6个研究背景和意义示例,教你写计算机知识驱动论文

今天分享的是关于知识驱动的6篇计算机毕业论文范文, 如果你的论文涉及到知识驱动等主题,本文能够帮助到你

基于知识的通信干扰决策

这是一篇关于认知电子战,通信干扰,知识驱动,点对点通信干扰,通信组网干扰的论文, 主要内容为通信干扰决策是认知电子战相关研究中的一个关键技术难点。在复杂电磁环境下,传统通信干扰决策算法在针对敌方未知工作状态时,存在算法收敛慢,干扰效果差等问题,无法满足现代认知电子战对灵活性和实时性的需求。为了弥补传统通信干扰决策算法的不足之处,本文基于知识驱动的思想,对潜藏在通信干扰历史数据中的知识进行挖掘和建模,并设计了基于知识的通信干扰决策算法。本文的工作内容与创新点如下:(1)针对“点对点”通信场景中的未知通信模式,提出了一种基于知识的干扰动作推荐决策算法,解决了传统基于强化学习的干扰决策算法收敛慢的问题。该算法将历史数据中的干扰动作以及通信模式建模成为知识图谱中的实体,并基于历史数据相关性以及属性相关性,建立实体间的关系。在对知识图谱实体和关系建模的基础上,利用干扰方对被干扰方反馈信息的辨识以及知识图谱实体间的关系,计算被干扰方未知通信模式与干扰历史数据库中记录的通信模式间的相似度,并在此基础上实现最佳干扰动作的推荐。仿真实验结果表明,与传统的基于强化学习的干扰决策算法相比,基于知识的干扰动作推荐决策算法能够在较短的迭代周期内取得更好的干扰效果,平均误比特率相较传统算法高出约83%。(2)针对“多对多”通信组网场景中拓扑结构为未知的情况,提出了一种基于知识的贝叶斯神经网络干扰决策算法,解决了传统算法收敛慢、干扰效果差的问题。该算法通过对潜藏在干扰历史数据中的通信组网节点重要度知识进行挖掘,指导干扰机选取最优的通信组网节点组合进行干扰,并能够通过不断增长的干扰历史数据,实现知识的更新,从而不断优化干扰决策。仿真结果表明,相较其他同样不依赖通信组网拓扑结构先验信息的干扰决策算法,基于知识的贝叶斯神经网络干扰决策算法在不同类型的通信组网场景中拥有更好的泛化性以及较优的干扰效果,累计截断流数相较其他不依赖先验信息的干扰决策算法最高高出约6%。本文基于知识驱动的思想研究认知电子战背景中的通信干扰决策问题,对干扰历史数据中的知识进行充分挖掘和合理建模,使潜藏在历史数据中的知识能够辅助干扰机进行干扰决策,帮助干扰机在复杂的电磁环境中拥有更好的实时性和灵活性。

知识驱动的特定领域文本分类方法

这是一篇关于知识驱动,深度学习,文本分类,半监督学习,知识图谱的论文, 主要内容为随着互联网的快速发展,各行各业的信息化程度也越来越高,涌现出大量的特定领域文本。特定领域文本由于其特殊性和专业性,在语义理解上不同于通用领域,普遍存在难以通过字面含义理解、需要结合专业领域知识理解等的情况。除此之外,由于特殊性和专业性,人工标注的代价比通用领域更高,实际可用于训练的有标记语料很少,难以支持大规模训练,导致更难学习语义。(1)针对特定领域有标记样本少、无标记样本多,难以通过字面含义理解的问题,本文提出了一种基于互联网知识的半监督学习文本分类算法。首先,利用互联网知识对样本进行文本扩展,以克服特定领域样本难以通过字面含义理解的问题。然后,提出一种基于浅层学习和深度学习的双视图半监督分类算法(称为Co-DSL算法),使用少量有标记样本和大量无标记样本,以半监督的方式训练分类模型。最后将该方法应用于App分类领域,通过实验证明,该方法在分类效果上明显优于其他传统算法。(2)针对特定领域文本分类任务中,除了样本稀缺之外,特定领域文本一般是非常专业的,包含很多难以从样本中学习到的专业领域知识。针对该问题,本文提出了一种基于知识图谱的深度学习文本分类方法。首先,通过互联网半自动的构建知识图谱。然后,通过实体识别技术,将问题中与知识图谱存在链接的实体的特征引入原文本,达到特征扩展的目的,并使用Bi-LSTM模型进行文本分类。最后,将该方法应用于环保文本分类领域,通过实验证明,通过引入知识图谱,可以有效的提高文本分类准确性。(3)设计并实现了一个多意图混合式智能问答系统。该系统首先基于多领域文本分类识别用户提问的意图,然后基于用户意图调用相应的智能问答模块回答用户的问题。

知识驱动的开放域对话生成方法研究

这是一篇关于人机交互,对话系统,知识驱动,Transformer,生成模型的论文, 主要内容为知识对于智能对话系统生成具有信息量的回复至关重要。这些知识包括各种各样的形式,例如知识图谱(KG),背景文档和对话主题等。然而,如何理解语言和利用不同类型的知识仍然是现有对话生成方法的挑战。一些研究人员试图通过使用预先训练的语言模型来增强模型的语言理解能力,但他们忽略了外部知识在特定任务中的重要性。在本文中,针对这一问题,我们首先提出了一种新颖的基于Transformer的通用对话系统架构,即多知识融合Transformer(MKST),该架构在开放域对话中融合了多种类型的知识。首先,该模型在大规模语料库上进行了预训练,以学习常识知识。然后在微调过程中,我们将知识类型分为两个特定类别,这些特定类别由我们的模型以不同方式处理。编码器负责将具有多种知识的对话上下文一起编码,而具有知识感知机制的解码器则采用注意力机制关注多知识中的重要信息,以促进更好的生成。这是在一个对话模型中融合多知识的首次尝试。实验结果表明,与最新基准模型相比,我们的模型在知识驱动的对话生成任务上实现了显著的改进。与此同时,在对话系统中如何选择恰当的知识是困难的,因为面对大量相关知识,模型通常没有明确的目标并且倾向产生具有随机主题的不太连贯的对话,尤其是在面临长时间的对话的情况下。当前有效的处理方法集中于研究如何在多轮对话中去根据数据库提供的最佳回复去进行知识的选择。一般来讲,他们假设生成的回复仅在与数据库给出的最佳回复应接近时才是合适的,这导致模型对不同主题的鲁棒性不足。而且,对于开放域对话任务,通常会有不止一种合理的响应,这意味着对话系统在选择知识时应该更加灵活。在本文中,我们提出了一种新颖的基于知识的对话系统,该系统整合了基于Transformer的生成器和能够主动构建对特定知识的查询的知识集成器。具体地,在生成阶段,由语言生成器从对话上下文生成知识被掩码的回复。在知识查询阶段,知识集成器可以基于被屏蔽的信息构造查询访问知识库以获得特定知识,这使得生成器在生成回复时避免了过多的噪声干扰,并使集成者在查询特定知识时更具针对性信息。实验表明,与强大的基线系统相比,利用知识整合器的对话系统可以产生更多的信息性和类似人的回复。同时,我们的新方法可以促进该研究领域的进一步研究。

知识驱动的开放域对话生成方法研究

基于深度学习的BIM构件搭配推荐方法研究

这是一篇关于建筑信息模型(BIM),深度学习,推荐算法,风格特征,知识驱动的论文, 主要内容为建筑业在我国国民经济中的支柱产业地位稳固。传统的建筑行业长期存在生产管理方式粗放、跨专业协同能力不足、资源消耗过度等痛点,难以满足建筑业新时期绿色和高质量发展的需求。数字化建筑是将建筑信息模型(Building Information Modeling,BIM)、大数据、人工智能等新一代信息技术与建筑全生命周期要素融合的产物。数字建筑的发展是推动建筑业转型升级,提升建造水平和建筑质量以及实现“双碳”战略目标的必然要求。BIM模型是建筑信息共享传递的载体,涵盖了工程项目从规划设计到施工运维的全部设施数据,为科学决策提供可靠的依据。因此,BIM技术是已经成为数字建筑发展的基础手段。目前,BIM技术的应用已经广泛地渗入到建筑设计、施工、运维阶段。大量BIM构件被建立存储,以便于缩短设计时间。设计者对于快速准确地获取相似构件的需求日益迫切。无论是在线共享的BIM构件库还是设计者自有的构件库,他们只能通过文本信息建立的分类目录或搜索引擎,人工查找满足需求的构件,并且逐一打开确认。这种方式需要耗费大量的时间和人力。除此之外,BIM室内设计是建筑设计不可缺少的部分。协调场景中构件的风格是BIM室内设计的根本原则。然而,风格是一个高级语义概念,很难通过文本信息来描述清楚,所以无法准确为设计者检索到风格相似的BIM构件。显而易见,BIM构件不能快速准确地获取将直接导致BIM室内设计效率降低。推荐算法能够对海量BIM构件进行过滤排序,自动为室内设计者推荐出符合风格一致性的构件资源。本文提出将建筑信息模型、深度学习、知识图谱和协同过滤推荐算法相结合,从构件的视角图像出发,研究一种基于深度风格特征相似度的BIM构件推荐算法。在此基础上,分析实际场景中使用该推荐算法存在的问题,提出了一种知识驱动的BIM构件搭配推荐算法。主要研究成果如下:(1)基于深度学习的BIM构件风格特征表示方法。现有方法多数采用几何形状来描述三维模型的风格信息,然而这种方式将会损失模型大量的纹理和颜色信息,容易造成推荐不准确的问题。BIM构件图像能够从几何形状、颜色、纹理等多方面描述风格特征。该方法首先设计BIM特征图选取模型,固定不同角度的观测点获取多张BIM构件图像,设置评估函数选取出既能被正确分类又含有足够信息的视角图像作为BIM特征图;接着搭建风格特征提取模型,将BIM特征图输入卷积神经网络,提取不同层卷积特征进行格拉姆矩阵计算,得到BIM构件的风格向量。(2)一种基于深度学习的风格一致性BIM构件推荐算法。首先,将BIM构件库中所有构件均经过BIM特征图选取模型和风格特征提取模型,得到相应的风格向量,以构件名称为索引存储于风格向量库;其次,计算待推荐BIM构件风格向量和风格向量库中所有向量的相似度;最后,根据风格相似度排序推荐出Top-k个BIM构件。本文任选15个BIM家具构件,招募了20名志愿者为每个构件选出测试集,验证不同卷积层得到的风格向量对推荐结果的影响。实验结果表明,使用BIM构件的组合风格向量能够提升推荐算法性能。(3)BIM构件搭配知识图谱构建。在实际应用中,除了对单一BIM构件推荐之外,还需要考虑根据现有BIM场景风格为用户推荐构件。场景风格由其所包含的构件风格组成。然而,每个构件风格在场景风格中所占的比重,应取决于它和推荐结果之间的搭配程度。本文首先通过目标检测算法从真实场景图中生成家具搭配数据,接着利用关联挖掘算法得到不同类型家具之间的搭配规则,将规则置信度作为风格影响权重;然后抽取BIM构件分类信息和家具搭配规则的实体和关系,利用Neo4j数据库存储BIM构件搭配知识图谱。(4)一种知识驱动的BIM构件搭配推荐算法。首先,结合BIM构件风格向量和搭配知识图谱中存储风格影响权重,得到BIM场景风格;接着,计算BIM场景风格与风格向量库中任一向量的相似度;最后,根据风格相似度排序得到推荐结果。本文组成10个BIM场景,为每个场景设置测试集,验证使用BIM场景内单一构件风格推荐和整体场景风格推荐对结果的影响。实验结果表明,知识驱动得到的BIM场景风格能够更准确地推荐出最多的符合需求的BIM构件。同时,知识图谱也为推荐结果带来了可解释性。