7篇关于极限学习机的计算机毕业论文

今天分享的是关于极限学习机的7篇计算机毕业论文范文, 如果你的论文涉及到极限学习机等主题,本文能够帮助到你

建筑室内环境监测系统设计与实现

这是一篇关于室内环境监测,云平台,物联网,云数据库,极限学习机的论文, 主要内容为智能化系统是建筑实现感知、决策和推理的重要手段。因此在系统运行过程中不仅需要考虑为用户提供高质量的服务,还应考虑系统的自动化、智慧化、模块化以及建筑是否达到低能耗、低环境影响等因素。本课题针对建筑的室内环境监测问题研发了“云-管-端”系统平台,主要工作包括基于物联网技术的数据采集、数据获取、平台软件开发和预测模型研究等,具体工作如下:首先,综述了建筑智能化系统的发展现状,阐述了利用云平台提升建筑室内环境监测服务的意义,指出在云平台上开发建筑智能化系统的目的是提升泛在接入、智慧管理、可扩展与可复制等性能。其次,对建筑环境监测系统进行需求分析,提出应从五个方面进行系统搭建。进一步设计了系统的总体架构并阐述了各层次的功能,建筑室内环境监测系统采用“云-管-端”方式,主要由感知层、网络层、功能层、服务层和应用层组成。再次,为实现数据实时采集和上传,采用物联网技术构建了硬件系统。利用基于Arduino开发板和ESP8266EX无线芯片结合而成的ESPDuino开发平台,对温度、湿度、室内PM2.5浓度、甲醛浓度、二氧化碳浓度、人员状态和用电量等监测模块进行了设计和研发,并完成了动态组网配置,为建筑室内环境监测系统的全面感知奠定了物理层基础。然后,对系统平台的数据结构进行了逻辑分析,使用PHP脚本语言完成了数据库的开发。在此基础上,基于B/S架构,采用云平台解决方案LNMP(Linux、Nginx、MySQL和PHP相结合)对系统平台软件进行了设计与开发,其内容主要包括环境监测、人员监测、能耗监测、信息管理等模块化服务。Web开发使用运行速度较快、可移植性较强的PHP语言,结合前端框架(Bootstrap)和图表框架(Highcharts),依据“数据采集、数据分析、数据展示”的流程,将温度、湿度、室内PM2.5、甲醛、二氧化碳、人员和能耗等数据可视化,并且相关提示和信息通过发送邮件方式告知运维人员。此外,本课题还设计开发了手机客户端,用户可在移动终端上对系统进行查询、控制与管理。手机客户端开发基于MVC模式,通过加载网页展示控件(Webview)的方法将Web端的各类功能植入手机客户端。最后,因室内空气品质预测和建筑能耗的预测对建筑智能化系统运行与管理起重要作用,本文采用极限学习机对系统采集的室内PM2.5浓度值数据和某公共建筑的能耗数据分别进行了预测研究。建立了预测模型并进行了训练,仿真结果证实了算法的有效性,该研究工作对建筑优化控制具有指导意义。本文的研究工作层层递进,首先提出了一套切实可行的建筑室内环境监测系统体系架构,进而实现了数据采集和数据获取;然后在此基础上基于LNMP框架(Linux、Nginx、MySQL和PHP相结合的解决方案)构建了基于物联网的、运行于云平台上的Web客户端和手机客户端,完成了环境监测模块、人员监测模块和能耗监测模块等开发;最后针对系统智慧化的关键即数据分析和应用开展了利用极限学习机理论完成PM2.5浓度和建筑能耗的预测模型建模,并通过仿真验证了算法的有效性。这些研究工作将对物联网、云平台的应用及建筑智慧化管理具有良好地借鉴作用。

上海市商贸流通效率演进及商务信用影响机理研究

这是一篇关于流通效率,商务信用,指标体系,极限学习机的论文, 主要内容为商贸流通业是国民经济的重要组成部分,作为中间产业,其一端连接着生产制造,一端连接着消费。由于商贸流通业涉及国民经济的各个方面,提高商贸流通效率不仅能够推动经济发展、增加社会财富、提高生活水平,同时也能提升我国的国际竞争力、维持我国在国际贸易大环境中的话语权。然而诸多因素影响着商贸流通效率,或推动、或制约着我国商贸流通业的发展,因此,为了探究这些因素的影响机制并找寻到合理的流通治理模式,本论文展开了以下工作:首先,梳理了国内外商贸流通效率的相关理论,对流通经济理论、效率理论和平台经济学理论等与本论文研究相关的理论进行了阐述;其次,重点分析了商务信用对流通效率产生影响的具体机制,并通过知识图谱梳理了国内商务信用的研究现状;接着对比了我国长三角地区与国外发达国家流通领域商务信用体系的建设状况,总结了我国长三角地区在商务信用体系构建上存在的不足与滞后之处。在实证研究部分,论文先以Citespace梳理了国内商贸流通效率测度指标的研究,并通过因子分析法得到了流通效率的计算公式,然后运用超效率DEA评价了上海市商贸流通效率的投入产出有效性,且借助极限学习机算法量化了商务信用对上海市商贸流通效率的影响。最后,论文针对我国流通业发展现状,提出了以商务信用为核心来创建新时代背景下的流通治理模式,并给出了具体的对策和措施。

基于极限学习机的主动学习算法研究

这是一篇关于主动学习,多标记主动学习,极限学习机,共享近邻聚类,类别不平衡的论文, 主要内容为随着存储设备、网络以及压缩技术的快速发展,各类数据呈现爆炸式增长的趋势,这导致了以下的场景越来越普遍:获取大量的实例往往是容易的,而对这些实例进行标注的过程却是异常昂贵且耗时的。针对这一困境,主动学习作为一种重要的机器学习范式被提出。本文聚焦于主动学习的查询策略设计,这是主动学习技术的关键,查询策略设计的好坏直接影响着主动学习的整体性能。针对单标记学习场景和多标记学习场景,本文分别设计了两种不同的主动学习查询策略以适应不同的情况。对于单标记学习场景,现有的查询策略往往只考虑开发能力,而忽略了探索能力,这将导致冷启动问题,增加模型陷入局部最优的风险。为了解决这一问题,本文提出了一种名为AL-SNN-ELM(Active learning-Shared Nearest Neighbor-Extreme learning machine)的改进算法。对于多标记学习场景,查询策略的设计难点如下:第一,相较于单标记学习场景具有更高昂的标注成本;第二,难以衡量实例在所有标签上的统一信息量;第三,在多标记场景中,类别不平衡问题的广泛存在。为了解决上述几个问题,本文提出了一种名为PLVI-CE(Predicted label vectors inconsistency and cross entropy measure)的多标记主动学习查询策略。具体来说,本文的研究内容与创新点主要涵盖以下两点。一、提出一种混合探索与开发的主动学习算法AL-SNN-ELM是一个包含探索子阶段和开发子阶段的主动学习算法。在探索子阶段中,使用共享近邻聚类算法(Shared Nearest Neighbor,SNN)来探索样本的空间分布,查询最具有代表性的实例。在开发子阶段中,将极限学习机(Extreme Learning Machine,ELM)的实际输出转化为后验概率,然后通过最大边缘采样方法来查询具备不确定性的实例。换言之,在探索子阶段中通过观察数据的全局分布来粗略定位一个大致精准的决策边界,随后在开发子阶段中通过查询集中于决策边界周围的实例,从而进一步精确地调整决策边界。此外,为了降低主动学习的时间复杂度,本文采用了在线顺序极限学习机(Online Sequence-Extreme Learning Machine,OS-ELM)来代替传统的ELM,在主动学习的训练过程中,每次迭代后不需要重新训练分类模型,而只需要在前一次迭代的结果上进行更新即可。二、提出一种同时考虑不确定性和多样性的多标记主动学习算法设计了一种名为PLVI-CE的多标记主动学习查询策略,该算法同时考虑了对不确定性和多样性的度量。其中,不确定性是由来自同一个未标注实例的两种预测标签向量之间的不一致性来衡量的,而每个未标注实例的多样性是由其与所有已标注实例的后验概率的平均差异来衡量的。此外,为了应对多标记学习场景下类别不平衡问题所带来的影响,本文尝试采用标签加权的极限学习机(Label-weighted Extreme Learning Machine,LW-ELM)作为多标记主动学习框架中的基础分类模型。这是因为考虑到LW-ELM以下的几个优势:第一,较低的计算成本;第二,较强的泛化性能;第三,能够直接应用于具有类别不平衡分布的多标记数据,以便设计的主动学习查询策略能够在多标记场景下提供近似无偏的查询。针对AL-SNN-ELM算法而言,本文在22个UCI基准数据集上进行大量实验,其实验结果表明,所提出的算法与对比算法相比有明显的性能提升,其中在aggregation数据集上相较于AL-ELM算法的ALC值提升了3.5%。这验证了在设计主动学习的查询策略时,同时考虑探索能力和开发能力是有必要的。针对PLVI-CE算法而言,本文在12个基准多标记数据集上进行大量实验,其实验结果表明,与目前最先进的几种多标记主动学习算法相比,所提出的PLVI-CE算法的有效性和优越性。其中所提出的算法相较于最先进的对比算法AUDI在flags数据集上的Micro-1指标上提升了2.61%,在Macro-1指标上提升了2.14%,在汉明损失指标上提升了2.58%。

基于ELM的信任计算研究

这是一篇关于信任计算,在线社交网络,极限学习机,多层极限学习机,机器学习的论文, 主要内容为在线社交网络的庞大用户规模,导致在线社交网络中用户之间的直接信任关系存在稀疏性。因此,计算在线社交网络(OSN)中这些用户之间的间接信任,可以让用户获得更高的服务质量和增强用户交流的安全性。同时,信任在辅助决策、推荐系统和隐私保护等应用中起到了重要作用。大部分的学者都是通过演绎的方式来研究OSN中信任的传递和聚合过程。但这种方式是根据认知经验做出的假设,且很难适用于不同社交网络。还有一部分学者基于训练的方式通过使用神经网络来研究信任的计算,但其使用的前馈神经网络很难模拟OSN中的用户之间的信任传递和聚合的过程。这是因为神经网络的结构是确定的,而OSN中用户之间的拓扑结构是各异的。依据极限学习机(ELM)和多层极限学习机(ML-ELM)理论,本文基于训练的方式提出了两种神经网络模型ELM-Walk Net和ML-ELM-Walk Net,这可以用来建模用户之间的两步信任的计算过程。首先,ELM-Walk Net和ML-ELM-Walk Net将两个用户间所有的两步信任路径上的信任值放入一个向量作为神经网络的一条输入数据;其次,分别通过一个单隐层前馈神经网络和多隐层前馈神经网络获得的输出来模拟计算用户间的两步信任的过程;然后,用其计算出OSN中所有用户之间的两步信任,将计算出的所有信任值添加到OSN中;最后,通过ELM-NeuralWalk和ML-ELM-NeuralWalk分别循环的调用ELM-Walk Net和ML-ELM-Walk Net来完成OSN中所有用户之间的多步信任的计算,有效地解决了OSN中用户之间的拓扑结构不一致的问题。并且ML-ELM-NeuralWalk通过布尔矩阵运算的方式寻找训练数据和预测数据,有效提高了训练集和预测集的计算速度。实验结果表明,相较于现有的信任计算解决方案,本文所提出的两种神经网络模型能精准的模拟用户间的两步信任的计算过程,并且ELM-NeuralWalk和ML-ELM-NeuralWalk算法可以提供更准确高效的多步信任计算结果。

上海市商贸流通效率演进及商务信用影响机理研究

基于LoRa与GWO-ELM的自动水质监测系统研究

这是一篇关于水质监测,LoRa,灰狼算法,极限学习机,LightGBM的论文, 主要内容为水是万物之源,纯净的水对于万物的生长极为重要。近年来,我国工业现代化进程的快速发展,使江河湖泊的污染现象变得极为突出;由于人们的生活生产,使得地下水和地表水的水质急剧恶化,可供人们使用的水资源愈发紧缺。针对以上问题,本文基于鄱阳湖南矶山截面为背景,设计一套基于LoRa技术的在线水质监测系统,对鄱阳湖水域的水质实时监测,及时掌握远端水域信息,通过对数据进行分析,预测水域水质。首先,分析广域网的特点和水质监测领域的瓶颈,提出将LoRa技术应用水质监测系统。讨论系统的需求和总体架构,对终端节点和网关节点的软硬件进行设计,分析监测指标并选择传感器类型,对主控模块和无线通信模块(LoRa和GPRS)进行设计;使用Modbus协议和RS485搭建总线模式,使用LoRa技术和MQTT协议搭建LoRa WAN系统架构,研究该架构的帧结构、工作模式和入网模式,及MQTT代理服务器和网关与服务器的集成,完成LoRa系统的搭建部署。其次,分析水质数据表结构,建立MySQL数据库和表;使用Nginx反向代理和Redis缓存技术搭建高性能的Web服务器集群;使用JAVA语言,结合主流的SSM框架和Vue与Element-ui进行Web页面开发,并利用Echarts技术实现数据图表可视化,以及网关信息的增删改查;对于大量的水质历史数据,提出大数据Hadoop集群技术进行存储和分析,为算法模型的建立提供数据来源。然后,针对数据缺失和异常问题提出解决方法。考虑到数据特征之间存在耦合关系,本文采用因子分析法(Factor Analysis,FA)对特征进行降维,确定p H、高锰酸盐、氨氮、电导率、溶解氧和总磷等6种主要特征,作为算法模型的输入。针对BP(Back Propagation)神经网络训练时间长、容易陷入局部最优,本文提出使用极限学习机(Extreme Learning Machine,ELM)对总磷进行回归预测,预测结果中RMSE可达到0.015,相比于BP的0.017,减少12%,训练时间达到0.001,相比于BP的0.022,减少95.5%,结果表明,本文提出的ELM模型训练时间短、预测精度高。但ELM模型的性能取决于初始权值和阈值,它们具有随机性,为了得到最优的参数,本文采用灰狼算法(Grey Wolf Optimizer,GWO)进行参数寻优,使用最优参数的ELM模型对总磷进行预测,预测结果中RMSE达到0.009,相比于ELM减少40%,相比于BP减少47%,实验结果表明,优化后的GWO-ELM模型具有更好的预测精度。最后,针对上述算法不适用大数据场景,本文提出使用Light GBM(Light Gradient Boosting Machine)集成算法对总磷进行预测,预测结果中RMSE达到0.01,相比于ELM模型减少33%,但比GWO-ELM模型高10%,它的性能受到超参的影响,因此采用GWO对超参进行寻优,使用最优参数的Light GBM模型对总磷进行预测,预测结果中RMSE达到0.005,相比于Light GBM模型减少50%,比GWO-ELM模型减少44%,比ELM模型减少66.7%,而R2也达到96.5%,优化后的GWO-Light GBM模型具有更好的预测精度,可知,LightGBM模型的抗干扰和拟合能力强于ELM模型。