给大家推荐5篇关于预测分析的计算机专业论文

今天分享的是关于预测分析的5篇计算机毕业论文范文, 如果你的论文涉及到预测分析等主题,本文能够帮助到你

基于集成学习的β-内酰胺酶预测和注释分析的研究

这是一篇关于β-内酰胺酶数据库,预测分析,机器学习,集成学习,抗生素耐药性的论文, 主要内容为β-内酰胺酶是一类由致病细菌分泌的蛋白质,它通过与β-内酰胺类抗生素中的内酰胺环结合破坏抗生素活性,从而增加细菌的耐药性。不断突变和进化的β-内酰胺酶致使越来越多的抗生素药物失效,这一现象引起研究者对β-内酰胺酶的广泛关注。近年来,已有一些预测工具对潜在的β-内酰胺酶进行识别,也存在一些数据库对其提供分类和注释,但是这些预测工具的方法不仅比较简单,性能也不能令人满意,目前没有一个综合平台尝试将β-内酰胺酶的预测和分析结合在一起,从而实现对预测的β-内酰胺酶的多种注释和分析。基于以上不足,本文提出一种基于集成学习的多分类方法,该方法能根据蛋白质序列判别其是否是β-内酰胺酶,并将预测结果精确到它的子类,同时本研究将构建一个包含蛋白质信息注释、预测和特异性分析等功能的综合平台BLHub(Beta-Lactamase Hub),实现对β-内酰胺酶的一体化分析。本论文的主要研究内容与结论如下:(1)针对β-内酰胺酶的预测。本文提出了一个既能预测β-内酰胺酶蛋白质,又能进一步对β-内酰胺酶蛋白质进行分类的集成学习模型,该模型从蛋白质序列本身、物理化学性质以及遗传信息三个角度提取特征,并通过Stacking集成策略融合四个传统的机器学习方法包括随机森林、支持向量机、朴素贝叶斯和K近邻。五折交叉验证和独立测试的结果表明Stacking集成模型的综合性能优于单一机器学习模型。(2)β-内酰胺酶分析平台的构建。本研究搭建了一个β-内酰胺酶蛋白质分析平台BLHub(http://47.110.242.168/index.jsp)。该平台是用Java语言实现的,并采用Bootstrap3.3.6、Ajax、j Query、My SQL和Strust2等技术实现了平台前后端的功能和数据交互。功能方面,BLHub整合了丰富的、多源的蛋白质注释信息,包括蛋白质结构信息、蛋白质活跃位点、蛋白质分类系谱以及抗生素耐药性信息等。同时,平台嵌入了Stacking集成预测模型,能有效的发掘未知的β-内酰胺酶并判断其所属子类。此外,BLHub能对潜在的β-内酰胺酶进行后序的序列相似分析和亲缘性分析,便于科研人员进一步推断未知蛋白的功能和结构。希望本论文提出的预测方法和构建的综合分析平台能成为相关科研人员的研究β-内酰胺酶蛋白质的有利工具,进一步加快潜在β-内酰胺酶蛋白的发现和探索。

基于集成学习的β-内酰胺酶预测和注释分析的研究

基于时序数据的传感器预测与补偿技术的研究及应用

这是一篇关于时间序列,预测分析,误差补偿,编码器-解码器,季节性分解的论文, 主要内容为工业物联网的关键之一在于数据基础设施的建设,而作为物联网架构中感知层载体的传感器设备,则是数据采集的神经末梢。时序数据作为一种重要的科学服务资源在传感器采集的数据类型中普通存在,具有数据量大,数据维度高,依赖关系复杂等特点。传感器预测与误差补偿技术作为时间序列分析中的重点研究领域,旨在挖掘数据序列内在的时空规则,分析不同来源、异构属性间的依赖规律,进而构建数据模型,对目标数据进行预测或修正。其中,有效地处理多域融合数据序列的上下文信息、探索时间序列随历史推移的变化规律以及捕获数据未来变化状态信息是此类研究的关键问题。基于此,本论文的研究内容主要从以下3个方面展开。提出了一种基于编码器-解码器(Encoder-Decoder)架构的时间序列数据预测框架。在数据层面,将时间序列分解为多个可预测的基本模式类别,突出时间序列的固有属性,加强对历史推移规律特征的学习能力。在模型层面,对传统的编码器-解码器结构进行了改进,提出一个基于长短时记忆神经网络(LSTM)的编解码器模型(ED-LSTM),在编码器使用长短时记忆神经(LSTM)提取数据特征重要信息,在解码器使用双向LSTM(Bi-LSTM)捕获数据历史依赖与未来变化两个方向的状态信息。最后,基于以上方法的基础上,对目标对象关联的跨域异构特征进行组合,形成了一套时间序列数据预测框架。实验表明,提出的框架相比经典方法实现了更好的预测效果。提出了一种基于注意力机制的数据误差补偿方法。首先,在基于标准Transform架构的基础上,引入稀疏注意力机制代替自注意力机制,该机制通过top-k显式选择方法,保留高度相关的信息,删除无关信息,解决了自注意力机制注意力不集中导致重要信息提取失败的问题。其次,在Transform模型的内部添加了一个序列分解块结构,从而实现在推理过程中逐步从网络的隐藏状态信息中提取季节性趋势,以此消除周期性波动,突出序列的长期趋势。最后,通过实验对比分析表明,提出的模型可以胜任数据误差修正任务。为了验证时间序列误差与补偿方法的可行性,同时简化数据建模操作,基于微服务架构,对涉及的业务逻辑进行拆分设计,实现了一套时间序列数据预测与误差补偿分析的平台。在数据管理上,平台统一开发数据中心来接入、分析和存储多源异构数据。在模型服务上,构建基于数据预测与补偿的机器学习服务,并将建模过程抽象为算子组件,提供可视化建模。最后,基于上传的测点数据进行了数据预测与补偿技术的实践,验证了本文解决方案的有效性。

基于HANA的企业资产维护预测分析系统的设计与实现

这是一篇关于物联网,资产维护,预测分析,微服务,SAP HANA,SAP HANA XSA的论文, 主要内容为企业资产维护的复杂性对于所有制造业、运输业、能源业等固定资产密集型企业来说都是一个令人头疼却又不得不面对的问题。常规的做法是采用大规模定期维护。这种维护做法相当的不灵活,不仅需要在维护期间暂停与维护资产相关的业务,同时还将波及大量并不需要进行维护的企业资产。这种方法一方面降低了企业的生产效能,另一方面也增加了企业的维护成本。随着物联网技术的发展,一款行之有效的预测分析系统从技术上成为了可能,许多企业需要这么一款系统对维护进行针对性管理。由于许多企业早就启用了SAP ECC系统来管理企业,所以该系统在解决资产维护问题的同时,还要与企业已有SAP系统进行集成,方便企业对维护过程的整个生命周期进行管控。本文针对企业资产维护问题,提出一套基于SAP HANA数据库与SAP HANA XSA应用服务平台的企业资产维护预测分析系统。该系统需要支持不同资产模型信息统一化、资产信息的多维度展现、资产信息预测分析和与现有SAP系统的集成。用来有效的帮助固定资产密集型企业降低维护成本,提高利润率。本文的主要研究工作如下:(1)基于HANA的企业资产维护预测分析系统的总体架构设计。为了解决上述问题,在满足客户需求和解决原有产品短板的前提下,本文提出一套基于SAP HANA产品线的企业资产维护预测分析系统的总体架构设计方案,该系统的逻辑架构分为三层:交互层、应用层、持久层,并采用微服务的架构模式。(2)基于HANA的企业资产维护预测分析系统的设计与实现。本文提出的企业资产维护预测分析系统的设计与实现分为以下几个部分:首先,针对不同行业企业资产拥有不同信息维度的问题,对不同企业资产信息维度进行抽象,提出一套能够泛用的资产信息模型。其次,对企业希望能够多维度查看资产状况的需求,设计一套展现模块提供资产多维度的数据展现服务。最后,设计与实现资产信息预测分析模块,对资产运行时信息进行分析同时预测资产健康程度,帮助企业灵活制定资产维护方案。(3)与企业内部SAP ECC系统的集成的设计与实现。本文设计将企业资产维护预测分析系统与传统SAP ECC系统的整合。用户在企业资产维护预测分析系统中所创建的维护工单,可以通过SAP Gateway将工单信息传入SAP ECC系统,方便管理维护周期。(4)基于HANA的企业资产维护预测分析系统的可行性验证。本文通过描述一个针对性的客户验证性项目的部署与实施,对系统的功能性与非功能性需求进行测评,验证了该系统在已经部署了SAP环境的企业拥有非常良好的应用价值。