一种学习视频混合推荐系统的设计与实现
这是一篇关于线性回归,协同过滤,混合推荐,推荐系统,学习视频的论文, 主要内容为随着网络时代的到来,网络视频学习方式正在以其不受时间位置的限制受到了越来越多人的欢迎,这种学习方式也成为了现代教育教学体系的一部分。网络视频学习资源也日益庞大,网络中海量的学习资源给用户带来了选择障碍,如何选择出自己想要的视频,是当前困扰着学习者的难题。首先,虽然网络平台上的学习资源众多,但是却没有被系统地管理,所以学习者面对信息过载容易迷失其中,在视频学习网站平台中快速找到学习感兴趣的视频已经变得很困难。其次,网络资源学习并没有体现以人为本的核心思想,资源过载和学习者个性化需求之间存在一定的冲突。随着协同过滤推荐技术广泛的应用到推荐系统中,以上的问题得到了很好的解决,然而可扩展性和数据稀疏性导致推荐准确率的降低已经成为常规协同过滤技术的难题。本文基于对线性回归的研究,结合协同过滤算法,开发一款学习视频混合推荐系统。本文先构建了基于改进协同过滤推荐算法模型,然后对推荐系统进行需求分析、系统整体架构、具体模块和数据库进行设计,把系统分为用户端模块和后台管理员系统模块,最后利用Hadoop、HDFS、Map Reduce等技术实现用户上传学习视频、点赞、评论、评分、搜索和关注的功能以及管理员对视频的管理功能。本文系统经过测试,系统整体运行正常,从整体上提高了用户预测评分的准确度,效果符合预期。
基于机器学习的等离子体实时诊断技术研究
这是一篇关于实时诊断,发射光谱,线性回归,图像识别,转动、振动温度的论文, 主要内容为低温等离子体的温度参数诊断对其机理及相关应用研究起到重要作用。目前最常用的方法是利用发射光谱对其进行诊断。但是该方法首先需要采集发射光谱,并人工对其离线拟合,才能得到等离子体的转动温度和振动温度。因此,如何实时准确地进行参数诊断成为了目前等离子体研究的热点之一。而近些年来机器学习的快速发展为此提供了可能,本文的目的就是通过机器学习,实现等离子体参数的实时诊断。首先,本文介绍了等离子体发射光谱的产生原理,并阐述了利用发射光谱测量等离子体转动温度和振动温度的方法。虽然常用的对比法和迭代法能保证很高的拟合精度,但是这两种方法需要耗费大量的时间。因此本文提出利用线性回归的相关知识,来提高发射光谱的拟合效率。具体来说就是利用elastic net回归模型,通过调整正则化参数α和λ来提高模型的预测能力。最终该模型对转动温度和振动温度预测的拟合优度分别达到了0.9972和0.9635。此外,该模型对于单个光谱的预测时间也小于0.1 s,大大缩短了拟合时间,实现了基于发射光谱的等离子体参数实时诊断。其次,利用实验装置采集到了不同放电模式下的发射光谱和放电图片,并利用elastic net模型预测对应的转动温度和振动温度。通过研究正、负直流空气放电的光特性,发现等离子体的转动温度和振动温度与放电模式之间有着密切的联系,得到了不同放电模式下等离子体温度的分布规律。最后为了能进一步提高诊断效率,本文提出利用图像识别技术来测量等离子体转动温度和振动温度,以摆脱光谱仪的限制。通过调整自建网络Self Net的模型结构和参数,建立起了放电图像和转动温度、振动温度之间的关系,最终预测准确率分别达到了0.9337和0.8535,并且该模型对于单张图像的预测时间小于1 s,保证了测量的实时性,实现了基于可见光图像的等离子体参数实时诊断。
一种学习视频混合推荐系统的设计与实现
这是一篇关于线性回归,协同过滤,混合推荐,推荐系统,学习视频的论文, 主要内容为随着网络时代的到来,网络视频学习方式正在以其不受时间位置的限制受到了越来越多人的欢迎,这种学习方式也成为了现代教育教学体系的一部分。网络视频学习资源也日益庞大,网络中海量的学习资源给用户带来了选择障碍,如何选择出自己想要的视频,是当前困扰着学习者的难题。首先,虽然网络平台上的学习资源众多,但是却没有被系统地管理,所以学习者面对信息过载容易迷失其中,在视频学习网站平台中快速找到学习感兴趣的视频已经变得很困难。其次,网络资源学习并没有体现以人为本的核心思想,资源过载和学习者个性化需求之间存在一定的冲突。随着协同过滤推荐技术广泛的应用到推荐系统中,以上的问题得到了很好的解决,然而可扩展性和数据稀疏性导致推荐准确率的降低已经成为常规协同过滤技术的难题。本文基于对线性回归的研究,结合协同过滤算法,开发一款学习视频混合推荐系统。本文先构建了基于改进协同过滤推荐算法模型,然后对推荐系统进行需求分析、系统整体架构、具体模块和数据库进行设计,把系统分为用户端模块和后台管理员系统模块,最后利用Hadoop、HDFS、Map Reduce等技术实现用户上传学习视频、点赞、评论、评分、搜索和关注的功能以及管理员对视频的管理功能。本文系统经过测试,系统整体运行正常,从整体上提高了用户预测评分的准确度,效果符合预期。
基于机器学习的等离子体实时诊断技术研究
这是一篇关于实时诊断,发射光谱,线性回归,图像识别,转动、振动温度的论文, 主要内容为低温等离子体的温度参数诊断对其机理及相关应用研究起到重要作用。目前最常用的方法是利用发射光谱对其进行诊断。但是该方法首先需要采集发射光谱,并人工对其离线拟合,才能得到等离子体的转动温度和振动温度。因此,如何实时准确地进行参数诊断成为了目前等离子体研究的热点之一。而近些年来机器学习的快速发展为此提供了可能,本文的目的就是通过机器学习,实现等离子体参数的实时诊断。首先,本文介绍了等离子体发射光谱的产生原理,并阐述了利用发射光谱测量等离子体转动温度和振动温度的方法。虽然常用的对比法和迭代法能保证很高的拟合精度,但是这两种方法需要耗费大量的时间。因此本文提出利用线性回归的相关知识,来提高发射光谱的拟合效率。具体来说就是利用elastic net回归模型,通过调整正则化参数α和λ来提高模型的预测能力。最终该模型对转动温度和振动温度预测的拟合优度分别达到了0.9972和0.9635。此外,该模型对于单个光谱的预测时间也小于0.1 s,大大缩短了拟合时间,实现了基于发射光谱的等离子体参数实时诊断。其次,利用实验装置采集到了不同放电模式下的发射光谱和放电图片,并利用elastic net模型预测对应的转动温度和振动温度。通过研究正、负直流空气放电的光特性,发现等离子体的转动温度和振动温度与放电模式之间有着密切的联系,得到了不同放电模式下等离子体温度的分布规律。最后为了能进一步提高诊断效率,本文提出利用图像识别技术来测量等离子体转动温度和振动温度,以摆脱光谱仪的限制。通过调整自建网络Self Net的模型结构和参数,建立起了放电图像和转动温度、振动温度之间的关系,最终预测准确率分别达到了0.9337和0.8535,并且该模型对于单张图像的预测时间小于1 s,保证了测量的实时性,实现了基于可见光图像的等离子体参数实时诊断。
南海外海灯光罩网渔船电子捕捞日志的校正研究及其应用
这是一篇关于灯光罩网,捕捞日志,北斗船位数据,电子捕捞日志,线性回归,BP神经网络的论文, 主要内容为南海,是我国最大的陆缘海,面积约为350万平方公里。南海的渔业资源储量巨大,是中国渔民传统的作业渔场之一,也是我国四大海域中渔业资源最为丰富的海区。近年来,随着近岸渔业过度捕捞的加剧,人们转向对南海外海丰富的渔业资源进一步开发。灯光罩网是20世纪90年代初迅速发展起来的一种新型渔具渔法,主要捕捞趋光的中上层鱼类和头足类,代表种类为鸢乌贼(Sthenoteuthis oualaniensis)、扁舵鲣(Auxis thazard)、圆舵鲣(Auxis tapeinosoma)、细鳞圆鲹(Decapterus macarellus)等。由于其操作简单、渔获量高、生产效益好、作业稳定,现已成为南海外海主要捕捞作业方式之一。渔业数据是进行渔业科学研究的基础,其精度直接影响到研究结果的准确性。传统纸质捕捞日志是渔业数据的主要来源,其只粗略记录渔民出海过程中的作业时间、作业地点、渔获物种类、渔获量等。利用纸质捕捞日志收集数据不仅需要耗费巨大的人力物力,而且纸质材料易丢失和损坏,不便管理,且查询统计困难,利用率低,难以为渔业管理与生产提供数据支撑。电子捕捞日志是利用北斗无线传输终端等电子设备采集相关的渔船动态以及渔获物等信息数据,具有填写方便具有填写方便、全面覆盖不同渔区,便于保存和查询、不易丢失和损坏、利用率高等优点。但是,由于电子捕捞日志采集过程易受其它因素影响,主要包括自然因素(海况、天气等)和人为因素(船员的文化水平、责任心等),这些因素可能导致电子捕捞日志数据存在着错报、漏报的现象。因此,还需进一步提高电子捕捞日志的准确性,便于系统、准确地掌握渔业生产实际及变化情况,促进渔业管理与发展。本文选取2017年北斗船位数据和捕捞日志数据和2020年北斗船位数据和电子捕捞日志数据。首先根据2017年北斗船位数据,采用多层过滤法判断灯光罩网渔船的作业状态,在此基础上采用等深线法提取渔船的作业航次、作业日期、作业时长和作业位置,与相应的捕捞日志数据进行对比,判断北斗船位数据提取的准确性。结果表明:北斗船位数据提取结果和渔民实际记录的捕捞日志结果误差较小,航次准确率为100%,航次天数准确率为94.30%;相同作业日期准确率为92.72%;作业时长总平均绝对误差为1.12h,平均相对误差为2.1%,具有较好一致性。利用2020年北斗船位数据提取灯光罩网渔船作业时长,与电子捕捞日志记录作业时长数据进行对比分析。应用北斗船位数据提取作业时长对电子捕捞日志记录作业时长进行校正,分别建立基于线性回归和BP神经网络的电子捕捞日志作业时长数据校正模型,并对校正后的电子捕捞日志作业时长数据进行效果评价。结果表明:北斗船位数据提取作业时长与电子捕捞日志记录作业时长的平均误差为1.98h,需要进行校正。两种方法构建的模型对电子捕捞日志作业时长数据校正后精度都有所提高,平均相对误差分别降低了10.37%和10.44%,BP神经网络方法的校正效果更好。利用BP神经网络模型对2020年灯光罩网渔船电子捕捞日志数据进行校正,并对南海外海灯光罩网渔船渔业进行统计分析,进而估算南海外海灯光罩网渔船的捕捞量。
南海外海灯光罩网渔船电子捕捞日志的校正研究及其应用
这是一篇关于灯光罩网,捕捞日志,北斗船位数据,电子捕捞日志,线性回归,BP神经网络的论文, 主要内容为南海,是我国最大的陆缘海,面积约为350万平方公里。南海的渔业资源储量巨大,是中国渔民传统的作业渔场之一,也是我国四大海域中渔业资源最为丰富的海区。近年来,随着近岸渔业过度捕捞的加剧,人们转向对南海外海丰富的渔业资源进一步开发。灯光罩网是20世纪90年代初迅速发展起来的一种新型渔具渔法,主要捕捞趋光的中上层鱼类和头足类,代表种类为鸢乌贼(Sthenoteuthis oualaniensis)、扁舵鲣(Auxis thazard)、圆舵鲣(Auxis tapeinosoma)、细鳞圆鲹(Decapterus macarellus)等。由于其操作简单、渔获量高、生产效益好、作业稳定,现已成为南海外海主要捕捞作业方式之一。渔业数据是进行渔业科学研究的基础,其精度直接影响到研究结果的准确性。传统纸质捕捞日志是渔业数据的主要来源,其只粗略记录渔民出海过程中的作业时间、作业地点、渔获物种类、渔获量等。利用纸质捕捞日志收集数据不仅需要耗费巨大的人力物力,而且纸质材料易丢失和损坏,不便管理,且查询统计困难,利用率低,难以为渔业管理与生产提供数据支撑。电子捕捞日志是利用北斗无线传输终端等电子设备采集相关的渔船动态以及渔获物等信息数据,具有填写方便具有填写方便、全面覆盖不同渔区,便于保存和查询、不易丢失和损坏、利用率高等优点。但是,由于电子捕捞日志采集过程易受其它因素影响,主要包括自然因素(海况、天气等)和人为因素(船员的文化水平、责任心等),这些因素可能导致电子捕捞日志数据存在着错报、漏报的现象。因此,还需进一步提高电子捕捞日志的准确性,便于系统、准确地掌握渔业生产实际及变化情况,促进渔业管理与发展。本文选取2017年北斗船位数据和捕捞日志数据和2020年北斗船位数据和电子捕捞日志数据。首先根据2017年北斗船位数据,采用多层过滤法判断灯光罩网渔船的作业状态,在此基础上采用等深线法提取渔船的作业航次、作业日期、作业时长和作业位置,与相应的捕捞日志数据进行对比,判断北斗船位数据提取的准确性。结果表明:北斗船位数据提取结果和渔民实际记录的捕捞日志结果误差较小,航次准确率为100%,航次天数准确率为94.30%;相同作业日期准确率为92.72%;作业时长总平均绝对误差为1.12h,平均相对误差为2.1%,具有较好一致性。利用2020年北斗船位数据提取灯光罩网渔船作业时长,与电子捕捞日志记录作业时长数据进行对比分析。应用北斗船位数据提取作业时长对电子捕捞日志记录作业时长进行校正,分别建立基于线性回归和BP神经网络的电子捕捞日志作业时长数据校正模型,并对校正后的电子捕捞日志作业时长数据进行效果评价。结果表明:北斗船位数据提取作业时长与电子捕捞日志记录作业时长的平均误差为1.98h,需要进行校正。两种方法构建的模型对电子捕捞日志作业时长数据校正后精度都有所提高,平均相对误差分别降低了10.37%和10.44%,BP神经网络方法的校正效果更好。利用BP神经网络模型对2020年灯光罩网渔船电子捕捞日志数据进行校正,并对南海外海灯光罩网渔船渔业进行统计分析,进而估算南海外海灯光罩网渔船的捕捞量。
基于嵌入技术的知识图谱补全和实体对齐方法研究
这是一篇关于知识图谱嵌入,链接预测,实体对齐,线性回归,结构相似度的论文, 主要内容为知识图谱补全任务根据知识图谱中已有的知识三元组来预测实体之间缺失的关系以形成新的三元组,又称链接预测;实体对齐任务是在不同的知识图谱中找出语义上指代同一个客观世界实体的实体,从而将多个知识图谱融合起来。知识图谱嵌入技术将知识图谱中的实体和关系表示为连续向量空间中的低维向量,为上述两项任务提供了良好的技术基础。知识图谱嵌入模型应尽可能多地表达不同类型的关系连接模式和映射性质,以捕获更丰富的实体和关系的语义信息,进而更精准地预测实体之间缺失的关系。基于嵌入技术的实体对齐方法通过度量实体向量之间的相似性进行实体对齐。然而,现有的实体对齐方法仍然面临语义信息损失和多步关系路径上的嵌入误差累积等问题。本文针对上述问题分别提出了一种新颖的知识图谱嵌入模型(Linear Regression Embedding(简称Linea RE)和两种实体对齐方法,分别是Vector Distance(简称Vec Dist)和Relation Similarity Entity Alignment(简称RSim EA)。Linea RE将知识图谱嵌入看作简单的线性回归任务,能够很好地表达四种关系连接模式(对称、反对称、逆和组合)和四种关系映射性质(一对一、一对多、多对一和多对多)。同时,本文对Linea RE的表达能力进行了严格的数学证明。Vec Dist在对齐实体的同时对齐关系,并通过“参数交换”的方式拉近对齐关系的向量之间的距离,从而减轻多步关系路径上的嵌入误差累积问题。RSim EA中引入了一种关系结构相似度计算方法,根据关系的结构相似度对齐关系,有效地减少了语义信息损失带来的负面影响。在多个数据集上的实验结果表明,所提出的Linea RE以及Vec Dist和Rsim EA分别在知识图谱补全和实体对齐任务上取得了目前最优异的性能。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码驿站 ，原文地址：https://m.bishedaima.com/lunwen/54472.html
