给大家分享6篇关于k-means聚类算法的计算机专业论文

今天分享的是关于k-means聚类算法的6篇计算机毕业论文范文, 如果你的论文涉及到k-means聚类算法等主题,本文能够帮助到你

基于Spring Boot与Vue的电子商城设计与实现

这是一篇关于电子商城,商品推荐,协同过滤算法,推荐算法,k-means聚类算法的论文, 主要内容为自从电子商务发展至今,网络购物已经融入到人们的日常生活。不仅在购物上使消费者享受足够的便利,也更好的适应了现代化市场的需求。但凡事有利皆有弊,网络购物在带给广大消费者便利的同时,也伴随着出现了许多问题。商品推荐不合理、商品质量不合格、用户信息安全问题一直得不到有效解决。致使消费者进入电子商城后被大量商品信息干扰,在挑选商品上花费大量时间。甚至到最后还购买了不需要的商品。与此同时,购买的商品质量还可能存在问题。针对此类问题,本文设计和实现了一种电子商城系统。首先,针对商品推荐不准确问题,提出一种基于协同过滤的商品推荐算法,并对传统的协同过滤算法所拥有的冷启动问题、稀疏性问题以及k-means聚类算法的距离计算方式加以改进,并结合改进后的k-means聚类算法,生成较优的候选商品集。再结合系统统计的热门商品集,从中挑选Top-N个商品推荐给用户。其次,针对商品质量不合格问题,提出商品质量安全检测流程,加强系统商品安全检测力度。从商品的检测报告、国家机构认证以及打假委员会备案等方面确保商品的安全质量,从根源上杜绝假冒伪劣商品流入电子商城系统。然后,针对用户信息安全问题,采用Spring Boot与Vue框架以及JAVA语言去搭建电子商城系统,并在此基础上,对系统的前后台交互请求、用户重要信息、支付信息进行加密处理,使得用户信息即使被盗取到也无法进行破解。本文研发的电子商城系统使消费者进行购物时,不但商品推荐更为符合消费者的消费习惯,且商品的质量安全以及用户个人信息能够得到有效保障,提升了消费者的购物体验。

基于k-means算法的云看护大健康服务平台的搭建与实现

这是一篇关于健康管理平台,django框架,k-means聚类算法,随机森林的论文, 主要内容为随着中国人民经济水平的提升,人们的追求从简单的吃饱穿暖奔小康开始转变为追求精神世界的富足。但与此同时人们患各种疾病如糖尿病、高血压、心脑血管疾病的亚健康人数越来越多。那么如何预防亚健康的继续加重甚至走向患病的深渊呢?这一直以来都是一个难题。本文意在突破传统的小病不治,大病没钱治的尴尬境地。设计一个健康管理平台,人们通过佩戴健康感知设备来时时监测自己的身体健康状态,通过平台的预警、预测来防止人们从亚健康状态跌入疾病的深渊。本论文将经典型算法k-means和随机森林算法引入后台架构的代码中,本论文所研究的平台本身就是可以监测用户的身体健康状况的平台,并可以对用户的健康状态做一个实时的预警提醒。现在将这个k-means算法功能模块引入进来后,可以对已存在的数据做一个聚类分析,之后再使用随机森林算法就可以根据聚类过的数据来分析用户未来一段时间的身体状态。基于上述想法,本论文所要实现的功能先从健康管理平台的架构出发,先实现所需要的整体后台功能框架,使不加算法和预测模块的代码先跑起来,成功之后再考虑加上k-means算法模块和随机森林算法模块,来根据某个用户已有的数据做一个预测,来提醒这个用户接下来一段时间自己的身体会出来什么样的状况。本论文的整体后台框架是基于python3.6+Django2.0来搭建实现的,通过智能可穿戴设备,本论文采用的是健康管理手环来采集人体的各项身体指征,通过手机作为中间件后传到后台上来进行分析,之后通过前面说的k-means算法和随机森林算法模型来预测用户的身体状况。

基于大数据的个性化学习资源推荐系统研究与实现

这是一篇关于学习资源推荐,大数据分析,个性化,协同过滤,k-means聚类算法的论文, 主要内容为随着互联网和信息技术的快速发展,在线学习资源所产生的数据呈现爆炸式的增长,如何快速从海量数据信息中挖掘出学习者感兴趣或最需要的学习资源,并根据学习者特征将资源推荐给他们,对于提高学习者的学习效率和学习效果具有现实意义。本文结合传统在线学习平台的实际需求,设计并研究了一个基于大数据的个性化学习资源推荐系统。首先,通过充分分析个性化学习资源推荐系统中学习者功能需求以及非功能需求,对学习资源推荐的现实需求进行调研,研究学习资源推荐的相关应用算法,以及推荐的基本逻辑流程等,设计基于大数据的个性化学习资源推荐系统的总体架构与功能模块。其次,以大数据分析为基础,研究了一种结合用户行为、行为上下文、用户信息和学习资源信息的大数据个性化学习资源推荐方法。该方法为了生成更好的推荐结果,将学习资源推荐划分为用户偏好获取、推荐候选集筛选和生成推荐结果三个阶段:(1)用户偏好获取目的是获取用户的兴趣偏好,本文通过建立用户行为矩阵,再考虑到时间衰减的影响与数据稀疏性的处理,建立用户兴趣模型从而完成用户偏好获取。(2)推荐候选集筛选是协同过滤推荐思想,一方面从用户方面获取相似用户偏好的学习资源,从项目方面获取到相似度高的学习资源,另一方面结合k-means聚类算法,通过将相似度高的用户进行分类,再进行协同过滤算法进行计算,寻找与用户偏好相似的学习资源。(3)生成推荐结果则是利用top-N推荐思想,对预测的评分进行排序,取前N个学习资源推荐给用户。然后,本文以准确率、召回率、F-score值为评价指标,设计并完成了对比实验,验证了改进推荐算法的有效性,其中利用Hadoop数据处理服务和Mahout数据挖掘服务以提高系统整体性能。最后,利用工具开发Eclipse开发了基于大数据的个性化学习资源推荐系统,服务器端采用Java语言构建基本模块,利用Java Script语言和Ajax技术实现系统交互。

改进麻雀算法在多目标流水车间调度问题中的应用研究

这是一篇关于流水车间调度,分时电价,麻雀优化算法,k-means聚类算法的论文, 主要内容为随着我国制造业智能化进程的快速推进,能源问题越来越被国家所重视,所带来的影响大幅提高了生产电力成本并限制了传统模式下制造企业的规模。分时电价政策的提出,鼓励了制造企业将生产重点安排在电力低谷期。如何设计生产方案来平衡订单需求与电力成本成了严峻的问题。生产车间的调度问题是合理利用生产资源、降低生产成本和提高客户满意度的重要手段。因此,研究如何将分时电价政策与当前生产模式相结合,以提高智能化车间的调度效率,对于实际应用和理论研究都具有重大意义。本文旨在探讨分时电价流水车间调度问题,通过研究,深入探讨其解决方案,以及其中的创新性思路,以期获得更好的结果。论文的主要研究内容和创新点如下:基于分时电价政策下的流水车间调度问题建立数学模型,针对设备的基本电力消耗特性,产品的生产特性,提出论文的主要研究内容:设计出通用于分时电价政策下的流水车间调度算法并开发出模拟企业生产的系统。针对分时电价下多目标流水车间调度问题,以最小电力成本和最小化最大完工时间,提出了改进麻雀搜索算法。首先,针对流水车间调度问题的特性,本文在传统麻雀算法的基础上引入了K-means聚类,根据初始种群的分布特性赋予麻雀相应的身份,提高算法的收敛能力。其次设计了探索者-追随者自适应调整因子,能有效平衡算法进程中的全局与局部搜索权重,设计自适应局部搜索,以提高麻雀搜索算法规避局部最优能力。最后,设计柯西-高斯变异策略,提高种群多样性。最后在多目标基准函数上,对改进后的算法进行验证,并开发生产调度系统,能够实现生产数据的查询、更新以及为生产车间指定符合分时电价政策下的多种调度方案。