中圖網小程序
一鍵登錄
更方便
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
買過本商品的人還買了
大數據背后的核心技術 版權信息
- ISBN：9787121302961
- 條形碼：9787121302961 ; 978-7-121-30296-1
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>>
大數據背后的核心技術 本書特色
本書分為三大部分，分別為大數據基礎理論分析、基于海量語意規則的大數據流處理技術及大數據應用。 *部分介紹大數據領域的主要基礎理論，包括大數據基本概念、可編程數據中心、云文件系統、云數據庫系統、大數據并行編程與分析模型、大數據智能計算算法、基于大數據的數據倉庫技術、大數據安全與隱私保護，以及基于大數據的語意軟件工程方法等。 第二部分介紹基于海量語意規則的大數據流處理技術，包括基于規則的大數據流處理介紹、語意規則描述模型、海量語意規則網及優化、海量語意規則處理算法及海量語意規則并行處理等。 第三部分主要介紹大數據的一些典型應用，包括：文化大數據、醫療健康大數據、互聯網金融大數據、教育大數據、電子商務大數據、互聯網大數據、能源大數據、交通大數據、宏觀經濟大數據、進出口食品安全監管大數據、基于大數據的語意計算及典型應用（含語意搜索引擎、語意金融、語意旅游規劃、基于海量語意規則的語意電子商務）。*后探討了大數據未來的研究方向。
大數據背后的核心技術 內容簡介
大數據作為一門嶄新的學科，尚未形成完整的理論體系，仍存在許多關鍵問題尚待解決。 本書由業內實力派作者編著，與您一同探尋大數據背后的基礎理論與核心技術，并在剖析教育、醫療、金融、交通等典型應用的基礎上討論未來趨勢。
大數據背后的核心技術 目錄
目 錄
**部分 大數據基礎理論分析 （1）
第1章 大數據基本概念 （2）
1.1 大數據定義 （2）
1.2 大數據度量 （3）
1.2.1 大數據能耗度量 （3）
1.2.2 大數據計算能力度量 （4）
1.2.3 大數據的數據中心服務能力度量 （4）
1.2.4 大數據商業與社會價值度量 （4）
1.2.5 大數據冷熱度度量 （5）
1.3 語意計算的發展過程 （5）
1.3.1 語義計算（Semantic Computing） （5）
1.3.2 語意計算（Semantic Computing） （5）
1.3.3 語意計算（Semantic Computing） （6）
1.3.4 語意計算和大數據 （7）
1.4 大數據的語意理解 （8）
1.4.1 大數據資源語意存儲 （9）
1.4.2 大數據資源語意信息獲取 （9）
1.4.3 語意資源管理 （9）
1.4.4 大數據語意處理 （10）
1.4.5 大數據語意服務（語意分析/語意合成等） （10）
1.4.6 大數據語意安全與隱私 （10）
1.4.7 語意接口 （10）
1.4.8 基于語意的大數據應用 （10）
1.5 大數據和云計算 （11）
1.5.1 云計算 （11）
1.5.2 大數據和云計算的關系 （11）
本章小結 （12）
第2章 可編程數據中心 （13）
2.1 可編程數據中心體系架構 （13）
2.2 數據分配管理 （14）
2.2.1 數據分配管理原理 （14）
2.2.2 數據分配管理案例 （17）
2.3 異構數據節點分配管理 （19）
2.3.1 異構數據節點分配管理方法 （20）
2.3.2 異構數據節點服務能力計算方法 （22）
2.4 規則管理 （23）
2.4.1 規則 （23）
2.4.2 語意規則 （24）
2.4.3 海量語意規則管理架構 （24）
2.5 數據放置策略 （25）
2.5.1 谷歌的數據放置策略 （25）
2.5.2 Hadoop的數據放置策略 （26）
2.5.3 其他常用的數據放置策略 （26）
2.5.4 語意數據放置策略 （26）
2.6 可編程數據中心機房架構 （30）
本章小結 （30）
第3章 云文件系統 （32）
3.1 常用云文件系統綜述 （32）
3.2 語意云文件系統SCFS （34）
3.2.1 SCFS系統架構 （34）
3.2.2 SCFS大小文件處理機制 （36）
3.2.3 數據一致性保障 （40）
3.2.4 元數據集群管理技術 （40）
3.2.5 副本管理策略（負載均衡機制） （41）
本章小結 （44）
第4章 云數據庫系統 （45）
4.1 常用云數據庫系統綜述 （45）
4.2 語意云數據庫系統SCloudDB （47）
4.2.1 SCloudDB系統架構 （47）
4.2.2 SCloudDB設計思路 （48）
4.2.3 SCloudDB的SRegion定位機制 （50）
4.2.4 多維及海量隨機查詢機制 （51）
4.2.5 支持多維及海量隨機查詢的語意搜索機制 （52）
4.2.6 大表劃分方法 （54）
4.2.7 基于列族存儲及語意的大表劃分機制 （56）
4.2.8 分布式同步關鍵技術 （57）
本章小結 （59）
第5章 大數據并行編程與分析模型 （60）
5.1 大數據并行編程與分析模型綜述 （60）
5.2 大數據并行編程與分析模型SemanMR （63）
5.2.1 SemanMR體系架構 （63）
5.2.2 SemanMR技術思路 （64）
5.3 SemanMR關鍵技術 （66）
5.3.1 基于語意的調度器關鍵技術 （66）
5.3.2 SemanMR的作業/任務狀態交互新規則 （68）
5.3.3 語意映射器關鍵技術 （69）
5.3.4 基于語意的作業調度器關鍵技術 （70）
5.3.5 基于語意的任務調度器關鍵技術 （73）
5.3.6 任務跟蹤器關鍵技術 （76）
5.4 SemanMR計算部分框架 （78）
5.5 SemanMR原理分析 （82）
5.5.1 SemanMR原理實現分析 （82）
5.5.2 SemanMR實現原理特點分析 （84）
5.6 基于SemanMR的大數據實時處理與分析實現技術 （88）
5.6.1 SemanMR實時架構 （88）
5.6.2 SemanMR的MapReduce網絡優化技術 （89）
本章小結 （94）
第6章 大數據智能計算算法 （95）
6.1 大數據智能計算算法架構 （95）
6.2 數據采集算法 （95）
6.2.1 管理信息系統數據采集 （96）
6.2.2 網絡信息數據采集 （96）
6.2.3 物理信息數據采集 （96）
6.3 數據預處理算法 （97）
6.4 數據挖掘算法 （99）
6.4.1 分類算法 （99）
6.4.2 聚類算法 （100）
6.4.3 關聯挖掘算法 （101）
6.4.4 推薦算法 （101）
6.5 復雜智能算法 （103）
6.5.1 大數據溯源算法 （103）
6.5.2 大數據的相關推薦算法 （105）
6.5.3 基于大數據的決策管理算法 （105）
6.5.4 基于模型的推理及預測算法 （106）
6.5.5 基于數據的推理及預測算法 （107）
6.5.6 基于規則的推理及預測算法 （109）
6.5.7 混合推理及預測算法 （109）
本章小結 （109）
第7章 基于大數據的數據倉庫技術 （110）
7.1 Facebook中Hive采用的技術思路與存在問題分析 （110）
7.1.1 Hive采用的技術思路分析 （110）
7.1.2 Hive存在的問題分析 （111）
7.2 Yahoo!中Pig采用的技術思路與存在問題分析 （111）
7.2.1 Pig采用的技術思路分析 （111）
7.2.2 Pig存在的問題分析 （112）
7.3 未來數據倉庫架構需求分析 （113）
7.4 一種基于大數據的數據倉庫SemanDW （114）
本章小結 （114）
第8章 大數據安全與隱私保護 （115）
8.1 大數據安全模型BigData-PKI （115）
8.1.1 大數據安全體系結構 （115）
8.1.2 大數據安全模型BigData-PKI （116）
8.2 大數據安全協議BigData-Protocol （118）
8.3 大數據隱私 （120）
8.4 大數據的隱私提取方法 （121）
8.4.1 大數據的直接隱私提取方法 （121）
8.4.2 大數據的間接隱私提取方法 （121）
8.5 大數據隱私保護模型BigData-Privacy （122）
8.6 大數據共享信息與隱私信息融合技術 （122）
8.6.1 大數據的共享信息與隱私信息融合機制 （123）
8.6.2 大數據的共享信息與隱私信息融合算法 （123）
8.6.3 大數據的共享信息與隱私信息融合質量評價模型 （123）
8.7 云環境下醫療大數據安全和隱私保護示范 （125）
8.7.1 云環境下大數據安全和隱私保護架構 （125）
8.7.2 數據分割及安全機制 （127）
8.7.3 數據融合及安全機制 （129）
8.7.4 基于隱私數據的查詢機制 （130）
8.7.5 數據完整性保障機制 （131）
8.8 海量電子病歷安全保護應用 （133）
本章小結 （134）
第9章 基于大數據的語意軟件工程方法 （135）
9.1 基于大數據的語意軟件工程體系架構 （136）
9.2 基于大數據的語意軟件編制 （136）
9.2.1 基于大數據的語意軟件編制方法 （136）
9.2.2 基于大數據的語意軟件編制方法設計思路 （137）
9.2.3 復雜的SemanPL程序編程實現原理分析 （138）
9.2.4 基于大數據的語意編程語言SemanPL （139）
9.2.5 SemanPL編譯器原理分析 （141）
9.3 基于大數據的語意軟件測試 （143）
9.4 基于大數據的語意軟件驗證 （143）
9.5 基于大數據的語意軟件工程方法的語意軟件系統應用 （144）
本章小結 （144）
第二部分 基于海量語意規則的大數據流處理技術 （145）
第10章 基于規則的大數據流處理介紹 （147）
10.1 基于規則的大數據流 （147）
10.1.1 基于規則的大數據流應用背景 （147）
10.1.2 基于規則的大數據流應用意義 （148）
10.2 大數據流的規則處理技術國內外研究現狀 （149）
10.3 存在的問題總結與分析 （153）
本章小結 （154）
第11章 語意規則描述模型 （155）
11.1 規則表示方法 （155）
11.2 規則節點圖形化符號表示模型 （155）
11.2.1 非計算規則節點 （156）
11.2.2 計算規則節點 （156）
11.3 規則粒度 （158）
11.4 規則節點流量分析 （159）
11.5 計算規則節點計算代價分析 （163）
本章小結 （167）
第12章 海量語意規則網及優化 （168）
12.1 海量語意規則網概述 （168）
12.2 海量語意規則網維護 （169）
12.2.1 海量語意規則網增量集成 （169）
12.2.2 刪除規則節點時的規則網維護 （170）
12.3 海量語意規則網優化方法 （171）
12.3.1 基于規則合并的優化方法 （171）
12.3.2 規則模塊等價變換的優化方法 （173）
本章小結 （183）
第13章 海量語意規則處理算法 （184）
13.1 傳統規則處理算法存在的問題 （184）
13.2 海量語意規則模式匹配模型 （185）
13.2.1 海量語意規則模式匹配模型體系結構 （185）
13.2.2 概念與介紹 （186）
13.2.3 模式網絡存儲組織 （186）
13.2.4 海量語意規則模式匹配算法 （188）
13.3 海量語意規則模式匹配算法特點 （192）
13.4 海量語意規則網運行處理機制 （195）
本章小結 （198）
第14章 海量語意規則并行處理 （199）
14.1 海量語意規則并行處理面臨的問題 （199）
14.2 海量語意規則并行處理機制 （200）
14.2.1 海量語意規則并行處理機制GAPCM概述 （200）
14.2.2 海量語意規則子網生成 （201）
14.2.3 海量語意規則網計算代價預分配 （202）
14.2.4 海量語意規則網通信 （219）
14.2.5 映射分配 （220）
本章小結 （221）
第三部分 大數據應用 （223）
第15章 文化大數據 （224）
15.1 文化大數據的意義 （224）
15.2 文化大數據關鍵技術平臺架構 （225）
15.3 文化大數據資源層 （226）
15.4 文化大數據綜合平臺層 （227）
15.5 基于文化大數據的應用 （228）
15.6 文化大數據云管理系統 （232）
本章小結 （234）
第16章 醫療健康大數據 （235）
16.1 醫療健康大數據 （235）
16.2 醫療健康大數據平臺架構 （235）
16.3 醫療健康大數據共享平臺 （237）
16.3.1 集中式醫療健康大數據共享平臺 （237）
16.3.
**部分 大數據基礎理論分析 （1）
第1章 大數據基本概念 （2）
1.1 大數據定義 （2）
1.2 大數據度量 （3）
1.2.1 大數據能耗度量 （3）
1.2.2 大數據計算能力度量 （4）
1.2.3 大數據的數據中心服務能力度量 （4）
1.2.4 大數據商業與社會價值度量 （4）
1.2.5 大數據冷熱度度量 （5）
1.3 語意計算的發展過程 （5）
1.3.1 語義計算（Semantic Computing） （5）
1.3.2 語意計算（Semantic Computing） （5）
1.3.3 語意計算（Semantic Computing） （6）
1.3.4 語意計算和大數據 （7）
1.4 大數據的語意理解 （8）
1.4.1 大數據資源語意存儲 （9）
1.4.2 大數據資源語意信息獲取 （9）
1.4.3 語意資源管理 （9）
1.4.4 大數據語意處理 （10）
1.4.5 大數據語意服務（語意分析/語意合成等） （10）
1.4.6 大數據語意安全與隱私 （10）
1.4.7 語意接口 （10）
1.4.8 基于語意的大數據應用 （10）
1.5 大數據和云計算 （11）
1.5.1 云計算 （11）
1.5.2 大數據和云計算的關系 （11）
本章小結 （12）
第2章 可編程數據中心 （13）
2.1 可編程數據中心體系架構 （13）
2.2 數據分配管理 （14）
2.2.1 數據分配管理原理 （14）
2.2.2 數據分配管理案例 （17）
2.3 異構數據節點分配管理 （19）
2.3.1 異構數據節點分配管理方法 （20）
2.3.2 異構數據節點服務能力計算方法 （22）
2.4 規則管理 （23）
2.4.1 規則 （23）
2.4.2 語意規則 （24）
2.4.3 海量語意規則管理架構 （24）
2.5 數據放置策略 （25）
2.5.1 谷歌的數據放置策略 （25）
2.5.2 Hadoop的數據放置策略 （26）
2.5.3 其他常用的數據放置策略 （26）
2.5.4 語意數據放置策略 （26）
2.6 可編程數據中心機房架構 （30）
本章小結 （30）
第3章 云文件系統 （32）
3.1 常用云文件系統綜述 （32）
3.2 語意云文件系統SCFS （34）
3.2.1 SCFS系統架構 （34）
3.2.2 SCFS大小文件處理機制 （36）
3.2.3 數據一致性保障 （40）
3.2.4 元數據集群管理技術 （40）
3.2.5 副本管理策略（負載均衡機制） （41）
本章小結 （44）
第4章 云數據庫系統 （45）
4.1 常用云數據庫系統綜述 （45）
4.2 語意云數據庫系統SCloudDB （47）
4.2.1 SCloudDB系統架構 （47）
4.2.2 SCloudDB設計思路 （48）
4.2.3 SCloudDB的SRegion定位機制 （50）
4.2.4 多維及海量隨機查詢機制 （51）
4.2.5 支持多維及海量隨機查詢的語意搜索機制 （52）
4.2.6 大表劃分方法 （54）
4.2.7 基于列族存儲及語意的大表劃分機制 （56）
4.2.8 分布式同步關鍵技術 （57）
本章小結 （59）
第5章 大數據并行編程與分析模型 （60）
5.1 大數據并行編程與分析模型綜述 （60）
5.2 大數據并行編程與分析模型SemanMR （63）
5.2.1 SemanMR體系架構 （63）
5.2.2 SemanMR技術思路 （64）
5.3 SemanMR關鍵技術 （66）
5.3.1 基于語意的調度器關鍵技術 （66）
5.3.2 SemanMR的作業/任務狀態交互新規則 （68）
5.3.3 語意映射器關鍵技術 （69）
5.3.4 基于語意的作業調度器關鍵技術 （70）
5.3.5 基于語意的任務調度器關鍵技術 （73）
5.3.6 任務跟蹤器關鍵技術 （76）
5.4 SemanMR計算部分框架 （78）
5.5 SemanMR原理分析 （82）
5.5.1 SemanMR原理實現分析 （82）
5.5.2 SemanMR實現原理特點分析 （84）
5.6 基于SemanMR的大數據實時處理與分析實現技術 （88）
5.6.1 SemanMR實時架構 （88）
5.6.2 SemanMR的MapReduce網絡優化技術 （89）
本章小結 （94）
第6章 大數據智能計算算法 （95）
6.1 大數據智能計算算法架構 （95）
6.2 數據采集算法 （95）
6.2.1 管理信息系統數據采集 （96）
6.2.2 網絡信息數據采集 （96）
6.2.3 物理信息數據采集 （96）
6.3 數據預處理算法 （97）
6.4 數據挖掘算法 （99）
6.4.1 分類算法 （99）
6.4.2 聚類算法 （100）
6.4.3 關聯挖掘算法 （101）
6.4.4 推薦算法 （101）
6.5 復雜智能算法 （103）
6.5.1 大數據溯源算法 （103）
6.5.2 大數據的相關推薦算法 （105）
6.5.3 基于大數據的決策管理算法 （105）
6.5.4 基于模型的推理及預測算法 （106）
6.5.5 基于數據的推理及預測算法 （107）
6.5.6 基于規則的推理及預測算法 （109）
6.5.7 混合推理及預測算法 （109）
本章小結 （109）
第7章 基于大數據的數據倉庫技術 （110）
7.1 Facebook中Hive采用的技術思路與存在問題分析 （110）
7.1.1 Hive采用的技術思路分析 （110）
7.1.2 Hive存在的問題分析 （111）
7.2 Yahoo!中Pig采用的技術思路與存在問題分析 （111）
7.2.1 Pig采用的技術思路分析 （111）
7.2.2 Pig存在的問題分析 （112）
7.3 未來數據倉庫架構需求分析 （113）
7.4 一種基于大數據的數據倉庫SemanDW （114）
本章小結 （114）
第8章 大數據安全與隱私保護 （115）
8.1 大數據安全模型BigData-PKI （115）
8.1.1 大數據安全體系結構 （115）
8.1.2 大數據安全模型BigData-PKI （116）
8.2 大數據安全協議BigData-Protocol （118）
8.3 大數據隱私 （120）
8.4 大數據的隱私提取方法 （121）
8.4.1 大數據的直接隱私提取方法 （121）
8.4.2 大數據的間接隱私提取方法 （121）
8.5 大數據隱私保護模型BigData-Privacy （122）
8.6 大數據共享信息與隱私信息融合技術 （122）
8.6.1 大數據的共享信息與隱私信息融合機制 （123）
8.6.2 大數據的共享信息與隱私信息融合算法 （123）
8.6.3 大數據的共享信息與隱私信息融合質量評價模型 （123）
8.7 云環境下醫療大數據安全和隱私保護示范 （125）
8.7.1 云環境下大數據安全和隱私保護架構 （125）
8.7.2 數據分割及安全機制 （127）
8.7.3 數據融合及安全機制 （129）
8.7.4 基于隱私數據的查詢機制 （130）
8.7.5 數據完整性保障機制 （131）
8.8 海量電子病歷安全保護應用 （133）
本章小結 （134）
第9章 基于大數據的語意軟件工程方法 （135）
9.1 基于大數據的語意軟件工程體系架構 （136）
9.2 基于大數據的語意軟件編制 （136）
9.2.1 基于大數據的語意軟件編制方法 （136）
9.2.2 基于大數據的語意軟件編制方法設計思路 （137）
9.2.3 復雜的SemanPL程序編程實現原理分析 （138）
9.2.4 基于大數據的語意編程語言SemanPL （139）
9.2.5 SemanPL編譯器原理分析 （141）
9.3 基于大數據的語意軟件測試 （143）
9.4 基于大數據的語意軟件驗證 （143）
9.5 基于大數據的語意軟件工程方法的語意軟件系統應用 （144）
本章小結 （144）
第二部分 基于海量語意規則的大數據流處理技術 （145）
第10章 基于規則的大數據流處理介紹 （147）
10.1 基于規則的大數據流 （147）
10.1.1 基于規則的大數據流應用背景 （147）
10.1.2 基于規則的大數據流應用意義 （148）
10.2 大數據流的規則處理技術國內外研究現狀 （149）
10.3 存在的問題總結與分析 （153）
本章小結 （154）
第11章 語意規則描述模型 （155）
11.1 規則表示方法 （155）
11.2 規則節點圖形化符號表示模型 （155）
11.2.1 非計算規則節點 （156）
11.2.2 計算規則節點 （156）
11.3 規則粒度 （158）
11.4 規則節點流量分析 （159）
11.5 計算規則節點計算代價分析 （163）
本章小結 （167）
第12章 海量語意規則網及優化 （168）
12.1 海量語意規則網概述 （168）
12.2 海量語意規則網維護 （169）
12.2.1 海量語意規則網增量集成 （169）
12.2.2 刪除規則節點時的規則網維護 （170）
12.3 海量語意規則網優化方法 （171）
12.3.1 基于規則合并的優化方法 （171）
12.3.2 規則模塊等價變換的優化方法 （173）
本章小結 （183）
第13章 海量語意規則處理算法 （184）
13.1 傳統規則處理算法存在的問題 （184）
13.2 海量語意規則模式匹配模型 （185）
13.2.1 海量語意規則模式匹配模型體系結構 （185）
13.2.2 概念與介紹 （186）
13.2.3 模式網絡存儲組織 （186）
13.2.4 海量語意規則模式匹配算法 （188）
13.3 海量語意規則模式匹配算法特點 （192）
13.4 海量語意規則網運行處理機制 （195）
本章小結 （198）
第14章 海量語意規則并行處理 （199）
14.1 海量語意規則并行處理面臨的問題 （199）
14.2 海量語意規則并行處理機制 （200）
14.2.1 海量語意規則并行處理機制GAPCM概述 （200）
14.2.2 海量語意規則子網生成 （201）
14.2.3 海量語意規則網計算代價預分配 （202）
14.2.4 海量語意規則網通信 （219）
14.2.5 映射分配 （220）
本章小結 （221）
第三部分 大數據應用 （223）
第15章 文化大數據 （224）
15.1 文化大數據的意義 （224）
15.2 文化大數據關鍵技術平臺架構 （225）
15.3 文化大數據資源層 （226）
15.4 文化大數據綜合平臺層 （227）
15.5 基于文化大數據的應用 （228）
15.6 文化大數據云管理系統 （232）
本章小結 （234）
第16章 醫療健康大數據 （235）
16.1 醫療健康大數據 （235）
16.2 醫療健康大數據平臺架構 （235）
16.3 醫療健康大數據共享平臺 （237）
16.3.1 集中式醫療健康大數據共享平臺 （237）
16.3.
展開全部
大數據背后的核心技術 作者簡介
張桂剛：清華大學博士后，美國加州大學爾灣分校訪問學者，現為中國科學院自動化研究所副研究員，研究生導師。國家公共文化服務體系建設專家委員會委員，中國人工智能學會智能服務專業委員會委員，IEEE/ACM/中國自動化學會會員，中國計算機學會高級會員。BigMM/ICSC/ICRC（多媒體大數據/語義計算/機器人計算）三個國際會議的Workshop聯合主席。主持或參與973、863、國家科技支撐計劃、工信部民機專項、國家自然基金等課題10余個，發表SCI/EI論文40余篇，申請發明專利20余項。主要研究方向：大數據、語意（義）計算、大飛機綜合健康管理、圖計算。 李超：博士，副研究員，清華大學息技術研究院WEB 與軟件技術研究中心副主任，兼任金融大數據/智慧健康大數據兩聯合研究中心副主任，中國計算機學會信息存儲技術專委委員，中國高等學校計算機教育研究會對外聯絡委員會委員，全國文影標（SAC/TC86/SC6）委員、全國信標委教育技術分技術委員會（TC28/SC36）委員、ISO/IEC JTC1 SC36 WG8 Learning Analytics Interoperability工作組專家。發表論文50余篇、已授權專利10余項。在海量數據存儲、組織與管理、分析，及其在教育/醫療/金融等領域的應用方面有十余年經驗。邢春曉：清華大學信息技術研究院博導，副院長。主要研究領域包括：數據庫和數據倉庫，數據工程和知識工程，軟件工程，面向智慧城市的教育、醫療、金融和政務的大數據關鍵技術研究等。發表學術論文180多篇，其中SCI 20多篇、EI 100多篇，發明專利20余項。
書友推薦
- >
唐代進士錄
- >
月亮虎
- >
巴金－再思錄
- >
隨園食單
- >
自卑與超越
- >
推拿
- >
李白與唐代文化
- >
企鵝口袋書系列·偉大的思想20:論自然選擇(英漢雙語)
本類暢銷
