化學數據分析方法

前言：想要寫出一篇令人眼前一亮的文章嗎？我們特意為您整理了5篇化學數據分析方法范文，相信會為您的寫作帶來幫助，發現更多的寫作思路和靈感。

化學數據分析方法范文第1篇

關鍵詞：學生調查；初高中銜接；策略

中圖分類號：G633.8？搖 文獻標志碼：A 文章編號：1674-9324（2013）40-0091-02

初高中化學教學銜接問題，已成為高中化學教學老生常談的話題，更是高中新課程開設以來教育專家常議的課題。大家都知道《全日制九年義務教育化學新課程標準》對初三化學課程的定位是：突出基礎性、啟蒙性、發展性的一種科普性的課程，而《普通高中化學新課程標準》明確指出高中化學課程目標是：在義務教育基礎上，進一步提高學生的科學素養為宗旨的選拔性課程。初中、高中化學課程教學上的銜接當然也就成了一個重要的研究課題。如何做好初高化學教學的銜接，不能僅僅通過教師單純的教學經驗且年年一成不變的模式來解決初高中教學要求不同而引發的銜接問題。為了做好初高中教學銜接策略，校化學教研組在高一新生入學兩周內開展學生學習情況調查——《新課程改革初、高中化學學習知識與能力銜接的調查分析》。本調查采用自制的《關于新課程初高中學科知識與能力銜接的調查問卷》（由高一備課組完成，其中問卷題分三類：開放性問題，選擇題和填空題）。問題的范圍包括學生對初高中各科知識學習的認識、學生在學習興趣等方面的變化等。本次調查共得到434份學生調查問卷，對數據采用圖表軟件進行了統計分析。

下面是調查結果的數據分析圖表，與本文息息相關的幾組數據。

調查結果數據分析之一（如圖一）。

該調查數據結果說明，高一新生適應高中學習的時間部分在入學1～2個月之間。

調查結果數據分析之二（如圖二）。

該調查數據結果說明，教師的教學方式及教學策略有相當高的權重值。

調查結果數據分析之三。

該調查數據說明，學生認為初中學生從全日制義務教育要求的科普性學習方式與進入高中選拔性且以提高學生素質為目標的學習方式的轉型過程的感受最大的不同是：①講課速度和課堂容量的差異；②高中課程內容難；③初中容易理解，高中比較深奧，學起來更難；④高中講課速度快；⑤高中知識容量大，難度提高，要花較長時間吸收；⑥高中比初中的知識面更廣；⑦高中講課方法較單調、且速度快；⑧高中練習要做得更多，方法不好就學不好。

調查結果數據分析之四（如圖三）。

從學生的調查問卷分析結果不難看出，初中與高中化學的銜接，是新課程改革的大背景下，中學化學教學發展、學科的發展和學生的發展的一個重要、基本的內容，同時也是教師教學、教研永不過時的教科研課題。在正常的教學時間內將初高中知識的銜接滲透到高中化學教學的各個環節中，這對順利幫助學生在較短的時間內適應高中的學習，促進高中學生的持續發展，提高學生的化學素養，激發學生的學習潛能等都具有重要的意義。

一、做到在“知識內容”的銜接上的“化整為零”

中學化學新課程的大致框架包括基本概念和原理、元素化合物知識、化學與社會生活、化學實驗和化學計算等知識模塊。知識模塊間既相互關聯又有一定的各自獨立性，如何真正處理好初中與高中化學在“知識內容”上的銜接，就要有計劃地做好下面兩個方面的研究。

1.理清初高中“知識內容”，領會“知識內涵”，把握好初高中知識的關聯及差異。現行新課程九年義務初三化學教材與普通高中課程標準實驗教材（魯科版）相比，高中化學教材有了較大飛躍。高一剛入學的新生明顯會出現四個不適應，即知識基礎不適應，學習方法不適應，思維方式不適應，學習習慣不適應。這與“調查結果數據分析之三”、“調查結果數據分析之四”反映的問題是相吻合的。

2.所謂“化整為零”就是要在吃透《新課程高中化學教學要求》的基礎上，準確把握教材的難度和廣度，將初高中銜接的“知識內容”滲透到高中課程的各個環節中。按照初中與高中本身的知識結構規律，理解初高中知識的內在關聯，根據學生現有認知水平，把必修I與必修II的學習模塊劃分成不同的學習小專題并對應初中知識，找出“銜接”的關鍵點，融入相關課堂教學中，真正做到初高中知識學習的漸進性而不是“跳躍性”。高中課程的難度和廣度，將初高中銜接的內容有計劃地、有機地融入高一教學的每個專題中，真正做到銜接內容的“化整為零”，這符合高一學生的認知水平。

二、高度重視學生在高中學習的適應期，精心制定教學計劃，適度調整教學進度，做到“學習能力”上的銜接

新課程環境下的中學化學提出了四種學習能力：實驗與探究能力、分析與解決問題能力、信息處理和加工的能力、自學能力。這四種能力在初中、高中不同的學習階段的要求是不同的，把握好這四種能力在每個學段的差異，也是做好初高中銜接的另一個研究的關鍵。適度調慢教學進度，穩步培養學生的學習能力，加強對初三化學知識的回憶和理解，并利用課前自學、實驗探究、研究性學習、分組討論等有效手段提升學生的“學習能力”，所謂“磨刀不誤砍柴功”，這對高一學生的學習是有幫助的，更是有必要的。

初高中教學的銜接是新課程教學背景下永恒的課題。初高中的銜接不是簡單把高中的教學要求挪到初中，也不是按初中的教學要求嫁接到高中，更不是在高中化學教學前安排幾個專題就可以解決問題的，而要在重視其內在規律的前提下，采用各種直接有效的方式方法并滲透到教學的各個環節中，幫助學生順利渡過因初高中的要求的不同而引發“銜接”。

參考文獻：

[1]羅炳杰.新課程背景下如何處理好高初中化學教學的銜接[J].福建基礎教育研究，2010，（2）.

化學數據分析方法范文第2篇

一、引言：智慧教育的培養理念

隨著物聯網、云計算、三網融合等技術興起和快速發展，為教育信息化和教育現代化注入新的推動力，教育進入智慧教育階段。智慧教育是在新一代信息技術支持下，尊重每位學習者個性化與多元化的發展需要，創建智能化的教育環境，以最有效的方式促進學習者知識建構與智慧發展的一種教育形態。“智慧教育”最早是受“智慧地球”的概念啟發而延伸過來的，IBM公司倡導的“智慧地球”是應用物聯網、移動通訊、智能分析等新一代信息技術，促進世界更全面地互聯互通，改變政府、企業和人類的生產、協作與管理方式，讓所有事物、流程、運行方式都實現更深入的智能化，最終讓人類能夠更透徹地感應和度量世界的本質和變化。而智慧教育的本意也是應用新一代信息技術，變革今天依然停留在工業時代的“教學工廠”式學校教育，提升教育系統的效率和智能化程度，為信息社會培養適應時展的人才。

隨著教育信息化的發展，不同國家、不同研究團體也賦予智慧教育不同的內涵。韓國認為智慧教育是智能化、可定制的個性化教與學。韓國政府提出發展智慧教育的推進戰略，這個戰略包含教育云框架與平臺開發、加強教師能力建設、推進在線課堂與評估和采用數字化課本四個部分，目標是培養在21世紀社會中能夠引領國際社會，具有創造力和個性的全球化人力資源。澳洲也推出智慧教育計劃，認為新的智慧教育系統可以轉變澳洲教育系統、吸引更多的學生，能授權給教師和管理者培養有高價值和全球技能的勞動力。我國學者祝智庭教授在綜合國外對智慧教育研究之后，提出信息時代智慧教育是一種最直接的、幫助人們建立完整智慧體系的教育方式，其教育宗旨在于首先引導發現學習者的智慧，并通過協助發展、指導應用學習者的智慧，進而培養創造出學習者的智慧見解。

網絡的普及加劇了數據的爆炸式增長，大數據時代已席卷而來。未來將是從數據中“鉆取石油、開采黃金”的時代，企業對掌握信息管理與數據分析技術的信息管理類專業人才需求激增。本文提出如何以學生能力培養為核心，應用“智慧教育”創新完善信管專業的理論和實踐教學模式手段，實現“以教為中心”向“以學為中心”的轉變、“以有限靜止知識為中心”向“以無限動態資源為中心”的轉變。

二、基于智慧教育的信息管理與信息系統專業教學模式改革

信息管理與信息系統專業具有四個特點：一是信管專業具有很強的實踐性；二是信息管理與數據分析技術變化迅速；三是企業基于數據分析的管理模式快速演變；四是信息管理與數據分析依賴于智能感知、網絡傳輸等相關設備。因此，信息管理與信息系統專業的教學手段和模式必須不斷創新，以盡快適應大數據分析技術的快速發展和企業對信管人才的需求。

（一）智慧教育的環境要求

智慧教育通過新技術與周圍教育環境進行智能化互動構建智慧學習環境，進而運用智慧教學方法促進學習者進行智慧學習，學習者從而獲得多種智慧以滿足自身和社會的需求。智慧教育環境（如圖1所示）包含六個維度：學習者、促學者、資源、設備、工具和學習活動。學習活動作為中心環節代表著學習活動的發生。學習者在活動中處于主體地位，是學習有效性發生的最終體現者。促學者作為學習活動的促進者，在不同學習環境中有不同的稱呼，如學校教育環境下教師是學習活動的指導者，起引導性作用。資源包括學習資源和教學資源，資源作為知識的承載體，它的形式和使用方式將會影?學習活動的效果。設備和工具是數字化環境下對學習活動的關注，是學習活動順利開展的利器。

智慧教育更加強調信息技術在促進教學方式和教學過程中的變革。通過明確智慧教育的教學環境，可以建構更加符合信息管理與信息系統專業技術特征和專業教學需求的文化共享（倫理、責任、價值認同、利益觀）學習共同體，為信管專業學生提供更豐富的學習內容、學習工具和實踐機會等。

（二）基于智慧教育的信息管理與信息系統專業教學與實踐環境構建

基于智慧教育的信管專業課堂與實踐教學學習環境框架，包括底層學習資源數據庫、彈性分析云和用戶使用終端三個部分組成（如圖2所示）。智慧教育底層學習資源數據庫分為原始用戶數據庫和聚合信息數據庫，原始數據庫保留了所有未經處理信息數據；彈性分析云的作用是綜合用戶需求，基于智能推送選擇學習、教學和生活方式，促進學習的社會協作、深度參與知識建構；用戶使用終端是基于移動、物聯、無縫接入等技術，為學習者提供豐富的、優質的數字化學習資源和多種學習工具，使學習者擁有隨時、隨地、隨需的學習機會。

第一，信管專業智慧教育資源數據庫（包括原始和聚合信息數據庫）。原始數據庫來源于電子教學資源數據文檔，教學資源可細分為理論性教學資源和實踐性教學資源。理論性教學資源包括多媒體課件、課程視頻資料、各種輔導資料、課程相關的案例庫和試題庫等；信管專業實踐教學資源豐富，除了科研訓練項目、開放性實驗項目之外，還有學科競賽、學術活動、企業實訓等教學資源。聚合信息數據庫根據原始數據庫存儲的數據，進行內容聚合，將高利用率信息提取出來形成“學習元”和“教學元”，再通過智能推送將這些信息推送到彈性分析云中進行分析，以便能更好地滿足學生的學習要求。

第二，信管專業智慧教育彈性分析云（包括期望分析和智慧內容分析）。彈性分析云根據社會期望、教師期望和學生期望在數據層傳遞來的原始“學習元”和“教學元”上添加相關的個性化、共享化和智能化標識，形成具有可重用的、支持學習（教學）過程的共享信息，以實現自我發展的、智能性數字化學習（教學）資源。彈性分析云利用學習分析技術進行智慧內容分析，通過記錄學習歷史數據，基于大數據分析技術優化學習過程，設計多種智慧型學習活動，提高智慧生成與應用的含量，并提供具有說服力的教學管理服務。

第三，信管專業智慧教育用戶使用終端。用戶使用終端設計是基于大數據分析技術優化學習過程、干預教學的服務管理。通過聚集、分類以及關聯規則等操作，分析記錄在學習管理系統中的學習者行為數據，生成實時的數據報告，并利用行為數據中反映出的規律來生成預測模型，評估學生知識建構能力，進而針對學習者的個體差異（如能力、偏好、需求）提供學習診斷、建議和服務，形成基于角色的個性化定制學習元和教學元，通過智能推送服務和終端設備實現資源的互聯和人的互動協作，為學生個性化學習提供更加有效的支持。

三、基于智慧教育的信息管理與信息系統專業建設

在大數據時代企業緊缺大量具有“大數據”思維方式、掌握數據分析技術的信息管理人才。如何利用智慧教育的技術與方法提升教師教學能力和學生自我學習能力培養，提高專業教學質量和實踐教學水平，完善信息管理與信息系統專業建設，培養企業滿意的信息管理專業人才，是我國高等學校信息管理與信息系統專業不可懈怠的追求目標。

（一）基于Moodle平臺構建信管專業主動式智慧學習服務平臺

Moodle平臺（Modular Object-Oriented Dynamic Learning Environment，即模?K化面向對象的動態學習環境）是澳大利亞教師Martin Dougiamas基于構建主義教育理論而開發的課程管理系統。Moodle平臺中教育者和學習者都是平等的主體，在教學活動中教育者和學習者相互協作并根據自己已有的經驗共同構建知識。Moodle平臺具有完善的web日志功能，學生自登錄Moodle平臺訪問課程的那一刻起，其學習行為就被平臺記錄下來，其瀏覽時長、訪問各模塊情況、互動情況等均被記錄下來，這些記錄都可以在課程的“報表”功能中找到。同時，教師使用社會網絡分析工具NodeXL對學生在討論區的交互關系進行分析，可以得到節點度量基本數據圖和交互網絡圖，從這些圖中可以了解每個學生對專業課程自主討論、參與情況，并且能夠掌握每個學生的回復與被回復情況，利用這些內容來評價學生學習情況。目前信管專業可以選擇與數據分析技術密切相關的一些課程開展試點，這些課程有“管理信息系統”“數據庫原理與技術”“商務智能與數據挖掘”（如圖3所示）。

信管專業通過Moodle平臺動態記錄與跟蹤學生在不同場景學習的相關信息，利用社會網絡分析工具、數據挖掘技術對海量數據進行抽取、轉換、分析和模型化處理，進而了解學生學習的行為動機和學習實效等，從衡量學生“在座位上的學習時間”轉移到衡量學生的“學習效率”，充分利用信息技術來改善提高學生的學習效果。

（二）基于整合技術的學科教學知識（TPACK）提升專業教師教學水平

2010年我國政府頒布《國家中長期教育改革和發展規劃綱要（2010-2020年）》中明確指出，要深化教師教育改革，創新培養模式，造就專業化教師隊伍。2012年教育部頒布《教育信息化十年發展規劃（2011-2020年）》中明確指出要推進信息技術與教學融合，促進教師專業化發展。因此，如何提高教師信息化教學能力水平成為信管專業建設的焦點問題。

整合技術學科教學法知識（TPCK，Technological Pedagogical Content Knowledge）是在舒爾曼PCK概念基礎上整合技術而形成的面向21世紀信息技術時代的教師知識框架。TPCK代表著教師能夠根據具體的教學情景的需要，綜合考慮學科知識、教學方法和技術支持，設計恰當的教學方案解決教學問題的方案知識。TPCK的核心是技術知識（TK， Technology Knowledge）、學科內容知識（CK，Content Knowledge）和教學法知識（PK，Pedagogy Knowledge）三者的動態平衡。TPACK（整合技術的學科教學知識） 將技術“整合”到具體學科內容教學的教學法知識當中去，對于有效使用技術進行教學，提高教師教育質量的核心關鍵要素，促進教師專業化發展至關重要（如圖4所示）。

從TPCK的發展機制來看，教師學習技術需要具體情景的支持和教師親身參與設計技術解決教學問題的過程。TPCK對教師應用技術的有效教學具有支配作用，它包含了具體教學情景中技術與學科知識、教學方法的真實的復雜關系，包括教師對技術的深刻理解，對自己原有教學觀念、教學方法的重新審視與反思，敏銳地在技術、學科知識與教學方法的相互關系中尋求新的可能，如根據具體教學情景的需要設計新技術或利用新技術開創新的教學空間。

教師利用TPACK思維框架從教學―內容―技術三者重疊交互教學法，根據信息管理專業特定的教學/學習情境（如師生的信息素養、基于問題情境的教學內容、學生的認知風格與偏好、現有的數據分析實驗教學設備環境等）的特點和約束條件，保持技術、學科知識和教學法三者的動態平衡，智慧靈活地選擇應用恰當的教學法、學科內容以及支持技術，促進學生的智慧學習和智慧行為的涌現。

（三）基于學習分析技術（Learning Analytics）構建師生互動教學平臺

智慧學習環境中的信息技術可以為教師團隊提供各種支持，包括教學資源的獲取、教師間的協調、師生的互動等。為促進教師的教學與學生的有效學習，通過整合論壇空間、微博、QQ群等多種方式，為師生提供一個互聯網、移動網無縫互通師生教學平臺，教師可以設置課程視頻資料、課程設計任務庫、各種輔導資料，課程測試空間歷年試題等相關教學資源庫，實現連接課堂教學、社區學習、資源環境的“聯結”教學模型，通過網絡虛擬環境和在線社區來連接教學、教師與學習者，實現學生的個性化學習、增強學生的學習動機。

隨著數據日益智能化，信管專業利用無線網絡環境和學習分析技術重構傳統教育模式中的基本過程與結構，教師通過數據挖掘、推斷和建模等方法來分析學習者數據、用戶信息、課程信息等重要數據，并對師生互訪社群圖和中心性進行分析發現潛在問題，從而在討論區與學生開展互動交流進行個性化教育。教師借助互聯網師生教學平臺定期設置大數據相關問題的專題討論，或對某個信息管理典型案例進行在線分析，通過對當前學習難點的在線集思廣益和在線方案討論，對學生實現個性化的教育指導。

（四）建設面向數據管理時代的實用自制教學實驗的開放式實驗室

隨著大數據時代的到來，企業管理進入了“從數據到信息，再從信息到知識”的發展階段，眾多企業都面臨著大量的數據，但缺乏實用技術支持定量分析的困境。無論是在數據準備和數據清洗期間，或者在數據探索期間，數據分析基本理論復雜性對常見的統計分析軟件如Excel、E-views、SPSS等分析方法的應用提出了挑?穡?數據驅動領域的實踐者對于如何學習、應用一系列實用的計算分析工具和解決方案存在著迫切的需求。

為迎合社會數據化、信息化和網絡化發展的時代要求，加速培養與信息化社會相融合的復合型人才，信管專業改革實驗教學手段，利用Python、D3、Mlpy、Openrefine和MongoDB等數據分析工具設計有推廣價值的實驗軟件、實驗設備及教學方案，進行數據分析和模型構建方面的知識講解和實驗教學，加深學生對數據分析基本原理的理解與掌握。根據數據分析實驗教學的需要，自制實驗軟件具備完整的數據分析處理、方案設計、圖表再現等功能， 滿足數據分析、統計決策等方面的教學和實驗需要， 培養學生應用數據分析理論和計算機技術的能力，解決數據時代的管理問題并進行相關決策。通過建設面向數據管理時代的實用自制教學實驗的開放式實驗室，使學生能夠針對來自不同管理領域復雜的數據分析需求提出建設性的解決方案，提高學生在數據分析領域的創新和實踐能力，培養特色鮮明的信管專業人才。

（五）針對大數據行業建立開放式企業實訓基地

大數據分析技術快速發展和現代企業管理決策模式的轉變，決定信息管理與信息系統專業教學必須與企業緊密結合。積極與阿里巴巴、杭州網易信息技術有限公司、臺灣鼎捷軟件公司等多家企業進行校企合作，建立“大數據管理與應用”的企業實習實訓基地。針對各類型企業不同用人需求，將企業實踐融入到教學過程中，讓學生從實際運作層面上理解信息管理與信息系統專業中抽象的定義、理論、模型，從整體上對專業內容進行認知與把握，實現課堂教學與企業現實業務結合，實現數據、環境和需求的互動。

為充分利用企業在信息化管理實踐方面的知識積累優勢，還鼓勵學生參加企業實際項目開發，這樣學生能最直接面對企業需求，充分培養和鍛煉學生的技術能力（工具、流程、專業知識）、管理能力（現代化管理理論、項目管理）和系統能力（系統開發、企業規劃），通過企業工程師鑒定的方式驗收項目成果，評價學生的實踐能力和對相關課程的實際理解情況，使學生在實踐中快速提高技術應用能力。

化學數據分析方法范文第3篇

Abstract： This paper introduces the concept of big data and application prospects in foundry enterprises smelting process for casting crack of chemical composition of the influence of welding repair rate as the research subject， selecting suitable mining software for data mining， data analysis， find out the connections between various data， effectively solve the problem of data island. Big data to verify the result has reference and controlling function in enterprise management， large data analysis method can be applied in the management of small and medium-sized enterprises.

關鍵詞：大數據；數據挖掘；信息孤島

Key words： big data；data mining；isolate island of information

中圖分類號：TP274 文獻標識碼：A 文章編號：1006-4311（2016）08-0213-02

0 引言

大數據是維克托?邁爾-舍恩伯格在2008年的著作《大數據時代》中提出的概念，在維基百科中解釋為無法在可承受的時間范圍內用常規軟件工具進行捕捉、管理和處理的數據集合。主要特點為Volume（大量）、Velocity（高速）、Variety（多樣）、Value（價值）。對于技術收益方，大數據的概念顯得通俗易懂，體現在大數據并不在“大”，而在于“有用”、價值含量高。

隨著互聯網的發展，越來越多的企業實行無紙化辦公、數字化管理，在這一過程中，企業各方面的管理包括技術質量、人力資源、財務、現場生產組織等均形成了一定規模的基礎數據。但是，這些數據是獨立的，伴隨企業的發展形成了數據孤島，導致寶貴的信息資源不能得到有效利用。如何以這些連續或者離散的基礎數據為基本保障，進行數據挖掘，形成知識，實現數據的有效利用受到越來越多企業的重視。本文以鑄造企業熔煉過程中材質的化學成分對鑄件裂紋焊補率的影響為課題，對大數據進行研究，探討大數據分析在中小型企業管理中的應用。

1 數據準備

1.1 信息收集

信息收集是根據確定的數據分析對象抽象出在數據分析中所需要的特征信息，然后選擇合適的信息收集方法，將收集到的信息存入數據庫。本文研究的是材質為ZG15Cr1Mo1V的鑄鋼件的裂紋焊補率與熔煉過程中化學成分之間的關系。需要收集的信息包括在焊接過程控制系統中提取目標參數裂紋焊補率，在熔煉過程控制系統中提煉熔煉參數、熔煉過程中檢測到的化學元素、熔點等。

1.2 數據集成

數據集成是把不同來源、格式、特點、性質的數據在邏輯上或物理上有機地集中，從而為企業提供全面的數據共享。由于鑄件號的唯一性，本文的結果參數和影響因子可以通過鑄件號結合在一起，實現了數據集成。

1.3 數據規約

數據規約技術可以用來得到數據集的規約表示，它小得多，但仍然接近于保持原數據的完整性，并且規約后執行數據挖掘結果與規約前執行結果相同或幾乎相同。由于本文使用的數據樣本數量沒有達到百萬級別以上，因此沒有必要做數據規約。

1.4 數據清理

數據庫中的數據有一些是不完整的或者含噪聲的，或者是不一致的，因此需要進行數據清理，將完整、正確、一致的數據信息存入數據倉庫中。

本文在對數據集成完畢存入數據庫后，對基礎數據進行了修訂和清理，將不符合的數據從數據倉庫清理掉，確保數據的真實性和可靠性。

1.5 數據變換

通過平滑聚集，數據概化、規范化等方式將數據轉換成適用于數據挖掘的形式。對于有些實數型數據，通過概念分層和數據的離散化來轉換數據也是重要的一步。

本文所研究課題的目標是找出對裂紋焊補率有影響的關鍵化學元素，由于數據樣本量不是很大，所以對結果裂紋焊補率結果進行了分類。按照中位數進行排列，在中位數以下的樣本定義為低裂紋，中位數以上的樣本定義為高裂紋。這樣的定義避免過大或者過小的因子對整體結果的影響，也更有利于數據挖掘的分析。

2 數據挖掘

根據數據倉庫中的數據信息，選擇合適的分析工具，應用統計分析、事例推理、決策樹、規則推理、模糊集、甚至神經網絡、遺傳算法等方法處理信息，得出有用的分析信息。

2.1 工具選擇

可以進行數據挖掘的軟件有免費和付費兩種。免費的主要有以下：①Weka：其支持幾種經典的數據挖掘任務，顯著的數據預處理，集群，分類，回歸，虛擬化，以及功能選擇。

②JHepWork：其主要是用開源庫來創建一個數據分析環境，并提供了豐富的用戶接口來實現自己的挖掘算法。付費的主要有以下幾種：1）SAS：是一個模塊化、集成化的大型應用軟件系統，可以處理大數據下的挖掘和統計，缺點是價格高。2）SPASS：“統計產品與服務解決方案”軟件，相比于SAS價格較低，操作簡單，但是功能沒有SAS強大。3）SQL Server Business Intelligence Development：是微軟Sqlserver 數據庫自身攜帶的關于商務智能的模塊，能和數據庫非常好的結合起來，提供了線性回歸、貝葉斯算法、關聯、邏輯回歸等算法。本文的數據挖掘工具選擇微軟的商務智能平臺。

2.2 挖掘算法確認

根據不同的目標確立不同的挖掘算法，本文研究課題主要采用以下幾種挖掘算法。

①樸素貝葉斯算法。這是基于貝葉斯定理與特征條件獨立假設的分類方法，它能檢查所研究的實體的每個屬性，從而確定該屬性本身在何種程度上影響了想要預測的那個屬性。

②神經網絡。Microsoft神經網絡算法通過構造多層感知器網絡創建分類和回歸挖掘模型。當給定可預測屬性的每個狀態時，Microsoft神經網絡算法可以計算輸入屬性的每個可能狀態的概率。

③邏輯回歸。Microsoft邏輯回歸算法是Microsoft神經網絡算法的一種特殊形式。邏輯回歸算法用于那些結果是“二選一”的情形的建模，如客戶可能買或不買某種產品，一個人的病情可能會發展也可能不會發展等。

2.3 挖掘過程實施

如圖1，在SQL Server Business Intelligence Development中創建一個Analysis services項目，配置好數據源和數據源視圖，并創建對應的數據源。

結合挖掘算法并分析，得出以下結論：

①W元素的含量是影響材質為ZG15Cr1Mo1V鑄鋼件的裂紋焊補率的貝葉斯關鍵因子。且當其含量

②Nb元素的含量對鑄件裂紋焊補率影響較大。經過預測，當Nb元素質量分數在0.003%-0.004%之間時，鑄件裂紋焊補率比較低。

③Ca 元素的含量也對鑄件裂紋焊補率影響較大。數據挖掘預測當Ca元素的質量分數在0.002%-0.003%之間時，鑄件裂紋焊補率比較低。

2.4 模式評估

模式評估是從商業角度，由行業專家來驗證數據挖掘結果的正確性。經過對上述數據有效性的驗證，技術部門對相關結論進行分析核實，得出上述結論具有參考和控制性的評估結果。

2.5 知識形成

將數據挖掘所得到的分析信息以可視化的方式呈現給用戶，或作為新的知識存放在知識庫中，供其他應用程序使用。將本文研究課題的實驗結論提供給公司虛擬設計部門，進行相關的實驗研究。需要注意的是：數據挖掘過程是一個反復循環的過程，每一個步驟如果沒有達到預期目標，都需要回到前面的步驟，重新調整并執行。本次實驗針對貝葉斯關鍵因子W元素含量進行了驗證，對鑄件W元素含量小于0.007%的鑄件且其余檢測化學含量項目相似的6批鑄件進行檢測驗證，發現除了1批鑄件的的裂紋焊補率為1.34偏高外，其余鑄件的焊補率均低于0.3，檢驗結果支持了W元素含量對于裂紋焊補率的影響。這使得在以后的熔煉工藝設計中，W元素的含量成為重點關注的項目。

3 整合業務流程

通過本課題的實施，對大數據的工作流程做了整合，具體流程如下：

①確立目標，明確要驗證什么、發現什么；

②數據倉庫的建立，將相關因子進行數據處理并放入數據庫；

③根據目標確立挖掘算法；

④依據挖掘算法得出的結論，并進行理論和實驗驗證；

⑤將經過驗證的結論形成知識。

4 結論

在本課題的研究過程中，數據清理和模式變換是核心。研究初期，由于模式變換不到位，對挖掘得出的結論進行驗證，得到不符合的結論，同時在研究過程中統計理論知識的欠缺，使整個模式評估花費的時間較多。這些都需要在今后工作中加強相應知識的學習。

經過這次課題的研究，驗證了大數據分析結果在企業管理中具有參考和控制性作用，大數據分析方法可在中小企業管理中加以應用。

參考文獻：

[1]拉爾森（Larson，B.）.商務智能實戰[M].蓋九宇，趙龍剛，曹玉玲，等，譯.北京：機械工業出版社，2011，9.

化學數據分析方法范文第4篇

關鍵詞：MOOC；物聯建設平臺架構；大數據；計算機媒體類課程

中圖分類號：G434；TP393 文獻標識碼：A 文章編號：2095-1302（2017）03-0-02

0 引 言

教育部在2015年年度工作要點中明確提出要“繼續加大優質數字教育資源開發和應用力度，探索在線開放課程應用帶動機制，加強‘慕課’（MOOC）建設、使用和管理?！眹译S之確定了“慕課”建設框架，其中涵蓋了高職高專等職業教育的內容。國務院參事湯敏老師2015倡導的“慕課最大的空間和機會實際上是在職業教育”，鼓勵高職優質慕課資源和平臺的建設。此舉對于完善終身教育體系，提高國民的職業技術和能力，乃至學習型社會的建設都有重要意義。

目前國內MOOC的研究主要包括MOOC平臺建設研究、MOOC教學模式研究、“翻轉課堂”實現方式研究等。清華大學、北京大學、北京航空航天大學、復旦大學等很多高水平大學都設置了MOOC，并進行了深入研究。同時，在國家積極倡導“互聯網+教育”的時代背景下，更具特色的高職高專院校如何結合自身學科建設特點與優勢，發揮“重技能，強能力”的培養特點，提供更優質的開放性遠程教育服務是各高職高專院校面臨的一項挑戰，從大量MOOC課程建設的嘗試中探索自己的MOOC之路。

MOOC不是單純的教師講課，而是通過網絡技術，將課堂教學、學習體驗、師生互動等不同教學環節通過編排完整呈現，從而在線產生大量數據。這些大數據中蘊含了大量的對教育教學具有普遍意義的規律和價值，通過對這些慕課大數據進行挖掘與分析，教師可以有效掌握教學規律、預測教育活動、進行教育管理和決策等。

1 高職高專院校慕課物聯網建設

目前，大多數高職高專院校都有自己的圖書館，而MOOC學習需要學生進行登錄、學習、進行互動等。將MOOC的平臺建設與學校已有的圖書館平臺相結合，充分利用已有資源，進行統一資源平臺登錄，可有效降低學校建設MOOC平臺的成本，提高資源使用率。MOOC與圖書館統一物聯建設平臺如圖1所示。

統一MOOC教育平臺與圖書館系統，學生通過圖書館統一登錄賬戶登錄，通過MOOC教室進行MOOC課程在線學習。慕課教育平臺包括在線教學、課輔教學、社交媒體（包括微信、QQ等）、知識分析與綜合等，最終形成知識的積累信息。

MOOC教學平臺與大數據分析平臺直接相連，將學生學習記錄以及圖書借閱記錄等提交大數據分析平臺進行分析。此外，大數據分析平臺還包括數據存儲、數據清洗和數據預處理、大數據分析與可視化等功能。

學生可以通過客戶端、瀏覽器及移動端等設備，形成一個綜合的物聯網技術平臺。

2 慕課大數據分析

通過MOOC平臺可以獲得學校學生對于MOOC課程學習的有效記錄，包括學生的學號、姓名、登錄時間、下線時間、學習課程名稱，學習課程知識點記錄、在線互動內容、在線互動次數、做作業次數、做作業時長、做作業成績、學生考試課程名稱，課程期中考試成績、期末考試成績、課程綜合成績、課程成績排名等內容。由于學生使用的是與圖書館平臺進行綜合統一登錄的平臺，還可以獲取學生的圖書借閱情況，如借閱圖書名稱、借閱日期、還書日期等。

針對獲取的學生學習MOOC的綜合大數據，需要采用大數據分析平臺進行處理。圖2所示為基于分布式集群處理的大數據處理平臺架構圖。平臺采用大數據生態圈的Python，數據庫采用MongDB，存儲動態常用分析所用的數據；數據預處理與存儲模塊包括用于大數據分布式存儲的分布式文件系統（Hadoop Distributed File System， HDFS）和Tachyon分布式內存管理系統，可對獲取的數據進行清洗并提供存儲服務；在計算處理方面，采用UC Berkeley提出的基于內存計算的Spark。Spark所有作業都在內存中完成，通過分布式彈性數據集（Resilient Distributed Dataset，RDD），Spark能夠對作業流程進行掃描并根據作業的先后次序進行優化，加快在內存中的運算速度。利用Spark中的MLlib和Graphx提供機器學習、優化和圖計算等方面的功能，并輔以Mahout和Hadoop MapReduce框架進行其他算法的補充；可視化模塊以JavaScript為手段，采用D3和Processing將整個過程中產生的相關結果進行可視化展示。

數據挖掘子系統與數據分析子系統是整個框架的核心，整個大數據處理平臺以Spark分布式集群為主體，由1臺主節點，8臺子節點組成，其中主節點與子節點機器均為4核Intel Xeon E7-8837，2.67 GHz，16 G內存，HDFS存儲容量為2.5 T。

此外，學生還可以在線下根據自身需求選擇不同的教學資源、方式、媒介，亦可自行決定課程學習時間，加之網絡論壇的輔助和課上網絡平臺的使用，使得教學更富成效。

3 計算機媒體類課程慕課的應用推廣

針對計算機類課程，通過圖1所示的MOOC與圖書館統一資源平臺，借助大數據分析平臺，對于獲取的學生的數據結構、操作系統、程序設計基礎等課程的學習數據進行綜合處理，得到準確的學生學習喜好模式，及對教師MOOC課程水平進行準確分級。

4 結 語

基于這些計算機類課程大數據分析的結論，梳理出計算機媒體處理類課程MOOC教學的特點，結合MOOC的獨特優勢與媒體處理類課程需要大量視頻、圖像、PPT、音頻等綜合展示的特色，將其他類課程MOOC建設模式和大數據分析的結論，靈活遷移到媒體類課程教學中，幫助教師探尋學生的學習規律，調整教學，提高教學效率，提出具體的教學方法改進措施，使得課程的講授更加靈活、開放、動態，更加具有針對性，方便教師更好地滿足學生個性化學習的需求，真正做到因材施教，取得事半功倍的成效，在減少教師負擔的同時，也讓學生能夠學的更直觀，更深入，更扎實。

參考文獻

[1]陳向東，王研.大數據時代高職高專MOOCs（慕課）教學模式研究[J].巢湖學院學報，2014，16（6）：155-161.

[2].大數據時代高職院校網絡信息化教學模式探究[J].電子世界，2015，18（16）：86-87.

[3]左菊仙，鄧堅.大數據時代下的高職院校數字化教學模式探討[J].科技傳播，2015（10）：135-136.

[4]譚勇，劉德周.大數據時代下新型信息化教學模式發展趨勢初探[J].西南林業大學學報，2014，34（12）：1-4.

[5]薛玉利.基于MOOC的翻D課堂模式在數字電子技術教學中應用的可行性分析[J].物聯網技術，2016，6（9）：94-95.

[6]何穎，陳綏陽，林智慧.MOOC創新特質視角下的人才培養新思路[J].物聯網技術，2016，6（9）：98-99.

化學數據分析方法范文第5篇

關鍵詞：電廠循環冷卻排污水；外排處理；污水處理；SBOT；臭氧-活性炭過濾

1試驗流程

選擇某電廠循環冷卻排污水（水量為7000m3/d）進行試驗分析，污水外排需要滿足《城鎮污水處理廠主要水污染物排放標準》（DB33/2169—2018）的相關要求，目標水質的pH標準值為6～9。試驗流程為排污水—進入集水池—在SBOT單元曝氣—投入混凝劑，泵后投入助凝劑—進入澄清池—進入濾池—進入中間水池—經過提升泵提升至臭氧氧化塔—進入活性炭濾池—污水外排[1]。

2試驗與分析方法

2.1試驗方法

（1）SBOT運行。第一階段，將水注滿，并加入300kg的專用菌種進行悶曝，時間為3d。第二階段，將進水量調整為初始進水量的1/3，持續3d，每天投入100kg的菌種。第三階段，將進水量調整為初始進水量的2/3，持續3d，每天投入50kg菌種。第四階段，調整進水量為滿負荷，并控制池內溶解氧含量為3mg/L。（2）澄清池運行。選擇除磷效果較好的PAFS、PAM為混凝劑，PAFS投加量控制在35mg/L；PAM的投加量控制在0.2mg/L[2]。當污泥沉降比為30%時進行排泥處理，排泥頻率為3～5min/2h。（3）濾池運行。采用間歇定時方法，對出水質量進行檢測，結合試驗需求和標準要求，確定反沖洗強度為14.4L/（s·m2）。（4）臭氧-活性炭過濾運行。將污水與臭氧的接觸時間控制在30min，投加量為55mg/L。當污水進入活性炭濾池環節時，進行反沖洗操作，強度控制在8L/（s·m2）[3]。

2.2分析方法

根據國家相關標準，對污水的重鉻酸鹽指數（CODCr）、氨態氮（NH4+-N）、總氮（TN）、總磷（TP）、懸浮物（SS）指標進行分析。《城鎮污水處理廠主要水污染物排放標準》規定目標水質的重鉻酸鹽指數（CODCr）為20mg/L，氨態氮（NH4+-N）為1.5mg/L，總氮（TN）為10mg/L，總磷（TP）為0.3mg/L，懸浮物（SS）為10mg/L。

3試驗結果分析

3.1去除重鉻酸鹽指數（CODCr）的效果

對該試驗SBOT、臭氧-活性炭單元的重鉻酸鹽指數（CODCr）去除效果進行分析，具體如圖1、表1所示。結合圖1、表1數據分析可知，重鉻酸鹽指數（CODCr）的總體最大去除率為87.3%，最小去除率為84.6%，平均去除率為86.2%。該試驗選擇的污水水源為城市水，重鉻酸鹽指數（CODCr）多為難降解有機物，可生化性較差。該試驗選擇應用SBOT單元，原因在于其運行中，進水端的厭氧環境為重鉻酸鹽指數（CODCr）的降解提供了便利條件[4]。該試驗的SBOT單元末端出現少量玫瑰旋輪蟲，表明此單元具有活性污泥特性。通過臭氧氧化處理，羥基自由基對有機物進行進一步降解，并在活性炭吸附作用下提高了重鉻酸鹽指數（CODCr）的去除效果。

3.2去除氨態氮（NH4+-N）的效果

對該試驗SBOT單元的氨態氮（NH4+-N）去除效果進行分析，具體如圖2、表2所示。結合圖2、表2數據分析，氨態氮（NH4+-N）的總體去除率為99.2%，去除效果良好。由于氨態氮（NH4+-N）的去除效果受到曝氣均勻度、生物載體量等因素影響，因此在一定范圍內，溶解氧的含量越高，氨態氮（NH4+-N）的去除效果越好。該試驗發現，當溶解氧的含量超過6mg/L時，生物載體的磨損增加，總氮的去除效果受到影響，降低了水中的有機物含量，使混合液夾帶氧氣進入厭氧區，不利于厭氧菌生長。為了提升氨態氮（NH4+-N）的去除效果，降低碳源消耗，基于該試驗圖2、表2數據分析，確定溶解氧含量為2.9mg/L左右[5]。

3.3去除總氮（TN）的效果

對該試驗SBOT單元的總氮（TN）去除效果進行分析，具體如圖3、表3所示。結合圖3、表3數據分析，總氮（TN）的總體平均去除率為75.6%，與傳統生化工藝相比，去除效果較好。總氮（TN）的去除效果受到碳氮比、回流比、pH值等因素影響[6]。該試驗中，SBOT單元應用了活性污泥法、生物膜法，利用兩種方法的特性加速池內水流的切割氣泡運動，提高了氧利用率，形成良好的厭氧氨氧化微單元?；谏鲜龇治?，明確在碳氮比為2左右時，總氮的去除效果最佳。

3.4去除總磷（TP）的效果

對該試驗SBOT單元的總磷（TP）去除效果進行分析，具體如圖4、表4所示。結合圖4、表4數據分析，總磷（TP）的總體平均去除率為91.1%，去除效果良好。由于去除總磷需要通過生化與化學作用方式，因此需要通過化學輔助除磷[7]。特別是在澄清單元運行過程中，需要投加聚合鋁鐵進行水解反應，產生氫氧化鐵[Fe(OH)3]，吸附磷酸根生成磷酸鐵（FePO4）等難溶化合物[8]。

3.5去除懸浮物（SS）的效果

對該試驗SBOT單元的懸浮物（SS）去除效果進行分析，具體如圖5、表5所示。結合圖5、表5數據分析，懸浮物（SS）的總體去除率最大值為97.5%，最小值為89%，平均值為91.8%，該試驗的懸浮物（SS）去除效果良好。由于懸浮物（SS）由脫落的生物膜、部分無機污泥顆粒組成，因此在去除懸浮物（SS）的過程中，少部分懸浮物（SS）可以通過排泥管排出，而大部分懸浮物（SS）可以在澄清單元運行中通過混凝沉淀去除，殘余的部分膠體物可以通過過濾方式去除[9]。綜合分析該試驗效果，SBOT工藝在懸浮物（SS）去除方面具有穩定性高等優點。

4結論

（1）應用SBOT工藝，可以提高污水處理效果（溶解氧含量為3mg/L）。重鉻酸鹽指數（CODCr）平均去除率為86.2%，氨態氮（NH4+-N）的總體去除率為99.2%，總氮（TN）的總體平均去除率為75.6%，總磷（TP）的總體平均去除率為91.1%，懸浮物（SS）的平均去除率為91.8%。與傳統生化工藝相比，基于SBOT工藝的排污水處理方式具有穩定性高、效果良好等優點。（2）在澄清單元運行過程中，可以投加聚合鋁鐵進行水解反應，以產生氫氧化鐵[Fe(OH)3]，吸附磷酸根生成磷酸鐵（FePO4）等難溶化合物。同時，通過混凝沉淀方式，可以去除懸浮物（SS），提高了試驗效果。

參考文獻：

[1]肖艷.電廠循環冷卻排污水達標外排處理試驗研究[J].能源環境保護,2021,35(4):34-38.

[2]楊秀美,郭瑩,廖健.工業污水排放監測與水質預警研究綜述[J].化纖與紡織技術,2021,50(5):42-44.

[3]鄭思偉,唐偉,閆蘭玲,等.城鎮污水處理廠污染物去除協同控制溫室氣體的核算及排放特征研究[J].環境污染與防治,2019,41(5):556-559+583.

[4]杜葆強,張朝陽,胡明明,等.9F級燃氣-蒸汽聯合循環供熱機組循環冷卻水電化學處理試驗研究[J].全面腐蝕控制,2021,35(2):36-41.

[5]馬嵐.電容去離子技術用于電廠循環冷卻排污水脫鹽實驗研究[D].北京:華北電力大學(北京),2021.

[6]許振華,李會鵬,張建華,等.結晶軟化處理技術用于電廠循環水補充水處理的試驗研究[J].應用能源技術,2020(9):40-42.

[7]金文龍,樂暉.強降雨對昆承湖總磷濃度的影響分析[J].環境保護科學,2021,47(5):123-125+139.

[8]李碧瑩,馬曉娜,田會芹,等.鹽度對養殖水體中總氮總磷濃度測定的影響研究[J].海洋湖沼通報,2021,43(5):127-135.