5篇关于CNN-LSTM的计算机毕业论文

今天分享的是关于CNN-LSTM的5篇计算机毕业论文范文, 如果你的论文涉及到CNN-LSTM等主题,本文能够帮助到你

基于深度学习的化工材料价格预测系统的设计与实现

这是一篇关于大数据,预测分析,可变权重组合模型,CNN-LSTM,LightGBM的论文, 主要内容为当下,国内经济进入了新阶段,伴随着新能源的兴起,工业产品随之快速增长,化工材料需求也随之增加,对化工材料价格进行预测对企业经营和市场前瞻性都具有重要的意义。但由于化工材料品种繁多,人们获取信息困难,导致当前化工材料市场仍然存在信息不透明、不对称的问题。现存的预测平台大多是单体架构,存在针对性不强、且面对海量数据时性能较为薄弱的问题。所以本文提出通过搭建大数据平台来获取、处理数据,接着引入神经网络构建出化工材料价格预测模型,最后设计实现化工材料价格预测系统,以期使其应用在化工材料领域当中。(1)搭建大数据平台对化工材料价格信息实现针对性的获取、处理与存储。设计并实现了通过搭建大数据平台对化工材料价格信息的获取与预处理,使用python爬虫技术对化工材料价格网站进行数据获取,并搭建大数据平台对海量数据进行存储,利用Sqoop实现非关系型数据库到关系型数据库的传输,通过Map Reduce作为离线计算框架对获取的数据进行预处理。最后将处理后的数据以HBase为核心进行存储,并将处理后的数据保存在关系型数据库中方便系统使用。完成的大数据平台可以成功有效的将海量数据进行合理高效的处理与存储。(2)提出一种适用于化工材料价格的预测模型。本文主要以电煤价格为例,首先从统计特性角度,对电煤价格序列进行特征分析,找出其数据序列特性,并针对特殊数据给出量化方式。接着通过对筛选出的单一模型有效性的验证,得到循环神经网络(Long Short-Term Memory,LSTM)算法获得最佳预测效果,并引入卷积神经网络(Convolutional Neural Net,CNN)来提升信息提取能力,为了进一步提高性能和预测准确性,在鉴于组合模型的优势上,将CNN-LSTM提取局部时序特征的同时与基于轻量梯度提升(LightGradient Boosting Machine,LightGBM)实现统计函数拟合,并通过对权重建立二次规划模型进行求解更新权重值,来保证在一定周期内的总体误差最小来构建出基于CNN-LSTM-LightGBM的可变权重的组合预测模型,并将其与单一模型进行验证对比,证明了所提出模型具有优越性。(3)设计实现了基于CNN-LSTM-LightGBM模型的材料化工价格预测系统。为了将CNN-LSTM-LightGBM模型应用到化工材料价格预测中,本文设计化工材料价格预测系统。系统基于C/S架构构建,并实现了系统管理模块和价格预测模块,其中系统管理模块包括用户登录、用户管理、日志管理、品种管理,价格预测模块包括数据导入导出、互联网数据查询、历史数据统计和化工材料价格预测等。用户在进入化工材料价格预测系统后调用相关功能模块,可以查看化工材料价格变化趋势,以此来了解价格情况,并对未来走势进行分析,方便用户对市场价格做出准确的判断。该系统在未来优化后,可应用于化工材料市场,为政府企业决策时提供参考。

基于卷积神经网络的大豆病害分级模型研究

这是一篇关于大豆,病害识别,病害分级,卷积神经网络,CNN-LSTM的论文, 主要内容为粮食生产问题关系到人民群众的根本利益,也关系到社会稳定。大豆作为我国重要的粮食作物之一,受病害影响将会导致产量降低,造成经济损失。但由于病害之间特征相似,仅依靠经验进行处理,可能错过最佳防治时期。同时病害程度不同,防治措施会有区别,因此及时根据大豆植株患病等级采取措施,对有效进行病害防治、避免药物浪费、减少环境污染、降低经济损失具有重要意义。目前,国内外针对主要粮食作物如:玉米、水稻等病害识别研究已较为充实,相较而言,对作物患病等级识别研究较少,尤其是在大豆病害程度的自动识别方面,准确率有待提高。鉴于此,本研究以大豆三种主要病害(灰斑病、花叶病和根腐病)的叶片图像样本作为研究对象,提出了基于卷积神经网络的大豆病害分级模型,具体研究包含以下几个方面:(1)探讨了基于Grab Cut的AISA图像分割算法对大豆病害图像进行预处理。使用超绿算法中的超绿因子(2G-B-R)将图像中特定范围内小于给定阈值的像素标记为背景,通过Grab Cut分割后得到的图像与原始图像进行匹配,恢复叶片内部被误判为背景的像素点,得到更加准确的分割图像。该算法代替了Grab Cut中人工标记的过程,有效地将大豆叶片和病害区域的特征保留,降低背景因素影响,提高卷积神经网络性能。(2)研究了基于卷积神经网络的大豆病害识别模型。训练7个传统卷积神经网络模型(VGG16、VGG19、Res Net50、Inception-V3,Xception,Mobile Net,Google Net),分析和判别不同模型识别效果,选择其中准确率较高的三个模型(Inception-V3,Xception,Mobile Net)通过遗传算法构建加权深度投票模型。该模型对灰斑病识别精度达到了99.31%,识别花叶病的精度达到96.67%,识别根腐病的精度达到97.33%,实现了对大豆叶片病害的识别。(3)研究了基于CNN-LSTM的大豆病害分级模型。对大豆同一患病叶片图像进行连续采集,按照采集时间顺序构建具有时间序列数据集,通过卷积神经网络提取病害空间特征后放入LSTM网络中,根据时间序列的上下文关系进一步提取时间特征,同时引入注意力机制对空间特征提取过程进行优化,构建了三种不同病害的分级模型。实验表明,灰斑病分级模型精度达到了94.9%,花叶病分级模型精度达到了96.7%,根腐病分级模型精度达到了93.9%,实现对大豆病害的自动分级。(4)开发了大豆病害分级系统。将上述模型部署至大豆病害分级微信小程序,实现手机端自动分级。同时,该小程序根据分级结果给予合理的防治措施,为研究人员和用户提供参考。分级系统的开发能够检验本文训练得到的模型性能,方便用户使用,减少使用成本,具有一定实用价值。综上,本研究为卷积神经网络应用于大豆病害分级提供了新思路。并将CNN-LSTM模型首次应用于大豆病害分级研究中,为大豆及其他农作物病害分级提供了一项可靠的技术支撑。同时,为后续研究大豆病害预警以及病害走势预测奠定了理论和实验基础。

基于视频的手语识别方法研究

这是一篇关于手语识别,深度学习,CNN-LSTM,轻量化网络的论文, 主要内容为目前我国聋哑人人口超过2000万,手语是聋哑人最重要的交流工具。但非聋哑人士接触手语场合较少,学习和掌握手语相对困难,而培训专业的手语翻译人员时间周期长,因此从事手语翻译工作的人数相对较少,聋哑人与大部分非聋哑人不能正常交流,进而影响聋哑人的教育、就业以及正确的自我认知,使得他们难以更好的融入社会。随着计算机视觉技术和深度学习技术的发展,研究基于视频的手语自动识别方法对于改善聋哑人的生活质量具有重要意义。本文研究了基于深度学习技术的手语识别方法,实现了手语识别功能;为了后续在移动设备中实现手语识别功能,扩大使用范围,进一步研究了一种轻量化的手语识别网络,降低了参数量和计算复杂度,减少了深度神经网络对硬件的要求。本文的主要工作内容如下:(1)深入研究了深度学习的相关理论并制作了CSL-10和CSL-50中文手语数据集。首先深入研究了卷积神经网络原理和结构理论知识。然后以中科大SLR500数据集为基础,制作了分别包含61432和282189张图片的CSL-10和CSL-50数据集。手语视频处理方式包括视频关键帧提取、裁剪、缩放和归一化。其中关键帧提取方法使用等时间间隔采样法。(2)提出了一种基于改进的CNN-LSTM网络的手语识别方法。在研究三维卷积、二加一维卷积以及CNN-LSTM网络的基础上,提出了一种改进的Sh-Res-LSTM网络。首先,为了增强CNN-LSTM网络泛化能力,提出了一种改进的Sh-Res残差模块,并将Sh-Res模块嵌入Res Net18网络架构;然后在训练过程中引入了标签平滑技术;最后使用CSL-10和CSL-50数据集对改进的网络进行训练和测试,分别达到了97%和99.8%的识别率。(3)提出了一种由Ghost模块和DFC注意力机制改进的Gnet轻量化手语识别网络。首先使用常规卷积提取原始数据特征;然后将提取的特征输入基于Ghost模块和DFC注意力机制改进的CGhost V2模块,聚合全局特征信息;接着使用基于Ghost模块改进的G模块提取特征;最后使用平均池化操作完成数据降维。该网络与LSTM网络结合后,通过实验法研究了学习率和Batchsize对网络性能的影响,并确定了最优的学习率和Batchsize;在CSL-10和CSL-50数据集上,分别实现了88%和99.4%的识别率。(4)实现了基于视频的手语识别系统。根据实际需求确定软硬件平台,设计系统总体结构。结合Sh-Res-LSTM和Gnet-LSTM网络设计图形交互页面,实现手语识别系统功能。本文深入研究了CNN-LSTM网络结构,改进的Sh-Res-LSTM增强了手语识别能力,设计的轻量化Gnet-LSTM网络,大幅减少了网络参数量和计算量。同时设计了用户图形交互界面,实现了基于视频的手语识别系统。