5个研究背景和意义示例,教你写计算机序列模式挖掘论文

今天分享的是关于序列模式挖掘的5篇计算机毕业论文范文, 如果你的论文涉及到序列模式挖掘等主题,本文能够帮助到你

工艺知识获取方法研究与系统设计

这是一篇关于工艺知识获取,零件图像检索,聚类分析,序列模式挖掘,关联规则,工艺知识挖掘系统的论文, 主要内容为产品的多样化、个性化需求使得制造企业逐步向多品种、小批量的生产模式转变,导致相关零件的工艺知识需求急剧上升,与此同时,企业信息化、数字化逐步完善,积累了大量的工艺数据,但无法充分的利用,呈现出“数据丰富,知识匮乏”的现象。本文以工艺数据为研究对象,对零件图像、工艺路线以及工序内容三个方面进行研究,实现工艺知识获取。本文首先提出基于SIFT特征的图像检索方法获取相似零件,采用改进的Canopy-Kmeans聚类算法获取词频向量,通过词频向量进行相似零件图检索,利用SIFT特征具有尺度不变的特性,可以有效的检索到比例不同、角度不同以及位置不同的相似零件图,并具有较高的检索准确率。然后分别针对工艺路线以及工序内容进行挖掘,在基于工艺路线的规则挖掘中,考虑到工艺表达的复杂性,提出了分词及数据自动转化的数据预处理方法,随后采用无需指定聚类数目的AP聚类算法获取典型工艺路线,以及Prefixspan序列模式挖掘算法,获取工艺路线中的公共子序列;针对工序内容,提出了一种基于散列技术的Apriori关联规则挖掘算法,提高了 Apriori算法的执行效率。通过对工艺数据的测试,验证了三种挖掘算法的有效性。最后基于工艺知识挖掘方法,设计并实现了工艺知识挖掘Web系统。为保证工艺数据的完备性,采用集成化的数据仓库技术构建了工艺数据仓库。在明确了系统功能需求的基础上,采用B/S架构完成了 Web系统中工艺知识挖掘、数据抽取以及系统设置功能模块的详细设计,并对系统的主要功能进行了测试,验证了工艺知识挖掘系统的可行性与稳定性。

基于序列模式挖掘算法的恶意代码检测

这是一篇关于恶意代码检测,序列模式挖掘,PrefixSpan算法,投影数据库的论文, 主要内容为恶意代码检测是计算机安全的一个重要领域。本文通过对近三十年提出的各种检测方法的优缺点的分析和比较,发现多数基于特征码的误用检测在恶意代码大量繁殖的今天已经显露其弊端,异常检测虽然具有主动防御的特性,但其准确性无法满足实际要求。针对这些不足,结合主机恶意代码检测的应用背景,本文提出了结合数据挖掘和专家系统的技术来检测主机恶意代码的方法。该方法的创新之处在于检测系统具备的三个特征:1基于恶意代码行为特征;2结合专家系统的技术;3利用数据挖掘算法发掘恶意代码行为模式。本文研究的重点是序列模式算法在恶意代码检测中应用。主要的步骤是:利用行为提取工具SSM和EQSecure将恶意代码样本中的行为序列提取出来,构成序列视图行为数据库。然后,用序列模式挖掘算法挖掘出行为序列库中的频繁模式(即行为特征),构成行为模式库。最后,由专家系统的推理机匹配事实(facts)和规则(rules),给出最终的检测结果。本文的主要工作如下: (1)构建恶意代码行为序列数据库:利用行为提取工具SSM和EQSecure将恶意代码样本中的行为序列提取出来,构成序列视图行为数据库。 (2)对于PrefixSpan序列模式挖掘算法的改进:已有的频繁模式挖掘算法多是基于Apriori的,然而当原始数据库太大,或者当频繁模式太多太长,Apriori算法就会遇到瓶颈.本文提出了一个更好的序列模式挖掘算法——PrefixSpan B算法,该算法的核心是利用简约数据库代替原算法的投影数据库,实验证明了其时间性能的提高。 (3)序列模式挖掘算法应用于恶意代码检测专家系统: PrefixSpan B算法帮助分析恶意代码的“行为特征”,使得检测专家系统的知识库更完备,更有效。实验表明,算法的正确有效,同时PrefixSpan B算法得到行为模式库远远小于不用任何挖掘算法的知识库,并且可以灵活选择不同长度的模式作为检测规则。

基于序列模式挖掘算法的自动售货机系统研究

这是一篇关于自动售货机,序列模式挖掘,有效项数,PrefixSpan,前缀位置信息表,PPFPrefixSpan算法的论文, 主要内容为如何科学管理售货机终端并通过利用零售超市的大量销售数据,为售货机终端制定个性化配仓,使其能成为零售超市的补充成为目前售货机发展一项难题。为实现以上目的,本论文结合目前市面上的自动售货机设计了一套基于序列模式挖掘算法的自动售货机系统,该系统包括自动售货机终端系统与服务端管理平台系统两个部分,其中服务端管理平台系统结合序列模式挖掘算法完成对大量销售数据的有效利用。重点解决了无法利用海量数据来实现有效管理、无法制定个性化配仓、无法达成科学统一管理、以及货损率高和交互使用体验差等问题。主要成果如下:(1)完成了对自动售货机终端系统的设计与实现。自动售货机终端系统分为上位机终端系统与下位机控制系统。其中上位机终端系统采用Android工控机作为终端机器的主控,通过App应用程序的形式实现人机交互,以及与服务端通信。下位机控制系统则通过单片机来集中控制所有外设,能够收到来自上位机的指令被动实现相应控制。(2)完成了对PrefixSpan算法的优化。在PrefixSpan算法的基础上提出了基于有效项数的PrefixSpan算法(EIPrefixSpan),通过提出有效项数μ,解决了PrefixSpan运算过程中生成大量投影数据库问题。在EIPrefixSpan算法的基础上提出基于前缀位置信息表的PrefixSpan算法(PPFPrefixSpan),通过引进前缀位置信息表以及深度优先遍历,解决算法运算过程中对相同投影数据库重复扫描计算问题。并通过实验验证改进后的算法在时间/空间上均优于原算法。(3)完成了服务端管理平台系统的设计与实现。服务端管理平台系统基于分布式系统,采用前后端分离的方式实现个性推荐、终端管理、日志查看等模块开发。其中推荐模块后端子系统基于Spark框架结合优化后的PPFPrefixSpan算法完成开发,并通过系统实现验证结合PPFPrefixSpan算法的推荐系统能够完成对某区域的零售超市完成序列模式挖掘,并为该区域自动售货机制定个性化配仓。

基于视觉的肢体动作识别与评估研究

这是一篇关于动作识别,姿态估计,八度卷积,特征融合,动态时间规整,序列模式挖掘的论文, 主要内容为随着生活节奏的加快和疫情防控常态化,人们更倾向于居家健身锻炼,然而普通自学方式缺乏专业的指导,肢体动作不规范甚至错误会导致锻炼效果下降,还可能造成身体损伤。目前运动分析大多依靠专业传感器设备,日常锻炼难以普及。随着计算机视觉技术飞速发展,基于视觉的人体检测技术在安防监控、体育运动、游戏娱乐等领域广泛应用。将人体骨骼关键点检测算法应用到肢体动作识别与评估方面,可以辅助个人进行动作练习,增加锻炼趣味。本文从计算机视觉角度开展人体姿态运动分析研究,主要工作如下:(1)分析了人体动作识别与评估领域的国内外研究现状,阐述了基于视觉的二维人体姿态估计算法发展历程,对比优选出Open Pose作为本文姿态估计研究的基础算法。针对其网络结构复杂、模型参数量大的不足,提出了一种基于Oct-Mobile Net的轻量型Open Pose改进网络,在网络训练阶段对数据集进行了数据增强。实验结果表明,改进模型的计算量缩减至原模型的12%,检测速度提升了300%,检测精度仅降低了1.2%。(2)提出一种基于骨骼信息及多特征融合的姿态识别方法。通过改进Open Pose算法提取肢体关键点信息并做归一化处理,根据人体运动特点设计了空间几何和时间运动两方面特征,包括关键点位置、关节角度、关节距离和运动速度,并通过滑动窗口算法将两类特征融合。最后通过对比实验优选出分类器与特征类型的最佳组合,其中基于LSTM的融合特征动作分类器在自制八段锦数据中的识别准确率达到98.8%,在公开数据集KTH上的识别准确率达到97.2%。证明了多特征融合方法能较好的进行姿态分析,且方法具有一定普适性。(3)以健身运动八段锦为研究对象,提出了基于多模态信息的动作序列评估方法。将关键点坐标预处理后得到姿态向量,采用向量间的余弦距离表征动作相似度,通过动态时间规整算法计算出测试序列和模板序列的整体相似度,以此衡量练习动作与标准动作的整体相似性。将动作视频通过分类器转化为动作标签序列,结合八段锦健身动作周期性特点,提出一种基于区间长度的序列模式挖掘方法计算练习动作与标准动作的周期性和同步性。最后整合研究结果开发了八段锦动作识别与评估应用系统,该系统能够针对输入视频进行招式识别与量化评分,并对比显示标准姿态与练习姿态的关节角度差异,以此辅助练习者调节自身姿态,提高锻炼效果,实现智慧健身。本文含图63幅,表16个,参考文献68篇。