5篇关于深度学习模型的计算机毕业论文

今天分享的是关于深度学习模型的5篇计算机毕业论文范文, 如果你的论文涉及到深度学习模型等主题,本文能够帮助到你

基于汇水区精细划分的城市雨洪模型优化研究

这是一篇关于SWMM,汇水区划分,土地利用,水文水质,深度学习模型的论文, 主要内容为步入21世纪,我国城市化建设迅猛发展,硬地面积不断扩大,城市不透水率日益增加。当城市遭遇极端天气情况时,地表径流的增加会让我国仍处在不断探索优化中的城市排水系统与监测体系难堪重负,极易出现城市内涝等灾害情况。为了应对日益严峻的城市积涝及水环境面源污染等次生灾害,实现雨洪内涝的精准建模分析便是重中之重,因地制宜,精准定位,革新技术,合理优化,是当前城市综合水文水资源管控与水环境面源污染治理的关键。目前应用最为广泛的流域水文水质建模工具之一便是城市暴雨管理模型(SWMM),运用精准的计算机技术,结合高效的人工智能手段,实现精准模拟与情境优化,有助于全面评价城市防洪能力,减少面源污染等次生灾害,完善雨洪管理机制。江西省抚州市金溪县是我国长江中下游地区的重要走廊,近年来屡次遭受严重内涝灾害,抚州市政府对于城市内涝灾害与水污染防治工作非常重视。本文以抚州市金溪县作为研究区域,提出基于土地利用类型智能解译的深度学习融合方法,以此探索城市汇水区的精细划分方式,在此基础上构建SWMM水文与水质模型,对汇水区域不同时间尺度降雨情境下的模拟效果进行分析与优化,为SWMM模型不同时空尺度下的应用提供更有针对性的优化调整方案。主要成果如下:(1)针对金溪县城市化进程中复杂下垫面的动态地类数据获取,本文针对性提出了城市土地利用类型智能解译的深度学习融合方法。通过对研究区域遥感影像的预处理,应用Mean Shift算法实现对具有相似空间特征的流域地类对象的初步分割。其中原始汇水区域图像样本使用U-net和Deep Lab V3+进行训练,Mean Shift+U-net使用Mean Shift的预训练图像样本进行训练。最后使用混淆矩阵来评估流域建模系统预测的适用性。与U-net与Deep Lab V3+等常规方法相比,Mean Shift+U-net在目标汇水区的地类智能解译实现了最好的预测精度和出色的地类一致性。且融合地类的简化混淆矩阵进一步表明,本方法对于估计半分布式城市流域建模系统的空间参数具有较好的适用性,这为后续SWMM的建模优化提供了思路,推荐使用Mean Shift+U-net,因为其在不透水地表特征分类方面具有很高的精度(0.9847)。(2)针对SWMM建模下垫面概化中汇水区划分与真实地类分布不一致,且在不同空间尺度城市汇水区复杂下垫面划分效果不佳的症结,本文利用基于Deep Lab V3+等深度学习手段构建的城市地类智能解译模型,融合调整同一子汇水区的不同地类的汇水关系,除自然地形外,充分考虑人为因素所造成的空间异质性,提出了基于地类和流向的城市汇水区精细划分方法,其对于不同空间尺度下的汇水区划分适用性较好。在整体划分方面,除自然地形外还充分考虑了人为因素所产生的空间异质性;在局部对比方面,三级子汇水区的面积大小、位置分布和地表流向更贴近实际。本方法不仅使得SWMM建模中子汇水区概化使用Voronoi法的常规思路融入了城市水文地类特征,能够获得更为真实的地表径流数据,高效准确的模型输入优化思路还具有较好的泛用性。(3)针对基于地类和流向的汇水区精细划分方法,本文进一步将其与传统Voronoi方法相比较,进行SWMM水文与水质建模效果的综合分析,并于金溪县进行水文与水质模块不同时间尺度降水事件下的情境建模与优化分析,同时结合LISFLOOD模型对实际应用场景进行了进一步的模拟效果验证。主要包含:通过对水文数据精度指标的模拟与验证,在不同时间尺度的降雨场景中,本方法下SWMM模拟结果的指标偏差均小于常规Voronoi方法,在实际场景应用中本方法提取的城区地类建模数据与汇水区精细划分概化结果,均能较好的应用于SWMM建模,更为真实地反映不同降水情境下不同空间尺度城区的排水积涝情况,为智慧城市风险应急管理提供重要决策依据;通过对四类典型水质数据的验证分析,在单一降雨事件下,本方法明显优于常规Voronoi方法下的SWMM模拟效果,四类污染物指标的模拟误差更小,且模拟结果显示地类与汇水区划分精度对于非点源污染负荷的影响较大,具备一定的指导意义。

烟叶分级知识图谱构建与问答系统设计实现

这是一篇关于知识图谱,问答系统,烟叶分级知识,深度学习模型的论文, 主要内容为烟叶分级工作直接关系到卷烟制造和农民收入问题,因此提高烟叶分级工作效率和准确性显得尤为重要。然而,在现有的条件下,烟草分级知识主要以书籍手册形式存在,导致相关工作人员在实际操作或培训中遇到问题时,难以迅速获取精确知识。为解决这一问题,利用知识图谱技术对烟叶分级领域的知识进行组织和存储,使得相关人员能够更高效地获取并应用这些知识。同时,采用深度学习模型处理自然语言问句,以理解问题的语义信息。基于以上技术,设计并实现了烟叶分级问答系统,为工作人员提供知识回答。该问答系统不仅有助于推动烟草行业化和数字化发展,还可以为烟草行业提供了一个创新的解决方案,以应对现有知识获取途径的局限性。主要的研究内容和成果如下:(1)烟叶分级知识图谱构建研究。针对传统构建知识图谱方法成本较高、耗时且劳力密集的问题,提出了基于Bert+Text CNN+Res Net+Caps Net+BILSTM+CRF的烟叶分级知识图谱数据层构建方法,完成了烟叶分级的实体识别任务,该方法的实体识别F1值为96.9%,较其他相关模型对比效果提升显著。对抽取实体以标注的方法实现三元组提取。针对数据集特点,采用实体对齐解决了实体概念间的歧义问题。最后选取Neo4j图数据库完成知识的存储,并展示烟叶分级知识图谱。(2)基于知识图谱的烟叶分级问答方法设计。在构建好的烟叶分级知识图谱基础之上,采用所提问句意图分类与实体识别联合抽取方法,将识别出的实体和意图进行整合,形成问题的三元组,最后利用Cypher语言在本地Neo4j数据库中进行检索。实验表明该问句实体识别方法平均F1值达到了97.7%,问句意图分类的F1值为97.6%。(3)基于烟叶分级知识图谱的问答系统设计与实现。以烟叶分级知识图谱为数据基础,Flask应用框架与MVC响应模式结合,搭建基于知识图谱的烟叶分级问答系统前后端,完善烟叶分级知识服务体系,促进烟草行业数字化发展。

基于知识图谱的花椒种植智能问答系统设计与实现

这是一篇关于知识图谱,智能问答系统,命名实体识别,知识图谱补全,深度学习模型的论文, 主要内容为随着国家乡村振兴战略的提出,未来农业将逐渐趋于信息化。近年来,网络数据规模以指数级增长,但花椒种植知识仍主要以书籍的形式存在,使花椒种植从业人员难以利用互联网获得及时、专业的种植知识。为解决以上现实问题,帮助从事花椒种植人员快速获取专业的种植技术,本研究建立花椒种植知识图谱,并在知识图谱的基础上设计实现智能问答系统。目前我国花椒种植方面的智能问答服务尚未成熟,因此本研究对加快花椒种植产业信息化具有重要的意义。本文完成的主要工作如下:(1)花椒种植知识图谱构建方法研究。针对花椒种植领域缺乏专业知识图谱的问题,根据自顶向下的思想构建花椒种植知识图谱。针对传统知识图谱构建方式费时费力的问题,采用Bi-LSTM-CRF模型完成花椒种植命名实体识别,设计基于R-GCN的花椒种植实体关系分类模型,从而完成花椒种植三元组知识的自动抽取。结果表明,实体识别与LSTM-CRF模型模型相比,F1指标提高了11.43%;关系分类与GCN相比,F1指标提高了7.39%。(2)花椒种植知识图谱补全方法研究。针对知识图谱天生不完整的特性,提出一种基于嵌入表示和CNN的花椒种植知识图谱补全模型。该方法通过将三元组不同节点的信息互相融合,提高三元组的特征表达能力,并与原始三元组组成向量矩阵作为卷积神经网络的输入。实验结果表明,在数据集FB15K-237上较Conv E模型,MRR指标提升了6%,Hit@1指标提升了12.7%。(3)花椒种植智能问答方法研究。针对花椒种植问句篇幅较短,传统模型难以获取足够特征的问题,设计基于BERT-Bi-LSTM-CRF的花椒种植问句实体识别模型和基于BERT-CNN-Softmax的花椒种植问句意图理解模型。根据不同情况构建不同类型的Cypher查询语句完成答案查询。实验结果表明,较Bi-LSTM-CRF模型,问句实体识别F1值提高了3.4%;较Text RNN模型,问句分类F1值提高了8.08%。(4)基于知识图谱的花椒种植智能问答系统设计与实现。针对花椒种植从业人员难以利用互联网获得专业种植知识的问题,设计并实现基于知识图谱的花椒种植智能问答系统。系统基于B/S结构,以花椒种植知识图谱作为答案数据来源,利用花椒种植问句实体识别模型、问句意图理解模型和花椒种植知识图谱补全模型完成花椒种植智能问答和花椒种植知识图谱补全功能。方便用户获取专业的种植知识,极大地促进花椒种植产业的信息化发展。

基于语义分析的智能搜索方法研究与应用

这是一篇关于语义分析,商品类别意图,深度学习模型,elasticsearch的论文, 主要内容为随着移动互联网的高速发展,网上购物已经成为人们日常生活中的一部分。而面对电商平台提供的海量商品信息,如何为用户精确地检索到所需商品信息便成为了众多电商平台需要解决的关键问题。目前电商平台主要利用搜索引擎对用户的查询请求进行关键词的匹配,并将检索结果通过相关度大小进行排序后返回给用户。由于电商平台面向的用户具有很大的文化差异,不是每一个用户都能够比较清晰地通过查询请求文本描述出自己所需商品信息,光靠用户的输入信息去匹配搜索到用户所描述的商品是不够精确的。本文将基于关键词的文本匹配转化为对查询请求进行自然语言语义层面上的理解,深入挖掘出查询请求的语义特征信息,获取到用户的需求商品意图,从而提高搜索的查准率和用户的购物体验。本文主要针对于自然语言处理在电商搜索领域的应用进行研究。鉴于深度学习模型在自然语言处理中的成功应用,本文设计了根据对用户的查询请求进行语义分析后获取其潜在的需求商品意图的智能搜索方法,同时实现了一个搜索系统用于测试和研究,旨在提高电商搜索的精准度。本文主要的研究工作包括:(1)基于词典和统计的方法对输入文本进行分词、词性标注操作,在解决歧义词识别上,通过构建最大概率有向无环图和双向最大匹配算法结合的方式获取分词路径,然后获取最大概率的词性标注序列来确定最佳路径。同时使用HMM模型进行未登录词识别。(2)使用word2vec的改进模型fasttext对词语进行向量化,获取用户查询请求的词向量序列,为挖掘出用户查询请求的语义信息提供基础。将包含了上下文特征的词向量序列、词性特征向量、序列位置向量作为特征输入,并通过注意力机制进行特征组合后作为最终输入向量进行LSTM神经网络模型训练,并通过反向传播算法不断更新神经网络参数,使得模型预测输出值接近设定输出值,完成神经网络模型对语义信息权重的刻画。(3)使用开源搜索框架elasticsearch搭建搜索系统,包含数据索引模块、语义分析模块、检索模块,实现搜索系统的基本功能。本文通过对用户查询请求进行语义分析,挖掘出了用户的真正需求商品类别信息,从而提高了商品搜索引擎的准确度,说明了语义分析对于电商智能搜索的有效性和可行性。