驾驶模拟实验室数据处理与分析系统的设计与实现
这是一篇关于驾驶模拟,行为分析,数据可视化,SSM框架,因子分析,K-means算法的论文, 主要内容为驾驶模拟实验数据的处理分析有利于交通工程领域实验员对驾驶员行为进行深入研究。然而,现有的驾驶模拟实验数据庞大且实验流程繁杂,课题因人而异但基本数据处理方式和分析方法大致相同。为方便后续分析,交通领域学者往往需要学习不同的编程语言对原始模拟数据进行分段和提取,这无疑增添了重复的研究步骤;并且大量基于时间点的数据并不直观,人工寻找有效关键区域耗时耗力。因此,本论文从软件工程学出发,结合驾驶模拟实验和数据综合分析方法,以实验员和驾驶模拟员为研究对象,系统分析了驾驶模拟实验室数据和综合管理需解决的问题,开发了驾驶模拟实验室数据处理与分析平台。旨在方便交通领域实验员自定义提取专项分析指标、可视化展示驾驶模拟数据、对驾驶员进行综合评价以及对驾驶模拟实验室进行综合管理。本文分析了国内外驾驶模拟和行为评价的现状,在现有驾驶员行为评价的基础上,提出主观问卷分析方法以及雷达图综合评价方法进行分析评价展示。然后,在对系统理论和相关技术进行说明的基础上确定了系统的详细功能和实现方法。在系统功能设计方面,文中将驾驶模拟实验室数据处理与分析平台划分为数据存储、数据处理展示、驾驶数据分析和实验室综合管理四个模块展开叙述。在架构设计方面,选择SSM后台框架和Vue.js前端框架进行前后端分离开发,使用My SQL关系型数据库,并使用Redis作缓存,Tomcat服务器展开系统开发。在系统实现方面,对驾驶模拟数据进行分类存储、并结合ECharts工具提供自定义数据提取和可视化展示功能,可以对单变量变化趋势和多变量关系进行可视化,方便实验员分析数据;在驾驶员综合评价方面,使用因子分析和K-means聚类算法对收集到的问卷信息进行处理,得出基于主观问卷的驾驶行为分类;并使用“控制-决策-避险”综合评分方式用雷达图进行全面直观的量化评价;在综合管理模块实现对实验流程的梳理以便规范管理。最后,在设计基础上对系统进行了测试并进行总结和展望。
城市交通下基于AODV优化的VANETs路由协议研究
这是一篇关于VANETs,车辆跟随模型,AODV路由协议,K-means算法,蚁群算法的论文, 主要内容为随着交通在社会生活中变得越来越重要,汽车给人们带来了许多便利之处,也不可避免的会在不同的时间和地点造成交通拥堵,导致道路交通事故、污染和数十亿美元的生产力损失。随着智能交通系统(ITS)的发展,车联网(Internet of Vehicles,Io V)中的自组织网络环境(Vehicular Ad hoc Networks,VANETs)在车辆之间直接交换运动学数据的可能性,是实现智能交通系统(ITS)的一个重要研究方向,从而使人们在近乎拥挤的城市道路上实现安全和高效行驶。面对复杂的城市道路交通环境,构建一个高效的车辆自组织网络,以适应城市交通场景下的动态网络拓扑结构,为城市交通管理系统的发展提供新的思路,这是一个非常具有实际意义的课题。因此,本文针对城市交通场景下的车辆自组织网络先进行了车辆移动模型的设计,然后对传统的VANETs路由协议进行了优化。本文致力于提升车辆自组织网络的车间通信效率,针对VANETs路由协议进行了研究,本文主要完成工作如下:(1)为了模拟更接近于真实的城市交通车辆运行环境,本文使用SUMO仿真软件导入了真实世界的道路拓扑图,并通过对车辆行驶的实际情况进行研究。对SUMO中的Krauss跟车模型进行了改进,基于车辆的加速度突变搭建了改进的Krauss模型,使车辆运行情况更加贴近现实情况。仿真后发现改进的Krauss跟车模型使交通仿真整体性能得到明显提高。最后在NS-3仿真平台完成了VANETs路由协议的仿真场景搭建。(2)在SUMO中完成交通仿真场景以及车辆跟随模型的搭建后,研究了VANETs网络的经典路由协议:AODV、OLSR、DSDV、DSR、GPSR等协议,并联合NS-3网络仿真软件进行了仿真实验。对比上述路由协议在北京交通大学环路的交通仿真场景下的性能表现,仿真发现当车辆节点数目较多时,AODV路由性能表现最优秀。(3)针对AODV路由协议中,路由发现是通过泛洪方法完成的,容易导致数据包冲突和网络拥塞的问题,本文提出了Kmeans-AODV路由算法。Kmeans-AODV算法的核心思想是使用K-means聚类算法来选择RREQ消息的最佳转发节点,然后使用蚁群算法计算最优路径。该路由算法有效的减少了网络中不必要的数据包传输,从而减少网络的拥塞和路由开销,并提高了路由搜寻的效率和通信链路的稳定性。通过在NS-3平台上进行仿真实验发现Kmeans-AODV相比AODV路由协议提升了VANETs网络的效能。
基于自动编码器的健身方案推荐系统及应用
这是一篇关于可穿戴设备,自动编码器,K-means算法,近红外光谱技术的论文, 主要内容为为了拥有一个健康的体魄,越来越多的人开始走进健身房锻炼身体,但是由于种种因素,很多人无法坚持长期锻炼甚至半途而废。如何从海量的身体成分、维度数据中获得信息,引导人们参与健身并学会健身,由于目前尚无成熟的研究和应用,成为了亟待解决的问题。与此同时,在今年新冠肺炎疫情大爆发的背景下,数字健康产业备受关注。其中,可穿戴设备依托5G网络、大数据、云计算、人工智能等技术的普及,迎来了重大发展机遇。由于其具备便携化、多功能化、智能化等优点,在个人健康医疗领域的应用场景也日渐丰富。因此,研究可穿戴设备在个人健身领域的应用,具有切实的意义和广阔的市场前景。可穿戴设备在个人健身领域的应用模式,一般为实时检测身体数据,再通过通信模块发送到移动终端,最后由移动终端将数据发送到服务器进行计算工作并将返回的结果展示给用户,从而起到一定的辅助和指导作用。本文基于此种模式,设计了一个健身方案推荐系统。该系统包括基于全连接神经网络的自动编码器和K-means算法的AKC模型和基于专家系统模式的智能私教系统。可通过输入用户身体数据将用户分为不同的身体类型,进而通过智能私教系统推荐个性化健身方案。最后,本文提出了一种可穿戴式微型近红外光谱仪在个人健身领域的应用场景,基于此场景和健身方案推荐系统开发了一个基于IOS系统的APP。实现了用户数据实时测量,并获取健身推荐方案的功能。通过对照实验,验证了健身方案推荐系统通过给用户划分类型并推荐健身方案,在健身引导方面具有很大的促进作用。该系统在运用大数据来指导个人健身的应用模式上做出了新的尝试。
驾驶模拟实验室数据处理与分析系统的设计与实现
这是一篇关于驾驶模拟,行为分析,数据可视化,SSM框架,因子分析,K-means算法的论文, 主要内容为驾驶模拟实验数据的处理分析有利于交通工程领域实验员对驾驶员行为进行深入研究。然而,现有的驾驶模拟实验数据庞大且实验流程繁杂,课题因人而异但基本数据处理方式和分析方法大致相同。为方便后续分析,交通领域学者往往需要学习不同的编程语言对原始模拟数据进行分段和提取,这无疑增添了重复的研究步骤;并且大量基于时间点的数据并不直观,人工寻找有效关键区域耗时耗力。因此,本论文从软件工程学出发,结合驾驶模拟实验和数据综合分析方法,以实验员和驾驶模拟员为研究对象,系统分析了驾驶模拟实验室数据和综合管理需解决的问题,开发了驾驶模拟实验室数据处理与分析平台。旨在方便交通领域实验员自定义提取专项分析指标、可视化展示驾驶模拟数据、对驾驶员进行综合评价以及对驾驶模拟实验室进行综合管理。本文分析了国内外驾驶模拟和行为评价的现状,在现有驾驶员行为评价的基础上,提出主观问卷分析方法以及雷达图综合评价方法进行分析评价展示。然后,在对系统理论和相关技术进行说明的基础上确定了系统的详细功能和实现方法。在系统功能设计方面,文中将驾驶模拟实验室数据处理与分析平台划分为数据存储、数据处理展示、驾驶数据分析和实验室综合管理四个模块展开叙述。在架构设计方面,选择SSM后台框架和Vue.js前端框架进行前后端分离开发,使用My SQL关系型数据库,并使用Redis作缓存,Tomcat服务器展开系统开发。在系统实现方面,对驾驶模拟数据进行分类存储、并结合ECharts工具提供自定义数据提取和可视化展示功能,可以对单变量变化趋势和多变量关系进行可视化,方便实验员分析数据;在驾驶员综合评价方面,使用因子分析和K-means聚类算法对收集到的问卷信息进行处理,得出基于主观问卷的驾驶行为分类;并使用“控制-决策-避险”综合评分方式用雷达图进行全面直观的量化评价;在综合管理模块实现对实验流程的梳理以便规范管理。最后,在设计基础上对系统进行了测试并进行总结和展望。
基于协同过滤算法的推荐系统的研究
这是一篇关于协同过滤算法,K-means算法,最小生成树,Kruskal算法,Tanimoto相似性系数,矩阵填充的论文, 主要内容为在互联网迅猛发展的同时,人类所获得的信息资源的数量也在急剧增长。面对这个信息过载的互联网时代,为了帮助人类快速有效地筛选出有用的信息数据,推荐系统应运而生。推荐系统的核心是推荐算法。在众多的推荐算法中,协同过滤(Collaborative filtering,CF)算法是目前推荐系统经常使用的算法之一。CF算法首先通过搜集用户的过去行为数据来发现用户的个人喜好,然后根据用户喜好的不同对用户进行分组,最终推荐给目标用户符合其喜好的项目。然而,随着电商网站中用户数量以及项目数量指数式增长,数据稀疏性问题、可扩展性问题、计算量大、推荐结果不准确以及实时性差等问题渐渐成为CF算法发展的制约因素。本文首先介绍了推荐系统的发展背景、工作原理以及几种经常使用的推荐算法,对其中的CF算法进行详细描述,深入研究了CF算法的基本思想、工作流程、优点缺点以及评价标准,分析了当前CF算法面临的问题以及相应的解决方案。然后在用户聚类、矩阵数据填充方面,本文对传统的CF算法做了以下改进:(1)针对传统K-means算法随机选取初始聚类中心和k值,容易导致推荐结果不准确的问题。本文在现有的初始聚类中心选取改进工作的基础上,提出了一种改进的初始聚类中心和k值选取方法,该方法以最小生成树局部最优解的思想为基础,使用改进的Kruskal算法,进行用户聚类,生成k个用户簇,得到更加准确的用户聚类结果,从而有效地缓解了算法的可扩展性问题、用户冷启动问题,减少了计算量。(2)考虑到数据稀疏的问题,本文提出了一种改进的数据预填充算法,该算法在改进的Tanimoto系数(广义Jaccard系数)的基础上,得到了更合理的用户相似度,提出了新的预测公式,计算出目标用户对未评价项目的评分值,并将该值补充到用户相似度矩阵中,降低了矩阵数据的稀疏度。(3)采取层叠的组合方式将改进的K-means用户聚类算法与改进的数据预测填充算法进行有机结合,该组合算法同时解决了数据稀疏性问题、可扩展性问题、用户冷启动问题,降低了时间复杂度,提高了推荐精度。最后,本文以Movie Lens数据集作为实验数据进行实验,验证本文提出的改进的协同过滤算法的有效性和可执行性。
驾驶模拟实验室数据处理与分析系统的设计与实现
这是一篇关于驾驶模拟,行为分析,数据可视化,SSM框架,因子分析,K-means算法的论文, 主要内容为驾驶模拟实验数据的处理分析有利于交通工程领域实验员对驾驶员行为进行深入研究。然而,现有的驾驶模拟实验数据庞大且实验流程繁杂,课题因人而异但基本数据处理方式和分析方法大致相同。为方便后续分析,交通领域学者往往需要学习不同的编程语言对原始模拟数据进行分段和提取,这无疑增添了重复的研究步骤;并且大量基于时间点的数据并不直观,人工寻找有效关键区域耗时耗力。因此,本论文从软件工程学出发,结合驾驶模拟实验和数据综合分析方法,以实验员和驾驶模拟员为研究对象,系统分析了驾驶模拟实验室数据和综合管理需解决的问题,开发了驾驶模拟实验室数据处理与分析平台。旨在方便交通领域实验员自定义提取专项分析指标、可视化展示驾驶模拟数据、对驾驶员进行综合评价以及对驾驶模拟实验室进行综合管理。本文分析了国内外驾驶模拟和行为评价的现状,在现有驾驶员行为评价的基础上,提出主观问卷分析方法以及雷达图综合评价方法进行分析评价展示。然后,在对系统理论和相关技术进行说明的基础上确定了系统的详细功能和实现方法。在系统功能设计方面,文中将驾驶模拟实验室数据处理与分析平台划分为数据存储、数据处理展示、驾驶数据分析和实验室综合管理四个模块展开叙述。在架构设计方面,选择SSM后台框架和Vue.js前端框架进行前后端分离开发,使用My SQL关系型数据库,并使用Redis作缓存,Tomcat服务器展开系统开发。在系统实现方面,对驾驶模拟数据进行分类存储、并结合ECharts工具提供自定义数据提取和可视化展示功能,可以对单变量变化趋势和多变量关系进行可视化,方便实验员分析数据;在驾驶员综合评价方面,使用因子分析和K-means聚类算法对收集到的问卷信息进行处理,得出基于主观问卷的驾驶行为分类;并使用“控制-决策-避险”综合评分方式用雷达图进行全面直观的量化评价;在综合管理模块实现对实验流程的梳理以便规范管理。最后,在设计基础上对系统进行了测试并进行总结和展望。
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：代码海岸 ，原文地址：https://m.bishedaima.com/lunwen/47132.html
