5个研究背景和意义示例,教你写计算机自适应权重论文

今天分享的是关于自适应权重的5篇计算机毕业论文范文, 如果你的论文涉及到自适应权重等主题,本文能够帮助到你

融合知识图谱的多层兴趣建模及其在推荐系统中的应用

这是一篇关于知识图谱,用户属性,兴趣建模,向量表征,自适应权重,电影推荐系统的论文, 主要内容为科技的飞速发展伴随着数据量的爆炸式增长,“信息过载”成为人们亟待解决的问题之一。个性化推荐系统作为目前广泛使用的信息过滤手段,主动为用户推荐感兴趣的内容,大大缩减了决策时间成本,使人们获得丰富多样的信息服务。知识图谱作为一种多源异构信息,可为推荐算法提供丰富的先验知识,细粒度表征用户或项目之间的语义关联,有效解决数据稀疏性问题,提高推荐系统的性能。然而现今的大多模型主要依靠历史交互无法挖掘到用户的深层兴趣,且新用户的冷启动问题始终是阻碍推荐系统发展的一大难题。针对上述问题本文提出一种改进的用户兴趣模型,并以该模型为算法支撑设计开发了电影推荐系统。具体研究内容如下所示:(1)本文提出融合知识图谱和用户属性的多层兴趣模型(MIKU)。该模型首先以用户的历史交互项目为知识图谱的头实体构建浅层兴趣,结合知识图谱中关系路径链接到历史项目的相关实体挖掘用户深层兴趣;其次考虑到用户兴趣的多样性,针对不同层次的兴趣分别采用自适应加权机制,学习用户对不同行为及兴趣点的偏好权重。在细粒度刻画物品特征的同时,更全面完备地表征用户兴趣,并且结合了用户的属性特征有效解决了冷启动问题。通过在公开的电影数据集验证,结果表明MIKU模型同诸多基准模型相比,在推荐结果的准确率上提高了1.93%～5.59%、召回率上提升了2.95%～4.7%。(2)为证实所提算法的可行性,本文利用豆瓣网站爬取并处理真实数据信息,根据相关技术构建完整的豆瓣电影知识图谱,同时设计和实现了一个基于知识图谱的电影推荐系统。首先以用户体验为原则进行系统需求分析,从数据获取、知识图谱构建和电影推荐系统实现三个模块对整体框架进行设计,并对各模块设计方法进行详细解析。系统具体实现采用Python语言,利用爬虫技术和PyQt5集成库完成基于知识图谱的电影推荐系统开发,同时结合Neo4j图数据库将知识存储并可视化展示。通过对系统进行详细的功能测试和界面优化,在保证用户需求的同时,可利用知识图谱为推荐列表提供一定的可解释性,保证系统的可行性。

基于情景感知的个性化推荐系统的研究与实现

这是一篇关于推荐系统,情景感知,贝叶斯网络,混合推荐策略,自适应权重的论文, 主要内容为人们在获取信息内容的同时,很容易从自己的目标内容中发散到更多的海量数据中,从而不能及时的获得自己需要的信息。这种信息过载问题给我们带来很大的信息负担,不仅没有因为互联网技术而提高生产率,反而因为信息量庞大降低了生产率,这时就产生了一种信息推送服务模式,根据用户个性化的需求,考虑商品与商品,用户与商品和用户与用户间的相互作用的推荐系统应运而生,向用户推送可能需要但又很难主动获取的信息。而随着研究人员的进一步研究发现,电子商务广泛应用的传统推荐算法系统初期数据量小存在冷启动和稀疏性问题,从而带来准确性下降的问题。本文在研究了基于内容过滤的模型预测方法后,提出了融合情景数据和机器学习的贝叶斯网络模型构建推荐方法。用情景信息隐变量表示用户的偏好,对电影评分贝叶斯网络构建采用隐变量插入算法,用BIC评分在各种可行的半团结构中选择最优模型,EM算法迭代计算模型的条件概率参数,从而从额外数据集添加情景感知隐变量丰富MovieLens电影评分数据集,进而利用RBNL模型预测评分数据。而混合推荐策略可以综合两种推荐组件的优势,本文综合RBNL模型预测评分算法和传统协同过滤算法。利用误差差值矩阵在整体推荐系统中的占比得到当前运行时期推荐组件的权重,通过自适应权重归一化,调整不同推荐组件在混合推荐中的影响力度,将调整后的推荐组件的权重值与相应推荐组件给用户做出的评分预测做加权,合并各个推荐组件的加权预测值,最终得到混合推荐系统的最终评分预测。最后通过实验,可以发现本文提出的添加情景感知数据的模型预测方法相比不含情景数据的单一推荐方法准确度明显提升,但在系统后期数据量增大后,协同过滤算法因为数据稀疏性问题的缓和预测评分准确度大幅提升。本文提出的自适应权重的混合推荐策略能够综合两种推荐组件的优点,在系统运行初期,模型推荐算法误差更小,故系统整体预测准确率更优,而在系统运行中后期,协同过滤算法准确率提升,且系统消耗更少。所以自适应权重的混合推荐算法可以补充优点,克服不同时期数据量带来的缺陷,更好地提高推荐系统的性能。

混合自适应的改进麻雀搜索算法及应用研究

这是一篇关于麻雀搜索算法,自适应权重,二次插值,Sin混沌映射,t分布变异的论文, 主要内容为麻雀搜索算法是薛建凯等人于2020年提出的一种新型群智能优化算法,该算法的设计灵感来源于自然界中麻雀种群的觅食与反捕食策略。与其他群智能优化算法相比,麻雀搜索算法的收敛速度更快、寻优能力更强。但是,在算法运行的末期,麻雀搜索算法也不能避免种群多样性的下降、易陷入局部最优值的问题。由此,为改善麻雀搜索算法的存在的不足,提出了两种改进麻雀搜索算法,并设计了基准测试函数对比验证实验,用于验证改进方法的有效性和寻优能力,最后,将改进后的麻雀搜索算法应用于实际工程问题求解上。主要的研究内容如下:(1)为改善麻雀搜索算法搜索覆盖面不够全面,局部开发能力不足致使寻优精度降低的状况,提出混合二次插值的自适应麻雀搜索算法。首先在麻雀发现者更新策略中引入动态自适应权重,调节算法的全局搜索和局部开发能力;然后再引入二次插值策略,增强算法的局部开发能力和求解精度。通过基准函数测试和求解工程设计问题,验证了改进算法的求解性能和有效性。(2)为提高算法运行后期的种群多样性、提高算法跳出局部最优值的能力,提出混合自适应t分布的混沌麻雀搜索算法。首先在麻雀种群初始化阶段用Sin混沌映射生成种群,提高麻雀在搜索空间的覆盖面;然后引入自适应t分布变异扰动,对麻雀加入者位置进行扰动,提高算法的搜索性能。通过对多个经典测试函数和实际应用问题的实验验证,证明了所提出算法的有效性和优越性,最后将改进后的麻雀搜索算法应用于BP神经网络优化验证了改进方法在实际应用上的有效性和实用性。

鲸鱼优化算法及其在低压断路器中的应用研究

这是一篇关于鲸鱼优化算法,反向学习,云模型,自适应权重,低压断路器优化设计的论文, 主要内容为鲸鱼优化算法是通过模拟座头鲸捕食行为而提出的一种新型元启发式群智能优化算法,其结构简单,调节参数少且适用性强,对于复杂工程数学问题的优化求解效果显著。但是,由于基本鲸鱼优化算法对问题迭代求解至后期时易出现局部搜索区域内寻优停滞、收敛速度缓慢等现象,因此还需要进一步改进。低压断路器作为配电系统中重要的电子器件,可对正常和异常电流进行传送与控制,对电路具有过负载、短路、欠压和漏电保护功能。目前传统的断路器优化技术一般利用经验试算与数值模拟分析等方法,但存在样机设计周期长、器件质量体积过大、分断性能差等缺陷。因此可结合性能良好的智能优化算法对低压断路器进行小型化与高分断优化设计。为此,本文重点对鲸鱼优化算法进行改进,以改善其寻优效果,并将改进的鲸鱼优化算法应用于低压断路器的小型化与高分断优化设计中,用于提高断路器的产品质量与工作效率。主要研究内容如下:(1)鲸鱼优化算法的改进。融合三种改进策略对基本鲸鱼优化算法进行改进,提出一种改进的鲸鱼优化算法(OCA-WOA)。在鲸鱼种群初始化阶段,对种群中的个体进行反向学习,提升了种群的质量与多样性;根据云模型理论,对算法的收敛因子进行改进,增强了算法在迭代过程中的搜索能力;又在算法位置更新公式中引入自适应权重因子,加快了算法后期迭代求解的速度与精度。通过测试函数实验仿真证明,OCA-WOA算法在收敛速度与求解精度上具有优异性能。(2)低压断路器小型化优化设计。首先,分析影响断路器重量体积因素,对内部触头弹簧结构进行研究;然后,根据弹簧的一系列约束条件以及相关结构参数,构建断路器小型化数学模型;最后,利用改进的OCA-WOA算法对优化模型进行迭代求解。实验结果表明采用改进的OCA-WOA算法设计的触头弹簧结构参数最优,且所设计出的断路器质量体积最小。(3)低压断路器高分断优化设计。首先,对断路器内部灭弧系统进行分析;然后,根据断路器分断原理以及电弧理论,对灭弧室内电弧电压进行分析,构建断路器高分断数学模型;最后,利用改进的OCA-WOA算法对优化模型进行迭代求解。实验结果表明改进的OCA-WOA算法能够得到最低的分断能力函数适应度值,增强了灭弧室的灭弧能力,进而提升了断路器的分断性能。