给大家分享5篇关于变分自编码的计算机专业论文

今天分享的是关于变分自编码的5篇计算机毕业论文范文, 如果你的论文涉及到变分自编码等主题,本文能够帮助到你

面向科技人员的情报信息推送技术研究

这是一篇关于情报推荐,用户特征,冷启动,变分自编码的论文, 主要内容为随着科技的迅速发展,各个领域的情报信息、研究成果产量迅速增长,而如何快速找到符合科技人员兴趣的信息成了亟待解决的问题。信息过载的现象加速了推荐系统的研究。情报推送技术旨在联系科技人员与科技文献、技术报告、新闻等情报信息库,为科技人员及时准确地推送符合其需要的情报信息。科技文献和技术报告等是科技人员了解当前技术前沿、学术动态的重要途径之一。针对仅从用户评分信息单一角度的推荐系统存在的冷启动问题,本文通过科技人员特有的明确专业背景和具体研究需求这一用户画像,提出了基于用户特征和语义计算的情报信息推荐算法。一方面,利用科技人员丰富的背景信息和科研经历对科技人员静态信息建模产生推荐;另一方面,利用用户行为挖掘情报信息之间潜在的语义关系进行情报推荐;最终实现两种方法的融合。实验结果表明,该方法的推荐效果较传统方法有明显提升。辅助信息的应用能够很好地弥补用户项目交互行为极少时的情况,现有的辅助信息通常是项目辅助信息的应用,本文尝试将用户交互过的情报资料作为用户辅助信息。在协同变分自编码在项目辅助信息应用的基础上,加入带有用户特征限制和情报资料的辅助信息协同约束调节用户和情报资料的特征矩阵生成。实验结果表明,基于双向约束模型的推荐较原有的协同变分自编码具有较好的推荐性能。最后,设计并实现了基于用户特征和语义计算的情报信息推荐系统,该系统可以根据用户特征和浏览记录实现情报信息的个性化推荐展示。

基于深度学习的视频群体异常检测算法研究

这是一篇关于群体异常检测,变分自编码,U-net,单类支持向量机,混合高斯模型的论文, 主要内容为智能监控系统在社会与国家安全中具有重要地位。基于监控视频的群体异常检测是智能视频监控领域一个代表性问题,同时也是计算机视觉与机器学习交叉领域的研究热点之一。其中,基于深度学习的群体异常检测方法由于其泛化性能好、计算速度快、适应性强等优势成为该方向研究的主要方法之一。本文依托于群体异常检测的研究背景,以深度学习的方法作为切入点,采用基于误差图特征的检测方法,针对视频群体异常检测问题开展了研究工作,具体包括关于误差图的生成、误差图的特征提取以及异常检测模型的构建三个部分。1)针对误差图的生成问题,本文提出了两种帧生成网络:一种为基于变分自编码器的帧重构网络,该网络通过对输入视频图像序列当前帧重构实现误差图生成;另一种为基于U-net的帧预测网络,该网络基于输入视频图像序列对下一帧图像进行预测,从而实现误差图的生成。本文对以上两种方法进行了设计、实现与结果对比,并最终通过计算生成帧与真实帧之间的差异实现了最优误差图的生成。2)针对生成误差图的特征提取问题,本文提出了一种基于预训练VGG网络的特征提取方法,主要基于VGG网络的卷积池化结构对误差图的特征进行提取。本文还采用传统的群体异常检测研究思路加以对比,即直接对视频进行时空特征的提取,进而完成异常检测模型的构建。针对传统思路中的特征提取,本文采用P3D网络对原始视频图像序列进行特征提取作为对比算法,该网络利用时间卷积与空间卷积操作实现对视频时空特征的提取。3)针对异常性估计问题,本文提出了基于多单类支持向量机与基于多混合高斯模型的方法。基于多单类支持向量机的方法主要利用异常事件在特征空间中与正常事件的特征度量距离较远的特点来进行异常性估计;基于多高斯混合模型的方法主要通过构建正常事件在特征空间中的分布概率密度模型计算异常事件的概率并将其作为异常性估计度量实现异常检测。本文在UCSD数据集上对上述三方面工作进行了实验验证。结果表明基于误差图特征进行群体异常检测的方法得到了较好的检测效果与较为优异的数据指标。该研究为视频异常检测提供了一种全新的研究思路,有较高的理论研究意义与应用推广价值。

大数据驱动的风电齿轮箱智能健康监测系统设计

这是一篇关于风电齿轮箱,大数据,智能健康监测,故障预警,变分自编码的论文, 主要内容为随着智慧风场的建设、风机智能化水平的提高以及风电场装机容量的增加,分布在风机上的传感器越来越多,其长期监测的数据量愈发庞大,构成风电监测大数据。然而传统单机健康监测系统难以及时处理对监测大数据的有效存储和高效计算问题;在构建风电健康监测预警模型时多采用单一或少量监测数据进行分析,不能够充分挖掘风电监测大数据间的潜在有效价值,模型精度和鲁棒性较差;此外,传统单机健康监测系统难以满足大数据下风场高效管理和智能运维的需求。大数据作为驱动新一轮技术革命的关键力量,其重要价值日益凸显,因此,本文以风电齿轮箱为研究对象,开展基于大数据驱动的风电齿轮箱智能健康监测系统的研究,利用大数据技术的分布式存储和并行计算能力,构建大数据驱动的高精度、强鲁棒性的智能健康监测分析模型,对解决传统健康监测系统的诸多问题具有重要的工程价值和实际意义。本文主要研究工作如下:总体设计了基于大数据驱动的风电齿轮箱智能健康监测系统。在对系统进行了需求分析之上,设计了系统的总体架构。介绍了风电大数据源,分析了风电SCADA大数据以及CMS大数据的数据结构特征。同时对系统的后台功能层,即系统采集层、系统存储层以及系统计算层进行了设计与选型,为后续系统集成及应用提供重要依据与支撑。研究了大数据驱动的风电齿轮箱智能健康监测分析方法。在对系统分析层进行功能设计的基础之上,重点提出了基于深度变分自编码网络融合SCADA数据的风电齿轮箱故障预警方法,结合高斯分布理论的阈值评判准则,能够有效增强风电齿轮箱故障预警的鲁棒性。以及设计了基于CMS大数据的分析方法,通过进行有效的时频域特征指标提取,结合滑动窗口平均分析,能够有效实现风电齿轮箱的状态趋势分析,并结合实测数据进行了方法验证。进行了大数据驱动的风电齿轮箱智能健康监测系统的集成开发与应用。在对系统应用层进行设计的基础之上,对系统后端环境进行了部署,分别搭建了HDFS分布式文件存储系统、Hive数据仓库与Spark分布式计算引擎等,为风电大数据的有效存储与快速计算提供保障。通过系统前端可视化开发,实现了模型分析结果的呈现与展示。