一、多层感知器的一种快速网络训练法及其应用(论文文献综述)
宋福彬[1](2021)在《基于随机介质算法的土石坝病害模拟及特征识别方法研究》文中指出土石坝具有造价低廉、结构简单的优点,在我国的水利工程中占比较高,但由于其失事概率较高,针对土石坝安全性和可靠性的研究意义重大。随着我国病险水库除险加固现场无损检测工作的开展和大量土石坝工程的兴建,应用地质雷达方法及时、快速、精准发现土石坝工程中的病害位置并判断其类型,对于土石坝安全检测具有重要意义。目前,地质雷达在土石坝检测中的应用主要存在两方面的问题。其一,地质雷达图像识别经验性较强;现阶段土石坝病害的地质雷达图像识别需要长期的经验积累,而且辅助识别的正演模拟地电模型大多参考均匀介质或者层状介质而建立,没有考虑土石坝这种离散体材料的非均匀性和离散性。其二,土石坝病害的地质雷达图像识别时效性较差;现有的依赖人工的识别方式,其识别周期较长,无法满足及时、快速检测的要求,同时,人工识别结果漏检、误检的概率较高。针对上述问题,本文以实现土石材料准确模拟、土石坝病害类型快速识别为目的,对土石混合料模拟问题、土石坝典型病害特征及土石坝病害识别模型展开了研究,主要研究内容如下:(1)基于随机介质理论,根据土石混合料不同组分的粒径特征和电性特征,构建了一种三相离散随机介质模型,针对构建的三相离散随机介质模型,研究了在不同含水率下的模型介电特性,并将其与均匀介质模型进行了对比,分析了电磁波在两种模型中的传播特点。(2)针对不同类型的土石坝病害,分析了其成因和特点,构建了相应的三相离散随机介质地电模型,进行了地质雷达正演模拟,采用复信号分析技术研究了相应的正演模拟结果,从振幅、相位、频率角度分析了每种病害类型各自的特点。(3)基于Faster R-CNN算法,构建了土石坝病害目标检测模型,在自制的土石坝病害地质雷达图像数据集中完成了模型的训练与测试,分析了模型的检测效果,在工程实例中检验了模型的应用效果。
肖科[2](2021)在《基于深度学习的声音识别分类系统》文中研究表明声音无处不在,人听到声音后,不断地有意识地或潜意识地处理和理解这些音频,从而向我们提供有关周围环境的信息。智能环境声音分类是在众多实际应用中不断发展的研究领域。尽管在音频领域(例如语音和音乐)进行了大量研究,但对环境中的声音进行分类的工作相对较少。而利用深度学习对声音图像化处理后的分类还未出现,这就引出了利用卷积神经网络对随着时间而发生的离散声音信号进行分类的研究。本研究是将深度学习技术应用于环境中声音的分类,使用深度学习技术对生活中的声音进行分类。当给出持续几秒钟的计算机可读格式(例如.wav文件)的音频样本时,希望能够确定它是否是数据集中声音之一以及相应的似然评分。相反,如果未检测到目标声音,我们将获得一个未知分数。主要研究内容如下:(1)声音分类的意义以及在现实中应用声音作为一种携带信息的载体,是人类社会中无法缺少的元素,它包含在人类生活的方方面面。虽然人耳能够有效的识别部分声音,但在更复杂的情况下,其能力是有限的,于是就需要智能的声音分类系统来协助人类识别声音,以达到某些目的。当前,对声音识别分类的应用需求是非常多的,例如协助聋哑人的日常活动、能够内外识别声音的汽车、机器预测性维护,这些应用将有助于改善人们的生活提高人们的工作效率。(2)研究深度学习技术中的卷积神经网络(CNN)对声音图像化处理后的图像进行高精度和大规模分类本课题使用深度学习中CNN技术对生活环境中的声音进行分类,根据需求对采集到的声音数据集进行图像化,然后对声音图像每一帧声音数据进行预处理,以及用梅尔频谱倒谱系数(MFCC)来提取训练模型所需的声音特征,将这些有特征标签的数据集进行分割处理,并将分类标签一起存储在Panda中的Dataframe中,然后再将数据集放入到所建立的声音分类模型中进行训练。(3)优化了声音分类精确度的算法声音分类模型的建立中,涉及到深度学习算法的应用,而一般的基准算法不能达到相应的精度要求,需要在相应模型中进行算法的改进来达到提高识别精度的要求,本文在五种基准模型算法(决策树、KNN、随机森林、支持向量机以及多数投票算法)的基础上,通过改进MLP(多层感知器)模型和CNN(卷积神经网络)模型,将其中的层级结构、特征参数以及每层的模型的节点数等进行优化,创建一个有较高分类精度的声音识别系统。(4)系统测试及算法比较分析研究将8733个时长为几秒钟的.wav文件输入到优化的声音识别分类系统中,系统能够将输入的声音与模型中学习的声音精确匹配,对每一种声音都会给出一个评分,评分最高声音类别即是目标声音的类别。同时将样本声音用上述五种算法以及改进的MLP和CNN模型继续训练,五种基准算法中识别精度最高是SVM为68%,识别精度在改进MLP和CNN模型上分别达到了88%和92%,并在汽车发动机的故障分析上得到了有效的应用。
麻学慧[3](2021)在《基于深度学习的毫米波大规模MIMO天线选择与混合波束成形研究》文中研究说明毫米波大规模MIMO是未来移动通信最具潜力的研究方向之一。然而,由于大规模MIMO系统中配备多个昂贵的射频链路使得硬件的成本和复杂度大幅增加。天线选择技术通过优化策略选择部分高性能天线通信可以在保证系统性能的前提下简化硬件结构;同时混合波束成形技术利用低维数字波束成形与高维模拟波束成形,大大降低了射频链路数目的需求,与天线选择技术相结合可以进一步降低系统复杂度,提升信号传输质量。但是目前传统的面向模型的天线选择和混合波束成形算法存在计算复杂度高的缺点,为此本文提出了一种基于深度学习的天线选择与混合波束成形联合优化方案,论文的具体研究内容为:(1)提出了一种基于二维卷积神经网络的天线选择算法。构建了一个卷积神经网络,并采用不同信道矩阵的实现方式对网络进行训练。训练完成后,输入信道矩阵,网络即可输出最大化频谱效率的子阵列。经过仿真实验证明,提出的基于深度学习的天线选择算法与使用穷举搜索的最优天线选择算法性能接近,但其计算的时间复杂度更低。(2)提出了一种基于二维卷积神经网络的混合波束成形算法。天线的最优子阵列选择确定后,相应的部分信道矩阵被送入构建的第二个卷积神经网络。卷积神经网络预测最佳的射频波束成形器,并计算相应的基带波束成形器。该算法与传统算法相比,减少了信道矩阵的估计,同时其可实现的系统频谱效率性能接近SVD全数字最优无约束波束成形算法可实现的频谱效率性能。
赵倩[4](2021)在《面向异常检测的网络流量数据增强方法》文中研究指明随着网络技术的不断发展、网络规模的不断扩大,互联网已经覆盖了社会的各个方面,给工作生活带来了前所未有的变革,但是,网络安全问题也随之而来,给正常的网络运行造成了巨大隐患。因此,通过网络防护手段及时发现网络的异常变得越来越重要。在常见的网络防护手段中,网络流量异常检测是一种通过学习网络流量数据从而发现网络异常行为的方法。其中,基于分类的异常检测方法结合了热门的数据挖掘领域的各种技术,受到研究人员的重视并且得到了广泛应用。在对网络流量进行异常检测时,基于分类的异常检测方法主要通过学习网络流量数据特征从而构建网络流量分类模型,依赖于网络流量数据集提供丰富的信息,因此流量大数据是网络流量异常检测的重要支撑。但是,研究者们发现,网络流量数据本身存在着不平衡的问题。例如,在识别正常和异常网络流量数据时,经常存在正常和异常流量数据规模差距较大的情况,此类数据不平衡问题容易导致后续构建的异常检测模型向数量多的正常流量数据过拟合,数量少的异常流量数据不能被有效识别,影响异常检测的效果。为解决流量数据不平衡问题,可以通过数据增强技术提升原始数据集中少数类的信息,从而进一步提高流量异常检测的效果。目前,常用的数据增强方法通过加强边界样本识别、优化少数类样本选择、聚类预处理少数类、噪声清洗等手段提升对少数类样本信息的增强效果。但是现有方法大都难以解决数据集中经常存在的同类数据分离、数据分布不均匀等问题。同时对于多分类的数据集,还存在不同类别重要特征不同、噪声样本难以识别等问题。因此,针对当前网络流量数据不平衡问题,本文提出面向异常检测的网络流量数据增强方法,并且针对二分类和多分类两种场景分别提出对应的解决方法。本文的研究工作具体如下:(1)面向流量异常检测的二分类的数据增强方法:在识别两种出现频率差别较大的网络行为时,针对网络流量二分类数据集中的同类数据分离、数据分布不均匀等问题,提出基于第一近邻聚类和多层感知器的数据增强算法。首先通过第一近邻聚类筛选出少数类样本聚类,接着根据聚类中样本分布自适应分配每个聚类合成样本数量,然后对聚类中样本分配初始权重,最后在数据合成时利用多层感知器进行噪声样本清洗。实验结果表明,本文提出的方法能够有效增强不平衡二分类网络流量数据集的中的少数类样本信息,最终提升网络流量异常检测效果。(2)面向流量异常检测的多分类的数据增强方法:在识别多种出现频率差别较大的网络行为时,针对网络流量多分类数据集中的不同类别重要特征不同、噪声样本难以识别等问题,提出基于降维合成和XGBoost(eXtreme Gradient Boosting)的数据增强算法。首先,基于少数类样本的信息熵进行合成样本的选择。然后通过主成分分析法对数据进行特征值分解,使得特征互不相关,再进行数据合成。最后,使用基于XGBoost的投票决策机制对合成的新样本进行噪声清洗。实验结果表明,本文提出的方法能够有效增强不平衡多分类网络流量数据集中的多个少数类的样本信息,最终提升网络流量异常检测效果。
赵鲸朋[5](2021)在《基于深度学习的层次化Web服务分类方法研究》文中进行了进一步梳理当今许多Web服务提供商都将其业务服务发布在云端,这导致了大量的且功能相似的Web服务数量呈井喷式增长,使Web服务发现愈发具有挑战性。在现有的这些服务注册中心中,Web服务通常用Web服务描述语言或简单的自然语言文本描述。如何准确、高效的检索到符合用户需求的Web服务已经成为当前研究的热点问题。对具有相似功能的Web服务进行分类是促进Web服务发现的有效途径。早期的服务分类方法大多是基于传统的机器学习模型,需要进行棘手的特征工程,特征表示能力弱,并且分类方法忽略了 Web服务类别的层级结构,只适用于单层类别分类。即使目前的基于深度学习模型的服务分类方法避免了这种棘手的特征工程,且具有了较强的特征表示能力,但依然没有解决层次化的Web服务分类问题。基于目前Web服务数量日益庞大,简单的一次分类得到的推荐结果规模依然庞大,已不能满足服务请求者通过一次分类就能快速定位到所需服务的需求。基于该问题,本文提出了一种层次化分类方式去快速缩小服务请求者的查找范围,极大的降低了服务发现时间。该方法首次将一种可以提取到文本句法结构的神经元有序的长短期记忆神经网络(ONLSTM)应用在了服务分类领域,并结合层次化微调和父类别嵌入技术充分挖掘了类别层次之间的约束关系。为了证明本文方法的有效性,本文构建了一个包含10184条Web服务且具有两层类别的数据集并在此之上对比了 13个分类模型的分类准确率。实验结果表明,与其它分类模型相比,本文提出的模型具有最佳的分类效果。
王凤雪[6](2021)在《基于深度学习方法的股票市场风险预警研究》文中指出当今社会,科学技术日新月异,人工智能在各个领域如火如荼的发展着。在人脸识别、语音识别、自然语言处理等领域,机器学习和深度学习均有成功的应用。同时随着金融科技的不断创新,深度学习方法在股票市场的运用越来越广泛。本文基于深度学习方法,对股票市场风险的预测展开分析和讨论。股票市场风险形成原因多变,影响因素众多。本文从股票市场交易基本面数据、统计技术指标和扩展的区间数据三个维度,共选取15个变量进行构建模型,预测股票收益率。股票收益率的波动是股票市场风险的讯号,因此通过改进预测股票收益率的模型,以达到更好的窥探市场风险的现实意义。本文使用2008年10月1日到2020年9月30日沪深300指数的相关数据,使用python语言和Tensor Flow、Keras框架,分别采用移动平均模型、多层感知器(MLP)、长短期记忆模型(LSTM)三种方法预测股票收益率。在移动平均模型预测时,采用了用当天值作为预测值的一日滑动和N日滑动平均预测,再挑选最优N值进行构造预测模型。通过四个预测结果的对比得出,四个模型在复杂程度上逐步加大,在模型的预测效果上逐渐变好,四个方法得到的损失函数均方根误差分别是0.02197,0.01610、0.01451和0.01380,模型效果提升37.2%。LSTM模型效果最优,随后,基于LSTM模型继续进行超参数训练优化,优化超参数变量包括时间窗口长度N、神经元个数mlp units、dropout的概率dropout prob、优化器optimizer、训练的周期epochs、每次更新参数使用的小样本数量batch size以及激活函数activation,每个超参数都是在选定范围下最优的选择,然后构建优化模型。经过参数优化后,模型效果提升3.04%。根据相同的调优过程,继续预测收益率的标准差,得到收益率的条件概率分布,从而测量风险价值Va R,最后选取样本分位数作为预警线,建立优化风险预警模型。当风险价值Va R低于预警线时,便发出风险预警信号。本文发现,在预警线下时段,真实收益率连续很低,模型的风险预警取得良好的结果。股票市场风险的预测基于良好的预测模型,窥探到风险的讯号时,要做好积极的防御措施,对于个人,尽量做到减少损失,对于金融机构,稳定市场,对于经济社会,降低对民生影响。
石学[7](2021)在《基于深度学习的HDR图像重构与识别技术研究》文中指出石油是维持现代社会正常运转的重要能源之一,石油开采过程中一旦发生泄露,将会造成严重的生态灾害和巨大的资源损失。近年来视频监控技术在油田安全巡检中引起广泛的关注,由于视频监控图像具有直观方便的特点,在石油安全巡检中引入计算机视觉技术进行在线监控,及时发现油田采油作业过程中可能出现的故障,可以节省人力资源的消耗并保障安全巡检的质量和效率。传统的漏油检测采用LDR(Low Dynamic Range Image,LDR)图像识别技术获取采油设备的LDR图像并对漏油事件进行判断,该技术虽然具有成本低、使用简便的特点。但该技术必须在良好的气候环境和曝光条件下,尚能取得较为理想的结果,易受到照明条件以及天气状况的限制,稳健性不强。油田漏油区域形状各不相同、油田环境的复杂和光照辐射阴影等因素是油田漏油检测中存在的极大挑战。针对上述问题,本文对前人的研究工作进行分析总结,采用基于深度学习的多曝光HDR(High Dynamic Range Image,HDR)图像重构与识别技术优化对油田采油设备进行监控,将不同曝光水平的LDR图像进行融合重构,解决因天气造成的过曝、弱曝以及阴影对漏油检测产生误检和漏检的问题,为油田漏油检监测提供依据。本文主要研究内容如下:1.采集并构建构建油田漏油数据集。目前现有LDR-HDR图像数据资源较为稀少,也不存在公开可用的石油漏油场景数据集,针对上述问题,本文通过整合先前关于HDR图像重构的数据资源,模拟油田不同漏油场景并采用数码相机对场景进行LDR-HDR图像对的拍摄。将获取到的LDR-HDR图像数据对进行预处理,包括图像筛选以及扩充等。最终对重构的HDR图像进行标注,构建油田漏油数据集。2.利用多曝光LDR图像合成HDR图像。本研究在UNet网络模型的基础上,通过引入Dense Block模块,将其改进为一种多尺度Dense UNet网络来将多曝光LDR图像生成HDR图像。该网络采用一种由粗到细的包含三个子网络的方法来逐步重建HDR图像。在粗尺度分支上,该网络从LDR图像中预测HDR图像的全局信息(如颜色、上下文)。在中等尺度分支上,该网络通过学习邻域像素输出中层细节。而低尺度分支用于保留LDR图像的细节,并预测未被原始图像捕捉到的高频信息。通过对多尺度HDR图像的细化模块,本研究的方法可以生成包含更多细节的HDR图像。此外多曝光图像融合过程中容易出现伪影问题,通过引入光流法对齐像素解决这一问题。本文对不同尺度模型以及不同先进HDR图像重构模型进行了实验对比研究,实验结果表明,该方法在HDR图像的定性和定量上都有较好的效果。3.在合成HDR图像的基础上,对油田漏油区域的HDR图像进行目标识别与检测。本研究通过改进基于RetinaNet网络模型的目标检测方法,采用基于循环训练方法的漏油区域检测技术。为了增强网络模型对漏油困难样本的学习能力,通过循环训练方法进行困难样本挖掘进而减少目标检测中的漏检。为了降低模型对漏油区域的误检概率,引入负样本数据集到网络模型中进行训练。同时采用综合测试方法提高目标识别检测中精确度。对比上述几种目标识别与检测方法结果,本文研究方案在油田漏油图像识别与检测的精确率、召回率与查全率等性能指标都有较大幅度的提升。
穆林[8](2021)在《面向微博的事件与演化抽取技术研究》文中指出互联网的飞速发展使得Web信息爆炸式增长。如何从海量的Web信息中抽取出用户需要的有价值的信息,即Web信息抽取,已成为互联网时代迫切需要解决的关键问题之一。随着社交网络的快速发展,以微博为代表的社交媒体产生了海量的实时数据。微博的实时性、社交性等特点使得微博上的事件可以快速在微博平台上快速传播,因此微博成为用户获取新闻和热点事件的重要途径,同时也成为机构和个人即时发布信息的主要信息源。微博事件抽取对于组织和企业决策具有重要的意义。如果企业能够在事件发生的早期快速地检测出事件,并准确地判断事件当前处于的发展阶段,企业就有可能提前采取有效的措施来避免事件对企业发展带来大的冲击。但是,微博事件抽取也存在着一些新的挑战。这些挑战可归纳为三个方面:(1)单条微博由于字数较少,而且由用户自由发布,因此包含的事件信息通常不完整,而且噪声较大。如何整合碎片式的微博数据,消除微博中的噪声影响,为微博事件构建一个有效的表示框架,是一个关键问题。(2)微博事件往往具有发生、发展、消亡等不同的演化阶段(或称为生命期),如何准确地检测当前事件所处于的演化阶段是一个挑战性问题。(3)由于微博用户的背景不同,在语言表达形式上也存在着较大的区别,因此不同微博用户对同一实体往往存在不同的表达。这些文字表达上的异化现象为微博事件抽取增加了困难。本论文围绕微博事件及演化抽取的技术挑战,重点研究微博事件抽取、微博事件演化阶段抽取、微博近义词识别等关键问题,并构建微博事件抽取原型系统,利用实际爬取的微博数据对所提出的算法进行性能验证。微博中存在着大量的事件信息,但目前微博用户很难获取这些微博事件的信息。本论文通过微博事件抽取的关键技术研究,为用户提供一个微博事件抽取工具,同时针对微博事件的演化特性,检测微博事件的演化阶段,通过研究微博中的近义词识别,解决微博中的异名同义现象,通过围绕微博事件的相关研究,为用户提供微博事件,以及事件的演化阶段信息,从而为面向微博的事件抽取以及微博大数据挖掘等相关研究提供技术参考。总体而言,本文的主要工作和贡献可总结为以下几个方面:(1)针对微博事件抽取中存在着微博信息碎片化、噪音信息多等问题,提出了从微博文本中抽取趋势词的方法。趋势词的提取同时考虑了微博关键词的新颖性、流行性以及影响力,可以有效地检测微博文本中跟事件相关的高质量的关键词。在此基础上,论文利用趋势词在微博文本中的共现信息提出了微博事件信息图的概念,进而构建了双层的微博事件信息图来表示微博文本的事件信息,并提出了基于图划分和子图检测的微博事件抽取算法框架。我们在真实微博数据集上开展了实验,实验结果证明了所提出算法框架的有效性。(2)针对微博事件演化阶段抽取问题,论文首先提出了微博事件的生命期模型,将微博事件的演化阶段对应为事件的生命期。在此基础上,论文根据微博事件的统计信息和文本信息构造了关键词流行度信息图(KPIG)来表示从微博事件,然后提出了一种基于图核函数的方法来刻画事件的变化信息,从而实现微博事件演化阶段的检测。与现有方法相比,本文提出的KPIG图通过图模型表示事件的关键词和统计信息,可以捕获更丰富的事件信息;所提出的基于图核函数的事件演化阶段抽取方法通过KPIG图的变化来抽取演化阶段,其思路和方法与现有工作有着明显的区别。我们在真实数据集上开展了对比实验,实验结果表明基于KPIG图和图核函数的微博事件演化阶段抽取算法具有良好的性能。(3)针对微博事件抽取中存在着近义词多且缺乏标签的问题,论文提出了一种基于自监督学习的微博近义词识别方法。该方法通过聚类为每个微博词语赋予一个伪标签,然后使用卷积神经网络训练得到词语的表征向量;依次迭代这两个步骤,直至收敛。在模型训练过程中,我们通过分析近义词的特性,选择了近义词的共现信息以及词面信息作为输入特征。我们利用实体词的各种不同名称作为关键词从新浪微博中爬取微博构建了数据集进行了对比实验,结果表明论文所提出的方法在多个指标上均优于对比算法。(4)基于微博事件与演化抽取的相关算法,论文设计和完成了一个微博事件抽取与演化分析原型系统EventSys。EventSys提供了可视化的界面,可以支持微博事件抽取和事件要素抽取,支持微博事件演化阶段的检测,同时还提供了微博事件的情感演化分析功能(分析微博平台上用户对于特定微博事件的情感变化趋势)。EventSys为微博事件抽取和分析相关算法的实验与分析提供了实验平台,也可以支持未来新的算法验证。
匡奕敩[9](2020)在《我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例》文中提出根据我国“两屏三带”生态安全战略指导思想以及国际社会、国家与地方各层面生态系统服务与社会经济发展形势,围绕人类社会发展及不合理利用自然资源导致生态系统服务能力下降,引发自然灾害的实情,本研究有助于从理论上为生态系统提升提供科技支撑,在实践中促进湘西农村产业结构调整。基于目前生态系统服务评估的差异和不足,本文综述了国内外各领域生态系统服务及在生态环境-自然灾害-社会经济耦合影响因素下的协同发展关系;进一步厘清生态系统服务与社会经济各指标因素的发展变化规律,明晰各因素之间的影响关系特征,分析区域生态系统服务与民族地区社会经济之间协同发展特征,目的要在于为区域生态与社会经济协同发展建言献策,对于生态系统服务可持续经营及社会可持续发展方面都具有重要意义。根据我国南方丘陵山地区域具体情况,以典型喀斯特地貌地形特征且森林覆盖率较高的湘西土家族苗族自治州为例,结合遥感、统计年鉴、考察调研、政府网站、媒体相关数据,集成多源、多尺度、多类型指标数据,筛选出与协同发展模式有关的相关分析、线性回归、主成分分析等数理统计分析方法,以及人工神经网络、定性的PEST情景分析法对论文进行深度研究。以湘西州1980-2018年四个时间段土地利用变化Landsat-TM遥感影像为基础数据源,利用GIS分析方法,对各年度土地利用变化率、空间核密度及转移变化情况进行了分析。结果发现,1980-2018年湘西州耕地面积不断减少,城建用地面积不断增大,生态系统服务价值减少,生态功能逐年下降;空间变化分析得到城建用地不断由州中心向周边扩大,各市县水田正朝着生态区域空心化格局演变,有林地正朝着边缘化的格局演变的发展趋势。社会经济方面,湘西州总人口不断增加,乡村人口不断减少,第三产业逐渐替代第二产业占据主导地位;以GDP和人口等社会经济空间分布公里网格数据集为基础数据源空间变化分析得到湘西州各县区乡村人口正朝向城镇转移,农村空心化凸显,城乡生产总值差距明显。气象环境方面,湘西州年降水量与湿度极值之间变化比较分散,而年均气温和光照较为集中;以平均气温、年降水量等气象环境空间插值数据集为基础数据源,进行空间分析发现极值年份间年降水量高低界限移动明显,年均气温高低界限移动不明显,时空变化具有反复或交替变化特征,相应农作物与气象灾害随年度变化呈现一定的周期波动变化发展规律。利用R语言作图及SPSS统计方法对生态系统服务与社会经济指标因素进行相关关系、回归关系和主成分分析,结果发现:(1),1980-2018年耕地与城建面积表现为竞争关系,生态系统服务价值与耕地、林地、草地,总人口与城镇人口,GDP与三产业,年降水量与平均湿度,年均气温与光照时长表现为一定的协同发展关系;(2),研究期间耕地在总土地利用中的占比与乡村人口在总人口中的占比、与第一产业增加值在GDP中的占比表现为同步下降的协同发展关系,城镇化的快速发展对生态系统服务呈现负面效应;(3),2009-2018年年均气温与粮食产量呈负相关,2008-2012年降水量与直接经济损失、水灾面积、粮食减产在不同时期显着相关,呈现协同发展关系。综合生态系统与社会经济20余项指标因素,从中选择与生态系统服务关系较大的总人口、国内生产总值、播种面积、粮食产量、年降水量、年均温度、受灾面积等宏观非线性数据指标,构建基于灾害-环境-社会经济耦合下的生态系统服务的人工神经网络预测分析,作协同发展研究。结果显示,生态系统服务正在下降,同时人均生产总值呈缓慢增长趋势,反映生态系统服务与社会经济难以呈现协同发展的趋势;泛化权重分析得到国民生产总值与粮食产量因素对生态系统服务功能影响较大,宜优先决策农业生产为主的GDP,协调耦合度,以期获得GDP与生态系统服务及人均生产总值三者更好的协同发展作用。基于农田生态系统与农村经济发展的人工神经网络预测分析得出湘西州及各县市农业发展可比价增速呈现波动性减缓的趋势;宜优先决策有效灌溉面积以促进农田生态系统与农村社会经济发展快速协调发展。结合湘西州州政社情及国民经济和社会发展十三五规划纲要,同时与非完整数据的三废排放、灾害、旅游收入、人均可支配收入等指标一起,补以PEST为主的情景分析定性方法,整合成PEST-SWOT模型;针对前述理论分析的各种问题,在权衡决策上归并同化或整合同步生态系统服务与社会经济相关指标共同发展,结果得到,在社会发展机遇期引科技下乡能化解农村农田空心化问题以促进农田生态与农业经济协同发展,在人与土地关系中转变经济基础弱势为优势来促进生态系统服务与农村人均可支配收入协同发展,在国家公园自然保护地政策机遇与地方旅游业挑战下结合湘西森林优势与乡村人口空心化弱势结合下弥补促进林地生态系统服务与社会人口就业协同发展,通过科技创新手段化解技术挑战难题进而促进水域生态系统服务与农业经济恢复及协同发展,以及在环保宏观政策综合指导下拟促进湘西乡村社会经济振兴与武陵山片区生态系统服务的协同发展。今后将以决策支持的方式展开研究,并在南方区域生态系统服务和人类社会经济协同发展上更好应用,以深入探索生态系统服务能力与农村社区发展协同提升模式,努力实现区域经济社会发展和生态环境保护协同共进。
黄林[10](2020)在《基于双环境感知与智能化处理的消防系统设计》文中认为随着社会的飞速发展,楼宇建筑风格也在不断更新换代,呈现出楼层越来越高、楼体内部结构越来越复杂多样、室内易燃易爆物品和电气化设备明显增多的现象。而现有消防监测报警系统大多监测手段单一、数据来源有限,漏报、误报问题严重。这导致火灾隐患急剧增加,迫切需要对建筑物消防环境进行实时的监测及报警。针对现有消防监测报警系统存在严重的漏报、误报及无法适应当下楼宇建筑复杂的实际环境等问题,本文设计出一种基于双环境感知及智能化处理的消防系统。主要研究内容包括:(1)基于双环境的多源异构消防数据感知方法研究。由于消防灭火设备在火灾发生时扮演着极其重要的作用,本系统将消防设备气瓶加入到消防感知的环境中,结合火灾隐患点组成两个消防数据获取场景。多源异构数据信息包括气瓶压力、周围环境温度及湿度,火灾隐患点的温度、湿度、烟雾及图像等信号。消防环境的多源异构数据在数据类型、数据结构、传感器通信协议等方面存在异构特点。本文整合研究各类监测信号的感知与获取方法,设计出一套针对多源异构消防数据监测的软硬件方法。(2)基于LoRa星状轮询嵌套组网方法研究。面对如今房屋建筑结构复杂导致数据采集节点数激增、数据传输量大且距离远等问题,利用低功耗广域网LoRa技术进行多节点组网实来现数据传输。通过研究LoRa星状网轮询及数据碰撞延时解决LoRa无线传输的数据碰撞丢包问题。研究并提出使用LoRa星状网轮询嵌套的组网方法解决星状网轮询组网方式下的从节点数量上限问题,提高LoRa无线网络传输的稳定性和健壮性。(3)基于多层感知器神经网络的消防数据智能处理方法。针对系统环境感知数据的多源异构属性,为挖掘数据信息,实时判断感知环境的状态,本文提出利用多层感知器神经网络算法对消防数据进行处理。通过研究多层感知器神经网络的算法学习,建立适用于本系统的算法模型,并对算法模型进行训练分析。为进一步提高系统报警的准确度,对火灾隐患点的现场图片进行火焰识别,结合多层感知器神经网络的处理结果来精确判断火灾发生情况,实现消防数据的智能化处理。最终,根据以上对系统方案的研究,选取相关传感器、STM32最小系统、LoRa无线收发模块、触摸屏及4G网络模块,设计制作出系统硬件电路及接收处理端显示柜,并基于硬件平台编写系统算法程序。实现了用单片机控制触摸屏显示监测数据信息并将报警信息精准投送到智能手机终端的功能。经实验测试,本双环境感知与智能化处理消防系统可以达到采集数据实时、网络传输稳定、数据处理准确和信息投送精准的设计要求。
二、多层感知器的一种快速网络训练法及其应用(论文开题报告)
(1)论文研究背景及目的
此处内容要求:
首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。
写法范例:
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
(2)本文研究方法
调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。
实证研究法:依据现有的科学理论和实践的需要提出设计。
定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。
定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。
跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。
模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、多层感知器的一种快速网络训练法及其应用(论文提纲范文)
(1)基于随机介质算法的土石坝病害模拟及特征识别方法研究(论文提纲范文)
摘要 |
ABSTRACT |
1 绪论 |
1.1 研究背景与研究意义 |
1.2 国内外研究现状 |
1.2.1 土石坝检测技术现状 |
1.2.2 基于随机介质算法的模型构建方法研究现状 |
1.2.3 地质雷达正演模拟方法研究现状 |
1.2.4 深度学习算法在地质雷达中的应用现状 |
1.3 本文的主要研究内容及技术路线图 |
1.4 创新点 |
2 基于三相离散随机介质算法的土石混合料模拟方法研究 |
2.1 引言 |
2.2 随机介质理论 |
2.3 三相离散随机介质模型 |
2.3.1 随机介质模型参数影响分析 |
2.3.2 土石坝组成材料特性及其介电常数 |
2.3.3 土石坝三相离散随机介质模型 |
2.4 不同含水率的三相离散随机介质模型的地质雷达响应特性研究 |
2.4.1 土石混合料含水率与介电常数关系 |
2.4.2 三相离散随机介质含水率模型 |
2.4.3 三相离散随机介质波场分析 |
2.4.4 三相离散随机介质模型与均匀介质模型的对比 |
2.5 本章小结 |
3 基于复信号分析的土石坝典型病害的正演模拟 |
3.1 引言 |
3.2 地质雷达原理 |
3.2.1 麦克斯韦方程组 |
3.2.2 本构方程 |
3.2.3 地质雷达工作方式 |
3.2.4 地质雷达电磁波在介质交界面上的特性 |
3.2.5 时域有限差分法 |
3.3 复信号分析原理 |
3.4 坝内裂缝特征及其正演模拟 |
3.4.1 坝内裂缝类型及成因分析 |
3.4.2 坝内裂缝正演模拟 |
3.5 坝体渗漏特征及其正演模拟 |
3.5.1 坝体渗漏类型及成因分析 |
3.5.2 坝体渗漏正演模拟 |
3.6 坝体滑坡特征及其正演模拟 |
3.6.1 坝体滑坡类型及成因分析 |
3.6.2 坝体滑坡正演模拟 |
3.7 组合病害正演模拟 |
3.7.1 裂缝、滑坡组合病害 |
3.7.2 散浸、集中渗漏组合病害 |
3.7.3 裂缝、集中渗漏组合病害 |
3.8 本章小结 |
4 基于Faster R-CNN土石坝病害地质雷达图像目标检测模型研究 |
4.1 引言 |
4.2 前馈神经网络 |
4.3 卷积神经网络 |
4.3.1 卷积神经网络特点 |
4.3.2 卷积神经网络结构 |
4.4 基于卷积神经网络的目标检测算法简介 |
4.4.1 R-CNN |
4.4.2 SPP-Net |
4.4.3 Fast R CNN |
4.4.4 Faster R-CNN |
4.5 检测效果评价标准 |
4.6 目标检测模型研究 |
4.6.1 数据集制作与扩增 |
4.6.2 模型的训练与测试 |
4.6.3 模型检测效果分析 |
4.7 工程实例 |
4.7.1 工程背景 |
4.7.2 地质雷达设备及参数设置 |
4.7.3 地质雷达图像病害检测分析 |
4.8 本章小结 |
5 结论与展望 |
5.1 结论 |
5.2 展望 |
致谢 |
参考文献 |
攻读硕士学位期间主要研究成果 |
(2)基于深度学习的声音识别分类系统(论文提纲范文)
摘要 |
Abstract |
缩略词表 |
1 绪论 |
1.1 研究背景及意义 |
1.1.1 声音识别的概述 |
1.1.2 声音识别研究的背景 |
1.1.3 声音识别的应用和发展 |
1.1.4 声音识别面临的问题 |
1.2 国内外研究现状 |
1.3 论文主要研究内容及结构安排 |
2 声音识别分类的基本原理 |
2.1 声音识别基本原理 |
2.1.1 声音的定义 |
2.1.2 声音识别的理论 |
2.1.3 实现声音识别总体思路 |
2.2 声学特征分析 |
2.3 基于MFCC算法的声音识别分类研究 |
2.3.1 声谱图的介绍 |
2.3.2 倒谱分析(Cepstrum Analysis) |
2.3.3 Mel频率分析(Mel-Frequency Analysis) |
2.3.4 梅尔频谱系数(Mel-Frequency Cepstral Coefficients) |
2.4 声学模型 |
2.4.1 隐马尔可夫模型(Hidden Markov Model,HMM) |
2.4.2 高斯混合模型(Gaussion Mixture Model,GMM) |
2.5 语言模型 |
2.5.1 n-gram语言模型 |
2.5.2 RNN语言模型 |
2.6 本章小结 |
3 基于深度学习的声音分类算法研究 |
3.1 深度学习背景 |
3.2 深度学习的算法 |
3.2.1 线性回归 |
3.2.2 Softmax回归 |
3.2.3 多层感知器(MLP) |
3.3 卷积神经网络 |
3.3.1 卷积神经网络概念 |
3.3.2 二维卷积 |
3.3.3 CNN的多输入通道和多输出通道 |
3.3.4 池化层 |
3.3.5 批量归一化 |
3.3.6 残差网络 |
3.4 循环神经网络 |
3.5 本章小结 |
4 基于深度学习的声音识别分类系统的建立 |
4.1 元数据 |
4.2 音频信号分析 |
4.3 模型参数的选择 |
4.4 模型构架 |
4.5 交叉验证 |
4.6 模型改进方向 |
4.7 本章小结 |
5 基于深度学习的声音分类算法的优化与测试 |
5.1 系统结构设计 |
5.1.1 数据探索和可视化 |
5.1.2 数据预处理 |
5.1.3 MFCC特征提取 |
5.2 模型优化的总体思路 |
5.2.1 MLP模型和CNN模型的初步构造 |
5.2.2 评估标准的建立 |
5.3 MLP模型的实施 |
5.3.1 基准算法的验证(Benchmark model) |
5.3.2 MLP算法模型的优化 |
5.3.3 模型参数的优化 |
5.3.4 MLP模型的训练 |
5.3.5 MLP模型的测试 |
5.3.6 MLP模型的预测和验证 |
5.3.7 MLP模型的深度优化 |
5.4 CNN优化模型的实施 |
5.4.1 CNN优化模型的构造 |
5.4.2 CNN优化模型的编译 |
5.4.3 CNN优化模型的训练 |
5.4.4 CNN优化模型的测试 |
5.4.5 CNN优化模型预测和验证 |
5.4.6 错误分类可靠性分析 |
5.5 结果 |
5.5.1 模型的评估与验证 |
5.5.2 实验结果对比 |
5.5.3 系统的实际应用 |
5.6 小结 |
6 总结与展望 |
6.1 总结 |
6.2 展望 |
参考文献 |
攻读学位期间发表的论文与研究成果清单 |
致谢 |
(3)基于深度学习的毫米波大规模MIMO天线选择与混合波束成形研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究背景及意义 |
1.1.1 大规模MIMO技术 |
1.1.2 毫米波通信 |
1.1.3 天线选择与混合波束成形技术 |
1.2 国内外研究现状 |
1.3 论文主要研究内容与结构安排 |
1.3.1 研究内容 |
1.3.2 结构安排 |
第二章 深度学习理论基础 |
2.1 多层感知器 |
2.1.1 神经元模型 |
2.1.2 反向传播算法 |
2.1.3 激活函数与批量标准化 |
2.1.4 目标函数 |
2.1.5 优化算法 |
2.2 卷积神经网络 |
2.2.1 卷积层 |
2.2.2 池化层 |
2.3 深度学习在通信系统中的应用 |
2.4 本章小结 |
第三章 基于二维卷积神经网络的天线选择算法 |
3.1 几种常见的传统天线选择算法 |
3.1.1 最优天线选择算法和随机天线选择算法 |
3.1.2 渐增天线选择算法和渐消天线选择算法 |
3.1.3 最大范数天线选择算法 |
3.2 基于二维卷积神经网络的天线选择算法 |
3.2.1 系统模型与信道模型 |
3.2.2 天线选择问题建模 |
3.2.3 最优子阵列标签的生成 |
3.2.4 输入数据的设置 |
3.2.5 天线选择训练数据的生成 |
3.2.6 天线选择卷积神经网络结构 |
3.3 仿真结果与分析 |
3.4 本章小结 |
第四章 基于二维卷积神经网络的混合波束成形算法 |
4.1 几种常见的传统波束成形算法 |
4.1.1 SVD全数字最优无约束波束成形算法 |
4.1.2 模拟波束成形算法 |
4.1.3 基于正交匹配追踪的混合波束成形算法 |
4.2 基于二维卷积神经网络的混合波束成形算法 |
4.2.1 混合波束成形问题建模 |
4.2.2 最优模拟波束成形器标签的生成 |
4.2.3 输入数据的设置 |
4.2.4 混合波束成形训练数据的生成 |
4.2.5 混合波束成形卷积神经网络结构 |
4.3 仿真结果与分析 |
4.4 本章小结 |
第五章 总结与展望 |
5.1 对本文的总结 |
5.2 对未来的展望 |
参考文献 |
致谢 |
攻读硕士学位期间科研成果 |
(4)面向异常检测的网络流量数据增强方法(论文提纲范文)
摘要 |
Abstract |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 研究内容与创新点 |
1.3 硕士期间主要工作 |
1.4 论文结构 |
第二章 相关理论与国内外研究现状 |
2.1 面向二分类数据增强技术概述和研究现状 |
2.1.1 基于边界选择的数据增强方法 |
2.1.2 基于自适应选择的数据增强方法 |
2.1.3 基于聚类的数据增强方法 |
2.2 面向多分类的数据增强技术概述和研究现状 |
2.2.1 基于多分类特征结构的数据增强方法 |
2.2.2 基于多分类不平衡比的数据增强方法 |
2.3 噪声数据清洗技术概述和研究现状 |
2.3.1 基于欠采样的数据清洗方法 |
2.3.2 基于集成学习的数据清洗方法 |
2.4 现有方法总结 |
2.5 本章小结 |
第三章 面向流量异常检测二分类问题的数据增强方法 |
3.1 引言 |
3.2 基于第一近邻聚类过采样和多层感知器的数据增强方法 |
3.2.1 算法总体框架 |
3.2.2 基于第一近邻聚类的数据预处理方法 |
3.2.3 基于聚类稀疏度的自适应样本分配方法 |
3.2.4 基于多层感知器和权重修正的数据合成和噪声清洗方法 |
3.2.5 算法伪代码 |
3.3 仿真实验和结论 |
3.3.1 数据集介绍 |
3.3.2 评价指标 |
3.3.3 结果分析 |
3.4 本章小结 |
第四章 面向流量异常检测多分类问题的数据增强方法 |
4.1 引言 |
4.2 基于降维合成和XGBOOST数据增强方法流程 |
4.2.1 算法总体框架 |
4.2.2 基于信息熵的合成样本选择方法 |
4.2.3 基于数据降维的合成方法 |
4.2.4 基于XGBoost的噪声清洗方法 |
4.2.5 算法伪代码 |
4.3 仿真实验和结论 |
4.3.1 数据集介绍 |
4.3.2 评价指标 |
4.3.3 结果分析 |
4.4 本章小结 |
第五章 总结和展望 |
参考文献 |
致谢 |
攻读学位期间发表的学术论文目录 |
(5)基于深度学习的层次化Web服务分类方法研究(论文提纲范文)
摘要 |
Abstract |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 Web服务发现研究现状 |
1.3 Web服务分类研究现状 |
1.4 主要研究内容 |
1.5 论文章节安排 |
第2章 文本分类相关技术 |
2.1 文本的表示方法 |
2.1.1 CBOW |
2.1.2 Skip-Gram |
2.2 平面分类模型 |
2.2.1 基于CNN的文本分类 |
2.2.2 基于RNN的文本分类 |
2.2.3 基于混合模型的文本分类 |
2.3 层次化分类模型 |
2.3.1 全局式层次化文本分类 |
2.3.2 局部式层次化文本分类 |
2.4 本章小结 |
第3章 基于深度学习的层次化Web服务分类 |
3.1 问题陈述 |
3.2 总体框架 |
3.3 分类模型概述 |
3.4 分类模型实现 |
3.4.1 父类别嵌入 |
3.4.2 层次化微调 |
3.4.3 ONLSTM |
3.4.4 多层感知器网络 |
3.5 本章小结 |
第4章 实验与结果 |
4.1 实验方案 |
4.1.1 数据集 |
4.1.2 对比的模型 |
4.1.3 评价指标 |
4.1.4 实验设计 |
4.1.5 超参数 |
4.1.6 实验环境 |
4.2 实验结果 |
4.2.1 准确率 |
4.2.2 模型参数量 |
4.3 本章小结 |
第5章 总结和展望 |
5.1 总结 |
5.2 展望 |
参考文献 |
攻读硕士学位期间发表的论文及其它成果 |
致谢 |
(6)基于深度学习方法的股票市场风险预警研究(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景及意义 |
1.2 国内外研究现状 |
1.2.1 基于统计学方法相关研究 |
1.2.2 基于数据科学方法相关研究 |
1.3 研究框架 |
第二章 股票市场风险度量 |
2.1 股市风险的度量方法 |
2.2 风险价值VaR |
2.2.1 股票市场风险度量 |
2.2.2 VaR的定义及计算 |
2.3 股市风险的影响因素 |
第三章 深度学习模型 |
3.1 人工神经网络学习模型 |
3.1.1 神经网络模型原理及介绍 |
3.1.2 神经网络模型基本结构 |
3.2 深度学习模型 |
3.2.1 MLP模型 |
3.2.2 RNN模型 |
3.2.3 LSTM模型 |
3.3 深度学习模型的优化方法 |
3.3.1 激活函数 |
3.3.2 损失函数 |
3.3.3 滑动窗口 |
3.3.4 Dropout |
第四章 股市风险预测结果 |
4.1 选取特征变量 |
4.1.1 特征指标变量选取 |
4.1.2 实验数据采集 |
4.1.3 数据集划分 |
4.2 移动平均模型预测结果 |
4.2.1 一日滑动模型预测 |
4.2.2 滑动平均模型预测 |
4.3 MLP模型预测结果 |
4.4 LSTM模型预测结果 |
4.5 本章小结 |
第五章 基于LSTM-VaR模型预警分析 |
5.1 建立优化LSTM预测模型 |
5.2 基于LSTM-VaR模型的风险预警 |
5.3 本章小结 |
第六章 展望 |
6.1 结论 |
6.2 不足与展望 |
参考文献 |
在学期间的研究成果 |
致谢 |
(7)基于深度学习的HDR图像重构与识别技术研究(论文提纲范文)
摘要 |
abstract |
第一章 绪论 |
1.1 研究工作的背景与意义 |
1.2 HDR图像生成方法研究历史与现状 |
1.2.1 基于多曝光HDR图像的重构 |
1.2.2 基于单曝光HDR图像重构 |
1.3 图像识别技术研究与历史现状 |
1.3.1 传统目标检测与识别技术 |
1.3.2 基于深度学习的目标与识别技术 |
1.4 本文的主要工作 |
1.4.1 本文的研究内容 |
1.4.2 本文章节结构安排 |
第二章 深度学习与HDR图像重构基础 |
2.1 相机成像原理 |
2.2 色调映射 |
2.2.1 全局色调映射 |
2.2.2 局部色调映射 |
2.3 深度学习 |
2.3.1 神经网络 |
2.3.2 卷积神经网络 |
2.4 逆色调映射 |
2.5 本章小结 |
第三章 基于卷积神经网络的HDR图像重构研究 |
3.1 HDR图像数据集的构建 |
3.1.1 HDR图像数据集来源 |
3.1.2 图像数据集的构建 |
3.2 基于Dense UNet网络结构 |
3.2.1 自编码网络 |
3.2.2 Dense UNet网络模型 |
3.3 多尺度密集连接块网络 |
3.3.1 多尺度结构 |
3.3.2 多尺度密集块网络 |
3.3.3 优化模块 |
3.3.4 损失函数 |
3.4 实验与结果分析 |
3.4.1 实验环境搭建 |
3.4.2 评价指标 |
3.4.3 多尺度网络对比实验 |
3.4.4 不同网络模型对比试验 |
3.5 本章小结 |
第四章 基于深度学习的HDR图像识别研究 |
4.1 石油漏油数据集的构建 |
4.1.1 漏油HDR图像样本的收集 |
4.1.2 漏油HDR图像样本的预处理 |
4.1.3 漏油HDR图像数据集制作 |
4.2 基于Retina网络漏油检测模型 |
4.2.1 Retina Net检测模型 |
4.2.2 损失函数 |
4.3 基于循环训练法模型 |
4.3.1 训练流程 |
4.3.2 测试流程 |
4.3.3 漏油HDR图像负样本的引入 |
4.4 实验与结果分析 |
4.4.1 实验环境搭建 |
4.4.2 实验与结果分析 |
4.5 本章小结 |
第五章 全文总结与展望 |
5.1 全文总结 |
5.2 后续工作展望 |
致谢 |
参考文献 |
(8)面向微博的事件与演化抽取技术研究(论文提纲范文)
摘要 |
ABSTRACT |
第1章 绪论 |
1.1 研究背景和意义 |
1.2 国内外研究现状 |
1.2.1 微博事件抽取研究现状 |
1.2.2 微博事件演化研究现状 |
1.2.3 微博近义词识别研究现状 |
1.2.4 微博事件抽取系统研究现状 |
1.3 主要的研究挑战 |
1.4 论文研究内容 |
1.5 本文的组织结构 |
第2章 相关背景知识 |
2.1 图的相关概念 |
2.2 社区检测 |
2.2.1 非重叠社区检测 |
2.2.2 重叠社区检测 |
2.3 图的表示学习 |
2.3.1 基于随机游走的方法 |
2.3.2 基于深度学习的方法 |
2.4 图神经网络 |
2.4.1 基础的图神经网络 |
2.4.2 图卷积神经网络 |
2.5 图核函数 |
2.6 本章小结 |
第3章 微博事件抽取 |
3.1 微博事件抽取总体流程 |
3.2 趋势词提取 |
3.3 微博事件信息图的构建 |
3.4 微博事件信息图的划分 |
3.5 实验结果及分析 |
3.5.1 数据集 |
3.5.2 评价标准 |
3.5.3 对比方法 |
3.5.4 实验结果 |
3.6 本章小结 |
第4章 微博事件演化抽取 |
4.1 微博事件演化抽取框架 |
4.2 微博事件演化的生命期模型 |
4.3 关键词提取与KPIG图构建 |
4.4 基于图核函数的KPIG图相似度计算 |
4.5 实验结果及分析 |
4.5.1 评价方法 |
4.5.2 对比方法 |
4.5.3 实验结果 |
4.5.4 实例分析 |
4.6 本章小结 |
第5章 微博近义词识别 |
5.1 近义词识别方法 |
5.1.1 背景知识 |
5.1.2 近义词识别算法 |
5.2 实验结果及分析 |
5.2.1 数据集 |
5.2.2 评价标准 |
5.2.3 对比方法 |
5.2.4 算法细节 |
5.2.5 实验结果 |
5.3 本章小结 |
第6章 微博事件抽取原型系统 |
6.1 EventSys系统功能 |
6.1.1 事件元组抽取 |
6.1.2 事件链接 |
6.1.3 情感演化分析 |
6.2 系统展示 |
6.3 本章小结 |
第7章 总结与展望 |
7.1 论文工作总结 |
7.2 论文的创新之处 |
7.3 未来展望 |
参考文献 |
致谢 |
在读期间发表的学术论文与取得的研究成果 |
(9)我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
第一节 选题的背景和意义 |
一、研究背景 |
二、论文的目的和意义 |
第二节 国内外研究综述 |
一、区域生态系统服务研究动态 |
二、民族地区社会经济系统与可持续发展研究动态 |
三、区域可持续发展与协同发展研究进展 |
第三节 研究目标和主要研究内容 |
一、研究目标 |
二、研究内容 |
三、技术路线 |
第二章 研究区域 |
第一节 湘西概况 |
一、地理位置、行政区划与民族分布 |
二、湘西地区地形地貌与自然灾害特点 |
三、湘西地区生态系统类型分布、生态环境与社会经济 |
第二节 研究区域的实地考察与调研 |
一、湘西实地考察 |
二、参与式调研与集中会议研讨 |
第三章 研究方案 |
第一节 数据来源 |
一、遥感监测数据 |
二、资料收集与数据整理 |
第二节 技术支持 |
一、应用软件工具材料 |
二、机器学习技术模型 |
第三节 研究方法 |
一、生态系统服务与社会经济核算方法、计算公式和评价模式 |
二、区域生态系统服务与社会经济影响关系分析模型与评估方法 |
三、区域生态环境与社会经济预测与情景分析方法 |
第四章 基于3S区域生态系统服务与社会经济时空变化分析 |
第一节 土地利用变化下生态系统服务价值时空演变分析 |
一、1980-2018年湘西土地利用变化及转移矩阵分析 |
二、生态系统服务功能分析及价值估算 |
第二节 民族地区社会经济时空演变分析 |
一、湘西州社会人口因素变化分析 |
二、湘西州经济生产总值因素变化 |
三、湘西州社会经济人均产总值与人均可支配收入变化分析 |
第三节 区域气象环境影响下作物生产时空演变分析 |
一、1980-2018湘西气象环境因素变化情况分析 |
二、湘西州气象环境影响下的农作物变化分析 |
第五章 区域生态系统服务与社会经济发展影响关系分析 |
第一节 生态系统与社会经济内部因素影响关系 |
一、土地利用变化下生态系统各因素之间的影响关系 |
二、社会经济内部各因素间影响关系分析 |
三、气象环境内部各因素影响关系分析 |
第二节 区域生态系统服务与社会经济影响因素分析 |
一、土地生态系统对社会人口因素的影响分析 |
二、土地生态对经济产值的时空效应分析 |
第三节 区域复杂生态系统与社会经济系统影响因素分析 |
一、气象生态环境对农作物社会经济发展影响因素的时空效应分析 |
二、气象生态环境对农作物灾害影响因素的时空效应分析 |
第六章 区域生态系统服务与社会经济协同发展预测与情景分析 |
第一节 区域生态系统与社会经济协同发展人工神经网络预测与特征分析 |
一、基于灾害-环境-社会经济耦合下的生态系统服务人工神经网络预测与特征分析 |
二、基于农田生态系统与农村社会经济发展人工神经网络预测与特征分析 |
第二节 生态系统与社会经济权衡决策的情景分析及协同发展上的建议 |
一、生态系统服务与社会经济权衡决策中的情景分析 |
二、生态系统服务与社会经济在PEST-SWOT模型上的协同发展分析 |
第七章 讨论、结论与展望 |
第一节 讨论 |
第二节 结论 |
第三节 主要创新点、不足与展望 |
一、主要创新点 |
二、不足之处 |
三、展望 |
参考文献 |
附录 |
后记 (致谢) |
攻读学位期间发表的学术论文目录 |
(10)基于双环境感知与智能化处理的消防系统设计(论文提纲范文)
摘要 |
ABSTRACT |
第一章 绪论 |
1.1 研究背景与意义 |
1.2 国内外研究现状 |
1.2.1 消防数据监测 |
1.2.2 LoRa多节点组网 |
1.2.3 多层感知神经网络 |
1.2.4 报警信息显示与投送 |
1.3 研究存在的问题 |
1.4 课题来源及本文主要研究内容 |
1.4.1 课题的提出 |
1.4.2 主要研究内容 |
第二章 基于双环境的多源异构消防数据感知方法研究 |
2.1 引言 |
2.2 系统消防数据的来源及类型 |
2.2.1 系统感知环境的构成 |
2.2.2 多源异构消防数据的类型研究 |
2.3 基于STM32 的多源异构消防数据采集方案设计 |
2.3.1 系统数据采集方案 |
2.3.2 数据采集的处理单元选择 |
2.4 STM32 与多种传感器通信研究 |
2.4.1 压力变送器工作原理及通信协议研究 |
2.4.2 温湿度传感器及MQ-2 烟雾传感器的通信过程研究 |
2.4.3 摄像头的图像数据传输 |
2.5 多源异构数据预处理 |
2.5.1 多源异构数据预处理方法 |
2.5.2 系统采集数据的预处理 |
2.6 本章小结 |
第三章 基于LORA星状轮询嵌套组网方式的数据传输研究 |
3.1 引言 |
3.2 系统消防数据传输的特性研究 |
3.2.1 消防数据采集节点分布 |
3.2.2 数据传输方式研究 |
3.3 LORA无线射频技术研究 |
3.3.1 低功耗广域网LoRa无线通信技术 |
3.3.2 LoRa组网形式及数据传输方式 |
3.4 星状网轮询多节点组网的数据采集方案 |
3.4.1 LoRa无线数据丢包 |
3.4.2 系统多节点组网方案 |
3.5 本章小结 |
第四章 基于多层感知器神经网络的消防数据智能化处理 |
4.1 引言 |
4.2 系统的数据处理要求 |
4.3 多层感知器神经网络概念及算法学习 |
4.3.1 多层感知器神经网络 |
4.3.2 多层感知器神经网络算法学习 |
4.4 多层感知神经网络构建 |
4.4.1 网络构建 |
4.4.2 算法模型训练方法及参数设置 |
4.4.3 训练过程及分析 |
4.5 火焰图像识别 |
4.5.1 火焰识别原理及算法 |
4.5.2 图片的BMP编码 |
4.6 本章小结 |
第五章 系统软硬件设计及实验 |
5.1 引言 |
5.2 系统硬件电路设计 |
5.3 系统软件功能开发 |
5.3.1 数据采集发送端软件设计 |
5.3.2 数据接收处理端软件设计 |
5.4系统实验 |
5.4.1 实验条件及方案 |
5.4.2 实验过程及现象 |
5.4.3 实验结果分析 |
5.5 本章小结 |
第六章 结论与展望 |
6.1 结论 |
6.2 创新点 |
6.3 展望 |
参考文献 |
致谢 |
作者简介 |
1 作者简历 |
2 攻读硕士学位期间发表的学术论文 |
3 发明专利 |
学位论文数据集 |
四、多层感知器的一种快速网络训练法及其应用(论文参考文献)
- [1]基于随机介质算法的土石坝病害模拟及特征识别方法研究[D]. 宋福彬. 西安理工大学, 2021(01)
- [2]基于深度学习的声音识别分类系统[D]. 肖科. 重庆三峡学院, 2021(01)
- [3]基于深度学习的毫米波大规模MIMO天线选择与混合波束成形研究[D]. 麻学慧. 内蒙古大学, 2021(12)
- [4]面向异常检测的网络流量数据增强方法[D]. 赵倩. 北京邮电大学, 2021(01)
- [5]基于深度学习的层次化Web服务分类方法研究[D]. 赵鲸朋. 华北电力大学(北京), 2021(01)
- [6]基于深度学习方法的股票市场风险预警研究[D]. 王凤雪. 北方工业大学, 2021(02)
- [7]基于深度学习的HDR图像重构与识别技术研究[D]. 石学. 电子科技大学, 2021(01)
- [8]面向微博的事件与演化抽取技术研究[D]. 穆林. 中国科学技术大学, 2021(06)
- [9]我国南方丘陵山地生态系统服务与社会经济协同发展研究 ——以湘西土家族苗族自治州为例[D]. 匡奕敩. 中央民族大学, 2020(01)
- [10]基于双环境感知与智能化处理的消防系统设计[D]. 黄林. 浙江工业大学, 2020(08)