- 问答
-
问 数据挖掘结合的多学科技术
-
问 汽车传感器技术，有多少种？？？？
-
问 数据挖掘技术在电信行业的应用
匿名 随着电信体制改革的深化，我国电信运营业的竞争日趋激烈。2006年12月，中国加入WTO的5年过渡期的即将结束，这意味着还有3个月中国电信行业即将全面开放，国内电信运营商将直接面对国外电信运营商在中国的竞合；同时，3G的脚步越来越近，国内各大电信运营商在加紧筹备3G网络的同时，对用户的争夺也更加白热化。 作为中国最大的固网电信运营商，在3G牌照迟迟不下发的情况下，小灵通(PHS)在夹缝中生存和发展起来，在拉动电信收入增长的同时，也为真正的移动语音业务的经营积累了一定的用户基础和运营经验。电信运营企业拥有丰富的用户数据。谁能正确地挖掘与分析隐含在这些数据中的知识，谁就能更好地向用户提供产品与服务，能够发现更多的商机，从而在竞争中获胜。 本文重点研究了我国的移动通信运营企业如何开展及运用数据挖掘技术来提高其竞争力。本文将重点放在数据挖掘模型的选择与设计上，在国外的已有研究的基础上，结合国内实际，提出了我国电信业的客户价值、客户保持、客户细分这三个数据挖掘模型；并且结合上海电信小灵通的运营数据，在ODS的基础上，探索并建设了客户细分以及离网预警模型，在SAS Enterprise Miner中对模型进行了验证与评价。在客户细分的模型研究中，本文还侧重的在宽表设计、数据预处理等方面，结合电信数据的特点指出操作过程中需要注意和留心的环节，例如对缺失值、异常客户的处理等，以确保模型的质量。在离网预警模型的应用过程中，本文描述了如何根据实际的业务经验对模型进行优化，以提高预测准确率，节省营销成本；并且通过组织两千多个电话调查来收集研究数据，结合客户价值和离网预警，为小灵通的客户关怀计划提供了决策支持；最后，结合企业实际，探索出数据挖掘技术在电信运营实践中的工作流程。 数据挖掘技术在我国电信运营业中的应用起步不久，可以借鉴的经验不多，本文结合上海电信的实践做了一些探索，尚有不足之处，将不断探索和改进。
-
问 有哪些常用的数据挖掘技术？
-
问 到底是什么数据挖掘呢，需要什么技术呢
南柯一梦。 数据挖掘是近年来数据库应用技术中相当热门的议题，看似神奇、听来时髦，实际上却也不是什么新东西，因其所用之诸如预测模型、数据分割，连结分析（Link Analysis）、偏差侦测（Deviation Detection）等，美国早在二次世界大战前就已应用运用在人口普查及军事等方面。随着信息科技超乎想象的进展，许多新的计算机分析工具问世，例如关系型数据库、模糊计算理论、基因算法则以及类神经网络等，使得从数据中发掘宝藏成为一种系统性且可实行的程序。R一般而言，数据挖掘的理论技术可分为传统技术与改良技术两支。传统技术以统计分析为代表，统计学内所含序列统计、概率论、回归分析、类别数据分析等都属于传统数据挖掘技术，尤其 数据挖掘 对象多为变量繁多且样本数庞大的数据，是以高等统计学里所含括之多变量分析中用来精简变量的因素分析（Factor Analysis）、用来分类的判别分析（DiscriminantAnalysis），以及用来区隔群体的分群分析（Cluster Analysis）等，在数据挖掘过程中特别常用。在改良技术方面，应用较普遍的有决策树理论（Decision Trees）、类神经网络（Neural Network）以及规则归纳法（Rules Induction）等。决策树是一种用树枝状展现数据受各变量的影响情形之预测模型，根据对目标变量产生之效应的不同而建构分类的规则，一般多运用在对客户数据的分析上，例如针对有回函与未回含的邮寄对象找出影响其分类结果的变量组合，常用分类方法为CART（Classification and Regression Trees）及CHAID（Chi-Square Automatic InteractionDetector）两种。R类神经网络是一种仿真人脑思考结构的数据分析模式，由输入之变量与数值中自我学习并根据学习经验所得之知识不断调整参数以期建构数据的型样 (patterns)。类神经网络为非线性的设计，与传统回归分析相比，好处是在进行分析时无须限定模式，特别当数据变量间存有交互效应时可自动侦测出；缺点则在于其分析过程为一黑盒子，故常无法以可读之模型格式展现，每阶段的加权与转换亦不明确，是故类神经网络多利用于数据属于高度非线性且带有相当程度的变量交感效应时。规则归纳法是知识发掘的领域中最常用的格式，这是一种由一连串的「如果…/则…（If / Then）」之逻辑规则对数据进行细分的技术，在实际运用时如何界定规则为有效是最大的问题，通常需先将数据中发生数太少的项目先剔除，以避免产生无意义的逻辑规则。
-
问 数据挖掘中关键技术是什么？
-
问 数据挖掘，分析技术 怎么写专利
-
问 目前有哪些主流存储技术
-
问 航天制冷技术是什么制冷方式？
-
问 lighthouse技术到底怎么运转
6634432127f2 在虚拟现实中，如何做到六自由度跟踪？我们都知道传统的惯性传感器是无法做到这一点的，最多只能跟踪头部的转动；想要跟踪头部的位移，就要引入光学系统了。HTC Vive使用了一套十分巧妙的技术，称之为Lighthouse，这套技术由Valve开发，可以说是目前体验最好的VR光学跟踪方案。Lighthouse由两个基站构成：每个基站里有一个红外LED阵列，两个转轴互相垂直的旋转的红外激光发射器。转速为10ms一圈。基站的工作状态是这样的：20ms为一个循环，在循环开始的时候红外LED闪光，10ms内X轴的旋转激光扫过整个空间，Y轴不发光；下10ms内Y轴的旋转激光扫过整个空间，X轴不发光。 Valve在头显和控制器上安装了很多光敏传感器。 在基站的LED闪光之后就会同步信号，然后光敏传感器可以测量出X轴激光和Y轴激光分别到达传感器的时间。这个时间就正好是X轴和Y轴激光转到这个特定的，点亮传感器的角度的时间，于是传感器相对于基站的X轴和Y轴角度也就已知了；分布在头显和控制器上的光敏传感器的位置也是已知的，于是通过各个传感器的位置差，就可以计算出头显的位置和运动轨迹。 这个系统有很多优势。 第一条是其需要的计算能力非常小。 一个光学系统需要进行成像，然后程序就需要通过图像处理的方法来将成像中的马克点分辨出来。成像的细节越丰富，需要的图像处理计算能力就越高。所以红外摄像头比单色摄像头简单，单色摄像头比彩色摄像头简单。Lighthouse使用的仅仅是时间参数，那么它就不涉及到图像处理，对于位置的计算在设备本地就可以完成。 第二个优点是其延迟也很小。 计算能力需求高就意味着延迟会高：图形处理的大量数据要从摄像头传输到电脑中，再从电脑传输到头显上，就会增加延迟。而Lighthouse可以直接将位置数据传输到电脑上，省略了从摄像头到电脑的高数据传输的步骤。 第三，是系统中的追踪物体的数量理论上没有上限。 如果是光学摄像头的话，系统内的跟踪马克点数量就有一个上限，再多了无法处理。Lighthouse基站本身不处理任何信息，所有数据由跟踪传感器本地报告，这是一个天然的分布式系统。这套系统可以很方便地支持多人：两个玩家可以很轻松的在一个场地里同时体验。 所以Lighthouse造就了目前最好的VR体验。Vive的头动跟踪和手柄跟踪都非常精确，延迟极低，用户甚至可以做出将手柄抛来抛去的动作。就个人体验而言，Vive的头动和手柄跟踪的精确程度已经让人真的产生了“这就是现实”的错觉——你会不自觉的对你在整个环境中所能做到的事情产生更高的期望，比如大动态的动作，试着去伸手够到远方的物体，等等。 当然Lighthouse系统并不是完美无缺。它的主要问题是两个： 从理论来讲，Lighthouse的精度依赖于系统的时间分辨率。 传感器点亮的时候需要精确的知道激光当时的角度，那么就需要很精确的测量激光到达的时间。光敏传感器本身也有一定宽度，如果传感器“挤”在一起，间距达到了传感器本身的宽度量级，那么测角本身就会出现误差了。所以光敏传感器的分布之间需要一定的距离，设备不能制造的太小。Valve表示要保持对一个刚体的跟踪，需要至少5个传感器形成一个阵列。所以，Vive的手柄前方的传感器阵列部分体积庞大，是有原因的。 要满足跟踪稳定性和传感器分布的尺寸要求，Vive手柄前端才被设计成一个甜甜圈形状。如果想要将设备的尺寸缩小，那么就得将光敏传感器本身的尺寸缩小，同时降低传感器之间的距离，这个时候就需要更高的测角精度，系统的时间分辨率要求就提升了。 另一个问题是Lighthouse系统的可扩展性。 如果在一个空间里Lighthouse有许多基站的话，很有可能出现的情况是光敏传感器同一时间内被多道激光扫过，就很难分清楚激光是来自哪个基站，位置计算能力就会变差了。目前的Lighthouse是使用时分复用：任意时刻只有一个基站发光。在未来最彻底的解决方案应该是频分复用——光敏传感器接受的每一道激光都带有信息报告自己的基站的id，但是这样整个系统的设计会变得比现在复杂得多，在那么短的一道激光中做到这一点，也可能需要更昂贵的设备。Valve表示这套系统是理论上可扩展到无限容量的，但是他们并没有披露具体是用怎样的方法做到这一点。 Lighthouse可以说是Valve带给VR的一个重要贡献：它是目前所有的低成本室内定位系统中性能最好的。
旭日 
1条回答
FORZA 
匿名用户 
热心问友 
开心一家 
