南昌大学超级计算机,南昌大学-理学院

唐荣欣,博士,特聘研究员,硕士生导师,1977年10月生,于2000年、2003年分获武汉大学电子信息学院无线电物理专业本科学位、空间物理学专业硕士学位。2006年在武汉大学电子信息学院空间数据和计算中心完成博士论文《伴随磁场重联的磁尾电流片结构和波动研究》,获得空间物理学博士学位。2007年3月赴韩国汉阳大学电子信息和计算机系做第一站博士后,主要研究方向为第四代移动通信相关信道建模和蜂窝网络无线接入。2008年3月赴加拿大纽芬兰纪念大学做第二站博士后,研究方向为磁层-电离层耦合、辐射带物理。2012年4月被加拿大纽芬兰纪念大学聘为兼职客座教授。2012年7月由南昌大学高层次人才引进,被学校破格评聘为研究员,主要从事空间探测技术,磁层卫星观测与数值模拟,高性能计算和虚拟现实仿真技术等方面的研究。现为加拿大纽芬兰纪念大学兼职教授,中国空间科学学会空间物理学专业委员会委员,美国地球物理学会(AGU)会员,国际期刊《Journal of Geophysical Research》、《Geophysical Research Letters》和《International Journal of Advanced Robotic Systems》等期刊论文审稿人。近年来,在近地和深空空间环境探测、辐射带卫星观测和数值模拟、高性能计算和可视化研究、通信和信息技术等方面具有很好的理论背景、科研水平和创新性成果,现主持国家自然科学基金项目、教育部博士点基金项目、江西省自然科学基金、江西省教育厅项目、国家重点实验室开放课题等多项研究。

Email:rongxint@ncu.edu.cnorrongxint@mun.ca

主要研究方向

★内磁层辐射带波粒相互作用和粒子加速机制研究★无线传感器网络部署优化及通信协议★CPU/GPU/MIC异构平台高性能计算、深度学习招收与培养无线电物理、空间等离子体物理与技术、天体物理、等离子体物理等相关专业的硕士研究生

教育及科研工作经历

★1996年-2000年武汉大学电子信息学院无线电物理专业,本科

★2000年-2003年武汉大学电子信息学院空间物理学专业,硕士

★2003年-2006年武汉大学电子信息学院空间物理学专业,理学博士

★2007年-2008年韩国汉阳大学电子信息及计算机系,博士后研究员

★2008年-2011年加拿大纽芬兰纪念大学,博士后研究员/课程讲师

★2011年-2012年加拿大纽芬兰纪念大学,特邀访问学者

★2013年1月至4月加拿大纽芬兰纪念大学,特邀访问学者/课程讲师

★2014年1月至4月加拿大纽芬兰纪念大学,特邀访问学者/课程讲师

★2015年5月至8月加拿大纽芬兰纪念大学,特邀访问学者/课程讲师

★2012年-至今加拿大纽芬兰纪念大学,特聘兼职教授

★2012年-至今南昌大学空间科学与技术研究院,特聘研究员

科研项目资助:

1.内磁层区域重要波动的非线性特性研究,国家自然科学基金面上项目(41674144),68万,2017.01-2020.12,项目负责人(在研中)

2.基于CASSINI卫星观测的土星辐射带粒子动力学过程研究,国家自然科学基金地区基金项目(41464007),58万,2015.01-2018.12,项目负责人(在研中)

3.地球辐射带中哨声模波驱动粒子加速的非线性特性研究,教育部博士点专项基金(20133601120005),4万,2013-2015,项目负责人(在研中)

4.地球辐射带区域能量电子变化的卫星观测和数值模拟研究,江西省教育厅科技项目(GJJ13050),2万,2013-2015,项目负责人(在研中)

5.地球辐射带能量电子特性:RBSP卫星观测和数据分析研究,空间天气学国家重点实验室开放课题(Y32612A24S),10万,2013.01-2014.12,项目负责人(已结题)

6..土星辐射带高能电子特性的卫星观测研究,江西省自然科学基金(20142BAB202008),5万,2014.01-2015.12,项目负责人(已结题)

获奖经历:

1. 2015年作为指导教师,领队参加2015 ASC世界大学生超级计算机竞赛获得Prize of Excellence(卓越奖)

2. 2016年作为指导教师,领队参加2016 ASC世界大学生超级计算机竞赛获得Prize of Excellence(卓越奖)

近年发表论文:

1.Rongxin Tang, Zhe Chen, Zhiwei Liu, XinQian, Xiangyu Yu, and ChengfeiNie (2016), Investigation of the shielding length on Yukawasystem crystallization in mobile sensor network applications, IEEE Transactions onPlasma Science,Volume 44, Issue 6, pp. 1025-1031, June 2016, doi:10.1109/TPS.2016.2556688.

2. Rongxin Tang,ChengfeiNie, XinQian, Xiaohua Deng, Zhe Chen, Zhiwei Liu, et al. (2015), Optimized node deployment algorithm and parameter investigation in amobile sensor network for robotic systems, International Journal of AdvancedRobotic Systems, vol 12, No.152, 2015, doi:10.5772/61443.

3. Rongxin Tang, Danny Summers, and Xiaohua Deng, Effects of cold electron number density variation on whistler-mode wavegrowth, AnGeo Comm., 32, 889–898, 2014, doi:10.5194/angeocom-32-889-2014.

4. Zhou Meng, Xiahua Deng, Rongxin Tang, Ye Pang, XiaojunXu, Zhigang Yuan, and Shiyong Huang (2014), Evidence of deflected super-Alfvénic electron jet in a reconnectionregion with weak guide field, J. Geophys. Res. Space Physics, Vol. 119, doi:10.1002/2013JA019556.

5. Danny Summers, Rongxin Tang, Yoshiharu Omura, and Dong-Hun Lee (2013), Parameter spaces for linear and nonlinear whistler-modewaves, Physics of Plasmas, 20, 072110,doi: 10.1063/1.4816022

6. Rongxin Tang, and Danny Summers (2012), Energetic electron fluxes atSaturn from Cassini observations, J. Geophys. Res., 117, A06211.doi:10.1029/2011JA017394.

近年来国际会议报告:1.Rongxin Tang, Danny Summers, Xiaohua Deng (2014),口头报告, Further Study of Parameter Spaces for Linear and NonlinearWhistler-mode Waves, AOGS 11th Annual Meeting, Sapporo, Japan, 20142.Rongxin Tang, DannySummers, Xiaohua Deng and Meng Zhou (2013), Linear and nonlinear growth ofmagnetospheric whistler-mode waves in the Earth's radiation belt, The 11thInternational School/Symposium for Space Science, Taiwan, China, July 2013.3. Rongxin Tang, Danny Summers, and Xiaohua Deng(2012),口头报告, Linear and nonlinear growth ofmagnetospheric whistler-mode waves,第八次全国空间天气学讨论会, Jinan, Shandong, China, July2011.4.Rongxin Tangand Danny Summers (2011),特邀口头报告, Energetic electron fluxes at Saturn fromCassini observations, AGU Chapman conference on dynamics of the Earth’sradiation belts and inner magnetosphere, St. John’s, Canada, July2011.5.Rongxin Tangand Danny Summers (2010),Energetic electron fluxes

智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
智慧旅游解决方案利用云计算、物联网和移动互联网技术,通过便携终端设备,实现对旅游资源、经济、活动和旅游者信息的智能感知和发布。这种技术的应用旨在提升游客在旅游各个环节的体验,使他们能够轻松获取信息、规划行程、预订票务和安排食宿。智慧旅游平台为旅游管理部门、企业和游客提供服务,包括政策发布、行政管理、景区安全、游客流量统计分析、投诉反馈等。此外,平台还提供广告促销、库存信息、景点介绍、电子门票、社交互动等功能。 智慧旅游的建设规划得到了国家政策的支持,如《国家中长期科技发展规划纲要》和国务院的《关于加快发展旅游业的意见》,这些政策强调了旅游信息服务平台的建设和信息化服务的重要性。随着技术的成熟和政策环境的优化,智慧旅游的时机已经到来。 智慧旅游平台采用SaaS、PaaS和IaaS等云服务模式,提供简化的软件开发、测试和部署环境,实现资源的按需配置和快速部署。这些服务模式支持旅游企业、消费者和管理部门开发高性能、高可扩展的应用服务。平台还整合了旅游信息资源,提供了丰富的旅游产品创意平台和统一的旅游综合信息库。 智慧旅游融合应用面向游客和景区景点主管机构,提供无线城市门户、智能导游、智能门票及优惠券、景区综合安防、车辆及停车场管理等服务。这些应用通过物联网和云计算技术,实现了旅游服务的智能化、个性化和协同化,提高了旅游服务的自由度和信息共享的动态性。 智慧旅游的发展标志着旅游信息化建设的智能化和应用多样化趋势,多种技术和应用交叉渗透至旅游行业的各个方面,预示着全面的智慧旅游时代已经到来。智慧旅游不仅提升了游客的旅游体验,也为旅游管理和服务提供了高效的技术支持。
深度学习是机器学习的一个子领域,它基于人工神经网络的研究,特别是利用多层次的神经网络来进行学习和模式识别。深度学习模型能够学习数据的高层次特征,这些特征对于图像和语音识别、自然语言处理、医学图像分析等应用至关重要。以下是深度学习的一些关键概念和组成部分: 1. **神经网络(Neural Networks)**:深度学习的基础是人工神经网络,它是由多个层组成的网络结构,包括输入层、隐藏层和输出层。每个层由多个神经元组成,神经元之间通过权重连接。 2. **前馈神经网络(Feedforward Neural Networks)**:这是最常见的神经网络类型,信息从输入层流向隐藏层,最终到达输出层。 3. **卷积神经网络(Convolutional Neural Networks, CNNs)**:这种网络特别适合处理具有网格结构的数据,如图像。它们使用卷积层来提取图像的特征。 4. **循环神经网络(Recurrent Neural Networks, RNNs)**:这种网络能够处理序列数据,如时间序列或自然语言,因为它们具有记忆功能,能够捕捉数据中的时间依赖性。 5. **长短期记忆网络(Long Short-Term Memory, LSTM)**:LSTM 是一种特殊的 RNN,它能够学习长期依赖关系,非常适合复杂的序列预测任务。 6. **生成对抗网络(Generative Adversarial Networks, GANs)**:由两个网络组成,一个生成器和一个判别器,它们相互竞争,生成器生成数据,判别器评估数据的真实性。 7. **深度学习框架**:如 TensorFlow、Keras、PyTorch 等,这些框架提供了构建、训练和部署深度学习模型的工具和库。 8. **激活函数(Activation Functions)**:如 ReLU、Sigmoid、Tanh 等,它们在神经网络中用于添加非线性,使得网络能够学习复杂的函数。 9. **损失函数(Loss Functions)**:用于评估模型的预测与真实值之间的差异,常见的损失函数包括均方误差(MSE)、交叉熵(Cross-Entropy)等。 10. **优化算法(Optimization Algorithms)**:如梯度下降(Gradient Descent)、随机梯度下降(SGD)、Adam 等,用于更新网络权重,以最小化损失函数。 11. **正则化(Regularization)**:技术如 Dropout、L1/L2 正则化等,用于防止模型过拟合。 12. **迁移学习(Transfer Learning)**:利用在一个任务上训练好的模型来提高另一个相关任务的性能。 深度学习在许多领域都取得了显著的成就,但它也面临着一些挑战,如对大量数据的依赖、模型的解释性差、计算资源消耗大等。研究人员正在不断探索新的方法来解决这些问题。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值