也得到了广泛的应用，云计算在这种条件下孕育而生，已经成为了当前IT领域的热点话题。云计算体现了“网络就是计算机”的理念，具有经济适用、方便用户以及可扩展性强等优点，成为了各领域关注的焦点，具有巨大的市场潜力，互联网数据中心IDC提供数据指出云计算的总产值规模将在2016年初达到800亿美元。</p><p> 云计算是一种新兴的计算模式，世界各领域对云计算的定义并不统一，本文综合各文献资料对云计算定义进行了总结，具体如下：云计算就是指在英特网上提供服务的一种应用，也就是在互联网中提供相关服务的具体软、硬件，这些软、硬件就被称作云。云计算作为一种新兴的计算模式，它可以降低计算机技术成本、提高计算机资源利用率，在云计算中主要有三种参与角色，具体有：云服务开发商、云服务提供商以及云服务使用者。云计算主要研究的重点就是资源整合。</p><h2>四、研究生找工作重点看的是哪方面？</h2><p>1、研究生就业主要看各人的机会、态度和能力，和本科学校的层次不一定相联系，具体看什么单位，大部分用人单位不看本科学校的层次。。</p><p>2、用人单位首先是看学历，然后才看研究生和本科的就读学校。</p><p>3、确实有个别用人单位招聘时要求本科的就读学校必须是211重点大学。如重点大学招聘老师一般除了要求博士学历还往往要求本科必须是211重点大学，但此类现象不是普遍现象，所以不用担心，关键还是自己的能力。</p><h2>五、研究招标文件的着重点通常有哪几方面？</h2><p>1、看资格审查</p><p>资格审查是指招标人对资格预审申请人或投标人的经营资格、专业资质、财务状况、 技术能力、管理能力、业绩、信誉等方面评估审查，以判定其是否具有参与项目投标和履行合同的资格及能力。</p><p>资格审查是招标项目的必要程序，所以投标人必须要关注。看资格审查，主要是看业绩、规模、财务、人员等硬性指标，再看自己的企业投标有没有硬性门槛。虽然本着鼓励竞争的原则，资格审查一般不会要求太高或者太特殊，但是也要认真对待。</p><p>2、看详细审查</p><p>主要看招标文件中的一些商务、技术的评分标准。根据自己公司的实力进行大概分析，大概要求什么标准，客观分（比如业绩、财务情况、进度安排等）和主观分（比如方案等）怎样拿高分，根据这些制定投标策略，寻找自己的优势，弥补自己的劣势，做到心中有谱。</p><p>3、看投标人须知前附表</p><p>细看投标人须知前附表，这里面涵盖的都是关键性条款，认真研读有助于理清楚整个投标文件要怎么做，尤其是包含一些不可偏离条款（实质性条款）。</p><p>4、看合同部分</p><p>结合商务不可偏离条款，看合同大致要求，结算方式，付款条件等等。</p><p>5、看技术规范书</p><p>这部分要和技术人员详细充分交流，尽量或者完全满足招标人的要求。</p><p>6、记住关键点</p><p>关键点一般包括：公示期，投标截止日期，保函或者保证金，投标开标地点，文件格式（比如关键页的签字盖章）。</p><h2>六、教育技术的研究内容包括哪5个方面？</h2><p>教育技术的研究内容包括（现代教育技术理论研究和管理研究、教学系统设计与开发、远程教育、教育电视、多媒体教学应用。）5个方面</p><p>教育技术指在教育中应用现代科学技术。20世纪后，随着现代科学技术的发展，幻灯、投影、电影、录音、录像、广播、电视等现代技术被广泛应用于教育，扩大了教育、教学活动范围，提高了效率与质量</p><h2>七、幼小衔接课题研究的重点和难点？</h2><p>幼小衔接课题研究的重点是两阶段孩子的特点！难点是如何改变孩的认知习惯</p><h2>八、道路交通安全技术研究的重点及其目的？</h2><p>智能识别系统在现实中的广泛应用及全员安全素质的提升。</p><h2>九、国家工程(技术)研究中心和国家重点实验室区别？</h2><p>1、国家重点实验室是归科技部管理； </p><p>2、国家重点工程实验室归发改委管理； </p><p>3、国家工程(技术)研究中心归科技部或发改委管理； </p><p>4、以上都是属于国家平台能力建设项目。</p><h2>十、关于SVM研究的热点和难点是什么？</h2><p>1.模糊支持向量机，引入样本对类别的隶属度函数，这样每个样本对于类别的影响是不同的，这种理论的应用提高了SVM的抗噪声的能力，尤其适合在未能完全揭示输入样本特性的情况下。</p><p>　　2．最小二乘支持向量机。这种方法是在1999年提出，经过这几年的发展，已经应用要很多相关的领域。研究的问题已经推广到：对于大规模数据集的处理；处理数据的鲁棒性；参数调节和选择问题；训练和仿真。</p><p>　　3．加权支持向量机（有偏样本的加权，有偏风险加权）。</p><p>　　4．主动学习的支持向量机。主动学习在学习过程中可以根据学习进程，选择最有利于分类器性能的样本来进一步训练分类器，特能有效地减少评价样本的数量。也就是通过某种标准对样本对分类的有效性进行排序，然后选择有效样本来训练支持向量机。</p><p>　　5．粗糙集与支持向量机的结合。首先利用粗糙集理论对数据的属性进行约简，能在某种程度上减少支持向量机求解计算量。</p><p>　　6．基于决策树的支持向量机。对于多类问题，采用二岔树将要分类的样本集构造出一系列的两类问题，每个两类构造一个SVM。</p><p>　　7．分级聚类的支持向量机。基于分级聚类和决策树思想构建多类svm，使用分级聚类的方法，可以先把n-1个距离较近的类别结合起来，暂时看作一类，把剩下的一类作为单独的一类，用svm分类，分类后的下一步不再考虑这单独的一类，而只研究所合并的n-1类，再依次下去。</p><p>　　8．算法上的提高。</p><p>　　lVapnik在95年提出了一种称为”chunking”的块算法，即如果删除矩阵中对应Lagrange乘数为0的行和列，将不会影响最终结果。</p><p>　　lOsuna提出了一种分解算法，应用于人脸识别领域。</p><p>　　lJoachims在1998年将Osuna提出的分解策略推广到解决大型SVM学习的算法</p><p>　　lPlatt于1998年提出了序贯最小优化（SequentialMinimalOptimization）每次的工作集中只有2个样本。</p><p>　　9．核函数的构造和参数的选择理论研究。基于各个不同的应用领域，可以构造不同的核函数，能够或多或少的引入领域知识。现在核函数广泛应用的类型有：多项式逼近、贝叶斯分类器、径向基函数、多层感知器。参数的选择现在利用交叉验证的方法来确认。</p><p>　　10．支持向量机从两类问题向多类问题的推广：</p><p>　　nWeston在1998年提出的多类算法为代表。在经典svm理论的基础上，直接在目标函数上进行改进，重新构造多值分类模型，建立k分类支持向量机。通过sv方法对新模型的目标函数进行优化，实现多值分类。这类算法选择的目标函数十分复杂，变量数目过多，计算复杂度也非常高，实现困难，所以只在小型问题的求解中才能使用。Weston,Multi-classsupportvectormachines</p><p>　　n一对多（one-against-rest）-----Vapnik提出的,k类---k个分类器，第m个分类器将第m类与其余的类分开，也就是说将第m类重新标号为1，其他类标号为-1。完成这个过程需要计算k个二次规划，根据标号将每个样本分开，最后输出的是两类分类器输出为最大的那一类。不足：容易产生属于多类别的点（多个1）和没有被分类的点（标号均为-1）--不对，训练样本数据大，训练困难，推广误差无界.</p><p>　　n一对一（one-against-one）---Kressel对于任意两个分类，构造一个分类器，仅识别这两个分类，完成这个过程需要k(k-1)/2个分类器，计算量是非常庞大的。对于每一个样本，根据每一个分类器的分类结果，看属于哪个类别的次数多，最终就属于哪一类(组合这些两类分类器并使用投票法，得票最多的类为样本点所属的类)。不足：如果单个两类分类器不规范化，则整个N类分类器将趋向于过学习；推广误差无界；分类器的数目K随类数急剧增加，导致在决策时速度很慢。</p><p>　　n层（数分类方法），是对一对一方法的改进，将k个分类合并为两个大类，每个大类里面再分成两个子类，如此下去，直到最基本的k个分类，这样形成不同的层次，每个层次都用svm来进行分类------1对r-1法，构建k-1个分类器，不存在拒绝分类区。</p><p>　　应用上：人脸检测，汽轮发电机组的故障诊断，分类，回归，聚类，时间序列预测，系统辨识，金融工程，生物医药信号处理，数据挖掘，生物信息，文本挖掘，自适应信号处理，剪接位点识别，基于支持向量机的数据库学习算法，手写体相似字识别，支持向量机函数拟合在分形插值中的应用，基于支持向量机的惯导初始对准系统，岩爆预测的支持向量机，缺陷识别，计算机键盘用户身份验证，视频字幕自动定位于提取，说话人的确认，等等。</p><p>　　主要研究热点</p><p>　　从上面的发展中，我们可以总结出，目前支持向量机有着几方面的研究热点：核函数的构造和参数的选择；支持向量机从两类问题向多类问题的推广；更多的应用领域的推广；与目前其它机器学习方法的融合；与数据预处理（样本的重要度，属性的重要度，特征选择等）方面方法的结合，将数据中脱离领域知识的信息，即数据本身的性质融入支持向量机的算法中从而产生新的算法；支持向量机训练算法的探索。</p>