5篇关于贝叶斯优化的计算机毕业论文

今天分享的是关于贝叶斯优化的5篇计算机毕业论文范文, 如果你的论文涉及到贝叶斯优化等主题,本文能够帮助到你

温室作物远程监控与智能灌溉系统研究

这是一篇关于温室作物监控,蒸腾量预测,智能灌溉,XGBoost算法,贝叶斯优化,SAPSO的论文, 主要内容为论文在传统温室种植基础上开发一套温室作物远程监控与智能灌溉系统,实现对影响作物生长的环境因子的远程监控,同时利用智能算法控制终端灌溉设备,达到智能节水灌溉的效果。论文在首先分析系统功能需求后,提出了总体设计方案。完成了数据采集、数据传输、远程监控三大模块的开发与构建,并阐述了系统硬件设计及其软件开发,包括主控制器、NB-Io T模块、传感器、CC1110无线传输模块等。为实现作物的精准灌溉,论文构建了基于XGBoost优化算法的作物蒸腾量预测模型。采用主成分分析法筛选影响温室作物蒸腾量的关键影响因子作为系统输入变量;利用贝叶斯算法确定XGBoost模型的超参数,增强预测模型的预测拟合度。实验表明,与传统的网格搜索、随即搜索等超参数优化方法相比,采用贝叶斯优化后的XGBoost预测模型提高了预测精度;在相同实验数据和实验平台下与其他模型对比分析,结果表明所提出的预测模型预测精度高,提高温室作物蒸腾量预测的准确性与可行性。同时,根据温室作物生长实际情况,论文还构建了基于模糊控制的智能灌溉模型。将预测到的作物蒸腾量与土壤湿度偏差作为模型输入,经过一系列模糊过程,输出灌溉时长。考虑到模糊控制系统建立时存在的主观性,引入模拟退火粒子群算法,选用标准测试函数验证算法的优越性能,并将其应用到智能灌溉模糊控制系统中,完成隶属度函数的优化。论文最后利用JAVA语言、MySQL数据库、IntelliJ IDEA工具,开发基于B/S架构的温室作物远程监控与智能灌溉系统,具备用户管理、数据存储、实时环境监测、历史数据查询、设备控制等功能。并将作物蒸腾量预测与智能灌溉模型应用到温室黄瓜种植现场,将智能灌溉与传统灌溉方式从果实平均产量、叶片数、灌溉量等进行对比分析,结果表明智能灌溉可在不影响作物生长的情况下减少灌溉量。

基于贝叶斯优化的图神经网络架构搜索方法

这是一篇关于神经网络架构搜索,图神经网络,贝叶斯优化,神经过程的论文, 主要内容为随着深度学习方法的蓬勃发展,神经网络模型作为数据挖掘的有效手段已经成为许多行业的共识,相关方法在图像、文本、音频等多种数据形式的任务上取得了不错的成绩。近年来随着图神经网络(Graph Neural Network,GNN)模型的兴起,研究人员进一步利用图的数据结构建模广泛存在于生活中的非欧几里得空间中的任务变量交互与依赖关系,在推荐系统、知识图谱推理、蛋白质分子属性预测、化学分子生成、疫情传播预测等任务上进行了探索。在神经网络模型的发展过程中,从业者们为了节约重复设计、优化模型所产生的人力开销提出了神经网络架构搜索(Neural Architecture Search,NAS)方法,并在近十年中得到长足的发展。然而,针对图神经网络模型的架构搜索工作还处于发展起步阶段,从架构搜索方法的三个要素出发:受制于图神经网络模型缺失网络结构的特性,研究人员难以设计有表现力且创新的搜索空间;复用传统神经网络上的架构搜索方法,设计搜索策略以实现在庞大搜索空间中的高效搜索问题仍需解决;面对诸多结构属性各异的图数据集,设计合适的图神经网络模型快速评估方式提高模型验证效率也是需要解决的问题之一。同时,得益于图数据集结构特征显著,图神经网络架构搜索框架中进行多个数据集的历史搜索结构共享和搜索经验迁移成为了可能。针对以上问题和思考,本文主要工作如下:(1)提本出了一个基于贝叶斯优化方法图神经网络架构搜索框架。本文以设计图神经网络架构搜索框架为主要问题导向,将神经网络架构搜索领域的设计要素应用至图神经网络领域中——搜索空间、搜索策略与评估策略。本文设计了一个可变深度的非单链式图神经网络搜索空间,旨在提高模型的表达能力上限;结合贝叶斯优化方法的全局搜索特点,本文希望实现快速且稳定的图神经网络架构搜索流程。本文是第一个将贝叶斯优化方法应用至图神经网络架构搜索任务中的工作。(2)结合神经过程方法与神经网络架构搜索方法,设计了一个拟合图神经网络结构与性能数据的图神经网络架构性能预测器,同时实现了“利用多个数据集的架构搜索历史数据迁移经验帮助预测性能”的能力。本文将神经过程方法引入至神经网络架构的性能预测任务中,将神经过程方法对相关函数族的拟合能力拓展到神经网络结构与性能数据预测任务中,旨在对图神经网络结构集合有鉴别能力。另外,本文还将神经过程对函数族的拟合能力应用至多个数据集历史数据中,旨在为图神经网络架构搜索框架在新数据集上提供迁移经验或提供缓解冷启动的能力,提高模型在真实任务中的部署速度。(3)在多个图数据集上进行了实验对比,对比内容包括图神经网络架构搜索框架搜索到的神经网络性能对比和神经过程方法对图神经网络结构性能预测能力的对比。实验结果表明本文提出的图神经网络架构搜索方法相较于传统图神经网络模型以及其他主流工作有竞争力;本文提出图神经网络模型性能预测方法可以在少量训练的情况下获得图神经网络模型的鉴别能力。(4)作为应用实例之一,本文将图神经网络架构搜索框架拓展至约束满足问题(Constraint Satisfaction Problem,CSP)的一个实例图着色问题(Graph Coloring Problem)上,探索了使用图神经网络模型解决图着色问题的可能性。

面向煤矸分选的深度视觉自动部署建模与结构搜索技术研究

这是一篇关于煤矸分选,神经网络结构搜索,贝叶斯优化,粒子群优化算法的论文, 主要内容为原煤开采是世界能源产业的重要组成部分,原煤开采需分离含有重金属与硫磷灰等杂质的矸石,以提高原煤品质。煤矸自动化分选能够有效提高分选效率、减少环境污染。目前煤矸分选主要采用基于卷积神经网络的视觉识别方法,最近大多数煤矸识别研究侧重于改进现有主流的深度神经网络,通过增加网络深度、宽度等方式开发容量(capacity)较大的过拟合模型,随后调整模型结构(增加或减少层数)并结合正则化策略以进一步提高煤矸石识别准确率,但该方法可能会降低模型参数效率。例如本文实验中融合正则化策略设计的84层Res Net深度网络,其煤矸石识别准确率达到80.3%,但模型参数量增加至约1537.2万。另外,当固定网络结构部署于煤矸石分选设备时,分选设备在固定工况下可能难以泛化解决特殊地质条件下煤矸识别问题,而选煤厂一线工作人员可能缺乏机器学习相关知识背景,难以针对性的提升模型泛化能力。针对以上问题,本文主要采用神经网络结构搜索(NAS),实现面向煤矸石分选的神经网络结构的自动设计与建模(理想模型趋近既不欠拟合也不过拟合的零界点),以提高煤矸石识别模型的泛化能力与模型参数效率。首先,本文提出了基于贝叶斯优化的NAS算法,以低分辨率煤矸石图像为输入自动搜索最优细胞结构,随后通过叠加最优细胞结构扩展成更大网络结构,从而适应更高输入分辨率。经实验证明,本文通过叠加细胞构建的40层Cell Net模型实现了81.8%的煤矸石识别准确率,优于本文对比实验中人工设计的神经网络结构。同时,其模型参数量远小于对比实验中人工设计模型的参数量,实现了模型参数效率与煤矸石识别准确率的平衡。更值得一提的是,上述方法能针对洗煤厂分选图像数据自动生成神经网络结构,使得缺乏机器学习相关背景的煤矸分选工作人员也能针对设备工况和地质条件的变化自动设计神经网络结构,解决了固定网络结构难以泛化识别特殊地质条件下的煤矸石图像。其次,在煤矸石训练集有限的情况下,单一叠加更多的细胞结构可能导致网络结构过拟合。因此为了进一步提高模型泛化能力,本文改进了上述单一叠加细胞结构的策略,提出神经网络结构联合放缩策略。联合放缩策略随着输入分辨率提升,通过按比例增加网络结构的宽度与深度,并且融合随机深度,标签平滑等多种正则化策略以解决放缩过程中出现的过拟合问题,从而进一步提升网络结构泛化能力,实现比第四章最优结构Cell Net-40更高的煤矸石识别准确率。

网联场景下插电式混合动力汽车的能量优化研究

这是一篇关于网联汽车,速度规划,庞特里亚金最小值原理,贝叶斯优化的论文, 主要内容为随着信息网络技术的飞速发展,万物互联时代正在到来,5G等信息技术的发展也为传统汽车向智能网联汽车转型升级提供了技术保障。随着车辆与外界信息交换技术的不断突破,也让车辆开始拥有自主最优决策能力。同时智能网联混合动力汽车可有效减少能源消耗与环境污染,对实现碳达峰、碳中和的“双碳战略”具有重要意义。为此,亟需开发一套满足车、路、云、网协同的实时能量控制策略,确保车辆实现最优经济性驾驶。本文基于车辆与外界的信息交换技术(Vehicle to Everything,V2X),研究了插电式混合动力汽车在网联跟车场景下动态交通中的最优能量控制策略问题。本文的动态交通设定为:网联场景中前车可能受到其他车辆引起的交通堵塞、停滞等红灯等情况的影响,且信号灯的时序信息(Signal Phase and Timing,SPa T)并不是全路程都知晓,对于拥有车辆对建筑的信息交换技术(Vehicle to Infrastructure,V2I)的目标车辆来说,其信息传递只能接受临近的2处信号灯的时序信息。具体研究内容如下:首先,分析了目标车辆的动力系统模型,使用功率分流式行星排结构作为动力耦合装置,分析了其与传统串、并联构型的差异。在行星排传动结构建模中考虑了转动惯量因素,利用后向建模仿真方法,建立模型公式。并建立了网联路况的交通信息模型。其次,对于网联车辆而言,其速度规划也是非常重要的一个方面。针对网联跟车场景下对前车的速度预测,提出了径向基神经网络速度预测、高斯过程速度预测和基于加速度序列的速度预测方法,并进行了比较分析。对比结果显示,加速度序列的速度预测具有更高的预测精度,更加适用于来预测前车穿过临近信号灯处的时间点,为网联跟车场景下的目标车辆的速度优化提供信息支持。再次,针对于网联车辆的能量管理策略问题,使用了基于模型预测控制方法(Model Predictive Control,MPC)的庞特里亚金最小值原理(Pontryagin’s Minimum Principle,PMP)来实时求解,并与动态规划(Dynamic Programming,DP)方法进行比较研究。现有的PMP算法中的参考电池荷电状态(State of Charge,SOC)曲线常采取等距离分配的策略,没有考虑有无坡度下的SOC的最佳变化问题,本文提出了基于贝叶斯优化(Bayesian)的参考SOC曲线规划方法,与等距离分配策略相比,其结果更加贴合基于DP方法下SOC曲线,燃油经济性更佳。最后,在网联跟车场景中,综合考虑了跟车通行效率、跟车安全性和燃油经济性等多目标来规划目标车辆的速度曲线,分析了其速度规划算法中不同最优恒定速度的设定对总燃油消耗的影响。并使用贝叶斯优化的PMP+MPC方法来求解能量管理策略,并进行仿真结果分析。