6个研究背景和意义示例,教你写计算机CNN-LSTM论文

今天分享的是关于CNN-LSTM的6篇计算机毕业论文范文, 如果你的论文涉及到CNN-LSTM等主题,本文能够帮助到你

基于卷积神经网络的大豆病害分级模型研究

这是一篇关于大豆,病害识别,病害分级,卷积神经网络,CNN-LSTM的论文, 主要内容为粮食生产问题关系到人民群众的根本利益,也关系到社会稳定。大豆作为我国重要的粮食作物之一,受病害影响将会导致产量降低,造成经济损失。但由于病害之间特征相似,仅依靠经验进行处理,可能错过最佳防治时期。同时病害程度不同,防治措施会有区别,因此及时根据大豆植株患病等级采取措施,对有效进行病害防治、避免药物浪费、减少环境污染、降低经济损失具有重要意义。目前,国内外针对主要粮食作物如:玉米、水稻等病害识别研究已较为充实,相较而言,对作物患病等级识别研究较少,尤其是在大豆病害程度的自动识别方面,准确率有待提高。鉴于此,本研究以大豆三种主要病害(灰斑病、花叶病和根腐病)的叶片图像样本作为研究对象,提出了基于卷积神经网络的大豆病害分级模型,具体研究包含以下几个方面:(1)探讨了基于Grab Cut的AISA图像分割算法对大豆病害图像进行预处理。使用超绿算法中的超绿因子(2G-B-R)将图像中特定范围内小于给定阈值的像素标记为背景,通过Grab Cut分割后得到的图像与原始图像进行匹配,恢复叶片内部被误判为背景的像素点,得到更加准确的分割图像。该算法代替了Grab Cut中人工标记的过程,有效地将大豆叶片和病害区域的特征保留,降低背景因素影响,提高卷积神经网络性能。(2)研究了基于卷积神经网络的大豆病害识别模型。训练7个传统卷积神经网络模型(VGG16、VGG19、Res Net50、Inception-V3,Xception,Mobile Net,Google Net),分析和判别不同模型识别效果,选择其中准确率较高的三个模型(Inception-V3,Xception,Mobile Net)通过遗传算法构建加权深度投票模型。该模型对灰斑病识别精度达到了99.31%,识别花叶病的精度达到96.67%,识别根腐病的精度达到97.33%,实现了对大豆叶片病害的识别。(3)研究了基于CNN-LSTM的大豆病害分级模型。对大豆同一患病叶片图像进行连续采集,按照采集时间顺序构建具有时间序列数据集,通过卷积神经网络提取病害空间特征后放入LSTM网络中,根据时间序列的上下文关系进一步提取时间特征,同时引入注意力机制对空间特征提取过程进行优化,构建了三种不同病害的分级模型。实验表明,灰斑病分级模型精度达到了94.9%,花叶病分级模型精度达到了96.7%,根腐病分级模型精度达到了93.9%,实现对大豆病害的自动分级。(4)开发了大豆病害分级系统。将上述模型部署至大豆病害分级微信小程序,实现手机端自动分级。同时,该小程序根据分级结果给予合理的防治措施,为研究人员和用户提供参考。分级系统的开发能够检验本文训练得到的模型性能,方便用户使用,减少使用成本,具有一定实用价值。综上,本研究为卷积神经网络应用于大豆病害分级提供了新思路。并将CNN-LSTM模型首次应用于大豆病害分级研究中,为大豆及其他农作物病害分级提供了一项可靠的技术支撑。同时,为后续研究大豆病害预警以及病害走势预测奠定了理论和实验基础。

基于可重构组件技术的风电机组在线监测与分析系统研究

这是一篇关于可重构组件,风电机组在线监测与分析系统,CNN-LSTM,信息融合的论文, 主要内容为风电机组数据采集与在线监测系统是风电机组长期安全可靠运行的重要保障。系统大多由整机企业以外的专业厂商开发和供应,由于商业壁垒及技术限制,系统往往面临机组型号众多、传感数据多样,数据仅用于报表展示缺少分析预测功能等障碍。针对上述问题,同时考虑到未来无人值守风电场需求,研究用于区域集控的风电机组在线监测与分析系统框架,并重点研究其中的两项关键技术,分别是面向异构风电机组的可重构组件技术和基于系统采集数据的风电机组预测技术。首先,基于无人值守风电场的区域集控思想,设计风电机组在线监测与分析系统架构,并在C/S开发模式下对系统进行总体设计,完成系统功能及数据库规划。其次,针对风电场异构数据的特点,对系统的可重构性展开研究。基于组件思想设计可重构数据结构组件及接口,实现各区域风电场监测系统数据的动态配置。再次,针对传统风电机组数据采集与在线监测系统“只监控少分析”的问题,尝试用神经网络在系统采集数据的基础上展开研究。建立用于系统采集数据的深度学习模型,结合信息融合思想给出风电机组状态评价指标分析模型,用CNN-LSTM网络预测风电机组的功率。本文应用上述理论和技术研究成果,参与开发了华能新能源集团的风电机组区域集中监控系统,设计并构建了系统模拟测试环境,验证上述研究成果的可行性和可用性。

光伏发电管理系统的设计与实现

这是一篇关于光伏发电,功率预测,Docker调度,CNN-LSTM,改进蚁群算法的论文, 主要内容为太阳能的广泛利用推动了光伏发电产业的发展,传统的电能采集方法易受人为因素影响,实时性差、可靠性低。另外,传统企业将物联网设备接入独立开发的系统或第三方平台进行功能显示和管理。随着设备类型的增加,系统的兼容性、可扩展性和稳定性都很差。同时,在物联网时代,数据也变得越来越重要。因此,建立以数据为中心、高可用性的光伏发电管理系统具有实际应用价值。针对上述问题,本文通过新型的光伏设备接入协议弥补原有固化协议的不足,有效保证系统安全性;利用多种传感器上报数据解析规则改善设备不兼容问题,保证系统的稳定性;改进Docker的调度算法提升集群的资源利用率。同时对光伏发电功率进行预测,及时对异常数据告警。本文针对以上现状进行研究,主要工作包括以下三个方面:(1)本文提出将卷积神经网络与长短期记忆网络相结合的混合神经网络架构应用于实际工业场景中,以提高光伏发电功率预测准确性。通过一维卷积预处理单变量的数据,并经过两层时间卷积运算后将其转变为多维数据,增强长短期记忆网络的预测能力。同时将单步预测扩展为多步预测策略,在实际工程应用中,仅利用系统中的光伏发电历史数据,即可进行短期、中期和长期的功率预测,证明该混合模型具有很好的鲁棒性。(2)本文将改进蚁群算法应用于Docker容器调度,解决资源利用率和负载不均衡问题。所提出的改进算法考虑了历史调度,从而增强调度决策。在相同的配置下,将该算法与基本蚁群算法(ACO)和先来先服务算法(FCFS)进行比较,实验结果表明,所提出的算法在响应时间和吞吐量方面具有优势,可以提高系统的整体性能。(3)本文设计并实现了一个数据可监控、可分析、可连通的光伏发电管理系统。采用前后端分离思想,针对传统物联网架构进行优化改进,引入容器化技术、使用消息队列异步消费等,搭建集数据采集模块、管理平台模块、光伏发电功率预测模块、数据存储模块和后台服务模块于一体的完整系统,通过功能性测试和非功能性测试验证了系统的实用性,并在系统正式上线投入使用中取得预期效果。

顾及多源交通数据的景区客流预测研究——以南锣鼓巷为例

这是一篇关于多源交通数据,景区客流预测,CNN-LSTM,混合神经网络,客流预警系统的论文, 主要内容为近年来,随着城市化进程的不断加快,我国旅游业得到迅速发展,客流量的快速增长给各旅游景区的环境与安全管理带来了一系列挑战,而精准的景区客流预测预警有助于景区的科学管理,降低密集人群带来的风险。因此,建立准确的客流预测模型与高效的客流预警平台对于旅游发展政策制定、旅游市场资源优化配置、旅游企业战略实施等方面都有着重要意义。针对以往景区客流预测数据源单一,传统时间序列模型对数据分布稳定性的依赖等问题,本文提出一种顾及景区周边多源公共交通客流,且基于混合深度神经网络模型的景区客流预测方法,并以客流预测模型为核心建立了客流预警系统,实现了景区客流综合预警的实际应用。本文的主要研究内容:(1)多源数据清洗与归一化处理。为了进行时间维度的景区核心区内客流预测,本文首先对多源客流数据进行数据清洗,去除噪声数据,然后根据研究区范围,从原始数据中提取相关数据集,最后以统一的时间粒度归一化处理,转化为多源客流时间序列数据。(2)景区多源客流的时空分析。由于景区客流量受到诸多因素干扰,具有非线性与非平稳性特征,因此,本文分别对景区核心区内与其周边多源公共交通客流从时间与空间两个维度进行统计分析,研究得出各类交通客流之间的分布差异,周期变化规律以及相关性。(3)构建景区客流预测模型。为了实现景区内部短时客流预测,本文以南锣鼓巷景区为例,根据该景区环境与多源客流的时空特征,结合深度神经网络相关研究,设计了基于卷积神经网络(CNN)与长短期记忆(LSTM)网络的混合神经网络客流预测模型。该模型将处理后的数据构造景区客流时空数据集,利用CNN网络模型进行数据融合提取特征向量,然后将特征向量以时间序列方式输入LSTM网络模型中进行景区核心区内客流预测。实验结果表明,该方法较传统客流预测方法自回归差分移动平均模型(ARIMA)模型与标准LSTM网络预测方法具有更高的预测精度,且具有一定的鲁棒性。(4)设计并实现客流预警系统。为了将客流预测模型服务于实际景区,本文设计并开发了基于B/S架构的南锣鼓巷区域大客流预警系统,该系统通过数据管理与多种可视化技术,可帮助管理者及时应对大规模客流聚集风险,同时为寻找重点客流来源并有效疏散人群提供交通状态依据,有助于全面提升景区管理水平。