分享7篇关于K-means++的计算机专业论文

今天分享的是关于K-means++的7篇计算机毕业论文范文, 如果你的论文涉及到K-means++等主题,本文能够帮助到你

改进YOLOv5小目标检测方法在智慧矿山中的应用研究

这是一篇关于智慧矿山,小目标检测,多层融合,子像素卷积,K-means++,SIoU损失函数的论文, 主要内容为在露天矿作业场景中,使用激光云台对生产过程进行监控,在监控画面中通常存在大量的人和车辆等小目标。然而,这些小目标分布密集、分辨率低且尺度不均匀,导致目标检测算法的检测难度大,可能造成漏检或误检的情况,将给露天矿安全开采带来隐患。针对上述问题,本文提出了一种基于改进YOLOv5的小目标检测算法(Multi Layer Fusion and Super-resolution Network,MS＿Net),旨在满足露天矿作业场景中小目标的检测需求,实现矿山智能检测。具体的改进内容如下:(1)针对露天矿作业场景中小目标分布密集的问题,本文提出了多层融合模块(Multi-layer Fusion,MLF)。MLF模块融合了PANet的三个输出层和保留大量小目标位置信息的F1特征图,综合利用不同层所提供的位置信息和语义信息,增强模型对小目标的识别和定位能力,有效解决露天矿作业场景中小目标分布密集的问题。(2)针对露天矿作业场景中小目标分辨率低的问题,本文采用超分辨率方法中的子像素卷积作为模型的上采样方法。相比于双线性插值进行上采样,子像素卷积在提高分辨率的同时,可以最大限度地保留特征图的细节信息,减少特征丢失。(3)针对露天矿作业场景中小目标尺度不均匀的问题,本文使用K-means++算法自适应确定最佳的锚框数量和大小,可以更好地适应不同尺度目标的检测需求,提高模型的检测精度和鲁棒性。K-means++算法还可以减少训练时间和空间消耗。(4)为了更准确地评估小目标预测框和真实框之间的匹配程度,本文采用SIo U损失函数作为模型的定位损失函数。相比于CIo U损失函数,SIo U损失函数考虑到所需回归之间的向量角度,重新定义了惩罚指标,从而提高模型的稳定性和鲁棒性,特别是在小目标检测方面具有较好的效果。MS＿Net模型在VOC数据集上的m AP@0.5为79.4%,FPS为59;在矿山数据集上的m AP@0.5为80.2%,FPS为64.5。消融实验结果表明,MS＿Net模型提出的四种优化策略可以有效增强YOLOv5在露天矿作业场景中小目标的识别和检测能力。MS＿Net模型部署到Deep Stream平台中的检测效果和实际应用分析表明,MS＿Net模型能快速、准确、高效地检测出露天矿作业场景中的车辆和作业人员等小目标。

面向战术任务的事理图谱构建研究

这是一篇关于事理图谱,事件抽取,事件泛化,战术任务,K-means++的论文, 主要内容为战术任务是军事作战指挥中的重要部分,总结以往战术任务对于指导未来军事作战具有重要作用。战术任务是一种动态的事件知识,用于描述实体知识的知识图谱难以刻画事件对实体、事件对事件等动态且复杂的知识。随着信息技术的发展,智能化获取知识的需求也不断提高,构建一种描述事件之间演化规律及发展逻辑的知识载体成为人们进一步探索知识的迫切需要。因此,事理图谱应运而生。事理图谱是一个描述事件之间演化规律和模式的事理逻辑知识库。本文面向战术任务构建事理图谱。首先,针对军事领域缺少用于构建图谱的专用语料库的问题,定义了战术任务事件类型和事件关系,基于此标注了一定规模的原子任务和子任务语料;然后,基于构建的语料集研究了战术任务事件抽取和关系抽取。主要研究内容包括:(1)针对战术任务事件分布密集、触发词上下文噪声大的问题,本文首先运用预训练模型 BERT(Bidirectional Encoder Representation from Transformers)获取具有语义特征的句子向量,接着利用双向长短期记忆神经网络Bi-LSTM(Bi-directional Long Short-Term Memory)捕获句子上下文特征,最后利用条件随机场 CRF(Conditional Random Field)学习标注规则,从而实现从战术任务文本中抽取事件触发词和论元。通过实验结果对比分析,本文模型在战术任务的事件类型识别和论元抽取中均表现不错。(2)针对战术任务文本中缺少显示关系词的问题,提出了融合自注意力机制Self-Attention 与 Bi-LSTM 的事件关系抽取模型,该模型通过捕获句子上下文远距离的特征及深层语义信息提高了关系抽取的准确度。实验结果显示,本文模型的F1值分别达到了71%(原子任务语料集)、70%(子任务语料集),表明了该模型在实现战术任务事件关系抽取上的有效性。(3)针对原子任务事件存在较多语义相同表述不同的问题,利用改进K-means++算法对原子任务事件进行事件泛化。本文从两个方面改进了 K-means++算法:1)利用BERT模型替换传统TF-IDF方法进行事件句向量化表示;2)根据聚类对象为事件,通过计算事件相似度衡量两个样本点的距离。实验结果表明改进的K-means++算法对事件聚类效果有一定的改善,F值提升了 14.2%。本文基于上述研究方法抽取了登岛作战的战术任务事件及事件关系,并利用专家经验知识确定了子任务与原子任务之间的关系。最后,构建了战术任务事理图谱,利用Neo4j实现事理图谱的存储和可视化展示,并进一步分析了事理图谱在任务规划中的应用。

改进YOLOv5小目标检测方法在智慧矿山中的应用研究

基于深度学习的灾后人员检测算法研究

这是一篇关于灾后人员检测,YOLOv4,轻量化,全局上下文建模,K-means++的论文, 主要内容为近年来,各类自然灾害和人为灾害频频发生,严重威胁到了人类的生命财产安全。将深度学习目标检测算法部署到移动机器人上可以协助人类完成救援任务。然而受限于硬件设备有限的计算资源,以及灾后救援现场被困人员往往会存在掩埋遮挡、尺度不一以及重叠干扰等问题,当前主流的目标检测算法难以在高实时性检测的基础上实现高精度检测。基于上述问题,本文选取YOLOv4(You Only Look Once)目标检测算法作为基准网络,对其做了轻量化改进、注意力精度弥补以及全局上下文建模强化特征信息等优化。具体工作如下:首先,针对基准网络检测速度较慢的问题,将YOLOv4的主干特征提取网络替换成轻量级神经网络Mobile Net V2,以缩减网络层级提高计算效率。通过对比实验证明,本文提出的轻量化网络模型在检测速度上有了明显提高,同时较大程度减少了对计算机内存资源的消耗。然后,针对轻量化后精度损失的问题,将带有位置信息的通道注意力机制Coordinate Attention嵌入到改进后YOLOv4的主干网络Mobile Net V2中,使得主干网络提取到的最终特征图包含浅层特征层中的位置信息,减少了位置特征的丢失。相较于原YOLOv4网络在有了检测速度的提升下,又进一步提高了检测精度。针对灾后救援较高的时间效率要求,将YOLOv4中路径聚合模块的常规卷积替换成深度可分离卷积,先对特征图的各通道拆分以进行区域信息提取,然后再将单独的通道进行堆叠以融合不同通道间的特征信息,改进后的网络在不增加计算量的基础上进一步提高了网络的检测速度。针对图像特征信息在神经网络各层级之间流动时出现的特征损失问题,在主干网络和路径聚合网络之间添加全局上下文建模网络,使得网络在某一局部位置也可以获得全局相关特征,提高了网络对遮挡人员的检测能力。最后,针对原YOLOv4网络训练时收敛速度较慢的问题,使用K-means++算法对训练数据进行聚类处理,将聚类得到的锚框尺寸输入到改进后的网络。同时,为了提高网络对不同尺度大小人员的检测能力,对网络进行了多尺度训练。并且提出了一种改变图像RGB通道色差的数据增强方法,提高网络对在不同天气、不同光照采集到的图像的检测能力。

基于FAHP和K-means的软件工程教育云数据分析子系统的设计与实现

这是一篇关于软件工程,数据分析,能力评估,FAHP,K-means++的论文, 主要内容为近年来,因为互联网行业的势头仍然突飞猛进,越来越多的人尝试并努力进入软件工程领域。“互联网+”教育的形式,让更多的人能够轻松地接触并学习到不同领域的知识,如网易云课堂、中国大学MOOC、慕课网等。而SEEC(Soft Engineering Education Cloud)软件工程教育云正是在这样的环境下成长起来,为了帮助更多人学习软件工程领域能力。早期的SEEC系统集成了教育平台以及开发云平台的部分功能,能够让学生在系统中进行课程学习、课程管理、在线开发以及系统部署、测试等功能。随着SEEC系统的不断壮大,新增的需求及功能形成了不同的子系统,帮助学生在其中更好地进行学习以及自我提升。为了让学生的学习形成一个闭环,能够从上课、练习中得到反馈,从而进行自我补充以及约束管理,并且在学习的各个时期能够得到自己的软件工程能力评价,SEEC数据分析子系统从SEEC系统的各个子系统中收集到数据并进行统计分析,将分析结果呈现在学生眼前。学生可以查看自己的学习情况,获取自己的软件工程能力评估,从而调整自己的学习方法、学习状态和学习计划,帮助学生更好地进行软件工程领域学习。本文主要阐述了SEEC数据分析子系统的设计与实现。数据分析子系统从SEEC系统下的各个子系统中收集学生的学习数据以及行为数据,并进行二次分析处理。子系统设计了软件工程能力评价指标体系,并建立起软件工程能力评估模型。数据分析子系统可以根据分析后的数据对学生进行能力评估,将分析数据和评估数据用作可视化展示。SEEC数据分析子系统整体使用Spring Boot加上Vue框架进行前后端开发。本文通过FAHP模糊层次分析法划分出能力评价指标,建立各层级指标的权重排序,并利用收集分析后的学习数据计算指标评分,代入到模型中对学生软件工程能力进行评估。除此之外,系统还利用K-means++聚类算法对学生的单项能力进行聚类分析,获取学生在整体中的评级结果。在SEEC数据分析子系统的辅助下,学生可以根据自己能力数据进行专项训练或者方向选择,教师可以根据学生的学习数据调整教学计划以及教学重点,企业可以将学生的能力数据作为择才参考。