运载火箭飞行轨迹预测和状态监控及实现
这是一篇关于辅助决策,状态监控,轨迹预测,孪生神经网络,Bi-LSTM的论文, 主要内容为现有的安全控制辅助决策系统主要依靠专家多年经验总结的判决规则对运载火箭进行故障判决,这种判决方式对安控指挥员的经验与反应能力要求高,过分的依赖人工决策。而且,这种安全控制辅助决策系统,只能对运载火箭当前的飞行状态进行判别,不能对运载火箭飞行轨迹进行预测。本文设计的运载火箭飞行轨迹预测及状态监控系统是安全控制辅助决策系统的子系统,是在原来系统上的扩展。其主要完成对运载火箭当前飞行状态的监控和预测未来一段时间运载火箭的飞行轨迹,给安控指挥员提供辅助决策信息。本系统采用了B/S架构,主要分为状态监视模块、飞行状态分析模块、飞行轨迹预测模块。该系统也能够独立的完成相应的功能,与其他子系统也存在着紧密联系。对于运载火箭飞行状态监控需要解决的问题有:弹道数据存在野值且具有较强的非线性;现有的状态监控方法存在局限性;对状态监控有较高的准确性和实时性要求。本文建立了一种将最小二乘建模与肖维涅准则相结合的方法对弹道数据野值进行判别与填充。由于神经网络对非线性数据的拟合效果很好,所以研究了一种基于孪生神经网络的运载火箭飞行状态监控方法,该方法是根据运载火箭飞行状态标签来学习弹道数据之间的相似关系,与传统的相似性度量方法不同的是,该方法考虑了弹道数据特征对相似性的影响,然后根据运载火箭的理论弹道与实际弹道的相似程度和训练模型的阈值来判断运载火箭飞行状态是否正常,实验结果证明该方法具有较高的准确性和实时性。对于运载火箭飞行轨迹预测主要解决的问题有:弹道数据存在野值且具有较强的非线性;要对运载火箭飞行轨迹进行多步预测;对轨迹预测要求具有较高的准确性和实时性。针对弹道数据具有非线性的问题,神经网络可以很好的拟合非线性数据,而且神经网络可以实现多步预测,因此本文建立了基于Bi-LSTM神经网络的多步预测模型。通过该模型预测未来一段时间的运载火箭的飞行轨迹,当预测的运载火箭飞行轨迹超出安全管道后,系统判定飞行状态异常,从而给安控指挥员更多的决策时间,该方法具有较高的准确性和实时性。
基于深度推荐的农产品电商系统的设计与实现
这是一篇关于农产品电商系统,推荐系统,Bi-LSTM,深度神经网络,注意力机制的论文, 主要内容为农业是我国的第一产业,基础农产品的销售是直接影响农民收入和农业发展的大问题,与国家实现共同富裕,都有着密不可分的联系。随着信息技术的发展,农产品电商为农产品销售带来了新的思路和商机。推荐系统是基于用户—物品历史交互信息或用户、物品的特征信息,满足用户多元化、个性化的购物需求。同时,农产品电商的推荐中由于不能准确建模用户行为的上下文语义特征,进而不能准确理解用户的意图,完成精准推荐。为了解决上述问题,本文完成了以下两方面主要工作:提出了基于TextRank融合Bi-LSTM+Attention的深度学习算法推荐模型,用于用户兴趣建模和物品特征建模。具体地,为了解决Bi-LSTM+Attention模型不能准确提取过长文本的特征问题,引入TextRank提取长文本关键词,进而提出基于TextRank融合Bi-LSTM+Attention的深度推荐算法。为了验证该方法进行语义推荐的有效性和性能,将该算法在Adressa数据集上进行实验,实验结果表明该推荐方法比传统的推荐方法,能更好理解用户的潜在语义信息,并进行精准的推荐。设计并实现了基于TextRank融合Bi-LSTM+Attention的推荐算法的农产品电商系统,电商系统基于B/S架构,使用Django开发框架、My SQL数据库管理系统和Redis,实现了用户前台购物功能和后台管理功能,并通过软件测试验证了系统运行稳定,系统实现完整有效。
基于多任务深度学习网络的服装检测和搭配方法研究
这是一篇关于深度学习,实例分割,服装搭配,Bi-LSTM的论文, 主要内容为随着服装电子商务的发展和大数据时代的来临,越来越多的线下服装商家开始在电子商务平台上销售服装,互联网上存储着海量的服装数据,用户对自身服装搭配也越来越重视。借助海量数据和算法为用户推荐服装搭配方案,以满足用户需求及提升用户的购买欲望,是服装电商平台提升用户体验和销量的重要手段。此外,现代社会中,人们将穿搭视为自己个性的表达,也更加注重自身服装搭配。因此研究服装搭配技术对电商平台和用户都有十分重要的意义。本文基于服装图像搭配的应用背景,将深度学习网络中的图像分割模型和时间序列模型应用到服装搭配上。主要完成以下工作:1.提出残差结构的递归融合模块,用以改进语义分割网络,能在减少网络参数的同时提高语义分割的精度。递归结构通过卷积核复用来减少卷积核参数量,残差结构缓解梯度传播困难,特征图融合结构将可视野大小不同的特征图融合到一起以提高分割精度。并将该模块应用于Mask RCNN实例分割网络的分割分支上,提高了Mask RCNN网络的分割性能。2.提出基于Bi-LSTM的服装搭配网络,共有三个模块组成。a)特征提取模块分别使用Inception V3提取服装图像的低层特征信息和Mask RCNN的分类分支提取服装图像的高层语义信息;b)风格相容性模块将服装搭配单品视为时间序列,用Bi-LSTM网络学习服装单品之间的前后联系和整体风格的相容性;c)特征融合模块引入了融合两种图像特征信息的参考向量,设计的损失函数既能提高同张图像两种信息之间的相似度又能增大不同张图像之间两种信息的区分度,该参考向量更好的表达了图像信息。实验结果表明,提出的损失函数和参考向量对后期的填空选择推荐和服装搭配打分任务都有促进作用。3.提出端对端的服装搭配系统,将图像中的服装单品分别分割并进行后处理后送入服装搭配网络中实现服装搭配推荐任务,整个系统由前期实例分割和后期服装搭配推荐两部分组成,只需要输入一张包含服装的图像就可以完成服装搭配推荐和服装搭配打分的任务,是一个端对端的系统,能应用于网络平台上为用户找到合适的服装搭配方案。
基于深度推荐的农产品电商系统的设计与实现
这是一篇关于农产品电商系统,推荐系统,Bi-LSTM,深度神经网络,注意力机制的论文, 主要内容为农业是我国的第一产业,基础农产品的销售是直接影响农民收入和农业发展的大问题,与国家实现共同富裕,都有着密不可分的联系。随着信息技术的发展,农产品电商为农产品销售带来了新的思路和商机。推荐系统是基于用户—物品历史交互信息或用户、物品的特征信息,满足用户多元化、个性化的购物需求。同时,农产品电商的推荐中由于不能准确建模用户行为的上下文语义特征,进而不能准确理解用户的意图,完成精准推荐。为了解决上述问题,本文完成了以下两方面主要工作:提出了基于TextRank融合Bi-LSTM+Attention的深度学习算法推荐模型,用于用户兴趣建模和物品特征建模。具体地,为了解决Bi-LSTM+Attention模型不能准确提取过长文本的特征问题,引入TextRank提取长文本关键词,进而提出基于TextRank融合Bi-LSTM+Attention的深度推荐算法。为了验证该方法进行语义推荐的有效性和性能,将该算法在Adressa数据集上进行实验,实验结果表明该推荐方法比传统的推荐方法,能更好理解用户的潜在语义信息,并进行精准的推荐。设计并实现了基于TextRank融合Bi-LSTM+Attention的推荐算法的农产品电商系统,电商系统基于B/S架构,使用Django开发框架、My SQL数据库管理系统和Redis,实现了用户前台购物功能和后台管理功能,并通过软件测试验证了系统运行稳定,系统实现完整有效。
运载火箭飞行轨迹预测和状态监控及实现
这是一篇关于辅助决策,状态监控,轨迹预测,孪生神经网络,Bi-LSTM的论文, 主要内容为现有的安全控制辅助决策系统主要依靠专家多年经验总结的判决规则对运载火箭进行故障判决,这种判决方式对安控指挥员的经验与反应能力要求高,过分的依赖人工决策。而且,这种安全控制辅助决策系统,只能对运载火箭当前的飞行状态进行判别,不能对运载火箭飞行轨迹进行预测。本文设计的运载火箭飞行轨迹预测及状态监控系统是安全控制辅助决策系统的子系统,是在原来系统上的扩展。其主要完成对运载火箭当前飞行状态的监控和预测未来一段时间运载火箭的飞行轨迹,给安控指挥员提供辅助决策信息。本系统采用了B/S架构,主要分为状态监视模块、飞行状态分析模块、飞行轨迹预测模块。该系统也能够独立的完成相应的功能,与其他子系统也存在着紧密联系。对于运载火箭飞行状态监控需要解决的问题有:弹道数据存在野值且具有较强的非线性;现有的状态监控方法存在局限性;对状态监控有较高的准确性和实时性要求。本文建立了一种将最小二乘建模与肖维涅准则相结合的方法对弹道数据野值进行判别与填充。由于神经网络对非线性数据的拟合效果很好,所以研究了一种基于孪生神经网络的运载火箭飞行状态监控方法,该方法是根据运载火箭飞行状态标签来学习弹道数据之间的相似关系,与传统的相似性度量方法不同的是,该方法考虑了弹道数据特征对相似性的影响,然后根据运载火箭的理论弹道与实际弹道的相似程度和训练模型的阈值来判断运载火箭飞行状态是否正常,实验结果证明该方法具有较高的准确性和实时性。对于运载火箭飞行轨迹预测主要解决的问题有:弹道数据存在野值且具有较强的非线性;要对运载火箭飞行轨迹进行多步预测;对轨迹预测要求具有较高的准确性和实时性。针对弹道数据具有非线性的问题,神经网络可以很好的拟合非线性数据,而且神经网络可以实现多步预测,因此本文建立了基于Bi-LSTM神经网络的多步预测模型。通过该模型预测未来一段时间的运载火箭的飞行轨迹,当预测的运载火箭飞行轨迹超出安全管道后,系统判定飞行状态异常,从而给安控指挥员更多的决策时间,该方法具有较高的准确性和实时性。
基于集成学习的中文情感分类研究
这是一篇关于情感分类,集成学习,差分进化,Bi-LSTM的论文, 主要内容为近年来,随着国内的互联网行业的飞速发展,各种电商平台,社交平台的出现,网络用户也日益增多。互联网给人们的生活带来了很大的便利,人们可以通过电商平台选购商品,并对购买的商品作出评价。这些评价内容,蕴藏着消费者对商品的看法和态度,这些信息对商家制定营销策略和用户作出购买决策有重要的参考价值。庞大的网络用户群体,产生了海量的评论数据,如何从这些评论型文本数据中挖掘出其中蕴含的情感倾向,是近年来研究的热点之一。本文针对中文情感分类研究,利用集成学习的方法,以提高分类准确率为目的,提出两种中文情感分类模型:(1)提出一种基于差分进化优化个体分类器权重的集成分类算法,在三个领域的语料集上进行中文情感分类实验。通过研究在情感分类任务上常用的分类方法,选择表现较好的五种分类模型,以分类准确率为适应度值,使用差分进化算法优化五种个体分类器的权重组合,寻找五种分类器在情感分类任务上的最优权重组合,通过加权投票的结合策略,得到集成模型。实验结果表明,经过优化权重后的集成模型在中文情感分类任务上有更高的准确率。(2)提出一种基于Bi-LSTM的集成分类模型,用于中文情感分类任务。首先用word2vec在语料集上训练语言模型,得到所有词汇的词向量表示,用词向量表示文本;然后利用Bi-LSTM网络学习文本特征更充分的优势,构建多个BiLSTM模型,在构建单个模型时,引入Dropout机制,对每个Bi-LSTM模型随机生成不同的Dropout保留概率,分别训练多个网络结构不同的Bi-LSTM模型,通过这种参数扰动的方法增强集成模型中个体网络的多样性;最后,通过简单平均的结合策略将所有模型结合起来,得到最终的集成模型。在三个领域的中文评论语料上进行了中文情感分类实验,验证了提出模型的有效性。
基于深度推荐的农产品电商系统的设计与实现
这是一篇关于农产品电商系统,推荐系统,Bi-LSTM,深度神经网络,注意力机制的论文, 主要内容为农业是我国的第一产业,基础农产品的销售是直接影响农民收入和农业发展的大问题,与国家实现共同富裕,都有着密不可分的联系。随着信息技术的发展,农产品电商为农产品销售带来了新的思路和商机。推荐系统是基于用户—物品历史交互信息或用户、物品的特征信息,满足用户多元化、个性化的购物需求。同时,农产品电商的推荐中由于不能准确建模用户行为的上下文语义特征,进而不能准确理解用户的意图,完成精准推荐。为了解决上述问题,本文完成了以下两方面主要工作:提出了基于TextRank融合Bi-LSTM+Attention的深度学习算法推荐模型,用于用户兴趣建模和物品特征建模。具体地,为了解决Bi-LSTM+Attention模型不能准确提取过长文本的特征问题,引入TextRank提取长文本关键词,进而提出基于TextRank融合Bi-LSTM+Attention的深度推荐算法。为了验证该方法进行语义推荐的有效性和性能,将该算法在Adressa数据集上进行实验,实验结果表明该推荐方法比传统的推荐方法,能更好理解用户的潜在语义信息,并进行精准的推荐。设计并实现了基于TextRank融合Bi-LSTM+Attention的推荐算法的农产品电商系统,电商系统基于B/S架构,使用Django开发框架、My SQL数据库管理系统和Redis,实现了用户前台购物功能和后台管理功能,并通过软件测试验证了系统运行稳定,系统实现完整有效。
基于深度推荐的农产品电商系统的设计与实现
这是一篇关于农产品电商系统,推荐系统,Bi-LSTM,深度神经网络,注意力机制的论文, 主要内容为农业是我国的第一产业,基础农产品的销售是直接影响农民收入和农业发展的大问题,与国家实现共同富裕,都有着密不可分的联系。随着信息技术的发展,农产品电商为农产品销售带来了新的思路和商机。推荐系统是基于用户—物品历史交互信息或用户、物品的特征信息,满足用户多元化、个性化的购物需求。同时,农产品电商的推荐中由于不能准确建模用户行为的上下文语义特征,进而不能准确理解用户的意图,完成精准推荐。为了解决上述问题,本文完成了以下两方面主要工作:提出了基于TextRank融合Bi-LSTM+Attention的深度学习算法推荐模型,用于用户兴趣建模和物品特征建模。具体地,为了解决Bi-LSTM+Attention模型不能准确提取过长文本的特征问题,引入TextRank提取长文本关键词,进而提出基于TextRank融合Bi-LSTM+Attention的深度推荐算法。为了验证该方法进行语义推荐的有效性和性能,将该算法在Adressa数据集上进行实验,实验结果表明该推荐方法比传统的推荐方法,能更好理解用户的潜在语义信息,并进行精准的推荐。设计并实现了基于TextRank融合Bi-LSTM+Attention的推荐算法的农产品电商系统,电商系统基于B/S架构,使用Django开发框架、My SQL数据库管理系统和Redis,实现了用户前台购物功能和后台管理功能,并通过软件测试验证了系统运行稳定,系统实现完整有效。
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：毕业设计驿站 ，原文地址：https://m.bishedaima.com/lunwen/47861.html
