基于EEMD-LSTM水质预测方法的研究与应用
这是一篇关于水质预测,多特征,集成经验模态分解,长短期记忆网络的论文, 主要内容为水是人类赖以生存的重要资源,在人类各项生产活动起着重要的作用,同时作为生态环境的基本有机组成部分,是任何其它资源都无法替代的。近些年随着中国经济获得巨大成功,我国工业化水平显著提升,但与此同时地表水所受工业污染也日益严重。水质预测是保护地表水资源的基础性工作,是解决水资源危机的重要手段。水质预测准确反映未来地表水体质量的变化趋势,对于加强水资源保护利用,改善水污染防治现状,推进生态环境修复具有重要的意义。近几年随着深度学习的迅猛发展,基于深度学习的数据建模和预测方法为水质预测提供了一种新的思路。本文为提高水质预测模型的准确度和泛化性,基于太湖流域的实测历史水质数据及气象数据,研究并提出了集成经验模态分解法与长短期记忆神经网络相结合的方法,构建了 EEMD-LSTM水质预测模型。本文主要研究工作分为以下两个方面:研究实现基于EEMD-LSTM多特征水质预测模型。考虑多重因素,本文提出一种基于水质特征和气象特征的多特征水质预测模型,与只考虑单一水质特征的单特征模型相比,提高了水质预测的准确性。同时本文使用EEMD算法将时间序列分解为若干子序列,放大了时间序列数据中的细节,使得子序列的波动程度相比于原序列更加平稳,解决了 LSTM网络存在的预测滞后性问题。设计实现智能水质预测系统。将本文提出的EEMD-LSTM预测模型应用于水质预测系统。系统采用B/S分布式架构设计,使用HTTP协议完成前后端数据通信交互,基于Django框架完成水质预测模型部署工作。最后对系统进行性能测试,测试结果表明水质预测系统的稳定性。
基于超图和多特征融合的视频推荐方法研究
这是一篇关于视频推荐,多特征,注意力机制,超图,语义挖掘,信息茧房的论文, 主要内容为随着互联网和通信技术的快速发展,越来越多的用户更倾向于在互联网上观看在线视频。然而,随着各网站视频数量的飞速增长,信息过载的危害也随之而来。用户在面对互联网上海量的视频资源时,往往会难以快速寻找到自己感兴趣的视频。为了从这些视频中筛选出符合用户兴趣的视频,推荐系统必不可少,视频推荐也因此越来越受到学术界和工业界的关注。与其它商品往往具有明确的属性和关键词不同,在线视频难以通过明确的属性和关键词来直接确定其特征。传统的视频推荐方法往往忽略了用户之间的高阶关系,也没有对不同粒度的特征进行很好的结合,这会导致信息丢失或信息茧房问题,从而使推荐性能不够理想。针对以上问题,本文主要进行了基于超图和多特征融合的视频推荐方法的研究,主要工作如下:首先,在视频推荐的召回阶段,提出了基于用户视频交互的多特征融合候选集召回方法。该方法通过对视频类别、标签等进行粗粒度的建模以减少信息茧房问题,并将其类别、标签视为关键词提取词级语义以获得词向量来表示视频信息。根据注意力机制,将用户历史交互记录中的不同视频分配不同的重要性,并且通过用户特征向量与目标视频特征向量的相似度对比获得视频候选集,以实现视频推荐的召回。然后,在视频推荐的排序阶段,提出了基于超图卷积的多特征融合视频推荐方法。该方法根据用户-视频-标签的关系进行特征表示,并用多层感知机将高维稀疏向量降维,再将用户视为结点进行超图构造,根据得到的超图结构基于谱方法进行超图卷积,通过将结点上的信息聚合到超边上再聚合到结点上来传递以进行特征的更新。根据注意力机制,对用户的历史交互记录建模,以提取用户侧项目表示特征,并将用户侧特征进行融合表示,由此在之前得到的视频候选集中进行排序以得到视频推荐列表。最后,根据前文提到的基于用户视频交互的多特征融合候选集召回方法和基于超图卷积的多特征融合视频推荐方法,本文在真实数据集上进行了仿真实验和分析论证了其可行性和有效性。并且,为了实现理论方法和实际应用的结合,本文设计并实现了基于超图的多特征融合视频推荐方法的原型系统,包括了需求分析、整体设计、具体设计和操作流程等,进一步论证了该方法的性能。
基于多特征和图表示学习的下一个POI推荐方法研究
这是一篇关于推荐系统,兴趣点推荐,图神经网络,多特征,注意力机制的论文, 主要内容为基于位置的社交网络(Location-based Social Networks,LBSNs)提供了一个社交平台,用户可以在其中打卡访问地点,分享评分、照片和评论。随着智能手机的普及和用户需求的增长,海量签到数据催生出一种新的研究方向,即下一个兴趣点(Point-of-Interest,POI)推荐。下一个POI推荐能根据用户的历史签到记录和上下文信息,为用户推荐可能感兴趣的下一个访问地点,从而大大提高用户体验。近年来,深度学习的兴起为下一个POI推荐问题的解决提供了有效的技术手段,并取得了一定的研究成果。但是由于问题场景的复杂性以及用户需求的多变性,现有方法仍面临诸多挑战:一方面,现有方法通常只能对单一行为模式进行建模,无法同时学习用户的多种行为模式;另一方面,现有的基于上下文感知的模型大多只建模单对上下文实例之间的关系,缺乏对多上下文实例之间关联性的学习能力。针对以上局限性,本文首先提出了一种图自监督学习模型,其能够从不同行为模式中获取辅助监督信号,从而实现对多行为模式的学习以提高推荐性能。进一步,提出了一种多关系异构图卷积方法,能够在图卷积过程中稳定的融合多种数据关系的特征表示,从而提升模型的鲁棒性和推荐精度。本文主要工作内容如下:(1)针对下一个POI推荐中用户个性化行为模式建模问题,本文提出了一种图自监督学习模型。该模型基于现实世界LBSN签到数据提出了隐式行为模式的概念,并采用两种图数据增强操作生成增强轨迹子图以建模隐式行为模式。进一步,采用图偏好表征编码器学习增强轨迹图的高阶表示,并通过基于正例的非对称图对比学习架构最大化增强轨迹子图嵌入表示的一致性,从而学习用户的个性化行为模式。最后,采用基于多特征的自注意力机制以学习用户短期动态偏好,结合用户轨迹图高阶表示进行推荐。实验结果表明,提出的图自监督模型在三个真实世界数据集上均取得了良好的推荐效果,证明了其有效性。(2)针对多上下文特征信息关系学习问题,本文提出了一种基于多关系异构图卷积网络的下一个POI推荐模型。首先,利用现有上下文信息及签到行为构造多关系异构图,包括用户-用户、用户-POI和POI-POI三种显式关系,以及在POI类别引导下的隐含关系。其次,设计了一种基于关系注意力的异构图卷积网络,通过注意力机制融合多关系的嵌入特征,以保持在异构图上进行图卷积的稳定性。最后,提出了一种基于位置偏移量嵌入的注意力机制,获取用户动态决策信息的特征表示,用于用户的下一步行为预测。试验结果表明,该模型在两个不同稀疏性的数据集上,推荐性能均优于基线模型,并且在稀疏数据集上验证了模型的鲁棒性。
多特征融合的汉语跟读评分系统的设计与实现
这是一篇关于多特征,卷积神经网络,语音评分,汉语学习平台,Java Web的论文, 主要内容为近年来,随着中国国际地位的提升,全球范围内渐渐兴起了一股“汉语热”。对外汉语言教学,一方面通过以孔子学院为代表的传统线下汉语教学机构进行传播,另一方面也需要汉语学习工具和平台的支持。但目前市面上大部分学习工具和平台是针对国人的,鲜有结合中国文化针对外国人进行口语训练和汉语跟读评分的学习平台。因此,针对传统线下汉语教学的不足与外国学习者缺乏口语训练的问题,本文分析了现存语音特征参数评分的局限性,设计并实现了一种多特征融合的汉语跟读评分系统,通过研究取得了以下成绩:首先,阐述了汉语跟读评分系统的总体设计方案。基于对汉语跟读评分系统的需求分析,确定了系统的整体架构;设计了学员子系统和管理员子系统的各功能模块;根据系统的功能需求完成了系统数据库的设计。其次,在提取了基音轨迹、共振峰轨迹和梅尔频率倒谱系数(MFCC)三种传统声学特征的基础上,通过小波卷积核神经网络提取了深度学习特征,构建了一种多特征融合的汉语跟读评分模型。结合提取的四种语音特征,通过动态时间规整算法进行模式匹配,采用差分进化算法确定各特征分数的权重比,设计了一种多特征融合的汉语跟读评分算法。然后,基于Thymeleaf模板引擎、SpringBoot框架和MySQL数据库等前后端技术,实现了多特征融合的汉语跟读评分系统,此系统分为学员子系统和管理员子系统两个部分。其中,学员子系统的功能模块包括注册登录模块、个人中心模块、课程检索与选择模块、跟读学习模块和跟读评分模块等,管理员子系统的功能模块包括学员管理模块、课程管理模块和试题管理模块。最后,对多特征融合的评分算法和系统整体进行了相关测试。测试结果表明,相比于传统卷积神经网络,小波卷积核神经网络在深度学习特征的提取上,减少了网络模型参数、加快了模型的训练速度。融入小波卷积核神经网络特征的多特征评分算法的相关性比单一 MFCC评分算法提高了 0.0837,比三种传统声学特征评分算法提高了 0.0345,验证了该评分算法的可行性和有效性。此外,本系统运行稳定,兼容性较好,各功能模块基本达到预期设计目标,评分结果较为科学,具有良好的应用前景和推广价值。
特定领域实体属性关系抽取方法研究
这是一篇关于实体关系抽取,Distant Supervision,卷积神经网络,实体属性,多特征的论文, 主要内容为实体关系抽取是信息抽取的重要部分,它能够识别出实体之间的语义关系,作为语义网的基础,实体关系抽取被广泛应用在自动问答系统,信息检索,机器翻译等领域。关系抽取还是构建知识图谱的重要基础,随着万维网转变成语义网,知识图谱的构建变得尤为重要。领域实体间的属性关系是构建知识图谱的重要组成部分之一。对特定领域而言,领域实体属性关系对表达实体之间的语义关系有着重要的意义。本文主要针对中文领域的实体属性关系抽取,作了以下工作:(1)基于Distant Supervision(距离监督)的领域实体属性关系抽取方法,基于领域知识库和相关文本集来获取实体属性关系。关系类型为:景点-实例-属性值。针对旅游领域中的“景点”这个类型,抽取出与“景点”这个类型相关属性,如门票价格、面积等等。距离监督就是通过将知识库映射到文本集中实现关系抽取的过程,即如果一个实体对出现在知识库中,则将文本集中包含这两个实体的句子全部抽取出来,从这些句子中提取特征,训练分类器。本文首先构建一个小型的中文旅游领域知识库,在知识库中预先定义好属性关系和关系实例,并用这个知识库对应地从百度百科或维基百科网页上爬取得到的文本集。本文使用多种特征以提高分类器的性能,提高分类的性能。(2)基于卷积神经网络的领域实体属性关系抽取方法研究。本文提出基于卷积神经网络对领域实体属性关系进行抽取,其中属性关系类型为实例-属性、属性-属性值、实例-属性值。利用卷积神经网络的自动学习表征领域实体属性关系的句法特征、层级特征以及实体所在句子的文本特征,形成特征向量,加入到卷积神经网络中,训练实体属性关系分类模型。实验结果表明,所提出的方法能有效提高实体属性关系抽取性能。
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：毕设货栈 ，原文地址：https://bishedaima.com/lunwen/46375.html
