推荐5篇关于模型改进的计算机专业论文

今天分享的是关于模型改进的5篇计算机毕业论文范文, 如果你的论文涉及到模型改进等主题,本文能够帮助到你

基于网络购买行为的分类预测模型研究

这是一篇关于网络购物,机器学习,深度学习,模型改进,预测的论文, 主要内容为近些年来,互联网技术的迅猛发展促进了电子商务的成长,电子商务使用量的增长创造了庞大的市场潜力。随着互联网及网络购物的普及,网络购物的发展让消费者能够享受到无需出行的便捷,而且物品品类繁多、价格便宜、容易比较价格等众多的优点让网络购物变成大多数消费者的首要选择,许多电子商务网站为了迎合消费者的需求,要在历史购物信息中发掘消费者的习惯和爱好。本文使用了机器学习算法和深度学习算法,通过消费者的历史购物行为数据信息获得预测模型,当新数据输入时,就可以对消费者的购买行为进行预测。本文先从理论上阐述了常见的机器学习算法和深度学习算法的原理,并简要描述了评价模型的指标与方法,从消费者的购买行为的分类预测模型的对比研究和深度神经网络分类预测模型研究两个方面开展理论分析、模型构建和算法实现,然后对分类预测模型进一步优化和改进,从算法实现和预测结果这两个方面对每个模型进行归纳总结、得出结论。在机器学习模型中,针对常见的分类预测模型的不足提出了多融合模型,使用Stacking方法和Boosting方法对分类预测模型进行融合得到了新的分类预测模型,通过实验证明了多融合模型对本文的数据集有着更好的预测效果,且基于Stacking方法的多融合模型有着更优良的预测结果。在深度学习模型中,在深度神经网络模型的基础上提出了改进优化模型,从数据和算法的角度进行优化,分别对正负样本比例和深度神经网络的激活函数进行调整,结果证明优化后的深度神经网络模型比机器学习模型和深度神经网络模型有着更好的预测效果。本文的研究以数据为驱动,用模型论证了使用消费者历史消费行为数据并预测消费者未来消费行为的可行性。本文提出的分类预测模型可用于电子商务平台的推荐系统中,提高电子商务平台的转化率。

桑树病虫害图像诊断系统设计与开发

这是一篇关于桑树病虫害,图像识别,YOLOv5算法,模型改进,设计开发的论文, 主要内容为目前桑树种植中,存在着病害防治滞后、防治不规范、智能化程度低等问题。为此,本文针对桑树病虫害防治,设计开发了一套桑树病虫害图像诊断系统。在桑树病虫害防治功能需求分析的基础上,提出了桑树病虫害图像诊断系统的总体架构和方案,并分析了开发过程中的关键技术与难点。通过对桑树病虫害特征属性的分析,选取了YOLOv5算法作为桑叶病虫害识别基本模型;根据桑树病虫害的具体应用场景,针对YOLOv5算法主干网络对桑树病虫害的适配特点,结合计算机视觉领域的Transformer,引入了Transformer网络Efficient Former,构建了一种CNN+Transformer的病虫害识别的主干网络;引入SIOU边界框损失函数,替代YOLOv5算法基本模型中的GIOU,以此来提升小目标病害特征的检测能力;数据集训练对比实验表明,改进后的算法模型,在准确率和召回率上各有5.23%和6.46%的提升,验证了改进算法模型在桑树病虫害识别的改进有效性。根据桑树病虫害防治功能需求和系统总体方案,及改进后的YOLOv5算法模型,开展了基于无人机为平台的图像信息采集模块;基于Windows中Pycharm开发平台,应用Python语言和QT designer UI界面设计等开发工具,进行了桑树病虫害数据集构建、专家防治分系统、病虫害诊断模块、PC端以及移动端等桑树病虫害图像诊断系统各模块的设计与开发。开展了桑树病虫害图像诊断系统PC端和移动端的诊断功能测试实验,野外实地测试实验结果表明:图像诊断系统的PC端和移动端均能实现预期的识别诊断功能,正确率分别为97.25%和96.50%,系统识别平均响应时间分别为0.51秒和0.55秒,达到了设计目标。本文开展的桑树病虫害智能识别算法的模型研究、开发的桑树病虫害图像诊断系统,将有力地帮助桑农及时准确地监测识别桑树的病害,提高桑树病虫害的防治水平。

退役锂离子电池的模型改进方法及组串SOC估算研究

这是一篇关于退役锂离子电池,模型改进,EKF算法,最特殊电池法,SOC的论文, 主要内容为锂离子电池退役高潮的袭来对社会环境和社会安全提出了严峻的考验,储能系统作为梯次利用的一种途径在一定程度上有效缓解了这种压力。然而锂离子电池内部电化学反应较为复杂且具有很强的非线性特性,外部仅有电池端电压和端电流可被检测,属于典型的黑箱系统。如何对电池的荷电状态(State of Charge,SOC)做出准确的预测以保证其安全可靠运行,是电池管理系统(Battery Management System,BMS)研究的重点和难点。首先,本文以钴酸锂电池为研究对象,综合考虑模拟精度和计算复杂度后选取二阶RC等效电路模型作为基础研究模型。利用循环脉冲放电实验和开路电压(Open Circuit Voltage,OCV)实验对不同SOC点处的模型参数进行拟合。为提高基础模型的精度提出一种小样本数据扩展的模型改进方法,基于不同的温度和电流倍率提出加入受控型电压源补偿的等效电路模型,利用少样本的模型端电压误差数据,训练BP(Back Propagation)神经网络实现对基础模型的动态补偿。然后,根据扩展卡尔曼滤波(Extended Kalman Filter,EKF)算法的基本原理设计扩展卡尔曼滤波器。基于改进的二阶RC等效电路模型,建立与算法的状态方程和输出方程相对应的模型状态空间方程。在可预测单体电池SOC的基础上,基于“最弱电池法”提出一种“最特殊电池法”实现不同充放电情况下串联电池组的SOC预测,并给了出详细的推导分析过程。最后,从软、硬件的角度设计电池组的电池管理系统。该系统主要由数据采样、算法执行、保护控制、实时通信、信息存储和数据显示几部分组成,可对电池组提供过充、过放、过流、过温、欠温、短路保护以及充电均衡功能,还可以通过RS485与主机进行通信,利用上位机软件进行参数配置和数据监控。将SOC预测算法搭载到该电池管理系统平台上,验证了单体电池的SOC估算精度和串联电池组的SOC估算精度。