分享5篇关于数据重构的计算机专业论文

今天分享的是关于数据重构的5篇计算机毕业论文范文, 如果你的论文涉及到数据重构等主题,本文能够帮助到你

基于深度学习的叶绿素a数据重构及其时空变化特征研究

这是一篇关于叶绿素a,深度学习,数据重构,降尺度,时空变化的论文, 主要内容为叶绿素a是海洋浮游植物的主要光合色素,是水质评价的重要指标,它反映了海洋的初级生产力,其时空特征包含海区基本的生态信息,与各种海洋环境因素密切相关,具有重要的研究意义。卫星遥感技术具有尺度大、覆盖范围广和连续性强的特点,成为获取叶绿素a浓度信息有效方式。但是卫星携带的传感器覆盖面有限,易受云、太阳耀斑等气象因素的影响,使得卫星遥感叶绿素a数据存在大面积缺失,极大的降低了数据的利用率。由于卫星在时间和空间分辨率上的取舍,导致高时间分辨率卫星的叶绿素a数据的空间分辨率往往较低,难以对小区域尺度的叶绿素a进行细节的空间变化分析。针对上述问题,本文首先利用DINCAE方法对缺失叶绿素a数据进行重构,全方位评价了DINCAE的重构精度,并利用DINEOF方法进行对比分析;然后利用随机森林算法对近岸区域的叶绿素a图像进行降尺度重构提高其空间分辨率,最后,利用上述重构后的完整叶绿素a数据进行时空变化分析,并探究了叶绿素a浓度变化的影响因子。研究结果如下:(1)DINCAE算法重构后的叶绿素a数据与原始数据的R为0.87,DINCAE算法重构能够保留原始图像更多的小尺度细节特征,对原始数据的还原度高。DINCAE和DINEOF算法的重构精度都受缺失率的影响较大,其中DINCAE的重构偏差随着缺失率的增加,下降速率比DINEOF的重构偏差更快,表明DINCAE算法的重构精度受数据缺失率的影响比较敏感。(2)降尺度重构模型生成的叶绿素a数据能较好反映近岸海域叶绿素a浓度的空间变化特征,通过与实测站点数据对比分析表明,降尺度模型生成的叶绿素a数据与实测数据具有较高的一致性,R2达到了0.82,通过敏感性分析,得出大气校正在模型降尺度重构中具有重要作用,间接决定了模型精度。(3)南海北部叶绿素a浓度空间分布呈现出靠近陆地的浅水区域高,离岸水域低,随着水深逐级递减;在年均尺度上,叶绿素a浓度整体表现为逐年下降的趋势,在季节尺度上,叶绿素a浓度表现为冬季最高,春季最低。(4)叶绿素a浓度与海表温度和盐度均呈负相关,随着温度和盐度的增加,叶绿素a浓度逐渐减少,其中海表温度和盐度与叶绿素a浓度相关性最大的季节分别为冬季和夏季。

面向信号的对抗性防御算法研究

这是一篇关于信号调制样式,对抗攻击,对抗防御,数据重构,激活函数的论文, 主要内容为近年来,基于深度学习的信号调制样式识别比传统方式下的信号识别在性能和准确率有较大的提升。但是,在电子对抗应用场景中,若面对对抗攻击不能正确分析和处理敌方的信号,则会产生不可估量的后果,同时对抗性防御的研究在信号领域还不太成熟。因此,为了研究针对信号调制样式识别的对抗性攻击防御方法,本文从以下几个方面开展工作。首先,提出了基于数据重构的对抗性防御算法,针对信号数据尺寸特点,采用缝合技术使用补丁对信号数据进行重构,从自建的补丁数据集中,计算欧式距离来选择合适的补丁块替换原始样本,来做到消除扰动。该算法在不同对抗攻击面对不同扰动前后的模型识别率,经过信号数据重构防御后,添加的扰动被重构后消除,模型识别率在面对不同合理扰动依然能保持较为稳定的值。当面对不同攻击方式前后时,经过信号数据重构后的防御样本与最初的原始样本幅度图和星座图均可以很好的拟合。实验验证本文提出的方案具有较好的防御能力和迁移性。其次,提出了基于改进激活函数的对抗性防御算法,分析ReLU函数特性,设计一个有界C0不连续函数,结合了 K-WTA模糊并破坏梯度和LReLU解决神经元死亡来提高深度学习模型识别准确率两种激活函数不同的特点,将两者进行拼接。从而保证在不损失模型识别准确率的条件下,有着较好的对抗性防御效果。最后,本文设计并实现了信号对抗性防御系统,该系统采用SpringBoot框架进行后台开发,React框架进行前端展示。系统的主要模块包括用户管理模块,数据重构模块,激活函数修改模块和数据管理模块。本文对该系统各个模块功能进行了详细介绍。通过对信号对抗性防御系统的测试,验证该系统可以有效抵御对抗攻击,证明了系统的可用性和有效性。

基于WSN的有损链路数据重构算法在林区环境监测系统中的研究与应用

这是一篇关于无线传感器网络,有损链路,数据重构,林区,环境监测系统的论文, 主要内容为无线传感器网络(wireless sensor networks,WSN)是由大量微型传感器节点部署在目标监测区域内组成的,通过无线通信形成的多跳自组织的网络系统。人类的生存离不开拥有如此丰富生态资源的森林,无线传感器网络通过高效便捷的方式对林区的温湿度、有害气体浓度信息进行实时监测,对保护自然气候与生物共存有着非常重要的意义。然而,现实中林区环境监测存在许多影响着传感器节点在数据传输时丢包的现象。本文针对目前有损链路导致节点数据丢失问题详细分析,设计并开发了一种基于WSN的林区环境实时监测系统,发现异常与丢包及时报警,帮助监测人员有效地掌握林区状态。本文主要研究内容如下:首先,本文详细阐述了无线传感器网络在森林环境监测应用中的重要意义和研究背景,同时重点阐述了压缩感知理论基础知识以及其在环境监测中的重要作用,并介绍了相关压缩感知中的数据重构算法。其次,在无线传感器网络压缩感知数据收集过程中,由于噪声等环境因素形成的不可靠链路造成传感器节点丢包情况,数据重构的精确性可能会受到影响。本文提出一种空间判断与时间相关性预测的数据收集算法,丢包类型的评判标准采用滑动窗的丢包预判类型算法;算法结合节点数据时间与空间相关性的特点,在时间相关性重构数据前进行空间节点数据判断,解决了在监测环境不稳定情况下恢复原有数据的问题;同时,采用了更精确的预测值验证方法,保证了数据的准确性。本文使用OMNe T++软件搭建了实验环境,仿真结果表明本文算法能够保证较高的数据重构精确度。最后,依据本文提出的数据重构算法,设计并实现了一种基于无线传感器网络的林区环境监测系统。系统分为上位机客户端和下位机硬件设备两个部分,利用Zigbee通信技术组织监测网络,并在林区部署;上位机系统选用B/S架构,使用eclipse开发工具Java语言编写代码,上位机对下位机采集的数据进行处理并以折线图的方式实时显示,帮助监测人员掌握林区状态。同时客户端系统具备对突发事件的报警功能,以语音和短信报警的方式通知监测人员进行处理。