基于H.266/VVC的帧内编码单元快速划分方案研究
这是一篇关于H.266/VVC,CU快速划分,支持向量机,残差网络的论文, 主要内容为作为新一代的视频编码标准,H.266/通用视频编码(Versatile Video Coding,VVC)在以前的视频编码标准基础上引入了新的技术,包括嵌套多类树的四叉树(Quad Tree With Nested Multi-type Tree,QTMT)划分结构和65种角度帧内预测模式。其中QTMT划分结构进一步增强了编码单元(Coding Unit,CU)划分的灵活性,提高了VVC的编码效率,但也显著提高了编码复杂度。为了降低帧内编码的复杂度,本文针对CU快速划分决策算法进行了研究,主要工作如下:(1)针对CU划分占据大量编码时间的问题,本文提出了一种基于支持向量机(Support Vector Machine,SVM)的CU快速划分决策算法。首先根据CU的划分模式比例构建针对CU划分的SVM模型。其次,提取CU的标准差(Standard Deviation,SD)、梯度、边缘点比例(Edge Point Ratio,EPR)以及子CU中的SD和EPR的最大比率选择更可靠的相关特征。最后,利用所选特征离线训练了两个SVM模型,为编码单元是否划分以及划分方向提供指导。仿真结果表明,与VTM7.0相比,所提出的算法可以平均节省54.05%的编码时间,BDBR增加1.54%。(2)针对CU纹理特征依赖手动提取的问题,本文提出了一种基于残差网络(Residual Network,Res Net)的CU快速划分决策算法。首先根据CU划分模式的比例探索有效的Res Net模型。接下来,设计基于Res Net的分类模型预测CU划分模式,该模型的首个卷积层结合对称和非对称卷积核从而有效提取CU纹理特征。其次,将RD cost引入损失函数以提高CNN模型的预测精度。最后设置两种阈值方案来实现编码复杂性和编码性能之间的折衷。实验结果表明,与VTM7.0相比,“快速”方案节省了55.12%的编码时间,BDBR增加了1.83%;“中等”方案节省了47.03%的编码时间,BDBR仅增加了1.27%。
基于微博内容及其情感的推荐算法研究
这是一篇关于微博,情感分析,支持向量机,推荐算法,相似度计算的论文, 主要内容为随着互联网的飞速发展,微博越来越普及,用户的信息呈现指数增长,海量的内容使用户面临严重的信息过载现象。而推荐系统能够挖掘用户的偏好,主动帮助用户过滤信息,提高用户查找信息的效率。所以,推荐系统可以作为解决信息过载问题的有效手段,极大地改善用户体验。另外,微博内容自身的互动性和即时性也为微博推荐系统提供了基础。传统的推荐算法在进行推荐时会忽略用户发表内容时的情感,不能很好的适用于微博。因此,在推荐算法中加入情感因素成为新的研究方向。本文以微博内容作为研究对象,对情感分析算法和推荐算法进行了研究,主要研究内容如下:(1)针对微博内容中表情符号的使用率越来越高,情感词典无法适应微博文本内容复杂且语义多变的情况,将表情符号加入情感词典,并收集网络新词加入情感词典。针对传统的SVM情感倾向判别算法无法解决微博内容文本短噪音大的问题,利用结构化的情感词典提取特征项,去除不含情感信息的噪音,然后根据TF-IDF向量化特征,作为输入来训练SVM模型判别微博内容的情感极性。并通过改变SVM的参数进行实验,得到分类器的最优性能。为了完成多程度情感评分,提取程度词计算情感强度值,得到最终的情感评分。(2)针对微博只有流行度推荐,提出个性化推荐方案,使用基于用户的协同过滤算法给出推荐列表。针对微博没有评分系统无法直接使用协同过滤算法,本文利用关键词提取技术提取微博内容的关键词作为项目并且根据情感分析算法的结果作为评分,共同组成项目评分矩阵。然后,分别利用余弦相似度和杰拉德系数计算项目和评分的相似度,再进行加权融合得到最终的相似度结果。最终,根据预测评分给出推荐列表。并通过改变推荐算法的参数,来提高推荐算法的准确率。同时,根据用户的基本属性信息采用流行度推荐算法来解决冷启动问题。实验结果表明,基于情感词典优化SVM的情感判别算法能很好的解决微博内容文本短、噪音大且语义复杂的问题,有效的提高情感极性的分类准确率。同时基于用户的改进协同过滤算法可以有效的解决微博内容没有评分系统等问题,相似度的融合计算有助于提高推荐系统的性能,获得更优的推荐效果。
A公司网络导购的商品推荐系统研究
这是一篇关于网络导购,协同过滤,推荐系统,支持向量机的论文, 主要内容为电子商务行业经过十几年的高速发展,消费者对于网络销售良好服务的诉求也越来越强烈,但是一般B2C的网站导购人员不能满足消费者的诉求,比如面对线上同质化的商品,无法提供合理的购买意见。A公司本着更好的服务客户的宗旨,建立了网络导购平台,给选择困难的客户提供科学的消费建议。然而该平台在实际运营中,随着分销商品池中商品越来越多,网络导购挑选商品变得费时费力,同时推荐给消费者的商品转化率不高,导致网络导购的活跃度变低。为了提高网络导购的活跃度,本文决定搭建一套网络导购的商品推荐系统,以推荐的方式帮助网络导购进行选品,该方式对于A公司提高客户服务度和业绩具有重要意义。但是该系统在搭建过程中却出现了数据稀疏性问题、“冷启动”问题以及推荐精度和效率低等问题。本文针对该系统推荐精度和效率低的问题,从消费者和网络导购角度出发,首先使用支持向量机对商品进行分类,将商品分为正反馈和负反馈的商品,剔除负反馈的商品(消费者不喜欢的商品);然后对正反馈商品的评价特征值进行情感分析获得量化的感情强度;最后根据评分、情感强度和佣金金额计算商品的综合评分;通过以上处理,既保证推荐的商品池是消费者喜欢的商品,又使网络导购可以获得合理的佣金,间接提高了算法的推荐精度和效率。针对数据稀疏性问题,首先引入关联度,计算关联矩阵,然后根据关联矩阵得到候选项目集,最后结合项目相似度为网络导购预测评分和产生推荐。针对“冷启动”问题,首先将网络导购特征值进行提取,获取具有网络导购的明显特征,并对网络导购的特征进行相似度计算,最后基于网络导购特征的相似度去构建推荐方案。本文在A公司网络导购的商品推荐算法模型的基础上,完成了对A公司网络导购的商品推荐系统的需求分析与设计,并完成该了该系统的开发。测试表明,实现的A公司网络导购的商品推荐系统,基本实现了设计的功能需求。本文搭建了 A公司网络导购的商品推荐系统,可以帮助网络导购选择合适的商品,从而提高网络导购的活跃度。同时,本文的研究可以给网络导购平台在搭建商品推荐系统时提供一定的借鉴意义。本文包含图25幅,表15个,参考文献40篇。
基于点检仪的煤矿设备管理系统研究与实现
这是一篇关于点检仪,STM32F103RBT,设备维护,支持向量机,JAVA语言,MVC模式的论文, 主要内容为本文针对现代煤矿设备维护管理的需要，综合运用微电子技术、计算机技术、网络技术和面向对象编程技术，设计了一套以状态监测、预警机制为核心，基于点检仪的设备维护管理系统。系统主要由点检仪和维护管理系统两部分组成，通过对煤矿企业生产设备运行状态数据的检测记录，从而进一步实现设备剩余寿命预测、设备计划统筹管理的目的。 论文以目前我国大、中型煤矿企业生产设备高度自动化、机械化为前提，首先针对目前煤矿企业管理效率低下的现状，对煤矿企业设备运行状态监测手段及企业设备维护管理模式进行综合分析，并对比先进管理制度思想，提出基于点检仪的设备维护管理模式；其次，以点检制度为切入点，对点检范围、点检部位、点检周期等点检制度中关键参数的选取过程进行优化，并对点检周期的优化过程进行建模与验证；然后，本文对点检仪的具体设计过程进行研究，针对设备点检数据采集过程中的实际要求，以高性价比的STM32F103RBT6芯片为核心，对点检仪的点检数据采集、点检数据存储、人机交互等模块进行设计，并通过实验对点检仪的测量精度进行检验；同时，本文以监测所得设备运行状态数据为基础，对设备剩余寿命预测的方法理论进行研究，采用基于支持向量机的模糊信息粒化理论对设备的剩余寿命预测方法进行建模，并对模型的可靠性及参数选取过程进行优化、验证；最后，以现有企业设备管理先进思想为指导，利用计算机技术和网络技术，以Eclipse作为系统开发平台，在Spring MVC框架下，采用Java语言对B/S模式的设备维护管理系统进行搭建，并最终建立了一套基于点检仪的设备维护管理系统。 通过使用本系统，能够使相关人员及时准确地获得生产设备的运行状态信息，从而对制定合理的点检计划和维修计划起到辅助作用，并能协助维修人员对趋于故障的设备提前制定出相应的障维修策略。系统提不但提高了设备维护的工作效率，并且强化了设备管理的实际需要，为今后创造更为完善的设备管理模式奠定了一定的基础。
基于故障预测的设备管理系统的设计与实现
这是一篇关于设备管理,故障预测,支持向量机,粒子群算法的论文, 主要内容为随着工业水平的不断进步,制造设备朝着大型化、复杂化、智能化等方向发展,这对现有设备管理模式提出了挑战,传统的设备管理模式存在信息化程度不高、维护维修机制不完善、设备状态数据没有得到很好利用等问题。针对这些问题研究并实现了一套基于故障预测的设备管理系统,对于提升设备管理的能力水平,构建数字化、信息化、智能化的设备管理模式,具有理论研究意义和工程应用价值。论文主要研究工作如下:首先,以汽车零部件生产企业的设备管理模式为研究对象,针对传统设备管理模式存在的诸多问题,并结合实际情况对设备管理系统的业务需求进行分析。将系统需求分为了设备日常管理需求、设备状态监测需求、设备维护维修需求和系统管理需求,使用UML用例图来展示系统的需求,并详细分析了系统的各个功能需求。其次,研究了设备故障预测方法。设计了一种基于粒子群算法的支持向量机故障预测模型,利用粒子群算法对支持向量机模型中的核函数参数σ和惩罚系数C进行寻优,并将求解得到的最优解用于支持向量机模型对数据集的训练和预测中,并通过仿真测试验证了故障预测模型的有效性。最后,根据设备管理系统的需求设计并实现系统。详细阐述了整个系统的设计过程,设计了系统的整体架构以及系统的各个功能模块,建立了数据库E-R图和表结构。采用Java语言编写系统代码,借助Spring Boot开发框架实现了一套通用性高、扩展性强的基于故障预测的设备管理系统。
网络教学平台中数据挖掘云系统设计与开发
这是一篇关于教育数据挖掘,支持向量机,SVM,云计算,SOA的论文, 主要内容为当前大数据时代,各类网络教学平台中,逐步储存起各类数据,并且海量地增长着。充分整合利用这些数据,作为教育决策依据,可提高决策的客观性、科学性。教育数据挖掘云系统,则是辅助人们实现这些目标的软件系统,具有重要的研究意义。教育数据挖掘云系统跨教育、数据、软件多个领域,目前尚处于起步阶段。本文对数据挖掘云系统进行设计开发的研究与实践。文章首先通过信息互动系统分析的方法,从信息互动系统的视角对数据挖掘在教育中的应用模式进行了探讨,提出了一个教育数据挖掘原理与工程框架,作为本教育数据挖掘云系统设计开发及应用的教育理论基础。由该框架,结合软件需求分层次模型,形成了本系统的软件需求。算法是教育数据挖掘系统的核心部件,论文在云计算二分类并行SVM算法及单机多分类SVM算法基础上,提出了一种二叉树多分类SVM并行计算算法,通过采用UCI标准数据集样本进行了算法实验,发现该算法相比单机算法,准确率稍低但在可接受范围,效率有明显提高。大规模复杂系统的开发,系统架构是非常重要的部分。论文在分析了云计算架构及SOA服务架构策略后,提出了一种在教育数据挖掘领域的基于云的SOA服务体系架构方案,该体系架构由表现层、接口服务层、云计算业务逻辑层、云数据处理层构成。系统开发实现时,探讨了合理的开发和技术选择策略,探讨了云计算平台、数据同步、后台管理、挖掘算法、服务接口实现等关键技术的实现。最后该系统在由信息互动系统观推导的应用框架指导下,应用于英语语法学习系统、写作学习社区、学习绩效决策支持分析等三个教学系统,检验了该系统在网络教学平台中的应用成效。发现该系统能较好与各种教学系统进行数据挖掘集成应用、能对云环境下的教育数据进行有效的支持向量分类挖掘,能为教育数据挖掘提供有效的使用平台及集成模块。
面向印刷电路图中的极性电子器件识别的研究与实现
这是一篇关于印刷电路板,极性电子器件,HOG-Gabor,主成分分析,支持向量机,在线识别系统的论文, 主要内容为对印刷电路板(Printed Circuit Board,PCB)进行贴装作业之前,需由专门的质量检测人员对相应印刷电路图中的电子器件进行一一核对,核对的内容主要为电子器件类型、大小、方位等信息,重点是核算清楚带有极性的电子器件类型。采用人工的核对方式对于那些使用电子器件较少的PCB而言是较为可靠的,但是随着相关技术的进步,印刷电路板上可贴装的元件数量呈倍数增长,过去的人工核对方式不仅需要消耗大量的人力物力,而且效率极低。为了提高检测效率,节省企业的生产成本,本文提出了一种基于机器学习的识别印制电路图中极性电子器件的方法。针对极性电子器件的识别问题。本文首先创建极性电子器件图像库(Polar Electronics Dataset,PED),以解决研究中数据集缺乏的问题;对方向梯度直方图(Histogram of oriented gradient,HOG)算法进行改进,提出HOG-Gabort融合特征,其中HOG算法主要用刻画极性电子器件的外形轮廓,Gabor算法主要用来刻画极性电子器件在不同尺度、不同方向上纹理分布,HOG-Gabor融合特征能够有效弥补HOG在图像发生旋转或者缩放变化方面的不足,提高对那些个体较小或者较大以及发生旋转的极性电子器件的检出率,采用主成分分析方法(Principal Component Analysis,PCA)对其进行特征降维,减少时间消耗,提高实时性。将支持向量机(Support Vector Machine,SVM)作为分类算法,其中核函数采用径向基核(Radial Basis Function),设置松弛变量,以免最优超平面因个别离群点而移动,从而得到更大的几何间隔,引入惩罚因子C,合适的C值会使分类器具有更强的泛化能力。为了是提升分类器的分类效果,本文采用遗传算法(Genetic Algorithm,GA)和K-折交叉验证(K-fold Cross Validation,K-CV)进行参数优化,以获得最佳的C值和核函数的参数,最终得到最佳分类模型。最后,将准备好的测试数据用来验证所得模型性能,通过实验结果可以得出,本文所提出的识别方法能够有效解决极性电子器件的识别问题。接下来,将所得模型作为底层分类算法,Vue和Django作为前后端的基础,搭建了极性电子器件的在线识别系统,该系统可以帮助质检人员快速统计出极性电子的信息,提高贴装效率。
基于机器学习的促销方式分类研究
这是一篇关于促销策略,特征选择,聚类分析,支持向量机,Stacking算法的论文, 主要内容为近十年以来,随着我国移动网络基础设施的推进,中国网民的入网率在逐年的提高且入网的消费者也越来越多样化。面对个性化消费者,网络商家该如何制定促销策略来吸引消费者,从而稳固自己的市场份额;促销策略的实施和消费者自身的属性有哪些关系;面对不同的消费群体,我们该依据哪些属性对消费者进行划分进行精准营销;这些问题都是商家必须要回答的,同时也是本文要研究的主要内容。我们知道,惟有满足消费者需求,才有竞争的优势。以往的研究者大多都是探究单个促销策略或者利用实证研究探究多个促销组合,鲜有利用机器学习对多个促销组合进行探究。因此,本文的意义就是利用机器学习的方法,探究不同的消费群体该给与那种促销组合,为商家制定促销策略提供参考依据,同时也对以往实证研究结论进行验证分析。要探究以上问题,首先我们要拥有很多的消费者基本信息和其对应的促销组合。京东作为国内最大的电商平台之一,为我们提供了更为全面的消费购物信息。其中包括消费者的性别、购买力水平、年龄、是否会员、教育水平、城市水平、婚姻状态等基本属性信息,同时还提供了在消费过程中对应的促销组合信息。本文选取了京东2018年3月的销售数据进行分析研究。选择京东是因为其客户范围广,数据量大,得出的结论更具有代表性。本文使用python软件对消费者属性数据进行了分析,得出了不同消费者的占比,偏度以及峰度值,使读者对数据分布有一个充分的了解。同时,利用特征选择、PCA等方法得出了不同的消费者属性对促销策略的重要程度占比图。通过研究发现,年龄对促销策略的重要程度最大,其余为城市水平、教育水平、用户水平等。然后,利用K-means等方法确定了将消费者划分为5类,分别记为优质消费者、一般消费者、理性消费者、高需求消费者、潜在消费者。最后,基于五类消费者人群,利用支持向量机、随机森林、stacking算法对其进行构建分类模型,最终得到了五类人群对应的促销策略。通过模型结果和以往文献结论进行分析,对以上五种人群,我们分别给商家提供以下促销策略建议:对于优质消费者和理性消费者,我们给予的促销策略为直减;对于一般消费者,我们给予的促销策略为直减+优惠券;对于高需求消费者,我们给予的促销策略为直减+团购;对于潜在消费者,我们给予的促销策略为直减+优惠。在对比结论时我们发现,大部分的结论和以往的文献结论是相同的,但也发现了不同的结论。即在利益的视角下,消费者的学历水平对不同的消费人群有着明显的差别,并且教育水平属性的重要性仅次于年龄属性和城市类别属性。
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：代码货栈 ，原文地址：https://bishedaima.com/lunwen/46365.html
