基于神经网络的骚扰电话识别研究
这是一篇关于诈骗及骚扰电话,BP神经网络,人工鱼群,粒子群,通信信令的论文, 主要内容为随着互联网大数据时代的发展,广告、保险、信用卡推销、网课、购房等电话骚扰现象层出不穷,令人防不胜防。而诈骗电话更是对财产和安全影响巨大。如何找出相关规律,从而有效的对骚扰及诈骗电话做出预警,已经迫在眉睫。现有的防治手段主要分为两种途径,第一种为互联网平台的人工标记方式,通过人为标记号码标签后,上传至后台服务器进行数据统计。经过人工标记平台在不断发展,但依然存在由于人工标记的主观性与准确性导致的号码准确率不够高的问题,并且无法对新号码的来电行为做出预测。第二种途径为运营商的识别与拦停,通过通话信令以及话单分析找出骚扰及诈骗电话潜在的规律,从而实现拦截及封停等操作。尽管当前运营商骚扰诈骗防治工作收效明显,但由于依托于运营商封闭数据库,在准确率及时效性上同样存在一定的问题。本文在此背景下,提出了一种基于AFSA＿PSO＿BP的混合算法模型,用以预测骚扰诈骗电话。本文的主要工作分为以下几个方面。第一,特征提取。通过对通信系统与手机的实时通讯交互、协议、安卓通信架构、骚扰诈骗行为等方面的分析,归纳整理出了相关的数据信息,并设计了标准的数据接口。第二,模型及参数选择。通过分析群体寻优算法以及BP神经网络的优劣势,提出了以BP神经网络为基础,用AFSA＿PSO修正权值的混合算法。即在BP算法反向传播中,先通过人工鱼群算法得出满意的解域,然后使用粒子群算法快速找到最优权值,从而实现权值的更新。第三,设计骚扰及诈骗电话预警及拦截系统。通过对可行性的分析来制定系统目标,设计了从上到下的系统架构,并加以实现,本文以流程图的形式呈现各个功能模块的实现逻辑。在人机交互界面上,当用户开启对应开关后,会通过移动终端预警的方式,将预测结果呈现给用户。完成系统设计后,进行压力及常规测试,最终测试结果符合预期,完成了系统设计目标。论文的核心为混合神经模型,本文设计了不同组别的对比实验。实验表明,基于AFSA＿PSO＿BP的混合算法模型在算法性能和预测准确率两个方面,综合表现良好。主要从以下几个维度的实验进行佐证,第一,算法性能,对比AFSA＿BP、PSO＿BP、AFSA＿PSO＿BP三种算法在收敛性和迭代次数上的表现。实验结果表明,AFSA＿PSO＿BP混合算法优于其他两种算法。第二,对比标准BP神经网络和混合寻优的BP神经网络在误差预测上的表现。实验结果表明,混合寻优的BP神经网络具有更优的预测准确率。
光伏发电功率预测系统研究
这是一篇关于光伏发电功率预测,神经网络,动态领域,粒子群的论文, 主要内容为太阳能作为一种清洁可再生能源,具有资源丰富、产业化基础好、经济优势明显、环境影响小等优点,受到了世界各国越来越多的关注。但由于太阳能分布不均,利用太阳能发电易受温度、湿度等气象因素的影响,使得太阳能发电输出功率波动性大,间歇性强。大规模太阳能发电系统并网会给大电网安全、稳定运行带来不可预估的影响。因此,对未来一段时间内太阳能光伏发电输出功率进行有效、准确的预测,方便电力调度部门合理安排传统发电和光伏发电的发电计划,可以有效地降低太阳能光伏发电系统并网时对大电网的冲击,保证供电系统的平稳运行。本文以提高太阳能光伏发电输出功率预测的准确性并开发实用的功率预测系统软件为目的,对太阳能光伏发电系统输出功率预测算法进行了研究,开发设计了基于JavaEE的SSM框架的光伏发电功率预测系统软件,并采用澳大利亚艾利斯斯普林斯太阳能知识产权中心35号光伏发电站的数据进行了工程应用实践。论文主要工作如下:(1)分析了光伏发电原理及影响光伏发电输出功率的相关性。对光伏发电技术的发电原理、数学模型、影响输出功率因素等进行了探讨,通过对温度、太阳辐照、相对湿度、风速、风向等历史气象数据和历史输出功率的相关性分析,确定了影响太阳能光伏发电输出功率的相关因素。(2)对光伏发电功率预测方法进行了研究。首先建立了基于BP神经网络算法的输出功率预测模型,针对BP神经网络在预测方面的不足,进行了优化和改进,建立了基于双并联过程神经网络算法的输出功率预测模型和基于动态领域粒子群优化BP神经网络算法的输出功率预测模型。通过实例仿真研究表明:两种基于改进BP神经网络的预测模型与原模型相比均具有较高的预测精度,其中基于动态领域粒子群优化BP神经网络的输出功率预测精度更高,可以满足工程应用要求。(3)开发了光伏发电功率预测系统。对系统进行了需求分析,明确系统的设计原则,确定了系统的组织架构和逻辑架构,设计了用户管理、实时监测、功率预测、统计报表、设备管理等功能模块。基于JavaEE的SSM框架实现了光伏发电功率预测系统软件,并成功发布到基于Linux系统的阿里云服务器上,通过运行测试,系统运行稳定,可以实现在浏览器上访问,达到了预期目的。
基于神经网络的骚扰电话识别研究
这是一篇关于诈骗及骚扰电话,BP神经网络,人工鱼群,粒子群,通信信令的论文, 主要内容为随着互联网大数据时代的发展,广告、保险、信用卡推销、网课、购房等电话骚扰现象层出不穷,令人防不胜防。而诈骗电话更是对财产和安全影响巨大。如何找出相关规律,从而有效的对骚扰及诈骗电话做出预警,已经迫在眉睫。现有的防治手段主要分为两种途径,第一种为互联网平台的人工标记方式,通过人为标记号码标签后,上传至后台服务器进行数据统计。经过人工标记平台在不断发展,但依然存在由于人工标记的主观性与准确性导致的号码准确率不够高的问题,并且无法对新号码的来电行为做出预测。第二种途径为运营商的识别与拦停,通过通话信令以及话单分析找出骚扰及诈骗电话潜在的规律,从而实现拦截及封停等操作。尽管当前运营商骚扰诈骗防治工作收效明显,但由于依托于运营商封闭数据库,在准确率及时效性上同样存在一定的问题。本文在此背景下,提出了一种基于AFSA＿PSO＿BP的混合算法模型,用以预测骚扰诈骗电话。本文的主要工作分为以下几个方面。第一,特征提取。通过对通信系统与手机的实时通讯交互、协议、安卓通信架构、骚扰诈骗行为等方面的分析,归纳整理出了相关的数据信息,并设计了标准的数据接口。第二,模型及参数选择。通过分析群体寻优算法以及BP神经网络的优劣势,提出了以BP神经网络为基础,用AFSA＿PSO修正权值的混合算法。即在BP算法反向传播中,先通过人工鱼群算法得出满意的解域,然后使用粒子群算法快速找到最优权值,从而实现权值的更新。第三,设计骚扰及诈骗电话预警及拦截系统。通过对可行性的分析来制定系统目标,设计了从上到下的系统架构,并加以实现,本文以流程图的形式呈现各个功能模块的实现逻辑。在人机交互界面上,当用户开启对应开关后,会通过移动终端预警的方式,将预测结果呈现给用户。完成系统设计后,进行压力及常规测试,最终测试结果符合预期,完成了系统设计目标。论文的核心为混合神经模型,本文设计了不同组别的对比实验。实验表明,基于AFSA＿PSO＿BP的混合算法模型在算法性能和预测准确率两个方面,综合表现良好。主要从以下几个维度的实验进行佐证,第一,算法性能,对比AFSA＿BP、PSO＿BP、AFSA＿PSO＿BP三种算法在收敛性和迭代次数上的表现。实验结果表明,AFSA＿PSO＿BP混合算法优于其他两种算法。第二,对比标准BP神经网络和混合寻优的BP神经网络在误差预测上的表现。实验结果表明,混合寻优的BP神经网络具有更优的预测准确率。
基于神经网络的骚扰电话识别研究
这是一篇关于诈骗及骚扰电话,BP神经网络,人工鱼群,粒子群,通信信令的论文, 主要内容为随着互联网大数据时代的发展,广告、保险、信用卡推销、网课、购房等电话骚扰现象层出不穷,令人防不胜防。而诈骗电话更是对财产和安全影响巨大。如何找出相关规律,从而有效的对骚扰及诈骗电话做出预警,已经迫在眉睫。现有的防治手段主要分为两种途径,第一种为互联网平台的人工标记方式,通过人为标记号码标签后,上传至后台服务器进行数据统计。经过人工标记平台在不断发展,但依然存在由于人工标记的主观性与准确性导致的号码准确率不够高的问题,并且无法对新号码的来电行为做出预测。第二种途径为运营商的识别与拦停,通过通话信令以及话单分析找出骚扰及诈骗电话潜在的规律,从而实现拦截及封停等操作。尽管当前运营商骚扰诈骗防治工作收效明显,但由于依托于运营商封闭数据库,在准确率及时效性上同样存在一定的问题。本文在此背景下,提出了一种基于AFSA＿PSO＿BP的混合算法模型,用以预测骚扰诈骗电话。本文的主要工作分为以下几个方面。第一,特征提取。通过对通信系统与手机的实时通讯交互、协议、安卓通信架构、骚扰诈骗行为等方面的分析,归纳整理出了相关的数据信息,并设计了标准的数据接口。第二,模型及参数选择。通过分析群体寻优算法以及BP神经网络的优劣势,提出了以BP神经网络为基础,用AFSA＿PSO修正权值的混合算法。即在BP算法反向传播中,先通过人工鱼群算法得出满意的解域,然后使用粒子群算法快速找到最优权值,从而实现权值的更新。第三,设计骚扰及诈骗电话预警及拦截系统。通过对可行性的分析来制定系统目标,设计了从上到下的系统架构,并加以实现,本文以流程图的形式呈现各个功能模块的实现逻辑。在人机交互界面上,当用户开启对应开关后,会通过移动终端预警的方式,将预测结果呈现给用户。完成系统设计后,进行压力及常规测试,最终测试结果符合预期,完成了系统设计目标。论文的核心为混合神经模型,本文设计了不同组别的对比实验。实验表明,基于AFSA＿PSO＿BP的混合算法模型在算法性能和预测准确率两个方面,综合表现良好。主要从以下几个维度的实验进行佐证,第一,算法性能,对比AFSA＿BP、PSO＿BP、AFSA＿PSO＿BP三种算法在收敛性和迭代次数上的表现。实验结果表明,AFSA＿PSO＿BP混合算法优于其他两种算法。第二,对比标准BP神经网络和混合寻优的BP神经网络在误差预测上的表现。实验结果表明,混合寻优的BP神经网络具有更优的预测准确率。
推荐系统中基于智能优化算法的矩阵分解
这是一篇关于推荐系统,矩阵分解,粒子群,头脑风暴,智能优化算法的论文, 主要内容为传统推荐系统是一种给用户推荐他们可能喜欢或者感兴趣的商品或者服务的互联网应用系统.在这个信息爆炸的时代,人们在面对大量信息的时候很难及时有效地筛选出真正对自己有用的信息,因此,信息的过滤和高效处理成为人们普遍关心的问题,这就使推荐系统应运而生.推荐系统能主动研究用户的一些兴趣或者偏好,并进行个性化计算,最终发现用户的兴趣点,将用户感兴趣的信息推荐给用户,为用户进行准确快速的推荐,节约了用户的时间,提高了工作的效率. 矩阵分解算法是推荐系统研究中的一种重要算法.一些社交媒体网站用户喜欢上传一些他们到某地旅游的照片,这些照片一般都具有地理标签,那么,这些照片就为人们提供了大量的位置数据.网站可以利用这些数据为网站用户提供各种类型的数据化的服务.将这些数据看作是一个矩阵,利用矩阵分解技术来实现推荐.本文主要研究了基于粒子群优化算法和头脑风暴优化算法的矩阵分解技术,利用目标函数：化,从而获得旅行者特征矩阵U以及地标特征矩阵V,利用从U和V中得到的隐藏特征,我们可以使用UiTVi来表示旅行者i对于地标j的喜爱程度.对于新出现的数据矩阵,我们根据其对应的权值的大小排列,产生TOPN的地标的推荐列表,推荐给旅行者. 实验中,我们用命中率来衡量推荐的准确率.结果表明,基于粒子群和基于头脑风暴优化的矩阵分解技术使得推荐算法在准确率和算法运行效率上都有很大的提高,能获得更好的全局最优解,提高推荐的准确性.
基于RFM和BP神经网络的导购平台用户价值挖掘方法研究
这是一篇关于导购平台,用户价值分类,用户价值分类预测,RFM模型,AHP,BP神经经网络,K-means,粒子群的论文, 主要内容为近年来,我国互联网技术飞速发展,互联网给人们的生活带来了很多便利,例如网上购物,人们只需要点击鼠标或者滑动手机屏幕就可以买到自己想要的商品,网上购物离不开电商平台,电商平台种类繁多,其中电商导购平台是一种新型的电商平台,为人们提供了一种新的购物模式,导购平台的用户可以购买到价格更低或者性价比较高的商品。用户规模对于导购平台来说是任何阶段都要首先考虑的。充足的用户是导购平台高效运转的前提。因此以掌握的用户数据资料为基础,充分挖掘出用户的价值,针对不同价值的用户制定不同的营销策略,对电商导购平台具有重要的意义。论文主要对导购平台的用户价值的分类和用户价值分类预测两方面进行研究,第一方面,利用导购平台收集到的用户的基本属性信息和用户购买数据作为实验数据,提出基于改进RFM模型的导购平台用户价值分类方法,实现对导购平台用户的价值分类;第二方面根据已经标记好的用户价值数据进行有监督学习,提出基于BP神经网络的导购平台用户价值分类预测方法,实现对导购平台用户的价值分类预测。基于改进RFM模型的导购平台用户价值分类方法:首先利用用户的平均下单时间间隔代替最近消费时间,利用用户为平台带来的利润代替用户消费金额,增加用户粘度指标对传统的RFM模型进行改进。本文将改进后的模型称为RFMS模型。运用AHP层次分析法和熵权法的组合赋权法确定RFMS模型的指标权重,使用K-means聚类算法对电商导购平台用户进行聚类细分,最终将用户分为了四类。根据分类结果,分析每一类的用户价值,并提出营销建议。实验结果表明,与其他方法相比,本文提出的用户价值分类方法效果更好,更适用于导购平台。基于BP神经网络的导购平台用户价值分类预测方法:经过对导购平台用户价值分类以后,获得了已经标记过的用户价值数据,可以利用这些数据进行有监督学习,对导购平台用户的价值进行分类预测。首先选取导购用户价值分类预测的特征属性,根据数据特征确定BP神经网络的结构,使用粒子群优化算法优化BP神经网络,得到PSO＿BP模型,将PSO＿BP模型作为弱分类器,利用集成算法中的Ada Boost算法将多个PSO＿BP模型组合成强分类器,进而达到提高预测精度的目的。经过验证,本文提出的导购平台用户价值分类预测方法的预测性能要优于BP神经网络、PSO＿BP模型和决策树模型。
智能仓储系统中任务调度及路径规划研究
这是一篇关于智能仓储,任务调度,路径规划,粒子群,时空地图的论文, 主要内容为随着我国信息技术产业的发展,电子商务的迅速崛起给传统仓储物流带来了巨大的挑战。虽然近些年来我国的物流行业也取得了较大发展,但是相比于发达国家,我国的物流成本在GDP中的比重仍较大,物流体系的整体智能化水平仍然较低。目前,国内外都在大力发展智慧物流,而智能仓储作为整个智慧物流体系中极其重要的一环,也早已引起了世界各国研究者的关注。以亚马逊的Kiva系统为代表的基于多移动机器人的智能仓储搬运系统的提出,掀起了一场仓储业的革命。尤其是其提出的基于移动机器人的“商品到人”的拣选模式,能够将分拣人员从依靠人力寻找商品的耗时作业中解放出来,这极大地提高了商品的拣选效率。然而目前采用该分拣模式的智能仓储系统仍然存在许多问题,不能满足海量商品的拣选需求,系统效率有待进一步提升。其中限制仓储整体效率的两个关键问题是订单任务的调度问题以及移动机器人的路径规划问题。因此,本文针对上述两个问题进行研究,针对订单任务调度问题提出了一种基于订单适应度及离散粒子群的订单任务调度算法;针对路径规划问题改进了传统A*算法使其适用于仓储场景,并进一步设计了基于时空地图的路径规划算法,提升了系统效率。首先,为了研究仓储系统中具体的调度问题及路径规划问题,需要对仓储系统有个整体性的认识。因此,本文调研学习了仓储系统的发展历程,对本文研究过程中应用到的粒子群算法和路径规划算法进行了理论介绍,为后续的研究工作打下了基础。其次,为了研究订单调度问题,本文从分析电商仓储场景中的订单特性出发,研究了目前订单调度中存在的问题,接着根据订单特性提出了订单适应度概念,并基于仓储系统的实际场景设计了系统订单的分配策略及订单任务调度的整体流程;然后针对调度流程中的关键步骤,即具体的任务分配过程设计了基于离散粒子群的拣选任务调度算法;最后通过自己设计的仿真平台验证了该订单任务调度算法可以有效提升系统处理订单的效率。最后,本文根据电商仓储场景构建了合适的路网地图,然后研究传统的基于二维平面地图的路径规划算法,并针对仓储环境进行碰撞避免规则的设计及算法的改进;接着分析基于二维平面地图进行路径规划的局限性,为了实现机器人之间更好地协作,设计并实现了基于时空地图的路径规划算法,并在算法中考虑了机器人实际运行过程中转弯、装载货架等代价,使系统更符合实际场景;最后通过自己设计的仿真平台对算法进行了仿真,验证了该算法能缩短机器人运送货架的距离,提升系统的整体效率。
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：毕设项目助手 ，原文地址：https://bishedaima.com/lunwen/48211.html
