7篇关于深度模型的计算机毕业论文

今天分享的是关于深度模型的7篇计算机毕业论文范文, 如果你的论文涉及到深度模型等主题,本文能够帮助到你

智能电视潜在付费用户预测系统的设计与实现

这是一篇关于智能电视,潜在付费用户,特征衍生,深度模型,Java Web的论文, 主要内容为随着智能电视的普及,用户付费成为电视生产企业或视频内容企业最重要的利润来源之一。挖掘潜在付费用户,促使用户付费购买增值服务越来越成为企业亟待解决的问题。企业人员需要了解用户付费情况、用户日常行为习惯等,同时适时地对潜在付费用户进行促销以促使更多用户付费,需开发一套智能电视潜在付费用户预测系统为此项业务做系统支撑。智能电视潜在付费用户预测系统中的一个关键是建立准确的潜在付费用户预测模型,本文首先基于国内最大的电视厂家之一的海信公司日志数据的特点,提出了对日志信息扩展、特征衍生以及特征提取的解决方案。结合深度模型在高阶抽象特征学习上的优势以及线性模型在低阶特征学习上的优势,应用SWD模型进行训练预测。为了验证模型的性能,和传统分类模型进行了比较,实验结果表明,SWD模型在智能电视潜在付费用户预测中的F1测度上优于传统的分类模型,F1值能够达到0.8401。在对系统的开发背景、国内外研究现状进一步分析之后,通过需求分析确定各个模块的功能和业务,应用B/S架构、前后端分离模式、Spring MVC等Java Web开发技术完成智能电视潜在付费用户预测系统的后台管理部分。同时应用Spark大数据技术进行数据的统计分析工作,为系统提供数据准备。后台管理系统分为用户今日消费、用户历史消费、用户行为分析、潜在用户预测、用户活动促销五大功能模块,其中潜在用户预测模块包含了用户预测分析和用户预测详情子功能模块,用户活动促销模块包含了促销活动和活动设置子功能模块。系统通过实时数据、统计分析数据、模型预测数据,为企业提供了一个快速、直观了解用户付费相关各方面情况的一个窗口,有助于指导企业做出正确的商业决策;并且企业可以方便地进行潜在用户付费促销活动,提高会员购买转化率,从而提高企业利润。

基于深度模型迁移学习的花卉图像分类方法

这是一篇关于深度模型,迁移学习,图像分类,多任务学习,数据增广,网络爬虫的论文, 主要内容为图像分类是目前人工智能、模式识别领域的重要研究方向之一。花卉图像分类,是以花卉为目标,对图像中的花卉进行生物学分类;其在植物物种研究与保护、园林花圃智能化管理中具有重要应用价值。花卉图像类别数量多、类间差异小、类内差异大、背景复杂、样本数量少,对其准确分类往往难度较大。针对花卉图像数据的这些特点,本文以深度模型、迁移学习和多任务学习为理论指导,进行花卉图像分类研究。主要工作内容如下:(1)针对特征描述算子设计难度大、特征提取能力弱,以及深度模型结构复杂、参数规模大、难以拟合小数据集的问题,提出基于深度模型迁移学习的细粒度图像分类方法。首先,通过在粗粒度图像数据集上进行预训练,使深度模型参数分布具备自然图像特征提取能力;然后,对深度模型进行局部训练,使其在细粒度图像数据集上进行迁移。实验结果表明,在102类花卉图像数据集上,分类准确率达到96.27%;此外,在120类狗、200类鸟、37类猫和狗、196类汽车图像数据集上,该方法亦分别得到72.23%、73.33%、86.00%、89.72%的图像分类准确率,具有较好的准确性与泛化性能。(2)深度模型的训练往往需要非常大的数据规模、非常多的差异特征,以满足模型中庞大的参数规模要求;然而,细粒度图像数据集规模相比粗粒度图像数据集规模要小得多。虽然对原始数据进行不同方式的修改,可以实现数据增广,但引入的差异特征不够明显,因而性能提升有限。为此,提出基于网络爬虫的外部数据增广方法。首先,在社交平台、搜索引擎上(例如Instagram、Flickr、Google、Bing、Baidu),根据Hashtag、Keyword的搜索结果,无差别爬取图像(难免包含大量冗余图像);然后,对冗余图像进行筛选、整理,生成增广数据集;最后,使用增广数据集取代原始数据集,对模型进行迁移训练。实验结果显示,在增广后的102类花卉图像数据集上,图像分类准确率达到99.41%,较原始数据集提高3.14%。相比于原始数据集,使用外部增广数据能够有效提高分类准确率。(3)根据实际需求,设计、实现基于B/S架构的花卉图像分类原型系统。首先,将迁移模型导出、参数冻结、线上部署;再通过浏览器远程调用服务器上的模型进行图像分类,并在WEB端给出分类结果。在6种移动终端上进行测试,结果显示,在共计18幅花卉图像中,仅有2幅结果为Top-2,其余均为Top-1;在不考虑网络延迟的情况下,服务器响应速度控制在40ms以内。证明本系统具有较高准确性与即时性。

智能电视潜在付费用户预测系统的设计与实现

自适应边云协同模型部署系统的设计与实现

这是一篇关于边云协同,深度模型,近似推理,模型部署的论文, 主要内容为随着移动智能设备和物联网设备的不断激增,大量的数据开始从边缘侧产生,依托于中心服务器的云计算框架在大数据背景下显得力不从心。新兴的边缘计算能满足实时性需求,但边缘侧算力受限,很多复杂的模型算法无法运行。目前结合边缘计算和云计算优势的边云协同技术目前受到了比较大的关注,尤其是在深度学习快速发展的当下,边云协同的深度学习方法通过将深度模型分布式地部署于边缘设备和云端服务器,可以充分发挥边缘计算和云计算的优势,平衡算力和实时性的需求。然而,在生产实际中,由于业务需求,深度模型可能需要不断变更,同时由于网络的波动,边云之间的通信可能受到影响,部署单一的边云协同模型并不能时刻满足生产需求。因此,本文提出一种网络自适应的边云协同模型部署系统,并阐述了其相关设计与实现工作。本文提出的边云协同模型系统主要包括三个模块,分别是模型配置和注册、模型选择和协同部署以及模型资源的监控与调度。模型的配置和注册模块的主要功能是建立基本的模型数据库,包括对模型的元数据信息进行配置以及将模型切分为边云两部分;模型选择和协同部署模块是系统的核心模块,主要负责根据实际的生产环境和用户需求从模型数据库中选择最优的协同模型同时将模型分别部署到边和云,实现边云协同的推理服务部署;模型资源监控与调度模块负责监控模型实例的运行,并在资源不足时进行模型调度,在满足服务需求的前提下最大化资源利用率。本文以人脸模型为例,展示了该系统对于协同模型的部署调度结果,实验结果表明该系统能够极大地提高边云协同模型部署的灵活性,节约人工维护的成本,将为推动边云协同深度学习模型的部署作出贡献。

基于ELK框架及深度学习模型的推荐系统研究

这是一篇关于推荐系统,ELK框架,数据库优化,机器学习,深度模型的论文, 主要内容为在如今的大数据时代,购物类、服装类以及生活服务类等电商推荐系统层出不穷,系统的搜索以及推荐能力成为支撑该系统的核心技术,如何推荐给用户最满意的门店、商品也是系统的主要功能之一。然而通过研究发现:一些电商平台仍使用数据库关键词模糊查询的方式,导致搜索准确率低下;推荐系统中数据库压力日益增加导致数据提取速度降低;基于传统机器学习的推荐方式逐渐无法满足千人千面的推荐。针对上述问题,本文从数据库、搜索性能、推荐功能三个角度出发并进行研究,提出一种基于ELK框架及深度学习模型的推荐系统。在对数据库进行优化并改善数据提取性能的基础上,将高效的ELK搜索框架与具有优秀推荐性能的深度学习模型相结合,实现对推荐系统原型的设计与优化。首先分析系统中的基本业务需求,明确实施对象后,从用户、商家以及管理员三个角度进行设计,实现三者登录系统的基本业务功能;之后在数据库表设计的基础上,为应对数据指数级别的增长以及提高用户的使用体验,对数据库源码进行部分修改,同时采用主从部署的方式部署数据库,从而提高数据提取性能。其次针对用户搜索问题,引入ELK框架,用其替代传统的数据库搜索方式,包括分布式部署elasticsearch搜索引擎,优化查询打分方式,构建全量、增量索引,以及为适应中文环境引入并优化ik分词器。再次,在实现核心功能推荐方面,召回阶段将ALS算法与单一的协同过滤算法加权融合形成新的混合方法进行召回,排序阶段使用深度模型代替传统的LR、GBDT、LR+GBDT模型,完成推荐模块的设计开发。最后,对系统进行功能性以及非功能性测试。通过测试得出:系统中管理员、用户以及商家基本业务需求可以完美实现;在负载方面,系统在单机情况下满足负载要求;数据库优化对比方面,优化后用户进入系统后在提取数据时间上有明显下降,错误率有所下降,吞吐量有所提升,不同并发量(括号中数值)情况下用户对数据提取时间分别缩减了:110ms(300)、113ms(400)、95ms(500);算法模型实验对比方面,召回模块中设计的混合算法对用户有较好的吸引效果,点击率值由高至低为混合算法>ALS算法>基于物品协同过滤算法>基于用户协同过滤算法;排序模块中,深度模型相较于传统机器学习算法的AUC值有所不同,实验结果为:WD>LR+GBDT>GBDT>LR,对比结果表明深度模型相较于其余模型推荐性能更佳。

基于深度学习的视觉关系检测研究

这是一篇关于视觉关系检测,深度模型,多模态,统计相关性,图方法的论文, 主要内容为深度学习是近年来的研究热点,在图像、语音和文本等许多领域都有着出色表现,深度学习的研究主要是指深度神经网络。视觉关系,是指图像中物体间的关系,比如“人驾驶车”,“杯子在桌上”等等。视觉关系检测是计算机视觉中的重要任务之一,对于理解图像内容,连接图像和文本都有重要意义。本文围绕视觉关系检测这一任务进行研究,主要研究工作如下:1)分析调研视觉关系检测任务的相关研究基础、国内外最新研究方法和进展;2)提出了一个综合使用多种特征的视觉关系检测的方法,该方法基于深度学习的模型框架,能够综合利用输入图片的局部信息和全局信息对图片中的物体间关系进行有效预测。利用相关数据集中的统计特征,进一步提高模型对视觉关系预测的准确率。3)提出了一种将图方法引入到视觉关系检测任务中的方法,使用图方法从外部的知识图谱中提取包含常识信息的特征,实验证明,该方法进一步提高了视觉关系检测的准确率。本文针对视觉关系检测这一任务,综合利用了多种特征。多种特征表示了从图片的不同方面的观察得到的信息,充分利用到了输入图片提供的信息。此外,本文也提出了使用word embedding或者图方法引入外部信息,能够起到补充的作用,提高预测准确率。