仿真模型属于什么研究方法

❶ 什么是机械系统动力学仿真

系统仿真就是根据系统分析的目的，在分析系统各要素性质及其相互关系的基础上，建立能描述系统结构或行为过程的、且具有一定逻辑关系或数量关系的仿真模型，据此进行试验或定量分析，以获得正确决策所需的各种信息。

计算机试验常被用来研究仿真模型。仿真也被用于对自然系统或人造系统的科学建模以获取深入理解。仿真可以用来展示可选条件或动作过程的最终结果。仿真也可用在真实系统不能做到的情景，这是由于不可访问、太过于危险、不可接受的后果、或者设计了但还未实现、或者压根没有被实现等。

仿真的主要论题是获取相关选定的关键特性与行为的有效信息源，仿真时使用简化的近似或者假定，仿真结果的保真度与有效性。模型验证与有效性的过程、协议是学术学习、改进、研究、开发仿真技术的热点，特别是对计算机仿真。

(1)仿真模型属于什么研究方法扩展阅读

系统动力学是研究社会系统动态行为的计算机仿真方法。具体而言，系统动力学包括如下几点：

1、系统动力学将生命系统和非生命系统都作为信息反馈系统来研究，并且认为，在每个系统之中都存在着信息反馈机制，而这恰恰是控制论的重要观点，所以，系统动力学是以控制论为理论基础的。

2、系统动力学把研究对象划分为若干子系统，并且建立起各个子系统之间的因果关系网络，立足于整体以及整体之间的关系研究，以整体观替代传统的元素观。

3、系统动力学的研究方法是建立计算机仿真模型—流图和构造方程式，实行计算机仿真试验，验证模型的有效性，为战略与决策的制定提供依据。

❷ 仿真模型属于科学模型吗

仿真模型属于物理模型或数学模型，并不是科学模型。

仿真模型是被仿真对象的相似物或其结构形式，它可以是物理模型或数学模型。但并不是所有对象都能建立物理模型。

例如为了研究飞行器的动力学特性，在地面上只能用计算机来仿真。为此首先要建立对象的数学模型，然后将它转换成适合计算机处理的形式，即仿真模型。具体地说，对于模拟计算机应将数学模型转换成模拟排题图；对于数字计算机应转换成源程序。

仿真模型的仿真方法：

仿真方法主要是指建立仿真模型和进行仿真实验的方法，可分为两大类：连续系统的仿真方法和离散事件系统的仿真方法（见仿真方法）。

人们有时将建立数学模型的方法也列入仿真方法，这是因为对于连续系统虽已有一套理论建模和实验建模的方法，但在进行系统仿真时，常常先用经过假设获得的近似模型来检验假设是否正确，必要时修改模型，使它更接近于真实系统。

❸ 什么是仿真学

仿真学，是指仿真技术随需求发展，提出了大量共同性的理论、方法和技术问题，从而逐步形成的一门独立的学科。

❹ 仿真模型的定义

仿真模型是指把所有关心的战术现象分解为一系列基本活动和事件，并按活动和事件的逻辑关系把它们组合在一起。

仿真模型是被仿真对象的相似物或其结构形式。它可以是物理模型或数学模型。但并不是所有对象都能建立物理模型。例如为了研究飞行器的动力学特性，在地面上只能用计算机来仿真。为此首先要建立对象的数学模型，然后将它转换成适合计算机处理的形式，即仿真模型。具体地说，对于模拟计算机应将数学模型转换成模拟排题图；对于数字计算机应转换成源程序。

上佳汽车模型

❺ 从半物理仿真到全物理仿真属于什么仿真

一.半物理仿真又称物理-数学仿真，或半实物仿真，半物理仿真是指针对仿真研究内容，将被仿真对象系统的一部分以实物（或物理模型）方式引入仿真回路；被仿真对象系统的其余部分以数学模型描述，并把它转化为仿真计算模型。借助物理效应模型，进行实时数学仿真与物理仿真的联合仿真
二.物理仿真也称实体仿真，一般仿真的过程是以物理性质和几何形状相似为基础，其他性质不变的仿真。
在系统的物理模型上进行试验的技术。物理模型是用几何相似或物理类比方法建立的，它可以描述系统的内部特性，也可以描述试验所必需的环境条件。如风洞试验，是将按比例缩小的飞机模型悬挂在具有亚音速或超音速气流的风洞内，测定飞机的各种气动系数。飞机模型和风洞就是物理模型。又如将水域的地形，水坝按比例缩小做成实物模型，进行水流试验；将飞机的姿态角传感器(陀螺仪)安装在能复现飞机的俯仰、横滚、偏航三个角运动的三自由度飞行仿真转台上，进行飞行控制系统的实验等。物理仿真与数学仿真（见仿真）的主要区别在于
三.与数学仿真的不同点
①物理仿真是通过建立物理模型来实现的。物理仿真系统是真实系统的几何相似物或物理类比物。几何相似是指同一个物理过程（如机械运动过程或电的动态过程等）的不同尺寸系统之间的相似关系。物理类比是指两种不同的物理过程（例如机械运动和电的动态过程等）具有相同的数学描述，它们可以互为仿真实验模型。而数学仿真是通过建立数学模型在计算机上实现的，利用模拟计算机的电路的动态过程或数字计算机的数字运算过程来描述各种物理过程。因此物理仿真系统是专用的；而数学仿真系统（即仿真计算机）是通用的。
②物理仿真要求实时仿真，而数学仿真可以是实时的或非实时的

❻ 仿真模型是不是科学模型

不是。

仿真模型是指研究仿真对象而制成的各种模型，如被仿真对象的物理模型或适于计算处理的数学模型。物理模型用于物理仿真，数学模型用于数学仿真（计算机仿真），二者的结合用于半实物仿真。

科学模型是按照科学研究的特定目的，用物质形式或思维形式对原型客体本质关系的再现。物质形式的模型即实物模型，是人们观察、实验的直接对象。思维形式的模型表现为抽象概念（如质点）、数学模型（如数学方程式等）或理论模型（如某些科学假说），是人们进行理论分析、推导和计算的对象。

科学模型研究意义

科学模型在科学研究中具有重要意义。客观事物总是处在多种因素交错的复杂纷乱状态中，这就使人们深入研究某个问题时面临难以着手的困难。

模型能够撇开那些次要因素、关系和过程，将主要因素、关系和过程突出地显示出来，便于人们观察、实验和理论分析。尤其是对那些“时过境迁”、不能再现因而也不可能直接观察到的现象，或者从经济、安全和道德等方面考虑不宜直接实验的对象，更需要借助于模型研究。

由于通过模型获得的规律性知识，只是在一定程度上反映了原型客体的规律性，因而这种知识是相对的、近似的。根据从科学模型得到的认识可以预言客体的变化趋势或运动规律，这种预言能否实现，就是对模型的一种实践检验。

模型研究方法能够发挥理论对实践的指导作用。在体现了正确科学理论知识的模型上进行实验，其结果一般优于实际情况。例如，一部理想热机的效率高于实际热机的效率。因此，用理想模型与实际对象对比，就有可能找到改善实际对象以取得更佳效果的实践途径。

❼ 仿真的模型

仿真模型是被仿真对象的相似物或其结构形式。它可以是物理模型或数学模型。但并不是所有对象都能建立物理模型。例如为了研究飞行器的动力学特性，在地面上只能用计算机来仿真。为此首先要建立对象的数学模型，然后将它转换成适合计算机处理的形式，即仿真模型。具体地说，对于模拟计算机应将数学模型转换成模拟排题图；对于数字计算机应转换成源程序。

❽ 数学建模与数字仿真具体研究哪方面

数学建模是当需要从定量的角度分析和研究一个实际问题时，人们就要在深入调查研究、了解对象信息、作出简化假设、分析内在规律等工作的基础上，用数学的符号和语言，把它表述为数学式子，也就是数学模型，然后用通过计算得到的模型结果来解释实际问题，并接受实际的检验。这个建立数学模型的全过程就称为数学建模。
参考网站http://ke..com/view/133261.htm
数字仿真是将电力系统网络和负载元件建立其数学模型，用数学模型在数字计算机上进行实验和研究的过程；实现数字仿真一般包括建立数学模型、建立数字仿真模型和仿真实验三个主要步骤；电力系统数字仿真应用很广泛，主要有：研究用电力系统数字仿真，如电力系统电磁暂态计算程序（EMTP）、电力系统综合潮流程序（BPA），培训用电力系统数字仿真，如电力系统调度员培训仿真系统（DTS）、变电站培训仿真系统，当然还有很多，不一一列举了。
参考网站http://ke..com/view/605248.html?tp=1_01

❾ 仿真有什么意义

系统仿真是20世纪40年代末以来伴随着计算机技术的发展而逐步形成的一门新兴学科。仿真（Simulation）就是通过建立实际系统模型并利用所见模型对实际系统进行实验研究的过程[2]。最初，仿真技术主要用于航空、航天、原子反应堆等价格昂贵、周期长、危险性大、实际系统试验难以实现的少数领域，后来逐步发展到电力、石油、化工、冶金、机械等一些主要工业部门，并进一步扩大到社会系统、经济系统、交通运输系统、生态系统等一些非工程系统领域。可以说，现代系统仿真技术和综合性仿真系统已经成为任何复杂系统，特别是高技术产业不可缺少的分析、研究、设计、评价、决策和训练的重要手段。其应用范围在不断扩大，应用效益也日益显着。
1．系统仿真及其分类
系统仿真是建立在控制理论、相似理论、信息处理技术和计算机初等理论基础之上的，以计算机和其他专用物理效应设备为工具，利用系统模型对真实或假设的系统进行试验，并借助于专家的经验知识、统计数据和信息资料对实验结果进行分析研究，进而做出决策的一门综合的实验性学科。从广义而言，系统仿真的方法适用于任何的领域，无论是工程系统（机械、化工、电力、电子等）或是非工程系统（交通、管理、经济、政治等）。
系统仿真根据模型不同，可以分为物理仿真、数学仿真和物理—数学仿真（半实物仿真）；根据计算机的类别，可以分为模拟仿真、数字仿真和混合仿真；根据系统的特性；可以分为连续系统仿真、离散时间系统（采样系统）仿真和离散事件系统仿真；根据仿真时钟与实际时钟的关系，可以分为实时仿真、欠实时仿真和超实时仿真等。
2．系统仿真的一般步骤
对于每一个成功的仿真研究项目,其应用都包含着特定的步骤，见图9-2。不论仿真项目的类型和研究目的又何不同，仿真的基本过程是保持不变的，要进行如下9步：
问题定义
制定目标
描述系统并对所有假设列表
罗列出所有可能替代方案
收集数据和信息
建立计算机模型
校验和确认模型
运行模型
分析输出
下面对这九步作简单的定义和说明。它不是为了引出详细的讨论，仅仅起到抛砖引玉的作用。注意仿真研究不能简单遵循这九步的排序，有些项目在获得系统的内在细节之后，可能要返回到先前的步骤中去。同时，验证和确认需要贯穿于仿真工程的每一个步骤当中。
（1）问题的定义
一个模型不可能呈现被模拟的现实系统的所有方面，有时是因为太昂贵。另外，假如一个表现真实系统所有细节的模型也常常是非常差的模型，因为它将过于复杂和难于理解。因此，明智的做法是：先定义问题，再制定目标，再构建一个能够完全解决问题的模型。在问题定义阶段，对于假设要小心谨慎，不要做出错误的假设。例如，假设叉车等待时间较长，比假设没有足够的接收码头要好。作为仿真纲领，定义问题的陈述越通用越好，详细考虑引起问题的可能原因。
（2）制定目标和定义系统效能测度
没有目标的仿真研究是毫无用途的。目标是仿真项目所有步骤的导向。系统的定义也是基于系统目标的。目标决定了应该做出怎样的假设、应该收集那些信息和数据；模型的建立和确认考虑到能否达到研究的目标。目标需要清楚、明确和切实可行。目标经常被描述成像这样的问题“通过添加机器或延长工时，能够获得更多的利润吗？”等。在定义目标时，详细说明那些将要被用来决定目标是否实现的性能测度是非常必要的。每小时的产出率、工人利用率、平均排队时间、以及最大队列长度是最常见的系统性能测度。
最后，列出仿真结果的先决条件。如：必须通过利用现有设备来实现目标，或最高投资额要在限度内，或产品订货提前期不能延长等。
（3）描述系统和列出假设
简单点说，仿真模型降低完成工作的时间。系统中的时间被划分成处理时间、运输时间和排队时间。不论模型是一个物流系统、制造工厂、或服务机构，清楚明了的定义如下建模要素都是非常必要的：资源、流动项目（产品、顾客或信息）、路径、项目运输、流程控制、加工时间，资源故障时间。
仿真将现实系统资源分成四类：处理器，队列，运输，和共享资源如操作员。流动项目的到达和预载的必要条件必须定义，如：到达时间、到达模式和该项目的类型等属性。在定义流动路径时，合并和转移需要详细的描述。项目的转变包括属性变化、装配操作（项目和并）、拆卸操作（项目分离）。在系统中，常常有必要控制项目的流动。如：一个项目只有在某种条件或某一时刻到来时才能移动，以及一些特定的规则。所有的处理时间都要被定义，并且要清楚表明那些操作是机器自动完成，哪些操作是人工独立完成，哪些操作需要人机协同完成。资源可能有计划故障时间和意外故障时间。计划故障时间通常指午餐时间，中场休息，和预防性维护等。意外故障时间是随机发生的故障所需的时间，包括失效平均间隔时间和维修平均间隔时间。
在这些工作完成之后，需要将现实系统作模型描述，它远比模型描述向计算机模型转化困难。现实向模型的转化意味着你已经对现实有了非常彻底的理解，并且能将其完美的描述出来。这一阶段，将此转换过程中所作的所有假设作详细说明非常有必要。事实上，在整个仿真研究过程中，所有假设列表保持在可获得状态是个很好的主意，因为这个假设列表随着仿真的递进还要逐步增长。假如描述系统这一步做得非常好，建立计算机模型这一阶段将非常简便。
注意，获得足够的，能够体现特定仿真目的的系统本质的材料是必要的，但是不需要获得与真实系统一一对应的模型的描述。正如爱因斯坦所说“做到不能再简单为止”。
（4）列举可能的替代方案
在仿真研究中，确定模型早期运行的可置换方案是很重要的。它将影响着模型的建立。在初期阶段考虑替代方案，模型可能被设计成可以非常容易的转换到替换系统。
（5）收集数据和信息
收集数据和信息，除了为模型参数输入数据外，在验证模型阶段，还可以提供实际数据与模型的性能测度数据进行比较。数据可以通过历史纪录、经验、和计算得到。这些粗糙的数据将为模型输入参数提供基础，同时将有助于一些需要较精确输入参数数据的收集。
有些数据可能没有现成的记录，而通过测量来收集数据可能要费时、费钱。除了在模型分析中,模型参数需要极为精确的输入数据外,同对系统的每个参数的数据进行调查、测量的收集方式相比，采用估计方法来产生输入数据更为高效。估计值可以通过少数快速测量或者通过咨询熟悉系统的系统专家来得到。即使是使用较为粗糙的数据，根据最小值、最大值和最可能取值定义一个三角分布，要比仅仅采用平均值仿真效果都要好得多。有时候采用估计值也能够很好的满足仿真研究的目的。例如，仿真可能被简单的用来指导人员了解系统中特定的因果关系。在这种情况下，估计值就可以满足要求。
当需要可靠数据时，花费较多时间收集和统计大量数据，以定义出能够准确反映现实的概率分布函数就是非常必要的。需要的数据量的大小取决于变量的变异程度，但是也有通用的规则，大拇指法指出至少需要三十甚至上百的数据。假如要获得随机停机时间的输入参数，必须要在一个较长时间段内捕获足够多的数据。
（6）建立计算机模型
构建计算机模型的过程中，首先构建小的测试模型来证明复杂部件的建模是合适的。一般建模过程是呈阶段性的，在进行下一阶段建模之前，验证本阶段的模型工作正常，在建模过程中运行和调试每一阶段的模型。不会直接将整个系统模型构建起来，然后点击“运行”按钮来进行系统的仿真。抽象模型有助于定义系统的重要部分，并可以引导为后续模型的详细化而进行的数据收集活动。我们可能想对同一现实系统构建多个计算机模型，每个模型的抽象程度都不相同。
（7）验证和确认模型
验证是确认模型的功能是否同设想的系统功能相符合。模型是否同我们想构建的模型相吻合，产品的处理时间、流向是否正确等。确认范围更广泛。它包括：确认模型是否能够正确反映现实系统，评估模型仿真结果的可信度有多大等。
（8）验证
现在有很多技术可以用来验证模型。最最重要的、首要的是在仿真低速运行时，观看动画和仿真钟是否同步运行，它可以发现物料流程及其处理时间方面的差异。
另一种验证技术是在模型运行过程中，通过交互命令窗口，显示动态图表来询问资源和流动项目的属性和状态。
通过“步进”方式运行模型和动态查看轨迹文件可以帮助人们调试模型。运行仿真时，通过输入多组仿真输入参数值，来验证仿真结果是否合理也是一种很好的方法。在某些情况下，对系统性能的一些简单测量可以通过手工或使用对比而来获得。对模型中特定区域要素的使用率和产出率通常是非常容易计算出来的。
在调试模型中是否存在着某种特定问题时，推荐使用同一随机数流，这样可以保证仿真结果的变化是由对模型所做的修改引起的，同时对随机数流不做改动，有时对于模型运行在一些简单化假设下，非常有帮助，这些假设是为了更加简便的计算或预测系统性能。
（9）确认
模型确认建立模型的可信度。但是，现在还没有哪一种确认技术可以对模型的结果作出100%的确定。我们永远不可能证明模型的行为就是现实的真实行为。如果我们能够做到这一步，可能就不需要进行仿真研究的第一步（问题的定义）了。我们尽力去做的，最多只能是保证模型的行为同现实不会相互抵触罢了。
通过确认，试着判断模型的有效程度。假如一个模型在得到我们提供的相关正确数据之后，其输出满足我们的目标，那么它就是好的。模型只要在必要范围内有效就可以了，而不需要尽可能的有效。在模型结果的正确性同获得这些结果所需要的费用之间总存在着权衡。
判断模型的有效性需要从如下几方面着手：
①模型性能测度是否同真实系统性能测度匹配？
②如果没有现实系统来对比，可以将仿真结果同相近现实系统的仿真模型的相关运行结果作对比。
③利用系统专家的经验和直觉来假设复杂系统特定部分模型的运行状况。
对每一主要任务，在确认模型的输入和假设都是正确的，模型的性能测度都是可以测量的之前，需要对模型各部分进行随机测试。
④模型的行为是否同理论相一致？确定结果的理论最大值和最小值，然后验证模型结果是否落入两值之间。
为了了解模型在改变输入值后，其输出性能测度的变化方向，可以通过逐渐增大或减小其输入参数，来验证模型的一致性。
⑤模型是否能够准确的预测结果？这项技术用来对正在运行中的模型进行连续的有效性验证。
⑥是否有其他仿真模拟器模拟了这个模型？要是有的话那就再好不过了，可以将已有模型的模拟结果同现在设计的模型的运行结果进行对比。
（10）运行可替代实验
当系统具有随机性时，就需要对实验做多次运行。因为，随机输入导致随机输出。如果可能，在第二步中应当计算出已经定义的每一性能测度的置信区间。可替代环境能够单独构建，并可以通过使用WITNESS软件中的“Optimizer”模块来设置并自动运行仿真优化。
WITNESS软件的“Optimizer”模块为了执行优化操作，通过选择目标函数的最大化或最小化，定义需要实验的许多决策变量，需要达到的条件变量，需要满足的约束等，然后让优化模块负责搜索变量的可替换数字，来运行模型。最终得出决策变量集的优化解决方案，和最大化或最小化的模型目标函数。“Optimizer”模块设置了一套优化方法，包括遗传算法、仿真处理、禁忌搜索、分散搜索和其他的混合法来得出模型的优化配置方案。
在选择仿真运行长度时，考虑启动时间，资源失效可能间隔时间，处理时间或到达时间的时间或季节性差异，或其他需要系统运行足够长时间才能出现效果的系统特征变量，是非常重要的。
（11）输出分析
报表、图形和表格常常被用于进行输出结果分析。同时需要于今年用统计技术来分析不同方案的模拟结果。一旦通过分析结果并得出结论，要能够根据模拟的目标来解释这些结果，并提出实施或优化方案。使用结果和方案的矩阵图进行比较分析也是非常有帮助的。

❿ 数据挖掘中建立模型 采用的是什么研究方法

1.可视化分析
大数据分析的使用者有大数据分析专家，同时还有普通用户，但是他们二者对于大数据分析最基本的要求就是可视化分析，因为可视化分析能够直观的呈现大数据特点，同时能够非常容易被读者所接受，就如同看图说话一样简单明了。
2. 数据挖掘算法
大数据分析的理论核心就是数据挖掘算法，各种数据挖掘的算法基于不同的数据类型和格式才能更加科学的呈现出数据本身具备的特点，也正是因为这些被全世界统计 学家所公认的各种统计方法（可以称之为真理）才能深入数据内部，挖掘出公认的价值。另外一个方面也是因为有这些数据挖掘的算法才能更快速的处理大数据，如 果一个算法得花上好几年才能得出结论，那大数据的价值也就无从说起了。
3. 预测性分析
大数据分析最终要的应用领域之一就是预测性分析，从大数据中挖掘出特点，通过科学的建立模型，之后便可以通过模型带入新的数据，从而预测未来的数据。
4. 语义引擎
非结构化数据的多元化给数据分析带来新的挑战，我们需要一套工具系统的去分析，提炼数据。语义引擎需要设计到有足够的人工智能以足以从数据中主动地提取信息。
5.数据质量和数据管理。 大数据分析离不开数据质量和数据管理，高质量的数据和有效的数据管理，无论是在学术研究还是在商业应用领域，都能够保证分析结果的真实和有价值。
大数据分析的基础就是以上五个方面，当然更加深入大数据分析的话，还有很多很多更加有特点的、更加深入的、更加专业的大数据分析方法。

大数据的技术
数据采集： ETL工具负责将分布的、异构数据源中的数据如关系数据、平面数据文件等抽取到临时中间层后进行清洗、转换、集成，最后加载到数据仓库或数据集市中，成为联机分析处理、数据挖掘的基础。
数据存取： 关系数据库、NOSQL、SQL等。
基础架构： 云存储、分布式文件存储等。
数据处理： 自然语言处理(NLP，Natural Language Processing)是研究人与计算机交互的语言问题的一门学科。处理自然语言的关键是要让计算机”理解”自然语言，所以自然语言处理又叫做自然语言理解也称为计算语言学。一方面它是语言信息处理的一个分支，另一方面它是人工智能的核心课题之一。
统计分析： 假设检验、显着性检验、差异分析、相关分析、T检验、 方差分析 、 卡方分析、偏相关分析、距离分析、回归分析、简单回归分析、多元回归分析、逐步回归、回归预测与残差分析、岭回归、logistic回归分析、曲线估计、 因子分析、聚类分析、主成分分析、因子分析、快速聚类法与聚类法、判别分析、对应分析、多元对应分析（最优尺度分析）、bootstrap技术等等。
数据挖掘： 分类 （Classification）、估计（Estimation）、预测（Prediction）、相关性分组或关联规则（Affinity grouping or association rules）、聚类（Clustering）、描述和可视化、Description and Visualization）、复杂数据类型挖掘(Text, Web ,图形图像，视频，音频等)
模型预测 ：预测模型、机器学习、建模仿真。
结果呈现： 云计算、标签云、关系图等。

大数据的处理
1. 大数据处理之一：采集
大数据的采集是指利用多个数据库来接收发自客户端（Web、App或者传感器形式等）的 数据，并且用户可以通过这些数据库来进行简单的查询和处理工作。比如，电商会使用传统的关系型数据库MySQL和Oracle等来存储每一笔事务数据，除 此之外，Redis和MongoDB这样的NoSQL数据库也常用于数据的采集。
在大数据的采集过程中，其主要特点和挑战是并发数高，因为同时有可能会有成千上万的用户 来进行访问和操作，比如火车票售票网站和淘宝，它们并发的访问量在峰值时达到上百万，所以需要在采集端部署大量数据库才能支撑。并且如何在这些数据库之间 进行负载均衡和分片的确是需要深入的思考和设计。
2. 大数据处理之二：导入/预处理
虽然采集端本身会有很多数据库，但是如果要对这些海量数据进行有效的分析，还是应该将这 些来自前端的数据导入到一个集中的大型分布式数据库，或者分布式存储集群，并且可以在导入基础上做一些简单的清洗和预处理工作。也有一些用户会在导入时使 用来自Twitter的Storm来对数据进行流式计算，来满足部分业务的实时计算需求。
导入与预处理过程的特点和挑战主要是导入的数据量大，每秒钟的导入量经常会达到百兆，甚至千兆级别。
3. 大数据处理之三：统计/分析
统计与分析主要利用分布式数据库，或者分布式计算集群来对存储于其内的海量数据进行普通 的分析和分类汇总等，以满足大多数常见的分析需求，在这方面，一些实时性需求会用到EMC的GreenPlum、Oracle的Exadata，以及基于 MySQL的列式存储Infobright等，而一些批处理，或者基于半结构化数据的需求可以使用Hadoop。
统计与分析这部分的主要特点和挑战是分析涉及的数据量大，其对系统资源，特别是I/O会有极大的占用。
4. 大数据处理之四：挖掘
与前面统计和分析过程不同的是，数据挖掘一般没有什么预先设定好的主题，主要是在现有数 据上面进行基于各种算法的计算，从而起到预测（Predict）的效果，从而实现一些高级别数据分析的需求。比较典型算法有用于聚类的Kmeans、用于 统计学习的SVM和用于分类的NaiveBayes，主要使用的工具有Hadoop的Mahout等。该过程的特点和挑战主要是用于挖掘的算法很复杂，并 且计算涉及的数据量和计算量都很大，常用数据挖掘算法都以单线程为主。

整个大数据处理的普遍流程至少应该满足这四个方面的步骤，才能算得上是一个比较完整的大数据处理。