8篇关于LSTM神经网络的计算机毕业论文

今天分享的是关于LSTM神经网络的8篇计算机毕业论文范文, 如果你的论文涉及到LSTM神经网络等主题,本文能够帮助到你

基于知识图谱的组织内部威胁检测与可视化分析

这是一篇关于知识图谱,麻雀算法,BP神经网络,LSTM神经网络,内部威胁的论文, 主要内容为内部威胁一直是组织安全管理的重点和难点问题,内部员工因具有内部活动权限、掌握组织内部信息并了解组织内部管理机制,一旦内部员工产生威胁组织的行为其带来的破坏力往往是惊人的。因此,合理储存员工的行为数据,并采用有效的方法对行为数据进行分析,可以给管理者提供有效的内部威胁监测预警方案。然而现有的内部威胁分析存在数据特征不完备、行为预测性不够和可视化程度低等问题。本文以建立一个可以实际应用的内部威胁监测可视化系统为目的展开研究,主要工作如下:(1)设计内部威胁数据图存储方案。首先,对所选用的美国卡耐基梅隆大学软件工程研究所CERT内部威胁中心团队发布的CERT-IT(r6.2)内部威胁数据集进行解析,给出内部威胁数据存储图数据库方案。然后,利用七步法对内部威胁知识本体进行建模。最后,利用python操作Cypher语句的方法,构建了基于Neo4j的内部威胁知识图谱。(2)建立员工异常行为检测模型。首先,针对每种行为的特征,为了获得分别检测五种行为的检测模型的最佳超参数,利用麻雀算法优化BP神经网络,建立员工异常行为检测模型SSA-BP算法。然后,给出四种模型性能评价指标,并选用BP、PSO-BP、RF三种流行算法进行对比实验,分别证明了麻雀算法优化BP神经网络的有效性,以及所设计的SSA-BP算法针对员工异常行为检测的实用性。最后,结合所设计的异常行为检测算法和数据特征,给出异常人员检测策略,并通过实验说明了所提策略在应用中的可行性。(3)建立员工行为预测模型。首先,将每个行为序列进行数据特征向量化处理,生成34维的行为序列,完成预测数据的预处理工作。然后,利用麻雀算法优化LSTM神经网络的超参数,建立内部员工行为预测模型SSA-LSTM算法。最后,选用LSTM、PSO-LSTM、BP、SSA-BP四种流行算法进行对比实验,证明所设计的员工行为预测SSA-BP算法的实用性和有效性,并分析了使用过程中可能的错误原因。(4)搭建内部威胁监测可视化系统。首先,分析组织管理中的实际需求,给出内部威胁监测可视化系统设计方案。然后,基于内部威胁知识图谱、员工异常行为检测模型、员工行为预测模型,使用python中的tkinter控件实现内部威胁的可视化系统的各个功能模块,并通过示例实验说明所设计的内部威胁监测可视化系统应用的可行性和有效性。

乙烯生产过程产量预测方法研究及应用

这是一篇关于乙烯生产,产量预测,蛇群优化方法,LSTM神经网络,特征选择的论文, 主要内容为2022年,我国提出大力推动经济发展的方针政策,以提升人民群众的幸福度。石油化工行业作为经济建设和人民生活的基础保障行业,在提升经济发展过程中显得尤为重要。乙烯作为石油化工产品中不可或缺的部分,其产量是衡量一个国家石油化工行业发展水平的重要指标之一。提高乙烯生产效率是中国经济快速发展的重要方式之一,并在国民经济中具有重要地位。因此,为加快国家经济发展,如何实现乙烯产量准确预测并提升乙烯生产效率是我国石油化工产业面对的主要问题。本文基于国内石化行业复杂乙烯生产过程中的投入产出数据,通过剖析乙烯预测的基础理论,对乙烯生产过程产量预测方法进行研究,致力于为石化企业提高乙烯生产效率提供一定的理论基础与现实意义。本文的主要工作如下:(1)针对乙烯生产过程受原料、用水用电和乙烯生产装置参数等多种因素影响而造成的生产数据维度高、生产预测模型精度低的问题,提出了基于Spearman相关性分析结合递归特征消除(RFE)和LightGBM的特征选择方法(SRL)。Spearman相关性分析方法对乙烯数据进行相关性分析,获取特征向量的相关性,进而采用RFE和LightGBM方法对乙烯数据进行重要度计算,获取特征向量的重要度,统计特征向量的相关性和重要度频次并排序,综合计算后获取高维数据中关键特征作为数据特征选择结果。SRL方法有效避免单一特征选择方法可能出现受噪声数据的影响,遗漏重要特征或者未筛选出冗余特征的问题,实现对复杂工业生产中乙烯数据的降维处理,为后续乙烯产量预测研究提供数据支撑。(2)为准确预测复杂乙烯生产过程中乙烯产量,提出了基于蛇群优化算法(SOA)结合长短期记忆神经网络(LSTM)的乙烯产量预测方法,以指导乙烯生产降本增效,减少碳排。为降低LSTM预测模型超参数选择对预测精度的影响,使用SOA寻找LSTM中隐藏层节点数、批量训练数据块大小和训练次数等最优超参数,以均方根误差(RMSE)作为优化目标,SOA根据当前搜索状态和解向量的目标状态自适应调整移动步长,以获取LSTM超参数的全局最优解;进而结合SRL特征选择方法降维处理的乙烯数据,基于所提改进的LSTM方法建立乙烯产量预测模型。相比于反向传播神经网络、极限学习机和LSTM方法,所提方法预测精度分别提升了36.09%、49.26%和33.41%,有效指导了乙烯生产效率的提高,和二氧化碳排放的减少。(3)基于乙烯生产过程数据降维处理和基于SOA优化LSTM预测方法的研究,使用Java和Python作为编程语言,采用Vue、Spring Boot和Flask框架,使用MySQL数据库和Redis缓存数据库,设计开发了B/S架构的乙烯预测原型系统。该系统设计开发了用户信息管理、实验数据管理、预测模型管理和预测分析四个功能模块,实现数据的多维展示,乙烯产量预测,预测结果比对分析等功能,为石化企业工作人员提供了一个操作便捷、功能齐全的生产管理平台。

乙烯生产过程产量预测方法研究及应用

融入故障诊断技术的监控设备状态监测平台的研究和实现

这是一篇关于监控设备状态检测平台,故障诊断,Relim算法,故障预测,LSTM神经网络的论文, 主要内容为过去几十年,随着各种监控设备的数量激增,设备的故障问题日渐严重,故障诊断技术越来越受到人们的重视。与此同时,监控设备生成的数据量也在急剧增长,如何从这些数据中获取有价值的信息,已成为故障诊断领域的研究热点。另一方面,在实际中,监控设备运维费时费力的问题给企业带来巨大困扰。针对监控设备运维难度大、故障难处理等问题,通过实际调研,本文设计开发了一个监控设备状态监测平台,对监控设备进行高效率的运维管理,并且针对平台在管理监控设备过程中出现的故障问题进行研究,利用平台采集的监控设备数据,提出相应的解决方法,改善平台体验。论文主要工作有:(1)使用Relim算法对监控设备状态监测数据进行挖掘,生成监控设备的故障关联规则,对监控设备故障进行分析。监控设备数据具有模式长且数据量大的特点,基本的Relim算法不能很好的解决当前问题,因此,引入超团模式并且提出频繁项集分解的方法。实验表明,改进后的Relim算法能提高对监控设备状态数据的挖掘效率,提升性能。(2)为了能更精确地预测监控设备故障,建立了基于LSTM神经网络的监控设备故障预测模型。在提取监控设备时间序列数据的特征的过程中,发现监控设备的故障类型众多,训练过程中有多种参数,手动调参数比较复杂,因此引入优化后的人工蜂群算法对LSTM模型进行参数调优。通过对故障预测模型的训练,使得模型在面对不同采集频率,不同故障类型的数据时,故障预测率可达到96.6%。实验证明改进后的LSTM故障预测模型能很好的应用在系统中。(3)使用Spring MVC+Rabbit MQ+Vue.js技术设计并搭建了一个通用监控设备状态检测系统,并且将两种故障诊断方法融入到系统中,在系统上实现故障诊断技术,解决监控设备的故障问题。最后,对系统的功能和性能进行了测试,结果表明平台对监控设备运维管理的高效性。

融入故障诊断技术的监控设备状态监测平台的研究和实现

乙烯生产过程产量预测方法研究及应用

网约车用户出行行为分析及需求预测——以海口市为例

这是一篇关于网约车,行为分析,需求预测,LSTM神经网络,CNN神经网络的论文, 主要内容为近些年来,随着城市化进程的加快以及公共交通系统的发展,可供居民选择的出行方式越来越多:公共汽车、私家车、地铁、网约车、共享单车等。以这些出行方式为基础,结合搭载在其上的硬件设备获得的卫星导航信号等相关数据,应用先进的物联网,大数据等技术,人们可以对使用这些出行工具的用户进行行为分析和研究,获得用户的出行行为以及需求特点。从而解决城市的交通以及规划等问题,促进城市的发展,提高居民的生活质量和幸福指数。在以上多种出行工具中,网约车,作为一种新兴的出行方式,在近几年积累了海量的用户,得到了社会的普遍认可和国家相关政策的大力支持,解决了传统出租车和用户之间的信息不对称等问题。不过,当下对于网约车用户相关的出行行为分析较少,而且随着越来越多的用户和司机的加入,很多城市的一些区域在某些时间段出现了叫车难,排队时间长等问题。如何利用网约车历史订单数据,对网约车用户的出行行为进行分析研究,以及对某些区域的网约车用户需求进行预测就成为了相当重要的研究方向。本文以海口市为例,利用滴滴网约车订单历史数据,天气数据对网约车用户出行行为以及需求预测进行研究分析。主要研究内容如下:1、数据预处理工作——获取网约车订单数据;搭建爬虫系统爬取订单日期范围内对应的天气数据;对上述数据进行数据清洗、格式转换、数据整合等工作,得到预处理后的完整的订单数据。2、网约车用户出行行为分析工作——预处理后的网约车订单数据进行统计以及可视化分析,分析网约车用户需求量在不同时间、不同区域、不同环境下的数量以及变化趋势等。为后文网约车用户出行需求量的预测做基础工作。3、需求预测的模型构建工作——基于已完成的相关可视化分析得到的直观结果进行网约车用户出行需求的预测。首先进行特征选择的工作,探究不同变量对于需求量的影响比重;然后提出使用LSTM与CNN并行组合模型来实现网约车用户出行需求预测的工作,并且利用预处理后的订单数据来确定最优参数和模型的整体结构;最后进行对比实验,实验结果证明本文构建的需求预测模型准确度优于传统的单特征LSTM预测模型,串行多特征LSTM预测模型。本文研究工作对于网约车公司的运营,城市公共交通系统的规划等方面有较强的实际意义。

基于群体感知的车位推荐系统研究与实现

这是一篇关于群体感知技术,激励机制,LSTM神经网络,多属性决策的论文, 主要内容为目前,“停车难”越来越成为国内各大城市面临的主要城市问题之一,在已经形成的城市格局下,匮乏的停车位资源导致人们对于车位实时可用性信息迫切需求。本文提出一种基于群体感知的车位推荐系统,利用群体感知技术灵活便捷的优势采集车位状态信息,并对这些信息处理分析后将可用停车位列表推荐给驾驶员,从而实现一种“人人为我,我为人人”的设计理念。在将群体感知技术和车位状态感知任务融合的过程中,如何激励更多用户参与感知任务,如何验证采集信息的真实性,如何使得处理结果准确可用一直是研究的重点。因此为了破解这些难题,本文结合现有技术,在对驾驶者的停车需求进行分析的基础上,设计并实现了基于群体感知的停车位推荐系统,在此过程中进行的重点研究工作包括:首先为了鼓励更多用户加入感知任务,本文设计了激励机制。同时为了确保感知信息的真实性,在传统拍卖激励模型的基础上提出了激励机制优化算法。通过混合验证模型验证用户的上传信息从而保证更新信息的真实性;通过动态更新的信誉值调整用户得到的额外奖励,从而激励用户提供更多高质量的感知数据。其次,为了加强推荐结果的可用性,使得推荐结果在用户到达停车位时依然准确可用,从而避免非平台用户的干扰对于推荐结果的影响,利用LSTM神经网络在时间序列预测上的优势,构建了基于LSTM神经网络的单步预测模型。通过对网络结构以及训练时使用的超参数进行优化,使得预测结果具有更高的精度和稳定性。然后,为了增强推荐结果的个性化,使用多属性决策的方法设计实现了系统推荐模块,综合停车位状态预测值,距离目标地点的远近,停车难度等多种属性,使用TOPSIS决策排序法生成停车位推荐列表,将理想停车位推荐给用户。最后,对基于群体感知的停车位推荐系统的激励模块,预测模块,推荐模块进行后端实现,并开发了基于微信小程序的客户端,实现用户上传感知停车位信息,获得激励积分,更新信誉值,以及空闲停车位查询等功能,对关键模块进行功能性测试并展示相关界面。对提出的激励模型进行仿真实验,实验结果表明当初始信息错误率为0.1时,系统的检测率高达80%,并在长期迭代演化中依然可以使可信用户比率维持在较高水平。采集真实数据对于系统推荐结果的可用性进行验证,系统推荐的正确性高达93%,具有良好的推荐效果。

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：毕设工坊，原文地址：https://m.bishedaima.com/lunwen/46876.html