人工智能、大數(shù)據(jù)、云計(jì)算、物聯(lián)網(wǎng)等信息技術(shù)為推動(dòng)集成制造快速發(fā)展提供了關(guān)鍵技術(shù)手段。近年來(lái),采用人工智能技術(shù)進(jìn)行大數(shù)據(jù)分析取得了突破性進(jìn)展。系統(tǒng)總結(jié)了基于人工智能技術(shù)的大數(shù)據(jù)分析方法的最新研究進(jìn)展。從大數(shù)據(jù)的聚類、關(guān)聯(lián)分析、分類和預(yù)測(cè)4個(gè)主要的數(shù)據(jù)挖掘任務(wù)出發(fā),分析了大數(shù)據(jù)環(huán)境下機(jī)器學(xué)習(xí)的研究現(xiàn)狀;針對(duì)深度學(xué)習(xí)這一熱點(diǎn),總結(jié)了基于MapReduce、Spark的分布式深度學(xué)習(xí)實(shí)現(xiàn),以及面向大數(shù)據(jù)分析的深度學(xué)習(xí)算法改進(jìn)相關(guān)研究;從群智能、進(jìn)化算法兩方面梳理了基于計(jì)算智能的大數(shù)據(jù)分析相關(guān)研究;針對(duì)大數(shù)據(jù)平臺(tái),特別對(duì)大數(shù)據(jù)分析和深度學(xué)習(xí)集成框架進(jìn)行了歸納,介紹了大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)和算法庫(kù);分析了大數(shù)據(jù)分析中人工智能技術(shù)面臨的主要挑戰(zhàn),并提出了進(jìn)一步的研究方向。 

【文章來(lái)源】：計(jì)算機(jī)集成制造系統(tǒng). 2019,25(03)北大核心EICSCD

【文章頁(yè)數(shù)】：19 頁(yè)

【文章目錄】：
1 問(wèn)題的提出
2 基于機(jī)器學(xué)習(xí)的大數(shù)據(jù)分析
    2.1 大數(shù)據(jù)聚類
    2.2 大數(shù)據(jù)關(guān)聯(lián)分析
        2.2.1 Apriori關(guān)聯(lián)規(guī)則挖掘
        2.2.2 FP-Growth關(guān)聯(lián)規(guī)則挖掘
        2.2.3 關(guān)聯(lián)規(guī)則挖掘的應(yīng)用
    2.3 大數(shù)據(jù)分類
    2.4 大數(shù)據(jù)預(yù)測(cè)
3 基于深度學(xué)習(xí)的大數(shù)據(jù)分析
    3.1 基于MapReduce的深度學(xué)習(xí)分布式實(shí)現(xiàn)
    3.2 基于Spark的深度學(xué)習(xí)分布式實(shí)現(xiàn)
    3.3 面向大數(shù)據(jù)分析的深度學(xué)習(xí)算法的改進(jìn)
4 基于計(jì)算智能的大數(shù)據(jù)分析
    4.1 基于群智能的大數(shù)據(jù)分析
        4.1.1 基于粒子群優(yōu)化的大數(shù)據(jù)分析
        4.1.2 基于其他群智能算法的大數(shù)據(jù)分析
    4.2 基于進(jìn)化算法的大數(shù)據(jù)分析
5 大數(shù)據(jù)平臺(tái)
    5.1 大數(shù)據(jù)分析和深度學(xué)習(xí)集成框架
        5.1.1 SparkNet
        5.1.2 DeepSpark
        5.1.3 Deeplearning4j on Spark/Hadoop
        5.1.4 CaffeOnSpark
        5.1.5 TensorFlowOnSpark
        5.1.6 Spark on PADDLE
    5.2 大數(shù)據(jù)機(jī)器學(xué)習(xí)系統(tǒng)和算法庫(kù)
6 面臨的挑戰(zhàn)及進(jìn)一步的研究方向
    6.1 面臨的挑戰(zhàn)
    6.2 進(jìn)一步的研究方向
7 結(jié)束語(yǔ)


【參考文獻(xiàn)】：
期刊論文
[1]Angel: a new large-scale machine learning system[J]. Jie Jiang,Lele Yu,Jiawei Jiang,Yuhong Liu,Bin Cui.  National Science Review. 2018(02)
[2]基于螢火蟲(chóng)算法和動(dòng)態(tài)優(yōu)先級(jí)的多QoS云工作流調(diào)度[J]. 鄭宏升,俞東進(jìn),張蕾.  計(jì)算機(jī)集成制造系統(tǒng). 2017(05)
[3]基于工業(yè)大數(shù)據(jù)的晶圓制造系統(tǒng)加工周期預(yù)測(cè)方法[J]. 朱雪初,喬非.  計(jì)算機(jī)集成制造系統(tǒng). 2017(10)
[4]大數(shù)據(jù)背景下的云聯(lián)盟數(shù)據(jù)資源服務(wù)組合模型[J]. 張影,翟麗麗,王京.  計(jì)算機(jī)集成制造系統(tǒng). 2016(12)
[5]基于改進(jìn)差分進(jìn)化算法的云制造資源優(yōu)化組合方法[J]. 朱李楠,王萬(wàn)良,沈國(guó)江.  計(jì)算機(jī)集成制造系統(tǒng). 2017(01)
[6]面向半導(dǎo)體制造的大數(shù)據(jù)分析平臺(tái)[J]. 楊俊剛,張潔,秦威,張啟華,康盛.  計(jì)算機(jī)集成制造系統(tǒng). 2016(12)
[7]基于大數(shù)據(jù)的智慧工廠技術(shù)框架[J]. 呂佑龍,張潔.  計(jì)算機(jī)集成制造系統(tǒng). 2016(11)
[8]基于分解策略的多目標(biāo)演化子集選擇算法[J]. 錢超,周志華.  中國(guó)科學(xué):信息科學(xué). 2016(09)
[9]主動(dòng)制造——大數(shù)據(jù)驅(qū)動(dòng)的新興制造范式[J]. 姚錫凡,周佳軍,張存吉,劉敏.  計(jì)算機(jī)集成制造系統(tǒng). 2017(01)
[10]大數(shù)據(jù)的分布式機(jī)器學(xué)習(xí)的策略與原則[J]. Eric P.Xing,Qirong Ho,Pengtao Xie,Wei Dai.  Engineering. 2016(02)

碩士論文
[1]基于MapReduce和深度學(xué)習(xí)的負(fù)荷分析與預(yù)測(cè)[D]. 楊佳駒.東南大學(xué) 2016
[2]關(guān)聯(lián)規(guī)則挖掘的并行化算法研究[D]. 劉智勇.東南大學(xué) 2016



本文編號(hào)：3164527