云模型相似性度量方法研究及应用
这是一篇关于三角云模型,相似性度量,三角模糊数,EW-型贴近度,指数贴近度,时间序列,协同过滤的论文, 主要内容为90年代初期李德毅院士提出了集模糊性和随机性于一身的模型——云模型,该模型利用正向云发生器和逆向云发生器实现定性概念与定量数据的转换,实现概念外延与内涵的双向认知,模拟了人类的认知过程,可以很好地解决不确定性问题的表达与处理。随着对云模型深入地研究,云模型的理论不断丰富壮大,云模型的相似性度量逐渐成为云模型理论研究中必不可少的部分,并在数据挖掘、协同过滤推荐、系统评估等应用中取得了不错的成绩。本文针对现有的相似性度量方法中存在区分度不高,结果不稳定等问题,提出了基于EW-型贴近度的三角云模型相似性度量方法(similarity measure method of Expectation curve and Maximum boundary curve based on Triangular Cloud Model,EMTCM)和基于距离和形状的三角云模型相似性度量方法(similarity measure method of Distance and Shape based on Triangular Cloud Model,DSTCM)。论文的主要工作包括:1)利用正态云模型的扩展模型三角云模型为研究对象,并在3En规则内将三角云模型的期望曲线及最大边界曲线看作三角模糊数。2)通过计算三角模糊数的EW-型贴近度来度量云模型的相似性,充分考虑了期望曲线和最大边界曲线的特点,提出了EMTCM方法。3)根据EW-型距离公式引入指数贴近度的概念,并用其表征云模型的距离相似度;然后通过云模型云滴的方差,计算出云模型的形状相似度;最后将云模型的距离与形状相似度综合起来,提出了DSTCM方法。将EMTCM方法和DSTCM方法先进行仿真实验,表明这两种方法都具有可行性和较好的区分度,然后再进行Synthetic Control Chart Dataset数据集上的分类实验,从分类精度及CPU运行时间代价两个方面表明,EMTCM方法有很好的分类精度,但需要花费大量的时间,不适合用于较大数据集,而DSTCM方法既有较好的分类精度又有较低的运行时间代价。由于DSTCM性能相对较好,因此将其方法应用到Movie Lens站点提供的数据集中进行协同过滤推荐,展现出良好的效果。
面向司法案例筛选的测试系统的设计与实现
这是一篇关于案例筛选,司法测试,自然语言处理,相似性度量的论文, 主要内容为基于裁判文书的司法案例筛选系统,以案例的描述文本为依据,根据特定的算法分析,从指定的案情数据集合中筛选出相似的司法案例,包括相关的罪行、法律法规、刑期和罚金等关键信息。该系统为司法从业者及需要法律咨询的民众提供了高效便捷的服务。类案推荐的质量水平决定了用户的满意度以及接受度,这影响到该系统的普及程度。本文设计并实现对司法案例筛选系统测试的系统,旨在对司法案例筛选系统的效果建立多维评估体系,并为案例筛选研究人员和测试人员提供参考价值。本论文的主要工作是建立了一套多维的案例筛选测试标准,搭建了一个可用性强的测试案例筛选系统的测试平台。本文首先对司法案例筛选系统以及司法测试进行了研究现状的介绍。然后,介绍了本系统采用的技术框架,该系统采用Spring Boot框架,通过Spring Cloud微服务的架构将每个功能模块进行切分,进而详细介绍了项目的用例设计和系统的设计以及实现。本系统从模型和系统两个方面进行案例筛选的测试:针对案例筛选系统相关的机器学习模型,基于指定数据集进行基础和扩展指标的评估;针对案例筛选系统的系统级接口,对筛选的案例列表进行多维度评估度量。系统的微服务总体设计分为权限管理、上传管理、测试管理和数据处理四个主要的模块。通过权限模块来进行用户认证、权限鉴定以及网关设置,确保服务的安全性;对模型和数据集资源进行上传管理,建立用户专属的资源库;通过测试管理模块,支持对司法模型测试和案例筛选接口测试的新增、查询、删除等操作;通过数据处理模块进行文件解析、校验存储和评估指标的度量。多模块相互协同,最终生成测试报告,并提供评估结果导出等功能。该系统最终以web应用的形式展现给用户,用户可以通过浏览器访问该系统,进行数据集、模型的管理,进行案情描述的文本输入,通过模型或接口运行自动化测评结果,并根据多维评估体系生成对应的测试报告,对司法领域开发者和测试者而言,具有较高的实用性。
基于案例推理的鱼病诊断专家系统研究
这是一篇关于鱼病诊断,基于案例推理,相似性度量,粗分析,专家系统的论文, 主要内容为本文针对传统鱼病诊断专家系统知识获取的瓶颈问题利对诊断思维模拟存在的不足,提出用基于案例推理的研究方法来研究鱼病诊断问题。一方面,基于案例推理的研究方法不需要对专家知识进行规则化处理,重要的是获取足够的鱼病案例;另一方面,基于案例的推理是模拟鱼病诊断中形象思维的有效工具。 全文围绕鱼病案例的分析、表示、存储与检索展开讨论。首先,在全面分析鱼病诊断领域知识的基础上,探讨了鱼病诊断中的思维模式,并综合鱼病诊断专家系统各案例元素间的关系,给出了基于案例推理的鱼病诊断概念模型。进而依照关系数据库的基本理论设计了鱼病诊断问题案例库,确定了合适的案例表示方式以及存储结构。 在讨论案例检索策略时,针对鱼病案例属性定性、离散化的特点,将鱼病案例转化为用二值逻辑表示,进而探讨了基于相似性度量模型利基于粗分析方法的两种案例检索策略。前者在改进TC相似性度量模型的基础上实现了一种动态的变权机制;后者通过相对约简建立多级索引来完成案例的检索。两种检索策略从不同角度处理了鱼病诊断问题中存在的不确定性。 最后,根据开发专家系统的技术要求,在Windows2003 Server+Apache+Tomcat5.0系统/客户开发平台下,采用JSP+JavaBeans的应用层模式,建立了基于WEB的B/S/S三层体系结构的鱼病诊断专家系统。
云模型相似性度量方法研究及应用
这是一篇关于三角云模型,相似性度量,三角模糊数,EW-型贴近度,指数贴近度,时间序列,协同过滤的论文, 主要内容为90年代初期李德毅院士提出了集模糊性和随机性于一身的模型——云模型,该模型利用正向云发生器和逆向云发生器实现定性概念与定量数据的转换,实现概念外延与内涵的双向认知,模拟了人类的认知过程,可以很好地解决不确定性问题的表达与处理。随着对云模型深入地研究,云模型的理论不断丰富壮大,云模型的相似性度量逐渐成为云模型理论研究中必不可少的部分,并在数据挖掘、协同过滤推荐、系统评估等应用中取得了不错的成绩。本文针对现有的相似性度量方法中存在区分度不高,结果不稳定等问题,提出了基于EW-型贴近度的三角云模型相似性度量方法(similarity measure method of Expectation curve and Maximum boundary curve based on Triangular Cloud Model,EMTCM)和基于距离和形状的三角云模型相似性度量方法(similarity measure method of Distance and Shape based on Triangular Cloud Model,DSTCM)。论文的主要工作包括:1)利用正态云模型的扩展模型三角云模型为研究对象,并在3En规则内将三角云模型的期望曲线及最大边界曲线看作三角模糊数。2)通过计算三角模糊数的EW-型贴近度来度量云模型的相似性,充分考虑了期望曲线和最大边界曲线的特点,提出了EMTCM方法。3)根据EW-型距离公式引入指数贴近度的概念,并用其表征云模型的距离相似度;然后通过云模型云滴的方差,计算出云模型的形状相似度;最后将云模型的距离与形状相似度综合起来,提出了DSTCM方法。将EMTCM方法和DSTCM方法先进行仿真实验,表明这两种方法都具有可行性和较好的区分度,然后再进行Synthetic Control Chart Dataset数据集上的分类实验,从分类精度及CPU运行时间代价两个方面表明,EMTCM方法有很好的分类精度,但需要花费大量的时间,不适合用于较大数据集,而DSTCM方法既有较好的分类精度又有较低的运行时间代价。由于DSTCM性能相对较好,因此将其方法应用到Movie Lens站点提供的数据集中进行协同过滤推荐,展现出良好的效果。
基于Hellinger距离相似性度量的协同过滤推荐算法研究
这是一篇关于Hellinger距离,协同过滤,个性化推荐,相似性度量,数据分类的论文, 主要内容为近年来,随着互联网的快速发展,人们已经进入了大数据时代,各种信息数据都在实现着爆炸式的指数型增长,数据信息量处于过载状态。个性化推荐系统作为解决信息过载问题的有效手段,现已经广泛地应用到如电商平台,电影推荐,音乐推荐等各个领域当中,对于推荐算法的不断优化和改进,不仅能够提高用户体验,还能带来一定的商业价值,推动其他行业的发展。在推荐系统中推荐算法是最为关键的部分,良好的推荐算法能快速且较为准确的预测用户行为。如此之多的个性化推荐算法当中,协同过滤算法由于其简单,高效,准确的特点,从众多的个性化推荐算法中脱颖而出,成为目前应用最为广泛应用,最为经典的推荐技术。由于数据量的不断增大,这使得协同过滤算法面临数据稀疏和系统冷启动等难题。国内外科研学者对于此难题也都提出了各自的解决办法,通过避免或者缓解上述问题,能够有效提高推荐结果的准确性。本文提出一种新颖的相似度度量方式,基于Hellinger距离相似度的推荐算法,该方法有别于目前协同过滤算法中常用到的相似性度量方法,通过从评分概率分布的角度计算项目间的相似度。为了验证该方法的有效性,本文设计了三个对比实验。首先,将传统的相似性计算方法得到的推荐结果与本文基于Hellinger距离的相似性度量得到推荐结果进行对比,实验结果表明本文相似性度量方法应用于协同过滤推荐算法中是可行的,且算法有着良好准确度。其次,本文提出将数据集分类粒化的方法,在分类后的数据集合中计算项目相似度,通过与未分类数据对比实验,验证了经分类处理后的相似性度量能提高算法准确度。最后,将本文算法和Slope One算法进行对比实验,探究其与经典协同过滤推荐算法的整体表现差异。本文提出的方法能够有效地避免相似度计算过程中评分矩阵的数据稀疏性问题,并且相似度计算结果更加精确。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：毕设客栈 ，原文地址：https://m.bishedaima.com/lunwen/46194.html
