7篇关于LSTM模型的计算机毕业论文

今天分享的是关于LSTM模型的7篇计算机毕业论文范文, 如果你的论文涉及到LSTM模型等主题,本文能够帮助到你

岩溶滑坡预测模型及预测预警系统研究——以发耳滑坡为例

这是一篇关于岩溶滑坡,位移预测,粒子群优化算法,LSTM模型,预警系统的论文, 主要内容为中国西南岩溶山区,岩溶地层广泛发育,地质环境脆弱,加之降雨丰沛,人类工程活动频繁,造成滑坡灾害时有发生,人民生命财产安全受到严重威胁。提升滑坡灾害预报水平和及时发布预警信息对防灾减灾至为重要。因此,亟需进一步开展滑坡位移预测模型和预测预警系统的深入研究。本文以典型的岩溶山区示范点——贵州发耳镇滑坡为例展开研究。首先,基于多源观测结果完成监测数据的预处理以及降雨对滑坡位移影响的分析工作;其次,聚焦预测预报需要实现了粒子群优化算法改进,并在对比分析模型精度基础上将改进粒子群算法优化的LSTM模型应用到岩溶滑坡预测预报实践;最后,面向应用与实现将滑坡监测数据处理分析、模型优化等岩溶滑坡预测预警理论和方法与系统开发技术相结合完成了滑坡预测预警原型系统的应用开发。本文的主要研究内容和成果如下:(1)监测数据的处理与分析。论文选取合适的方法完成了监测数据的预处理,并利用Pearson相关系数对降雨与滑坡位移之间的关系进行定量分析,发现当天滑坡位移变化受到前128天降雨量的影响,表明降雨对滑坡稳定性的影响具有滞后性。(2)滑坡位移预测模型的分析研究。将一种改进粒子群算法优化的LSTM模型引入岩溶滑坡位移预测中,以发耳滑坡FE04号监测点的数据进行实验。在对比分析了BP神经网络模型和未优化的LSTM模型的基础上,发现将其与GM(1,1)模型结合的组合模型能取得最高精度,其RMSE约为22.19mm,MAPE高约0.16%。结果表明,组合模型的精度满足预测需要,适用性更高。(3)预测预警系统的设计与实现。基于Spring Boot框架开发了集数据处理分析与滑坡预测预警为一体的滑坡预测预警原型系统。用户可在线对监测数据进行处理分析,并利用系统整合的模型对数据进行处理,获取滑坡预测结果,以及接收到利用Web Socket协议即时推送的预警信息。

面向呼叫中心的可视化实时监控系统的设计与实现

这是一篇关于呼叫中心,ECharts工具,WebSocket技术,LSTM模型的论文, 主要内容为呼叫中心作为通信行业的一部分,随着我国通信行业的迅速发展,为了保持竞争力,呼叫中心必须提供高质量的服务。然而随着多元化大型企业的业务量不断提高,呼叫中心的服务压力也日益增大,同时由于业务量的不均衡造成资源利用率低下,因此需要一个可靠的实时监控系统对当前呼叫中心的各项数据指标进行监控,使得用户能够及时了解呼叫中心当前的运营状况,同时可以对呼叫中心未来的话务量做出估测,从而提前对人员进行合理安排。系统基于B/S开发架构,完全按照软件开发流程进行研发,开发过程主要分为需求分析、系统设计、系统实现以及系统测试四个阶段。系统从三个模块对呼叫中心的各项数据进行监控,分别是地区监控模块、坐席监控模块以及呼叫监控模块。系统通过WebSocket消息推送机制使得服务端将监控数据实时推送给客户端,并在WebSocket中添加心跳机制来增强系统的可靠性,系统前端部分选取Vue.js框架,能够实现数据层与视图层的数据同步,同时使用ECharts工具将数据以可视化图形的方式展示在页面上。系统除了对当前数据进行监控之外,还提供对未来话务量预测功能,通过分析历史话务量的特点,使用LSTM网络模型与指数平滑模型分别对话务量进行预测,最终选取预测精度更高的网络模型进行预测。系统能够实现实时监控并显示呼叫中心的各项数据,使用户能够直观、实时地了解呼叫中心当前运营状况,同时对前端性能方面进行优化来提升用户体验效果。在话务量预测过程中,通过对两种模型的预测结果进行分析,发现使用LSTM网络模型预测话务量比指数平滑模型在预测精度上提高了3%以上且准确率达到80%左右,因此LSTM网络模型更适合呼叫中心话务量的预测。

基于微服务架构的空气质量监测预警系统设计与实现——以西安市为例

这是一篇关于微服务架构,系统开发,空气质量监测,LSTM模型,预测预警的论文, 主要内容为多年以来,不断恶化的空气污染影响甚至严重制约了社会经济的持续发展,已成为全球性问题。在发展社会经济的同时,也客观上加剧了空气污染。可喜的是,绿色发展、环保优先的理念和行动已使牺牲环境、换取发展的倾向明显改观。在信息化条件下,探索更高效、便捷、实用的技术手段,更好服务大气污染治理,以期根本扭转大气污染局面不仅大有可为,而且势在必行。本研究以西安为例,立足微服务架构开发的空气质量监测和预警可视化系统,在保证可靠性和扩展性前提下,系统可实时收集并监测包括PM2.5、PM10、SO2、CO2、CO、NO2、O3等评价指标在内的大气环境监测数据,并能基于分析模型有效把握目标城市空气质量现状和演进趋势,为管理部门提供可靠信息和技术支撑,助力降污减排、经济转型、健康发展。具体的研究工作内容与成果如下:(1)架构设计。学习、掌握微服务相关理论技术,遵循拆分原则,应用Spring Cloud技术,在实现单体应用拆分基础上,完成多模块微服务架构系统设计,以期达成系统的高内聚、低耦合。(2)系统实现。收集西安市开源网站评价空气污染指标数据,应用Python+Selenium爬虫技术将数据通过程序脚本保存到系统数据库。通过需求分析,采用多种数据可视化技术,实现系统登录管理、实时空气质量监测与分析、历史数据分析与下载、预警分析、日志管理等微服务业务功能模块,完成原型系统开发。(3)模型应用。研读并运用神经网络模型,对目标城市的空气质量数据进行训练、验证。试验表明由神经网络模型支撑的该原型系统基本能满足目标城市空气质量数据实时监测、分析、评价和预警的需要,且能在高并发和异常情况下保持稳定运行。

循环神经网络在缺陷报告重复检测上的研究及应用

这是一篇关于LSTM模型,BI-LSTM模型,Attention机制,缺陷报告,缺陷报告重复检测的论文, 主要内容为研究表明处理大量的重复缺陷会对人力造成极大的浪费,特别对于大型的项目来说尤其明显。为了减轻人工检测重复报告的工作量,缩减人工管理缺陷的时间,开展缺陷报告自动重复检测方法的研究是具有价值的。本文系统的分析了重复缺陷报告产生的原因,发展现状及其意义,并对国内外的重复缺陷研究方法及深度学习在文本相似度上的方法进行了综述。最终基于循环神经网络(Recurrent Neural Networks,简称RNN)与Attention机制的理论及技术,将LSTM(Long Short-Term Memory)模型,BI-LSTM(Bi-directional Long Short-Term Memory)模型,双层BI-LSTM模型及使用Attention机制的双层BI-LSTM模型,应用于重复缺陷报告领域,用于计算两个缺陷报告间的相似度。并以开源项目Eclipse产生的缺陷报告作为数据集,对比前人经验筛选出数据源对上述模型进行实验,之后对各模型结果进行了对比与分析,并进行了一定程度的调优。整体思路是将缺陷报告分为相似与不相似两类,当两个缺陷报告计算出的结果大于某个阈值时,即判定为两文本相似。并在各个模型中对不同的参数如学习速度,训练轮次,数据长度等进行调整,使模型得到最优的结果。最终使用Attention机制的双层BI-LSTM模型,在本文的实验中能达到最高的准确率91.21%。其余,LSTM模型的最高准确率为87.42%,BI-LSTM模型的最高准确率为88.94%,双向BI-LSTM模型的最高准确率为90.75%。为了有效体现重复缺陷报告检测模型的功能,本文实现了以重复检测为功能核心的缺陷管理系统。本系统采用SSM框架和MySQL数据库,实现管理缺陷的基本功能,并将模型以定时任务的方式应用于缺陷管理系统中,最终会在缺陷报告详情页面展示与该缺陷报告最相似的5个缺陷报告。

面向呼叫中心的可视化实时监控系统的设计与实现

基于C-LSTM的作业查重系统研究与实现

这是一篇关于作业查重,C-LSTM模型,LSTM模型,CNN模型,LDA模型的论文, 主要内容为随着国内第五代移动通信(5G)的发展,信息的获取较以往更容易,但同时也出现论文抄袭、作业相似等现象。各大高校已经注意这些现象,并采取相应措施予以避免,其中使用较多的方式是论文查重。然而,现有查重系统多是基于文献数据库的对比查重,对学生提交的论文型作业之间并不具有查重功能。本系统的提出,旨在完善学校内部对同时具有查重需求的论文型作业进行查重,并将其延伸到日常教学的作业中使用,从源头对学术不端行为进行杜绝。基于深度学习网络的文本相似度计算方法是当前查重系统应用领域的研究热点,它通过将两个需要对比的文本进行编码,并经过神经网络提取语义向量,最后用相似度计算方法计算两个文本之间的相似度。但是,现有的深度学习网络模型却存在长文本语义缺失和短文本依赖等问题,针对此类问题,本文提出了由LSTM网络(Long Short Term Memory networks)、CNN网络(Convolutional Neural Networks)并融合LDA模型(Latent Dirichlet Allocation)构成的C-LSTM模型(Convolutional-Long Short-Term Memory Networks)来计算作业之间的相似度,改善长文本语义缺失和短文本依赖的问题,属于文本相似度匹配技术领域。在本模型中,首先使用BERT对输入模型的多段文本分别进行分词及向量转换,其次利用双向LSTM网络提取上下文关联信息,利用CNN网络将词嵌入信息融入到上下文关联信息中,使用全局最大池化(Maxpooling)保留关键信息,并采用吉布斯抽样进行主题提取,提取每段文本的感情色彩,通过全连接神经网络融合得到高维度多特征的语义向量,最后采用加权文本语义相似度计算方法,获取两段文本之间的相似度。经过对比实验,C-LSTM模型在真实数据集中识别精确率及时间消耗情况综合表现较优。本系统基于Java语言编写,使用SSM框架,采用My SQL作为系统开发数据库,主要服务于三类用户:教师、学生和管理员。教师用户对学生提交系统的论文型作业进行查重,得到每份作业与其他作业的相似度,还可以管理自己的学生作业库,批阅学生作业;学生用户可根据教师提示将自己的作业上传至系统,并能得到教师对本份作业的评阅结果;管理员用户可配置和管理整个系统。