检索结果-南通市图书馆

作者：张宇江苏大学

学位级别：硕士

随着计算机技术的发展与企业信息化的推进,中小型企业仓库管理系统如雨后春笋般层出不穷,为库内信息采集、记录和管理提供了有效的平台。而随着出入库任务的增加,货位分配与拣选路径优化成为提高仓库存储能力与作业效率的关键,传统记账... 详细信息

随着计算机技术的发展与企业信息化的推进,中小型企业仓库管理系统如雨后春笋般层出不穷,为库内信息采集、记录和管理提供了有效的平台。而随着出入库任务的增加,货位分配与拣选路径优化成为提高仓库存储能力与作业效率的关键,传统记账式仓库管理系统已经无法满足当前的仓储和拣选需求。因此,开发一款具有自动优化货位分配和拣选路径功能的仓库管理系统对中小型企业的发展具有重要的现实意义。遗传算法具有内在的隐并行性和良好的全局寻优能力,运行速度快且容易发现最优解,对求解货位分配和拣选路径优化模型具有很好的性能。但是,随着迭代次数的增多,算法的搜索效率逐渐降低,容易陷入局部最优解。针对上述问题,本文提出了改进的遗传算法对货位分配和拣选路径优化模型进行求解。在此基础上,设计并实现了应用于中小型企业的仓库货位分配和拣选路径优化原型系统。论文的主要工作如下:(1)提出基于改进选择算子的多种群遗传货位分配算法(Multi-population Genetic Location Allocation Algorithm Based on Improved Selection Operator,IMGA-LA)以解决货位分配与优化问题,满足中小型企业仓库管理系统对货位分配的需求。考虑货物周转率、货物相关性、货架稳定性和货物与货位之间匹配关系对仓库存储能力和作业效率的影响,建立多目标货位分配优化模型。在采用遗传算法求解模型过程中,采用累积概率改进选择算子,保证子代种群个体的优良性,提高算法的搜索效率;采用多种群遗传机制,增加种群的多样性,使算法不易陷入局部最优解。将IMGA-LA算法与GA、IGA和PSO算法在特定数据集上进行实验比较,结果表明,所提算法在全局搜索能力、收敛性和稳定性方面都得到显著提高,而在仓库的存储能力和作业效率方面也有明显改善。(2)提出基于时间窗约束多种群遗传拣选路径优化算法(Multi-population Genetic Order-picking Optimization Algorithm Based on Time Window Constraints,TWCMGA-OPO)以解决多人作业拣选路径优化问题,满足中小型企业仓库管理系统对拣货策略的优化需求。考虑到中小型企业仓库货物拣选依靠人工作业会导致的拣选任务分配、拣选路径冲突以及如何求得最短拣选路径的问题,建立以拣选路径长度最短为目标的多人作业拣选路径优化模型。在模型求解过程中,采用时间窗算法分析路径集合,通过调整对同一路段重叠占用的时间窗,从而消除路径冲突。在特定数据集上的实验结果表明,所提算法求得的拣选路径长度与GA、IGA和PSO算法相比分别减少了6.09%、4.45%和6.72%,同时由于算法考虑到多人拣货的并行性,因此可以使得拣货时间大幅减少。(3)通过对中小型企业仓库管理系统的需求分析和在上述货位分配和多人作业拣选路径优化算法的基础上,采用MySQL和SQLite数据库以及Java语言,设计和实现了运行在客户端和Android端的具有货位分配和拣选路径优化功能的中小型企业仓库管理原型系统。测试结果表明,该系统满足仓库管理的基本需求,并能满足货位分配和货物拣选路径优化的需求。

来源：

同方学位论文库评论

基于数据挖掘的数据库入侵检测研究

引用

作者：段西强江苏大学

学位级别：硕士

数据库系统往往保存着对公司或组织极为重要的数据,其重要性和价值对攻击者有很大的吸引力,受到蓄意攻击的可能性很大。同时,数据库系统本身的弱点也使其成为易受攻击的目标,如数据库的数据经常需要更新以及许多数据库提供优化接口。一... 详细信息

数据库系统往往保存着对公司或组织极为重要的数据,其重要性和价值对攻击者有很大的吸引力,受到蓄意攻击的可能性很大。同时,数据库系统本身的弱点也使其成为易受攻击的目标,如数据库的数据经常需要更新以及许多数据库提供优化接口。一些传统的安全机制,如身份认证,存取控制,加密等重点在于预防,是被动的安全机制,无法完全阻止入侵。所以,需要入侵检测—一种主动的安全机制,把这些传统安全机制无法阻止的攻击找出来,并阻断攻击。现在,入侵检测的研究取得了不少的成果,但是这些研究大多集中在对网络和操作系统的入侵检测上,对数据库的入侵检测则较少涉及。数据库入侵检测重点在于检测数据库内部的攻击,属于应用层的入侵检测,能对恶意事务进行检测,这是网络和操作系统入侵检测系统无能为力的。数据挖掘是从大量的、不完整的、有噪声的、模糊的、随机的数据中,提取隐含在其中的、人们事先不知道的,但又是潜在有用的信息和知识的过程。入侵检测在本质上是一个对审计日志等大量数据进行数据处理的过程,将数据挖掘应用于入侵检测中,即使根本不知道各种攻击手段的作用机制,也可以从安全审计数据本身所隐藏的规律中发现异常行为,从而使入侵检测系统具有更好的自学习、白适应和自我扩展的能力。本文即是将改进的关联规则算法应用于数据库的入侵检测中。本文的主要贡献如下:1)对关联规则挖掘算法FP-Growth进行了基于效率的改进,提出了MFP-Growth算法。该算法建立事务-项矩阵表示事务数据库,并在频繁模式矩阵上产生条件矩阵来挖掘频繁模式集合。该方法避免了FP-Growth算法中递归产生条件模式树这一时间开销大的操作,而且该方法在支持度变化和数据更新时,不需要重新扫描数据库,直接在事务-项矩阵上操作。实验证明该方法比FP-Growth算法有效。2) MFP-Growth算法在数据库入侵检测中的应用研究及优化。为了使MFP-Growth算法更好的应用于数据库的入侵检测中,本文对其进行了优化,引入了属性相关支持度和距离度量的概念。属性相关支持度保证了规则库的完备性,在生成的规则里就不会漏掉出现频率低但非常重要的特征属性。距离度量考虑了数据库模式的数据结构特性和用户行为的语义特性。经过优化的MFP-Growth算法挖掘的模式更好的表示了数据库用户的行为模式,提高了入侵检测的精度。3)数据库入侵检测系统原型设计。本文设计了数据库入侵检测系统原型,给出了原型的框架。在数据采集中,使用了ORACLE9i的审计日志作为数据源;在模式挖掘模块中使用了经过优化的MFP-Growth算法来挖掘历史行为模式;为了使模式库中的模式更加准确、可信,将异常的记录由管理员判断后认定为正常的模式作为模式库的数据源,更新模式库。经实验验证,设计的数据库入侵检测原型能很好的对数据库的内部入侵进行检测。

来源：

同方学位论文库评论

隐私保护离群点检测算法的研究

引用

作者：张倩江苏大学

学位级别：硕士

隐私保护数据挖掘技术的目标是在不泄露隐私信息的前提下,使用数据挖掘工具得到准确的挖掘结果,随着人们对隐私问题的日益关注,已成为一个重要的研究方向,目前主要从两个方面进行研究:数据扰乱技术和安全多方计算技术。研究人员已经提... 详细信息

隐私保护数据挖掘技术的目标是在不泄露隐私信息的前提下,使用数据挖掘工具得到准确的挖掘结果,随着人们对隐私问题的日益关注,已成为一个重要的研究方向,目前主要从两个方面进行研究:数据扰乱技术和安全多方计算技术。研究人员已经提出许多隐私保护关联规则算法、分类算法和聚类算法,但隐私保护离群点检测的算法很少。目前隐私保护离群点检测算法主要是基于距离的算法,通过使用安全多方计算技术中一些通用的安全协议对算法中的隐私信息进行保护,算法复杂度高,数据安全性和可靠性难以满足用户需求;且没有考虑到通信负载的问题,将应用安全协议的集中式离群点检测算法直接应用于分布式数据集,易产生隐私泄露且算法的效率低。本文结合安全多方计算技术、数据扰乱方法和离群点检测算法对以上不足之处进行改进,主要工作如下: (1)构造安全向量和的第k值协议,以该协议和数据扰乱技术为基础,针对数据垂直分割的情况,提出半诚实模型下基于距离的分布式隐私保护离群点检测算法VPPDT-Outlier。理论分析与实验均表明:与同类型算法相比较,VPPDT-Outlier算法拥有近似线形的通信复杂度,提高了通信效率。 (2)分析基于密度的集中式离群点检测算法DBOM的特点,以此算法为基础,结合数据分布方式,提出基于密度的垂直分布式离群点检测算法VDBOM,详细介绍了算法的思想和流程,并从理论和实验两个方面分析和证明了算法能够有效克服DBOM算法应用于分布式数据集时所产生的效率低下问题。 (3)构造安全交集协议和安全比较协议,以此协议为基础,提出了半诚实模型下基于密度的分布式隐私保护离群点检测算法PPVDBOM,解决了VDBOM算法所存在的隐私泄露问题,理论证明所提算法能很好地隐藏数据,有效保护信息的安全。

来源：

同方学位论文库评论

基于信息理论的空间离群点挖掘技术研究

引用

作者：何峰江苏大学

学位级别：硕士

离群点挖掘已成为数据挖掘研究领域最活跃的分支之一。在数据库、数据挖掘、机器学习和统计学等领域受到广泛关注，在欺诈检测、入侵检测、故障检测、生态系统失调、公共卫生中的异常疾病的爆发、公共安全中的突发事件的发生、异常自然... 详细信息

离群点挖掘已成为数据挖掘研究领域最活跃的分支之一。在数据库、数据挖掘、机器学习和统计学等领域受到广泛关注，在欺诈检测、入侵检测、故障检测、生态系统失调、公共卫生中的异常疾病的爆发、公共安全中的突发事件的发生、异常自然气候的发现等应用中有着广阔的应用前景。随着传感器设备技术的发展，数据采集设备的数量越来越多，精度越来越高，空间数据的数量越来越大，维数也越来越高。现有的针对空间数据的离群点挖掘方法主要是基于距离和基于密度的，这些方法受到“维度灾难”和数据量伸缩性的挑战。基于信息理论的离群点检测算法一般研究的是分类属性并假设属性之间相互独立，由于空间数据的自相关性和异质性，决定了现有的基于信息理论的离群点检测方法也难以适应数据挖掘，故基于信息理论的空间离群点挖掘算法还未见报道。因此，本文将根据空间数据自身的特点，基于综合考虑信息熵和属性之间关联性的全息熵概念，研究基于全息熵的能同时适应离散属性和连续属性的空间离群点检测算法。论文主要工作如下：(1)对现有的与空间离群点检测相关的典型的离群点检测算法进行分析和实验比较，指出各自的优势及存在的局限。(2)针对现有的空间邻居(域)的确定仅仅依靠空间关系，造成复杂度高的局限，提出利用空间标识属性实现空间区域划分，并利用空间标识属性的层次特性建立层次树，直到特定层次，即在一定区域内才通过空间关系确立空间邻居，并用R*-树进行检索，从而降低了计算复杂度，并为分布并行计算奠定了基础。(3)针对现有的空间离群点检测算法难以适应高维大数据的问题，提出综合考虑信息熵和属性之间互信息的全息熵的空间离群点挖掘算法。算法提出了针对不同类型属性的相异度度量方法和基于相异度信息熵度量方法，并提出了基于信息熵的属性权重计算方法。在此基础上提出了基于加权的全息熵的离群度度量方法，并设计了基于离群度的空间离群点挖掘算法。理论和实验结果均表明，由于算法综合考虑了空间数据的特性，有效实现了数据划分和权重的自动计算，在计算复杂度、计算精度、用户依赖性和结果的可解释性方面均具有优势。

来源：

同方学位论文库评论

无线传感器网络异常事件检测与异常解释算法研究

引用

作者：王孟頔江苏大学

学位级别：硕士

无线传感器网络(Wireless Sensor Network,WSN)是由大量造价低、体积小的传感器节点以自组织方式构成的无线网络。通过感知、采集和分析监测数据,无线传感器网络能够检测出发生在监控区域内的异常事件。现有的WSN异常事件检测技术主要... 详细信息

无线传感器网络(Wireless Sensor Network,WSN)是由大量造价低、体积小的传感器节点以自组织方式构成的无线网络。通过感知、采集和分析监测数据,无线传感器网络能够检测出发生在监控区域内的异常事件。现有的WSN异常事件检测技术主要针对单个观测属性设置决策阈值或根据变化趋势检测异常事件,在涉及多类型传感器的事件检测应用中可扩展性不强。此外,WSN异常事件检测领域几乎没有与异常事件解释相关的研究。现有算法虽能发现异常事件,但无法对事件产生的原因、异常特征、特征之间的关联等信息给出有效解释说明,决策者很难直接利用。因此,研究WSN异常事件解释机制具有重要的理论意义和实际应用价值。为提高事件检测的质量,弥补现有算法缺乏事件解释机制的不足,本文提出基于多属性关联的WSN异常事件检测算法和基于关联子空间的异常事件解释算法,并设计与实现了无线传感器网络异常事件检测与解释原型系统。论文的主要研究工作如下:(1)针对现有事件检测算法仅考虑数据的时空关联性,忽略非时空属性的内在关联对检测结果的影响,导致检测误报率较高的问题,提出基于多属性关联的异常事件检测算法(Anomalous Event Detection based on Multi-Attribute Correlation,MACAED)。基于贝叶斯网络建立非时空属性依赖关系模型,通过结构学习得到非时空属性的依赖结构,对网络结构的每个节点进行参数学习得到条件概率表,从而得到不同非时空属性之间的概率依赖关系;提出属性关联置信度,用来衡量当前传感器读数与样本数据属性模式的相似程度;结合时间关联性检测和空间关联性检测,联合检测出异常事件。在真实数据集上的实验表明,MACAED算法与已有算法相比,准确率提高了2%.2%,误报率降低了44.5%以上,有效地抑制了干扰事件因素的影响。(2)针对现有事件检测算法没有对事件进行良好地解释的问题,提出基于关联子空间的异常事件解释算法(Anomalous Event Interpretation based on Correlated Subspaces,CSAEI)。首先基于分离度计算子空间异常得分,通过对子空间异常得分进行加权筛选出更感兴趣的低维关联子空间。然后根据条件独立性原则提出子空间相关度,设计基于子空间相关度异常子空间查找算法(AnomalousSubspace Search based on Subspace Correlation Degree,SCDASS),在合成数据集和真实数据集上的实验表明,SCDASS算法的性能与传统基于评分-搜索的算法相比有明显提高,而且可扩展性较强。最后提出基于关联子空间的异常事件解释算法CSAEI,并在真实数据集上做异常解释实验。算法输出了异常事件解释结果,为决策人员分析事件产生原因提供了有利依据。(3)为了验证本文所提出算法在实际应用场景中的可行性,本文设计并实现了一个无线传感器网络异常事件检测与解释原型系统。该系统不仅能有效地检测出异常事件,减少噪声数据和干扰事件因素的影响,而且能够以可视化形式报告异常事件信息,展示异常事件发生区域,解释异常事件发生原因。

来源：

同方学位论文库评论

基于LAdaBoost-CBP神经网络的电动汽车锂离子电池健康状态估算方法

引用

作者：陶陶江苏大学

学位级别：硕士

目前,电动汽车因污染小、价格低等优势受到欢迎。锂离子电池作为电动汽车中应用最广泛的一种动力来源,其健康有效管理关乎汽车行驶安全和运行效率。由于汽车运行环境多变、电池内部电化学反应复杂,电池数据具有非线性和复杂多变特性,健... 详细信息

目前,电动汽车因污染小、价格低等优势受到欢迎。锂离子电池作为电动汽车中应用最广泛的一种动力来源,其健康有效管理关乎汽车行驶安全和运行效率。由于汽车运行环境多变、电池内部电化学反应复杂,电池数据具有非线性和复杂多变特性,健康状态（State of Health,SOH）是表征电池性能的重要参数。由于SOH不可直接测量且易受其他参数影响,其精确估算具有挑战性,已引起学者和工程技术人员们的广泛关注,成为研究热点。学者们已经提出了很多好的SOH估算方法,其中基于误差反向传播（Back Propagation,BP）的神经网络在非线性数据拟合上有较好的学习能力和误差收敛能力,在SOH估算方面取得了较好的估算效果。但存在易陷入局部最优和泛化能力弱的问题,影响了估算精度,难以应用于实际的汽车运行数据。为此,提出基于LAdaBoost的分数阶BP神经网络以提高估算精度;提出基于新息改进的扩展卡尔曼滤波算法以解决电池数据预处理问题;在此基础上,设计并实现了锂离子电池健康状态管理系统。论文的主要工作如下:（1）提出一种基于LAdaBoost的分数阶BP神经网络的锂离子电池健康状态估算算法（Caputo BP Neural Network Method for Estimating State of Health of Lithium-ion Battery Based on Logic AdaBoost Algorithm,LAdaBoost-CBP）以实现SOH的精确估算。利用分数阶微积分替代整数阶微积分以解决BP神经网络陷入局部最优问题;在AdaBoost的样本权重更新公式中引入一个基于Logic函数变形得到的更新因子以解决样本退化问题;将CBP作为弱学习器,利用LAdaBoost将弱学习器提升为强学习器,从而准确拟合SOH与电池可测参数间的映射关系,达到准确估算SOH的目的。将本文所提算法与相关算法在NASA数据集和汽车运行工况数据集（GongKuang Database,GKDB）上进行实验比较,结果表明,均方根误差分别降低1.5%6.8%、7.4%3.3%,显著提高了SOH估算精度。（2）提出基于新息扩展卡尔曼滤波的电池数据预处理算法（Preprocessing Algorithm of Battery Data Based on Innovation Extended Kalman Filter,IN-EKF）以消除扩展卡尔曼滤波算法（Extended Kalman Filter,EKF）未消除的异常值,从而为LAdaBoost-CBP提供平稳的输入数据,以保证估算精度的稳定性。通过判断新息是否具有正交性来辨识EKF滤波后的数据是否为异常值,并用最小二乘法拟合修正值以保证数据的连续性和稳定性。将本算法与相关算法在NASA和GKDB数据集上进行实验比较,结果表明,异常值数量较EKF算法分别降低528～672和2720个,异常值处理能力明显提升;SOH估算的均方根误差较预处理前分别降低5%8.3%、27.9%,有效降低异常值对估算精度的影响。（3）基于B/S（Browser/Server）模型、MySQL数据库和Java语言,设计并实现了锂离子电池健康状态管理原型系统。该系统具有数据导入、数据预处理、SOH估算和结果展示等功能,满足SOH精确估算的需要。

来源：

同方学位论文库评论

离群点快速挖掘算法的研究

引用

作者：姚林江苏大学

学位级别：硕士

离群点挖掘又称异常检测、小事件检测、例外挖掘、孤立点挖掘、偏差检测等。离群点可能是“脏数据”,也可能是与实际对应的有意义的事件。从知识发现的角度看,在某些应用中,那些很少发生的事情往往比经常发生的事情更有趣、也更有研究... 详细信息

离群点挖掘又称异常检测、小事件检测、例外挖掘、孤立点挖掘、偏差检测等。离群点可能是“脏数据”,也可能是与实际对应的有意义的事件。从知识发现的角度看,在某些应用中,那些很少发生的事情往往比经常发生的事情更有趣、也更有研究价值。因此,离群点挖掘是一项重要且有意义的研究工作。目前,离群挖掘正逐渐成为数据库、机器学习、统计学等领域研究人员的研究热点。由于信息数据的高维性、复杂性和巨量性,传统的离群点挖掘方法不能很好地适用于高维大数据集,且往往所获得数据是不完整的、用户也只关心局部不稳定的数据,故对局部离群点的挖掘是本文的重点。离群点快速挖掘算法需要解决邻域的确定和离群点的判断这两个主要问题。采用属性划分方法将数据对象的属性划分为环境属性和行为属性,用环境属性确定对象邻域,行为属性完成离群点的判断。面向高维数据降维、对海量数据的剪枝是本文离群点快速挖掘算法的两个关键点。本文的主要贡献如下: 1、分析了高维数据的特点,提出一种基于属性划分局部线性嵌入降维算法(Locally Linear Embedding based on Attribute division,Ad-LLE)。Ad-LLE算法不但继承了局部线性嵌入(Locally Linear Embedding,LLE)算法的平移、旋转以及缩放不变性,同时运用环境属性确定对象的局部邻域,依据对象其近邻分布的不同设置相应的邻居权值及邻居个数,在局部邻居的搜索过程中采用R-树索引环境属性以加快检索速度,分析证明Ad-LLE降维算法更高效、更合理;2、提出一种基于Ad-LLE降维算法的离群点挖掘算法。将上面提出的Ad-LLE降维算法运用到离群点挖掘中,先通过Ad-LLE算法对高维数据降维,使得高维数据能够直接运用传统的离群点挖掘算法进行离群点判断,并与基于距离的离群点检测和其它降维算法运用在离群点检测中的检测效果进行比较,从检测结果来看,本文所提出的算法适合高维数据的离群点挖掘,且在降维和离群点有效检测上都表现出较好的性能;3、结合局部离群点及离群点本身的特点,提出一种离群点快速挖掘算法(Fastoutlier detection,Fast-OD)。人们常常只关注局部离群点,且离群数据本身在整个数据集中只占极少的部分,当数据集较大时,在整个数据集上挖掘离群点是困难、低效的。于是运用两个启发式剪枝策略对数据集中大量存在的非离群数据进行剔除,以提高算法的检测效率,实验证明本文提出的Fast-OD算法具有减少用户依赖性、降低算法复杂度、提高精确度和可伸缩性的优点;4、通过抽样学习获得全局近似离群度GnGlobal Threshold,GT)和局部近似离群度LTN(JI))(Local Threshold,LT)值。Fast-OD算法中计算GT和LTN(yi))时,若数据集中对象个数N很大时,用整个数据集进行计算很困难、很耗时,采用均匀抽样的方法来获取GT和ITN(yi))值,大大降低了算法的复杂度,理论和分析表明采用抽样技术使Fast-OD算法更能适用于高维大型数据库。

来源：

同方学位论文库评论

集成LSTM和PF的锂离子电池剩余使用寿命预测

引用

作者：于彬鹏江苏大学

学位级别：硕士

锂离子电池因能量密度大、安全性好和寿命长等优势被广泛用于新能源电动汽车。电池性能随着反复的充放电过程不断退化,易导致系统故障和事故。锂离子电池剩余使用寿命（Remaining Useful Life,RUL）是评估电池性能的重要指标,准确预测电... 详细信息

锂离子电池因能量密度大、安全性好和寿命长等优势被广泛用于新能源电动汽车。电池性能随着反复的充放电过程不断退化,易导致系统故障和事故。锂离子电池剩余使用寿命（Remaining Useful Life,RUL）是评估电池性能的重要指标,准确预测电池RUL对保障安全具有重要意义,已经引起广泛关注,成为研究热点,其中长短时记忆（Long Short-Term Memory,LSTM）神经网络在实验数据上取得较好的RUL预测效果。但由于LSTM在预测过程中存在累积误差以及电动汽车运行数据存在大量噪音和异常值,严重降低了RUL预测效果。为消除电动汽车运行数据中的异常值使数据平稳变化,提出基于LSTM的异常检测算法。为提高RUL预测准确性,提出集成LSTM和粒子滤波（Particle Filter,PF）的RUL预测算法。论文的主要研究工作如下:（1）提出基于LSTM的异常检测算法（Anomaly Detection Algorithm based on LSTM,AD-LSTM）以去除汽车运行数据中的异常值使数据变化更平稳。用LSTM预测模型拟合电池参数变化,以预测值和真实值的误差超过阈值的采样点为异常点,而阈值以去除最少异常值前后的误差序列间差距最大为优化条件自动确定,并用预测值修正异常值。在电动汽车真实运行数据集（True Operation Dataset,TOD）上的实验结果表明,预处理后数据平滑度有显著提高,且增强了退化参数与容量的相关性,为RUL准确预测提供了数据基础。（2）提出集成LSTM和PF的锂离子电池RUL预测算法（Lithium-ion Battery RUL Prediction Algorithm Integrating LSTM and PF,LSTM-PF）以提高RUL预测准确性。基于Spearman相关性分析从众多参数中提取与容量强相关的健康参数,并基于主成分分析法将健康参数融合为一个健康指数。用LSTM预测模型拟合健康指数退化趋势,利用PF的状态预测能力为LSTM提供校准参数以修正累积误差,将LSTM和PF有机融合以提高RUL预测准确性。实验结果表明,在NASA公开数据集上相关RUL预测方法的均方根误差最小为0.0186,LSTM-PF的均方根误差为0.01236;在TOD数据集上LSTM-PF的均方根误差为2.268641,与其他方法相比误差最小。因此,本文提出的LSTM-PF预测方法有效提高了RUL预测准确性。（3）设计并实现了锂离子电池剩余使用寿命预测原型系统。系统包括数据预处理、健康指数构建、RUL预测和可视化展示等功能,原始数据和预测结果以可视化形式展示,方便用户分析。

来源：

同方学位论文库评论

基于用户行为的移动电子商务推荐算法研究

引用

作者：孙亚利江苏大学

学位级别：硕士

随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用... 详细信息

随着移动互联网、智能终端技术的快速发展,具有移动性、便捷性的移动电子商务成为电子商务发展的新方向。受移动端显示器大小的限制,移动电子商务面临严重的信息过载现象,迫切需要为用户提供个性化推荐服务。现有的推荐技术主要利用用户评分或者隐式反馈建立兴趣模型,根据设定的时间间隔或者数据累积量定期更新该模型,为用户提供个性化推荐。然而移动用户的需求会随着时间和位置的变化而发生改变,导致即时兴趣变化迅速,现有算法的兴趣模型主要反映用户的长期兴趣,需要对模型定期更新,不能满足移动电商环境下为用户提供实时推荐的要求。此外,由于新用户没有行为数据或历史数据非常稀疏,现有算法无法为新用户提供可靠的推荐结果,影响推荐质量。针对上述问题,本文提出了基于用户购买倾向和兴趣度的个性化推荐算法和基于多源信息融合的协同过滤推荐算法。本文的主要研究工作如下:(1)针对移动电子商务中用户的即时兴趣变化迅速,而现有推荐算法不能实时响应用户需求的问题,提出了一种基于用户购买倾向和兴趣度的个性化推荐算法(Purchase Intention and Interest Degree,PIID)。该算法从长期兴趣和即时兴趣两方面对用户兴趣建模,用购买倾向来量化用户对最近交互过却没有购买的商品的即时兴趣。在离线状态下,提取用户的行为特征,利用逻辑回归模型训练影响购买的行为特征所对应的回归系数,建立购买倾向预测模型;为了更精确地定位用户可能购买的商品,将购买倾向与兴趣度线性结合作为购买概率,针对购买记录,利用概率隐因子模型通过最大化购买概率来学习用户兴趣度。在线推荐时,将用户的实时行为特征带入预测模型中,得到用户的购买倾向,再与兴趣度结合,将购买概率较大的商品列表推荐给用户。在真实数据集上的实验表明,PIID算法与现有算法相比,有较高的准确率和F1指标,而且能够提供高效的实时推荐。(2)针对现有推荐算法是在大量评分或隐式反馈的基础上建立兴趣模型,无法为缺乏行为数据的新用户提供可靠推荐的问题,提出了一种基于多源信息融合的协同过滤推荐算法。算法首先利用位置信息,建立位置消费图,计算位置远近和不同用户的兴趣偏好对目标用户的影响,找到最近邻居集,可以根据近邻的偏好为新用户进行推荐;接着利用PIID算法计算用户的个人兴趣;最后利用购买概率将近邻偏好和个人兴趣对购买的影响建模,为用户推荐购买概率最大的商品列表。在真实数据集上的实验表明,该算法有较高的准确率和F1指标,而且能够为新用户提供可靠的推荐列表。(3)为了验证本文所提出算法的可行性,采用面向对象和模块化的设计思想,使用java编程语言设计并实现了一个基于用户行为的移动电子商务原型推荐系统。

来源：

同方学位论文库评论

基于TF-IDF与TextRank的自动摘要抽取

引用

作者：张志尧江苏大学

学位级别：硕士

文本自动摘要技术可以压缩文本中冗余的文本,且不影响文本中心内容,能方便用户快速了解文本包含的信息。在现实生活中具有很大的应用价值。例如:新闻专题中包含新闻内容;文本情感分析;自动问答等领域。自动摘要抽取流程划分为两个模块:... 详细信息

文本自动摘要技术可以压缩文本中冗余的文本,且不影响文本中心内容,能方便用户快速了解文本包含的信息。在现实生活中具有很大的应用价值。例如:新闻专题中包含新闻内容;文本情感分析;自动问答等领域。自动摘要抽取流程划分为两个模块:第一部分,文本主题词抽取模块和第二部分的文本句子抽取模块。文本主题词抽取模块,传统的TF-IDF算法主要以词出现在文本中的频率度量词的重要性,未考虑词的语义和位置等有用信息,容易造成抽取的主题词不准确,进而影响到后面句子抽取的性能。在文本句子抽取模块,传统的TextRank算法以共现词作为图模型的边来度量句子之间相似度,未考虑句子的语义和位置等有用信息,容易造成抽取的句子之间存在冗余度,可读性差。基于传统TF-IDF算法和TextRank算法存在的问题,本论文做了如下的主要工作:(1)提出融入词的语义和位置信息的基于TF-IDF主题词提取算法。算法首先运用jieba分词工具实现词的切分、词性标注、停用词的去除以及非名词的去除;其次利用原有TF-IDF算法统计文本中各词出现的频率即计算TF值和IDF值,计算TF*IDF的值即为该词的暂时值;接着是融入词的位置信息,根据词的位置赋相应权重P,得到新值TF*IDF*P。最后采用Word2Vec中CBOW模型将词转化为词向量表示,以函数WORDSIM度量词与词之间的相似度,将语义相似度高的同义词进行合并,完成文本主题词的最终确定。并以文本《2018中国人工智能白皮书》进行了TF-IDF算法和改进的TF-IDF两种算法的对比实验,结果表明,后者抽取的主题词值分布更合理,更有利于主题词的抽取。(2)基于TextRank算法改进句子处理。TextRank算法以句子作为顶点,以共现词作为边的度量。为避免TextRank算法模型中边以共现词度量无法客观反映出两个句子的相似性,对边的相似性作了改进,以孪生神经网络度量两个句子的相似性。对句子在段落中不同位置赋予不同权重,同时对主题词信息和非主题词信息句子赋予不同权重,修改其相似值,由此得到句子得分。按照主题词顺序对含主题词句子排序。含同一主题词的句子再以时间等信息排序,然后根据句子得分来选择文本相似性句子,去除冗余的相似句子,最后根据句子数值将阈值以下的句子剔除,剩下的句子组合即为摘要。实验以ROUGE-N、Recall和Precision为评价指标进行对比实验,结果表明了本文改进算法的有效性。(3)最后,以python和JavaScript实现了其原型系统,并对该系统功能和性能进行测试,取得较好的效果。

来源：

同方学位论文库评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：