6个研究背景和意义示例,教你写计算机降维论文

今天分享的是关于降维的6篇计算机毕业论文范文, 如果你的论文涉及到降维等主题,本文能够帮助到你

基于深度学习的图像推荐算法研究与实现

这是一篇关于深度学习,图像推荐,目标检测,图像分类,降维,推荐系统,多属性图像的论文, 主要内容为随着信息技术和电子商务的快速发展,电商平台中图像数据量迅速增长。对于电商平台而言,快速从海量的图像数据库中发现用户可能感兴趣的商品图像并推荐给用户,能够有效地提高电商平台的服务质量,提高竞争力。而传统的图像推荐算法是使用基于文本的推荐方法,图像的标注过程需要耗费大量的时间和人力,费时费力效率较低,且图像标注受人类主观因素影响较大。如何提高电商图像的推荐效率成为一个亟待解决的实际问题。近些年来,深度学习成为了人工智能研究热点,已经在图像分类、目标检测和自然语言处理等领域取得了较好的应用效果。本文针对基于深度学习的图像推荐算法进行了研究,提出了一种基于图像内容的推荐算法,该算法主要包含三个深度神经网络,目标是使用深度学习技术弥补传统的图像推荐方法的不足,降低人类主观因素影响和拍摄环境的影响。本文主要研究的内容是多属性图像分类、目标检测算法的优化和基于卷积神经网络特征的降维算法,并以此基础设计了一个图像推荐原型系统,并应用于电商图像推荐中。本文取得的主要创新性成果如下:(1)提出了一种基于改进卷积神经网络的多任务学习方法。该方法借鉴了迁移学习中参数迁移的思想,用于解决传统卷积神经网路无法对商品图像包含的多个属性同时进行分类的问题。针对数据集中特定类型商品较少,存在类别不平衡的问题,提出了一种基于Mixup算法的过采样策略。同时对图像多个属性复杂程度与CNN输出特征矩阵稀疏率的关系进行了研究,并使用改进Grad-CAM算法对图像多个属性识别关键区域进行了可视化分析,提高了网络的可解释性。(2)提出了一种基于自适应池化的Faster-RCNN算法用于商品目标检测。该算法是用于解决传统池化方式不能有效提取电商图像中褶皱、纹理等细节特征的问题。所设计的池化算法基于传统的最大池化模型进行了改进,并将其应用于目标检测算法Faster-RCNN中。实验表明,这种算法对褶皱、纹理信息复杂的商品图像具有更好的识别效果。(3)提出了一种基于深度学习的图像哈希编码算法。该算法首次将多线性主成分分析法应用于卷积神经网络提取特征的降维,目标是解决卷积神经网络提取的图像特征维度过高且各特征之间存在较强相关性的问题,并结合局部敏感哈希算法进行图像哈希编码用于图像检索。实验表明,相较于传统降维方法,多线性主成分分析法对于卷积神经网络提取特征具有更好的降维效果。(4)研究并设计了一个图像推荐原型系统。该系统以本文设计的三个深度神经网络为基础,使用Python语言编写实现。本文将该系统应用于电商图像推荐中,取得了较好的推荐效果。

面向大规模复杂网络的图布局算法

这是一篇关于可视化,可视分析,图可视化,图布局,降维,力引导布局的论文, 主要内容为图布局是信息可视化领域中重要的问题之一,有效的图布局可以辅助用户更直观清晰地认识网络数据的结构,同时也有助于帮助用户发现问题,使得用户可以通过进一步的交互挖掘出其中潜在的信息。图布局算法被广泛应用于社交网络、知识图谱、深度学习等领域。目前用于网络数据的布局算法主要分为两类,基于传统力引导的算法和基于数据降维方法的算法。基于力引导的布局算法是最早被用于图布局的算法,也是目前应用最广泛的布局算法。它们通过建立物理模型来实现布局,简单且易实现,强调减少布局中的边交叉,并使得节点均匀分布;基于数据降维的算法通过将图空间的分布嵌入到低维空间来实现布局,更关注网络数据的邻域特征,力求保持图空间中节点的相对位置信息完整。随着数据规模和结构复杂性的增长,现有的图布局算法受限于其时间复杂或空间复杂度,越来越难以生成令人满意的布局。为了快速有效地构建大规模图数据的布局,本文以基于数据降维的布局算法为主要研究对象,结合可视化评估标准,针对大规模图数据如何高效布局等关键问题展开了研究,并提出了一个新的布局算法。我们在现有的基于降维方法的布局算法基础上,结合稀疏距离矩阵、负采样技术和多层次布局策略,实现了在时间复杂度与空间复杂度上均达到线性并可以扩展到大规模数据集的布局算法。本文通过在1 1种真实数据集上与7种经典有效的布局算法的对比实验,验证了我们的算法在运行时间与内存使用方面优于其他算法,并且在不同类型的数据集上均能生成有效的布局。在包含1564794个节点和56300条边的数据集上,本文算法的速度是FM3算法的1.8倍。同时本文算法仅占用3GB内存,而FM3使用了近56GB内存。

推荐系统中基于进化及网络传播算法的信息核优化

这是一篇关于推荐系统,协同过滤,信息核,进化算法,网络传播算法,降维,聚类的论文, 主要内容为随着大数据时代的到来,信息的海量增长使人们不得不面对信息过载的困局。推荐系统作为解决信息过载的有效技术手段,一经提出就吸引了众多学者的关注。协同过滤算法作为推荐系统领域中最常用的算法之一,随着数据的快速增长逐渐暴露了其固有的一些问题。其中,可扩展性问题是阻碍其发展的主要障碍之一。为了缓解该问题,学者们提出了各种各样的方法,基于信息核的推荐方法就是其中一种较为新颖的方法。目前主要是通过启发式的方法构建信息核,相比于传统协同过滤算法在推荐质量方面存在一定损失。针对这一问题,本文提出了基于进化及网络传播算法的信息核优化方法,用于减少在线推荐时间,以缓解可扩展性问题,同时也提升了推荐质量。具体内容安排如下:(1)提出了一种基于多子种群进化算法的信息核优化方法。首先,根据用户的度提出三种约束条件将种群划分为三个子种群。然后,将每种约束条件与信息核都编码在种群个体中,通过进化迭代自动搜索出较好的度阈值。最后,利用精英保留策略保留竞争能力较强的子代个体构成下一代种群,在种群个体总数不变的情况下,竞争力强的子种群规模逐渐增大,而竞争力弱的子种群规模会逐渐缩小甚至被完全淘汰。实验结果表明,本方法能够有效地发现信息核,从而得到了比其他对比方法更好的推荐质量。此外,极大地减少了在线推荐的时间。(2)提出了一种基于进化及聚类算法的虚拟信息核优化方法,该方法旨在提高系统中用户信息的利用率,构建包含信息更丰富的虚拟核用户。首先,提出了一个简单“平均法”去融合多个用户的信息来构成虚拟核用户。然后,将搜索虚拟信息核的问题建模为组合优化问题,并通过进化算法去解决该问题。最后,为了使离线优化更有效率,我们提出两种改进策略。第一种策略是通过降维和聚类构建更小的训练集和验证集;第二种策略是引进一种基于降维和聚类的相似度方法。实验结果表明,基于进化及聚类算法的虚拟信息核优化方法进一步提高了推荐质量,其在线推荐时间与对比方法相比更短,具有更强的缓解可扩展性问题的能力。(3)提出了一种基于聚类及网络传播算法的虚拟信息核优化方法,该方法旨在减少虚拟信息核的离线优化时间,同时进一步利用系统中用户的信息去构建性能更好的虚拟信息核。首先,为了减少重复聚类的时间以及获得更好的聚类效果,我们利用t-SNE算法获得用户的低维数据。然后,将用户的低维数据进行重复聚类,并在用户的高维数据中计算每个簇的聚类中心,从而获得虚拟用户。最后,利用改进的网络传播算法从虚拟用户中选出一些虚拟核用户来组成虚拟信息核。实验结果表明,通过该方法构建的虚拟信息核进一步提高了推荐质量,并且大大减少了虚拟信息核的离线优化时间。

转子系统故障的图谱辅助决策方法

这是一篇关于故障诊断,降维,知识图谱,图数据库,.NET的论文, 主要内容为在旋转机械必须向优质高效运行方向发展的大背景需求指引下,机械装备日趋大型化、复杂化与智能化,其产生的状态数据也呈指数增长,这给目前进行振动信号分析的故障诊断方法带来了巨大困扰,因为海量的数据中夹杂着大量的冗余信息。这种单一地依靠振动信号来辨识故障模式的诊断手段对振动故障数据集有着较高的要求,同时在智能化的人机交互研究上也迟迟未能有重大突破。一个主要问题是我们人类更容易接受和理解文本数据,而不是一堆看不出规律的数字。这种现象更深层次地表现在故障诊断软件的设计上,通俗地讲就是目前大部分故障诊断软件只能依靠故障数据实现故障辨识功能,对于人们期望的具有故障决策功能的智能化系统还停留在理论层面。值得注意的是在其他领域,研究人员利用知识图谱技术实现了人机交互的革命性突破。基于上述缘由,本论文在研究降维算法得到故障辨识结果的基础上,将知识图谱模型应用于转子故障模式辨识的可视化及辅助决策领域,主要工作概况基本如下:(1)针对旋转机械高维故障数据集中特征属性冗余导致的故障分类困难问题,提出一种局部Fisher主成分判别分析(LFPCDA)的故障数据集降维方法。该方法利用Laplacian得分算法过滤高维故障特征集中的冗余特征,又将主成分计算融入局部Fisher判别分析(LFDA)中,可自适应地选取出最能反映故障本质的主成分来构成投影矩阵,使用双跨转子实验台模拟的转子故障数据集证明了所提算法具有剔除冗余特征属性与提高故障分类准确率的效果,并验证了其可靠性与泛化性。(2)针对神经网络模型对故障识别过程具有“黑箱”特点的问题,构建了转子故障数据与故障机理图谱,该图谱清晰地展现了各类故障之间的内在联系,可供操作人员追溯设备故障根源与设备维护方向。(3)针对先进转子故障诊断技术难以应用到实际工程问题,开发一种基于.NET的转子故障诊断及辅助决策的桌面应用程序,该程序嵌入本文所提LFPCDA数据降维算法与转子故障图谱。该程序包含转子故障辨识模块与故障辅助决策模块,使用双跨转子实验台模拟的转子故障数据集验证了该程序的可行性。