一、欧几里德距离的几种定义与应用（论文文献综述）
郑子鹏[1]（2021）在《一种学习视频混合推荐系统的设计与实现》文中进行了进一步梳理随着网络时代的到来,网络视频学习方式正在以其不受时间位置的限制受到了越来越多人的欢迎,这种学习方式也成为了现代教育教学体系的一部分。网络视频学习资源也日益庞大,网络中海量的学习资源给用户带来了选择障碍,如何选择出自己想要的视频,是当前困扰着学习者的难题。首先,虽然网络平台上的学习资源众多,但是却没有被系统地管理,所以学习者面对信息过载容易迷失其中,在视频学习网站平台中快速找到学习感兴趣的视频已经变得很困难。其次,网络资源学习并没有体现以人为本的核心思想,资源过载和学习者个性化需求之间存在一定的冲突。随着协同过滤推荐技术广泛的应用到推荐系统中,以上的问题得到了很好的解决,然而可扩展性和数据稀疏性导致推荐准确率的降低已经成为常规协同过滤技术的难题。本文基于对线性回归的研究,结合协同过滤算法,开发一款学习视频混合推荐系统。本文先构建了基于改进协同过滤推荐算法模型,然后对推荐系统进行需求分析、系统整体架构、具体模块和数据库进行设计,把系统分为用户端模块和后台管理员系统模块,最后利用Hadoop、HDFS、Map Reduce等技术实现用户上传学习视频、点赞、评论、评分、搜索和关注的功能以及管理员对视频的管理功能。本文系统经过测试,系统整体运行正常,从整体上提高了用户预测评分的准确度,效果符合预期。
苏筱涵[2]（2020）在《基于深度网络的多模态视频场景分割算法》文中认为视频场景分割是基于内容的视频检索中的重要环节,作为多媒体信息分类与识别的基础,对视频数据的理解发挥着重要作用。其将镜头作为研究的对象,并根据镜头的特征和时间上的关联性将相似的镜头簇划分为同一个场景。传统的视频场景分割方法没有全面考虑视频内容所包含到的语义信息,仅仅是基于视频的底层特征,从而导致场景分割的准确性并不高。Chasanis等人用谱聚类和低层颜色特征聚类,根据以关键帧表示的镜头所属聚类进行标记,使用NW（Needleman-Wunsch）算法从符号序列的对齐分数中检测场景边界。但当两个相邻的场景相似且遵循相同规则时,易造成场景分割错误。Sidiropoulos等人引入了STG（Shot Transition Graph）近似的方法,利用了视觉和听觉通道的特征。但在对视觉特征及听觉特征相近似的镜头进行聚类时并未结合上下文,从而不利于场景的分割。针对使用低层颜色特征聚类、引入STG近似计算镜头相似度及多特征融合的问题,该文根据视频多模态之间时序关联共生的特性,提出了一种基于深度网络的多模态视频场景分割算法。首先,对视频的多模态特征进行提取。不仅从每个镜头中提取视觉、音频、文本等丰富的底层特征,还结合了视觉概念及文本概念所构成的语义概念特征。其次,提出了基于三重深度网络的体系结构,对三重损失的三元组进行选择,并训练合适的卷积神经网络模型。然后将每个镜头特征向量所串联的整体特征向量,作为三重深度网络的输入并进行嵌入空间学习,通过计算两个镜头整体特征向量之间的距离来得到语义相似性的度量值。最后,最小化时间段内距离的平方和对镜头进行聚类处理,最终得到语义层面的场景。实验结果表明,该文算法能对视频场景实现有效地分割,在场景分割精度上具有良好的性能。综合度量指标F值达到86.24%,比Chasanis等人使用底层颜色特征与NW算法相结合的方法提高了12.17%,比Sidiropoulos等人提出在STG中融合视觉及音频特性的方法提高了8.96%,查全率、查准率分别达到85.83%和86.81%。
卫佳敏[3]（2020）在《群智能优化算法及其在分数阶系统参数辨识中的应用研究》文中进行了进一步梳理群智能优化算法是一类通过模拟自然界生物种群的智能行为而产生的随机优化算法,具有对目标函数的要求不高、不依赖于初值的选取等特点,为许多领域中的优化问题提供了卓有成效的解决方案.目前,已经提出了多种新兴或改进的群智能优化算法,其中一些算法的有效性不仅在理论上得到了验证,在实际中也得到了应用,但是对群智能优化算法的研究在很多方面仍存在可以提升的空间.例如,如何在算法的探索能力和开发能力之间达到较好的平衡仍是一个值得探讨的问题.另外,有些算法在解决实际问题时存在计算精度不高、收敛速度慢或易于陷入局部最优等问题,提出相应的改进算法具有重要意义.此外,已提出的优化算法通常是针对某个特定问题而设计的,当将其应用到其他问题时存在失去效力的风险,具有一定的局限性,因此,采用具有不同复杂特性的测试函数来综合评判算法的优化性能很有必要.另一方面,分数阶系统的参数辨识问题是非线性系统的控制与同步领域中非常重要的一个研究课题,可以通过建立数学模型将其转化为一个多维优化问题,然而由于分数阶微分算子的引入和非线性系统的复杂性,构造的适应度函数可能存在多个局部极值点,传统的优化算法往往难以处理,而原始的群智能优化算法也存在一定的缺陷,提出新的改进算法不仅可以改善算法的优化性能,同时将为参数辨识问题提供更加有效的解决方案.综上所述,本文主要研究了以布谷鸟搜索（CS）算法为代表的一类群智能优化算法,通过分析算法的特点和不足,提出了一系列改进的群智能优化算法,并将其应用到分数阶（整数阶）非线性系统的参数辨识问题中.此外,为了更加全面地研究算法的优化性能,选取一系列函数优化问题对算法的优化性能进行测试和评价,最后再次采用参数辨识问题来验证算法的有效性和通用性.本文的具体内容如下:（1）基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识.CS算法在其局部搜索阶段采用了比较简单的随机游走机制,搜索速度快,但是解的多样性较低.针对这个问题,提出了一种混合布谷鸟搜索（HCS）算法.HCS算法在CS算法的局部随机搜索阶段,引入了一种参数自适应的差分进化策略,给出了基于差分进化的随机游走.此外,在算法的初始化和每次迭代的最后结合了反向学习方法,引导种群向更有潜力的区域进行搜索.最后,将HCS算法应用到整数阶无时滞和时滞混沌系统的参数辨识中,数值实验结果表明,HCS算法可以得到较为精确的参数辨识值,并且收敛速度较快,在与其他算法比较时也具有一定的竞争优势.（2）基于改进的量子行为粒子群优化算法的分数阶非线性系统的参数辨识.为了改善量子行为粒子群优化（QPSO）算法易于陷入局部最优这一缺陷,同时保留其收敛速度快、控制参数少等优点,通过在QPSO算法中引入基于适应度值的平均最优位置、推广的反向学习方法和差分变异算子,提出了一种改进的量子行为粒子群优化（IQPSO）算法,并将该算法应用到分数阶混沌系统的参数辨识中,其中系统参数和分数阶阶数被设定为未知参数,此外,还考虑了噪声对参数辨识结果的影响,相比以往的研究工作,具有更高的维数和要求,处理起来难度更高.通过分析实验结果得出,IQPSO算法可以被认为是一种精确度高、通用性强、鲁棒性好的分数阶系统的参数辨识方法,相比其他算法具有一定的优越性.（3）基于两种改进的布谷鸟搜索算法的函数优化及应用.通过对分数阶系统的参数辨识问题的研究,我们发现针对特定问题而设计的群智能优化算法往往具有一定的局限性,仅在某些特定问题中体现出其优势.因此,在已有研究工作的基础上考虑了函数优化问题.同时,为了进一步提高CS算法的优化能力,增强其探索能力和开发能力,分别针对全局搜索阶段和局部搜索阶段做出改进,提出了兼具高优化性能和广泛通用性的两种CS改进算法:参数自适应的新型布谷鸟搜索（CSAPC）算法和带有外部存档的自适应布谷鸟搜索（ACS-OEA）算法.并采用具有单峰、多峰、旋转和/或移位等复杂性质的测试函数问题从不同方面对所提出算法的性能进行评价,此外,为了进一步验证算法的有效性,还将两种算法应用到分数阶系统的参数辨识问题中.通过分析数值实验结果可以得出,两种改进的布谷鸟搜索算法均具有较高的计算精度和收敛效率,同时具有一定的通用性.（4）对布谷鸟搜索算法中分布函数的分析.算法的探索能力与分布函数产生的随机数之间有着密切的联系,CS算法因为采用了基于L′evy重尾分布的L′evy飞行而具有较强的全局优化能力.然而采用不同的重尾分布也可能在一定程度上提高CS算法的搜索能力,因此,我们对基于不同重尾分布的CS算法进行了分析,主要采用四种经典的重尾分布,即Mittag-Leffler分布、Pareto分布、Cauchy分布和Weibull分布,来替换CS算法中的L′evy分布,提出了基于相应重尾分布的布谷鸟搜索算法.数值实验结果表明,采用不同的重尾分布可以有效地增强CS算法的探索能力.
张李芳[4]（2020）在《基于用户满意度的APP软件推荐方法研究与实现》文中指出随着移动通信技术的发展,使用智能手机的用户越来越多,Pad、智能手机等移动设备成为了用户生活中不可或缺的一部分。2019年,中国智能手机超越美国成为世界上智能手机用户量最多的国家。面对市场上庞大的移动应用库,用户很难从中找到自己满意的APP软件,因此如何在海量的APP软件中,分析出用户真正满意的APP软件并推荐给用户,是相当重要的。本文在阅读大量文献的基础上,对国内外基于用户满意度的APP软件推荐进行了分析和总结,发现现有研究中存在以下问题:（1）针对部分APP软件推荐研究中大部分都是一些热门APP软件,或者是与用户正在访问的APP软件相似的APP软件,且它们所采用的方法大部分都是分析用户行为,很少结合用户满意度进行分析的。（2）目前现有的APP软件的推荐研究只针对部分APP软件,很少针对APP软件类别进行推荐。针对以上问题,本文采用结合用户满意度的分析进行APP软件推荐,主要工作如下:（1）针对现有研究中APP软件推荐大部分通过用户行为分析,很少通过用户满意度来进行分析的现状,提出一种APP软件用户满意度分析方法,目的是为了得到APP软件用户满意度评分。首先识别反映APP软件用户满意度的评论,利用情感分析计算APP软件用户满意度子属性评分,并采用基于灰色关联度分析结合层次分析法的方法确定权重,最后综合计算出APP软件用户满意度评分。（2）目前现有研究大多针对部分APP软件,很少针对APP软件类别进行推荐,本文提出一种通过APP软件类别来进行APP软件推荐方法。首先对APP软件进行分类,第二,计算APP软件类别相似度,抽取与目标用户APP软件类别相似度高的用户,通过APP软件用户满意度评分计算每类APP软件满意度评分,并计算得出邻居用户,第三,分析用户行为,最后根据用户行为、星级、用户满意度指标生成推荐。（3）设计并实现了基于用户满意度分析的APP软件推荐原型,并通过实验证明本文方法的有效性。
张泽华[5]（2020）在《动态网络上的社团检测算法与预测算法研究》文中认为随着互联网的不断发展,人们之间的联系更加紧密,导致个体意识的弱化,团队能力的增强,逐渐形成以不同属性为的社区为基础组成庞大的社交网络。社交网络中往往表现为社区内部关系非常的密切,而社区与社区之间的关系非常的稀疏。社区检测是逆化社区形成的过程,从复杂的社交网络中识别出内部联系紧密的社区结构。然而,现实社会中社交网络的结构不是固定不变的,它是随着时间而不断的改变。基于动态网络的社区检测,以及预测社区的演化预测,在研究社交网络结构上具有重要的意义。传统社区检测方法中,大部分涉及到网络的静态快照,没有反映出社区在多个快照上的动态变化。本文的研究主要内容是将社区中的动态变化纳入分析可以预测网络演变的趋势,将动态网络中节点的拓扑结构、文本信息等等相结合,基于表征学习来提高社区检测的效果,以及增加时间分析增强社区演化预测的效果。首先,我们研究了在动态网络中的社区检测问题,并提出了一种新的基于图卷积网络的多元表征学习算法DGAE（Dynamic graph Auto-encoder）。在连续时间序列中,将动态网络中多个时间戳下的用户关系以及文本内容嵌入到时间共享矩阵（Temporal Shared feature matrix）中,并通过使用图卷积网络来学习通过文本信息相关联的用户之间的潜在表征。结合用户的多种信息,来提高社区检测的准确度,最后通过聚类来获得所需时间戳动态网络的社区网络结构。其次,我们研究动态网络中的社区预测问题,提出了一种加入时间分析的深度自编码网络TDAE（Temple deep Auto-encoder）。将动态网络中的多个时间戳下共享矩阵重新嵌入到时间共享矩阵（Temporal Shared feature matrix）中。通过重构的深度自编码学习,从而获得含有社区演化信息的潜在表征,获得的潜在表征中学习了网络的特征以及连续变化网络的时间演化特征,则解码后的网络可以作为社区演化的预测,最后通过聚类最终获得对未来社区结构的预测结果。本文通过两个Synthetic dataset和一个ar Xiv dataset作为数据集来验证算法效果,通过Jaccard相似系数和Purity纯度系数两个指标对DGAE和TDAE算法评估。实验表明,本文提出的DGAE算法与社区检测基准算法相比较,DGAE算法具有较高的准确性和较少的时间消耗。本文提出的TDAE算法与社区检测基准算法比较,TDAE算法具有有效的社区演化预测,与社区预测基准算法比较,具有较好的准确性。
孔亚斌[6]（2020）在《基于标签属性和隐语义模型的二部图推荐算法研究》文中提出随着互联网的快速发展,网络上出现的信息呈指数增长,出现信息过载问题。推荐系统,因其可以根据用户的历史浏览记录为用户从海量信息中找到有用信息并推荐给用户而成为解决这一问题的有效方法。网络信息的爆炸式增长使得传统的推荐系统很难满足人们个性化的需求,因此,如何在现有推荐系统的基础上研究出更具个性化的推荐系统在学术和商业领域中都具有重大意义。现有推荐系统中,基于二部图网络结构的推荐算法因其具有推荐准确率高并且对产品种类无限制等优点而深受研究学者们的关注,本文的研究工作就是以此展开的。本文首先深入研究了基于二部图网络结构的推荐算法,针对此推荐算法中资源分配规则不合理的缺点,对该算法进行改进和优化,并提出了一种基于标签属性的二部图网络结构推荐算法。该算法利用标签信息来构造用户、产品的特征向量,从而得到用户相似度和用户对历史产品的兴趣度;然后,利用用户相似度和用户对历史产品的兴趣度来调整资源,使得资源在用户和产品之间的分配更加合理,产生更好的推荐结果。最后,在Movie Lens数据集上的实验结果表明了改进算法能有效提高推荐准确性和多样性,提高推荐质量。在上述研究基础上,考虑到数据稀疏问题为推荐系统带来的影响,本文接着提出了一种基于隐语义模型的二部图网络结构推荐算法。该算法通过隐语义模型算法,挖掘出用户和产品之间的隐性特征,从而得到更加科学的用户、产品的特征信息;然后,利用用户、产品特征信息计算用户偏好相似性,来调整资源分配问题,从而提高推荐效果。在Movie Lens数据集上的实验结果表明,与原始的基于物质扩散的二部图推荐算法（NBI）相比,准确率平均提高了4.36%,召回率平均提高了16.67%,综合评价指标F1平均提高了6.87%,平均海明距离平均提高了25.69%,证明该改进算法在准确性和多样性方面都有得到提升,提升了推荐结果的准确性和个性化程度,满足用户的个性化需求。最后,本文还设计并实现了一个基于二部图的电影推荐系统,实现了数据的可视化分析和推荐列表的可视化展示等功能。
徐颖[7]（2019）在《面向城市计算的时空数据挖掘关键技术研究》文中进行了进一步梳理城市计算是计算机科学以城市为背景,跟城市规划、交通、能源、环境、经济和社会学融合的新兴交叉领域。城市计算的任务,是首先通过感知、获取城市中产生的各类大数据,然后采用高效的数据管理技术、先进的算法以及新颖的可视化技术来分析处理及展示大数据,用以解决城市中存在的诸多问题和挑战,如交通拥堵、空气污染、规划落后等。城市内产生的大数据多种多样,如人或车移动时产生的轨迹数据、各大媒体平台发布的新闻、股市里时刻更新的交易记录等等。本课题致力于研究其中的一类数据——时空大数据,即同时包含时间和空间信息的数据,如轨迹点、地铁刷卡数据等。通过对时空大数据挖掘的关键技术研究,为城市中的诸多问题提供一系列解决方案。本文聚焦于城市内大规模流量移动场景下的分析与预测,从三个不同类型用户的视角各研究了一个问题:To C（To Client）用户视角下的移动用户的连续近邻检测、To B（To Business）用户视角下的区域的出租车需求预测、To G（To Government）的视角下的起-终点区域间的流量预测,在最新技术手段的基础上提出有效的算法框架,从而降低能源消耗、减缓供需不均、辅助城市设计。本文的主要工作及创新成果如下:1.移动用户的连续近邻检测,是城市计算在To C用户层面的重要问题。现有的方法都采用了安全域技术,然而,现有工作中的安全域因形状不合理或基于的假设偏离实际太远,导致通信开销都很大。针对这一问题,本课题提出了基于前瞻安全域的连续近邻检测方法PSR-PD,其中构建的一种前瞻性安全域,结合了轨迹预测算法,能有效捕捉用户的运动模式,很大程度减少用户走出安全域的概率,从而大幅降低通信开销。在四个真实数据集上的测试表明,本文的算法框架较前人的STRIPE算法、FMD及CMD算法等,能减少35%-87%的通信开销。2.出租车需求预测,是城市计算在To B用户层面的重要问题。现有方法要么只考虑时序关系的影响,要么在捕捉空间依赖时,未考虑不相邻区域间的影响。针对不相邻空间区域间相互影响的捕捉问题,本文提出时空计算框架OD-TGAT,将图神经网络应用于出租车需求预测,将整座城市内的区域看成图中的顶点,并提出使用起-终点关系来定义图中的边,使得不相邻区域能通过边的连接传递影响。在纽约出租车数据集上的大规模测试表明,与之前的算法MLP、XGBoost、ST-Res Net等相比,本文的时空计算框架OD-TGAT在出租车需求的精度上提升了9.3%。3.起-终点区域间流量预测,是城市计算在To G用户层面的重要问题。现有工作中有关于区域流量预测的研究或起-终点路口间流量预测的研究,但尚未出现区域间流量预测的研究。因此,本文是第一个开展起-终点区域间流量预测问题研究的工作。针对该问题,本文提出了一种区分对待三种流量依赖关系的多视图时空深度学习框架MV-STAN。该框架将城市划分成网格后,在不同的依赖关系下生成不同的图,然后经各自的时空深度学习网络学习出结果后再融合,形成最终的预测结果。在两个大规模数据集上的测试表明,与之前的算法ST-DNN、LSTM、GRU等相比,多视图时空深度学习框架MV-STAN在起-终点区域流量预测精度上至少提升了6.8%。
张泽瀚[8]（2019）在《基于自动编码表示学习的故障检测与并发故障识别》文中进行了进一步梳理在工业生产中,系统的可靠性与安全性尤为重要。系统一旦发生故障将会带来许多不可估量的损失,所以应建立有效的故障检测与识别系统。近年来,随着计算机技术与数据存储技术的发展,大量的过程数据被记录下来,这为基于表示学习的故障检测与识别方法提供了有利的支持。基于表示学习的故障检测与识别方法具有很强的通用性,适用于大规模的流程工业。实际流程工业中,实际变量服从多种不同的分布,变量之间存在高度非线性关系,不同变量的重要程度也不尽相同。传统的故障检测方法通常有着限制性假设,如线性假设,高斯分布假设等,这些假设忽略了流程工业的特点,使得各种方法无法达到预期的故障检测效果。同时,实际的工业生产中有时会同时发生多种故障。然而,相对于独立故障,并发故障的数据更加难以获取并且呈现复杂的内在模式。本文立足于故障检测与并发故障识别的研究,在深入了解过程特性,数据特点以及基于表示学习的故障检测与识别方法的基础上,提出基于自动编码表示学习的故障检测与并发故障识别策略。具体研究内容如下:（1）传统的主成分分析（Principal Component Analysis,PCA）方法对于变量有着高斯假设以及线性假设,即假设系统变量服从高斯分布,变量之间是线性关系。这些假设违背了实际流程工业的特点,难以准确描述系统。即使能够处理非线性问题的核主成分分析（Kernel Principal Component Analysis,KPCA）方法依然无法解决变量服从多种分布的问题。故障检测中T2统计量控制限的估计需要变量服从高斯分布。针对以上情况,本文提出了高斯表示学习的非线性故障检测策略。采用变分自动编码器（Variational Autoencoder,VAE）将系统的原始变量映射到服从高斯分布的表示空间,再在表示空间中建立监控统计量。VAE方法是深度神经网络的一种类型,具有多层的非线性结构,使得其能够处理变量间复杂的非线性关系。同时,VAE学习到的表示是符合高斯分布,所以很容易地建立监控统计量并估计相应的控制限。所提算法充分利用了VAE提取高斯表示与处理非线性关系的特点,改善了传统方法故障检测的性能。（2）基于距离的故障检测方法对系统的变量非常敏感,当变量很重要时检测效果会非常良好。所以基于距离的故障检测方法需要关键的表示信息。针对此种情况,本文提出了基于堆栈去噪自动编码器（Stacked Denoising Autoencoder,SDAE）鲁棒表示学习的故障检测方法。SDAE应用局部去噪标准执行分层预训练过程,将连续层堆叠在一起,并通过全局微调获得所需的深度神经网络模型。通过去噪训练和堆叠初始化,SDAE能够获得更深入的网络结构并学习系统鲁棒表示。以上优点使得SDAE能够容易地挖掘系统数据中非线性结构并学习数据中的重要表示。SDAE的体系结构都是从数据中学习得到,这保证了学习的模型能真实地反映数据特征,从而使得SDAE学习到的鲁棒表示对于后续的基于距离的故障检测算法有着重要的作用。在提取到鲁棒表示后,k最近邻（k nearest neighbor,k NN）方法被应用于表示空间以建立监控统计量并进行故障检测。所提方法充分利用了SDAE提取鲁棒表示信息的优点,降低了无效变量对基于距离的故障检测方法的影响。（3）前两种方法都是针对系统是否发生了故障,提出了相应的检测策略,只知道系统是否发生故障,无法确切知道具体的故障类型。而实际中有时需要知道确切的故障类型,针对不同的故障类型提出相应的系统恢复策略。相对于独立故障,并发故障往往更加难以识别。并发故障由多种独立故障组合而成,特征模式纠结在一起。针对以上情况,本文提出了基于堆栈稀疏自动编码器（Stacked Sparse Autoencoder,SSAE）稀疏表示学习的并发故障识别算法。实际的工业系统中存在着大量的无标签数据,而这些无标签数据同样包含了系统的大量有用信息。所以,先使用SSAE在大量的无标签数据中对深度神经网络进行逐层的预训练,预训练得到的权值作为深度网络的初始化权值。在此基础上,使用独立故障数据以及少量的并发故障数据一起微调整个分类用的深度神经网络。利用SSAE方法在大量的无标签数据中进行预训练,首先可以获取系统的一部分信息,其次由于获得的是稀疏表示,这些稀疏表示对于后续的分类任务是非常有用的。由于以上优点,所提方法获得了良好的并发故障识别性能。（4）上述并发故障识别算法考虑到了并发故障特征纠缠一起的情况,由于网络结构与训练过程简单,使用的计算成本也比较低。但是,实际中并发故障的数据有时很难获得,这就导致故障的数据量很少甚至某些并发故障的数据是缺失的。针对此问题,本文提出了基于SSAE残差迁移表示学习的并发故障识别算法。所提方法先使用SSAE进行预训练,保留部分的系统信息,获得稀疏表示。在逐层预训练的基础上构建深度残差网络。由于独立故障数据远多于并发故障数据,而并发故障是许多独立故障的组合,所以独立故障的数据可以提供一些并发故障的信息。因此,深度残差网络先在独立故障数据集中进行预训练,再将预训练得到的权值迁移到用于预测全部故障（包括独立与并发故障）的深度残差网络中。最后,将此深度残差网络在全部故障数据集中进行全局微调。由于使用了更深的深度残差网络,迁移过程复杂,该算法需要更高的计算成本。所提算法利用迁移学习与残差网络的优点,在获得独立故障信息前提下,再进行并发故障的训练,提升了并发故障识别性能。本文将提出的故障检测方法在非线性数值仿真过程与田纳西伊斯曼（Ten-nessee Eastman,TE）过程中进行了验证,取得了良好的故障检测效果。将并发故障识别算法在固体氧化物燃料电池（Solid Oxide fuel Cell,SOFC）发电系统中进行了验证,取得了良好的并发故障识别性能。
姜微[9]（2019）在《面向视频图像的人脸检测与识别研究》文中指出在当下,人脸图像的研究突飞猛进,而且随着人工智能的发展,该领域的相关技术已经应用到大众的生活中,并趋于成熟。本文面向监控视频,研究了人脸检测与识别技术。同时为了提高识别的准确度与速度,提出了一种图像筛选算法加入到人脸检测与识别的框架中,并且针对人脸检测与跟踪过程中容易出现目标丢失的特点,提出一种改进的核相关滤波跟踪算法。本文实现的人脸检测识别与跟踪系统,首先对输入的视频图像进行人脸检测,其次在检测的过程中,利用最佳正面人脸提取算法筛选检测到的每个对象人脸,并选取一张最合适的人脸图像输入到识别网络中,判定每个对象的身份并生成标签标到视频中的人脸框之上。与此同时,把检测的结果传递给跟踪器,实现对目标对象的持续跟踪。另外为了满足监控视频中时常会有人进入和出框的情况,以上的检测和跟踪过程以周期的形式反复进行,并当出现新的“未知人脸”时再次调用识别模块识别身份。本文研究的主要工作包括:（1）为了适应本文对于视频进行人脸检测的应用环境,在实现多任务级联卷积网络（Multi-task convolutional neural network,MTCNN）人脸检测器的过程中通过权重自调整算法不断地调节MTCNN网络中的关键参数,得到了最为合适的参数设置。通过测试,证明了本文实现的MTCNN模型对视频中的人脸检测满足了高效和高准确率的期望。（2）为了提高人脸识别的效率以及准确率,建立了一个人脸检测与识别框架,在人脸检测与人脸识别之间加入了一个图像筛选模块。为了避免因人脸图像的角度和质量影响识别效果的问题,本文通过计算人脸特征点的位置关系、图像清晰度和框选的图像是人脸的概率,给出一种最佳正面人脸提取算法。通过该算法对输入识别网络的图片进行筛选,从而提高整体识别过程的性能。（3）针对人脸检测与跟踪过程中容易出现目标丢失的问题,提出一种改进的KCF算法。首先,利用峰值旁瓣比计算目标是否丢失。其次,如果判断跟踪丢失,则分为两种情况进行解决:第一种,部分遮挡:通过MTCNN检测器再次检测;第二种,完全遮挡:先通过遗传学算法对图像进行预处理,然后再利用Kalman滤波器根据临近视频帧中目标的状态信息来预测目标现在的位置。
胡景霖[10]（2018）在《计量行业服务个性化推荐方法及系统实现》文中研究表明随着近些年来城市的高速发展,新兴产业不断出现,计量检测行业的应用领域也变得越来越广泛。在传统的计量检测行业服务过程中,客户通过自己的主观意向和服务人员的人工推荐来选择自己需要的计量服务。这种方法在客户需求较为明确时快捷有效。然而,当客户对自己的需求不明确时,传统的人工推荐方法就显得捉襟见肘。本文根据计量行业客户群体和业务的特点,结合了经典的协同过滤推荐算法和隐语义模型推荐算法,提出并设计了针对计量行业客户的计量行业服务个性化推荐系统。本文主要内容如下:1、针对计量行业客户数据较为稀疏的问题,提出了基于用户聚类和协同过滤的个性化推荐方法。该方法通过在已有的客户-服务偏好数据中,加入客户的行业和计量服务的类别这些宏观信息。利用K-means聚类算法对客户数据进行分簇计算,降低最近邻的搜寻范围,从而缩短最近邻的计算时间。再对簇内客户数据分别构建客户-服务偏好矩阵和客户-服务类别偏好矩阵,计算目标客户的最近邻居集。最后,使用基于用户的协同过滤算法实现每个客户的个性化推荐。2、针对计量行业的隐式偏好数据较多的问题,提出了基于隐语义模型的计量行业个性化推荐方法。该方法在经典隐语义模型的基础上,加入了计量行业客户的属性信息,通过逻辑回归分类算法来度量每个属性的重要性,根据客户的属性信息找出相似用户。通过设置权值的方式,优化客户的偏好值预测公式。该方法在客户历史行为数据不足时可以利用客户的属性信息来进行推荐,当客户历史行为数据越来越多时,则逐渐过渡到利用客户的历史行为数据进行推荐。通过加入的客户属性信息,解决新客户的冷启动问题,提高系统的可扩展性。3、设计并实现了一个针对福建省计量行业客户的个性化推荐系统。根据客户和管理员的需求对系统进行需求分析,并通过用例图的方式对用户所需的功能进行直观的描述。在对系统实际需求进行全面满足的基础上,采取科学的方式进行系统功能的设计实现。首先,针对本系统的实际情况合理的进行概要设计操作,然后从前后台两个角度完成了系统的详细设计,详细描述了系统主体框架设计方案,并给出系统相应的关键模块流程图。系统数据库是利用PowerDesigner数据库建模工具实现的。最后,对实现环境和部分主要模块的实现效果图简要的概述。本文采用福建省计量科学院提供的计量客户历史送检数据作为实验数据集,对提出的方法进行实验分析。实验结果表明:本文提出的推荐方法能够在数据稀疏且以隐式反馈数据为主的计量行业客户历史数据集上有较高的推荐准确率。
二、欧几里德距离的几种定义与应用（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、欧几里德距离的几种定义与应用（论文提纲范文）
（1）一种学习视频混合推荐系统的设计与实现（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国内研究现状 |
| 1.2.2 国外研究现状 |
| 1.3 论文主要内容 |
| 1.4 论文组织架构 |
| 2 相关技术介绍 |
| 2.1 系统概述 |
| 2.1.1 个性化推荐 |
| 2.1.2 推荐系统的通用模型 |
| 2.2 常见的推荐算法 |
| 2.2.1 基于内容的推荐算法 |
| 2.2.2 协同过滤推荐算法 |
| 2.2.3 混合推荐算法 |
| 2.2.4 推荐技术比较 |
| 2.2.5 推荐系统评价指标 |
| 2.3 线性回归算法 |
| 2.4 Hadoop平台架构分析 |
| 2.4.1 分布式文件系统HDFS |
| 2.4.2 Map Reduce编程模型 |
| 3 基于改进协同过滤推荐算法模型的构建 |
| 3.1 实验环境与数据获取 |
| 3.1.1 实验环境 |
| 3.1.2 数据获取 |
| 3.2 模型构建流程 |
| 3.2.1 问题定义 |
| 3.2.2 算法构建 |
| 3.2.3 实验结果及分析 |
| 4 系统的设计与实现 |
| 4.1 系统需求分析 |
| 4.1.1 基于用户的需求分析 |
| 4.1.2 基于系统功能的需求分析 |
| 4.2 系统逻辑架构设计 |
| 4.3 功能模块的设计 |
| 4.3.1 用户模块 |
| 4.3.2 视频资源模块 |
| 4.3.3 个性化推荐的设计 |
| 4.3.4 推荐服务相关接口设计 |
| 4.4 数据库的设计 |
| 4.4.1 数据库的需求分析 |
| 4.4.2 数据库关系E-R图设计 |
| 4.4.3 数据库中表的设计 |
| 4.5 学习视频推荐系统的实现 |
| 4.5.1 用户模块的实现 |
| 4.5.2 视频资源模块的实现 |
| 4.5.3 个性化推荐的实现 |
| 4.5.4 推荐服务接口的实现 |
| 4.6 系统测试结果与分析 |
| 4.6.1 系统功能测试 |
| 4.6.2 系统性能测试 |
| 4.7 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读博士或硕士学位期间所取得的研究成果 |
| 致谢 |
（2）基于深度网络的多模态视频场景分割算法（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景 |
| 1.2 研究目的及意义 |
| 1.3 国内外研究现状 |
| 1.4 论文研究内容 |
| 1.5 论文结构安排 |
| 1.6 本章小结 |
| 2 相关理论基础 |
| 2.1 视频结构化 |
| 2.1.1 镜头边界检测 |
| 2.1.2 关键帧提取 |
| 2.1.3 场景分割 |
| 2.2 卷积神经网络 |
| 2.3 网络嵌入 |
| 2.3.1 同构网络嵌入 |
| 2.3.2 异构网络嵌入 |
| 2.4 三重损失学习 |
| 2.5 本章小结 |
| 3 视频多模态特征提取 |
| 3.1 视频底层特征 |
| 3.1.1 视觉特征 |
| 3.1.2 音频特征 |
| 3.1.3 文本特征 |
| 3.1.4 时间特征 |
| 3.2 视频语义特征 |
| 3.2.1 视觉概念特征 |
| 3.2.2 文本概念特征 |
| 3.3 本章小结 |
| 4 三重损失学习与视频场景分割 |
| 4.1 三元组选择 |
| 4.2 网络架构 |
| 4.3 深度三重网络嵌入聚类 |
| 4.3.1 深度网络嵌入空间学习 |
| 4.3.2 时间约束聚类 |
| 4.4 本章小结 |
| 5 基于深度网络的视频场景分割算法 |
| 5.1 算法基本思想 |
| 5.2 算法描述 |
| 5.3 实验结果及分析 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 全文总结 |
| 6.2 未来展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（3）群智能优化算法及其在分数阶系统参数辨识中的应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 优化问题与优化算法概述 |
| 1.1.1 优化问题及其分类 |
| 1.1.2 优化算法的研究现状 |
| 1.2 群智能优化算法概述 |
| 1.2.1 群智能优化算法的发展历程 |
| 1.2.2 群智能优化算法的研究现状 |
| 1.3 分数阶系统参数辨识的研究现状 |
| 1.3.1 混沌控制与同步概述 |
| 1.3.2 整数阶非线性系统的参数辨识方法 |
| 1.3.3 分数阶非线性系统的参数辨识方法 |
| 1.4 本文的主要工作 |
| 1.4.1 本文的研究内容 |
| 1.4.2 本文的组织结构 |
| 第二章 基础知识 |
| 2.1 布谷鸟搜索算法 |
| 2.1.1 布谷鸟搜索算法的启发背景 |
| 2.1.2 布谷鸟搜索算法的原理 |
| 2.1.3 布谷鸟搜索算法的研究现状 |
| 2.2 其他几种常见的群智能优化算法 |
| 2.2.1 蚁群优化算法 |
| 2.2.2 粒子群优化算法 |
| 2.2.3 人工蜂群算法 |
| 2.3 分数阶微积分概述 |
| 2.3.1 分数阶微积分的定义和性质 |
| 2.3.2 分数阶微分方程的数值解法 |
| 2.4 基于优化方法的分数阶系统的参数辨识 |
| 2.4.1 整数阶非线性系统的参数辨识模型 |
| 2.4.2 分数阶非线性系统的参数辨识模型 |
| 2.4.3 群智能优化算法对系统未知参数的辨识 |
| 第三章 基于混合布谷鸟搜索算法的整数阶非线性系统的参数辨识 |
| 3.1 引言 |
| 3.2 混合布谷鸟搜索(HCS)算法 |
| 3.2.1 基于差分进化的随机游走 |
| 3.2.2 反向学习方法 |
| 3.2.3 HCS算法的操作步骤 |
| 3.3 数值实验及结果分析 |
| 3.3.1 无时滞混沌系统的参数辨识 |
| 3.3.2 时滞混沌系统的参数辨识 |
| 3.3.3 HCS算法组成部分有效性的测试 |
| 3.4 本章小结 |
| 第四章 基于改进的量子行为粒子群优化算法的分数阶系统的参数辨识 |
| 4.1 引言 |
| 4.2 量子行为粒子群优化算法简介 |
| 4.2.1 量子行为粒子群优化算法的启发背景 |
| 4.2.2 量子行为粒子群优化算法原理 |
| 4.3 改进的量子行为粒子群优化(IQPSO)算法 |
| 4.3.1 基于适应度值的平均最优位置 |
| 4.3.2 推广的反向学习方法 |
| 4.3.3 差分变异算子 |
| 4.3.4 IQPSO算法的操作步骤 |
| 4.4 数值实验及结果分析 |
| 4.4.1 不同阶次分数阶经济混沌系统的参数辨识 |
| 4.4.2 不同阶次分数阶R¨ossler混沌系统的参数辨识 |
| 4.5 本章小结 |
| 第五章 基于参数自适应的新型布谷鸟搜索算法的函数优化及应用 |
| 5.1 参数自适应的新型布谷鸟搜索(CSAPC)算法 |
| 5.1.1 CSAPC算法的思想 |
| 5.1.2 CSAPC算法的操作步骤 |
| 5.2 数值实验及结果分析 |
| 5.2.1 测试函数和参数设置 |
| 5.2.2 参数自适应策略对CS算法的有效性研究 |
| 5.2.3 维数对CSAPC算法的影响研究 |
| 5.2.4 种群大小对CSAPC算法的影响研究 |
| 5.2.5 与其他CS改进算法的对比 |
| 5.2.6 与其他不同优化算法的对比 |
| 5.2.7 优化CEC2013测试函数集的实验结果 |
| 5.3 CSAPC算法及其改进算法在分数阶系统参数辨识中的应用 |
| 5.3.1 CSAPC算法对分数阶混沌系统未知参数的辨识 |
| 5.3.2 改进的CSAPC算法对分数阶生物系统未知参数的辨识 |
| 5.4 本章小结 |
| 第六章 基于带有外部存档的自适应布谷鸟搜索算法的函数优化及应用 |
| 6.1 带有外部存档的自适应布谷鸟搜索(ACS-OEA)算法 |
| 6.1.1 ACS-OEA算法的思想 |
| 6.1.2 ACS-OEA算法的操作步骤 |
| 6.2 数值实验及结果分析 |
| 6.2.1 测试函数和参数设置 |
| 6.2.2 搜索趋势的研究 |
| 6.2.3 所提出策略对CS算法的有效性研究 |
| 6.2.4 维数对ACS-OEA算法的影响研究 |
| 6.2.5 与其他CS改进算法的对比 |
| 6.2.6 与其他不同优化算法的对比 |
| 6.2.7 优化CEC2013测试函数集的实验结果 |
| 6.3 ACS-OEA算法在分数阶忆阻器系统参数辨识中的应用 |
| 6.4 本章小结 |
| 第七章 对布谷鸟搜索算法中概率分布函数的分析 |
| 7.1 引言 |
| 7.2 基于不同重尾分布的布谷鸟搜索算法 |
| 7.2.1 几种常见的重尾分布 |
| 7.2.2 算法步骤 |
| 7.3 数值实验及结果分析 |
| 7.3.1 测试函数和参数设置 |
| 7.3.2 不同重尾分布对CS算法的影响研究 |
| 7.3.3 维数对算法的影响研究 |
| 7.4 本章小结 |
| 第八章 结论与展望 |
| 8.1 结论 |
| 8.2 展望 |
| 参考文献 |
| 作者简历及攻读博士学位期间取得的研究成果 |
| 学位论文数据集 |
（4）基于用户满意度的APP软件推荐方法研究与实现（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 国内外研究现状及其存在问题 |
| 1.2.1 研究现状 |
| 1.2.2 存在问题 |
| 1.3 本文主要研究内容 |
| 1.4 论文的章节安排 |
| 1.5 本章小结 |
| 第二章 基于用户满意度的APP软件推荐过程 |
| 2.1 APP软件推荐的特点 |
| 2.2 APP软件用户满意度 |
| 2.2.1 APP软件用户满意度概念 |
| 2.2.2 确定APP软件用户满意度模型 |
| 2.2.3 APP软件用户满意度分析 |
| 2.3 APP软件推荐的过程 |
| 2.3.1 已有推荐算法 |
| 2.3.2 APP软件推荐过程 |
| 2.4 本章小结 |
| 第三章 基于用户满意度的APP软件分析 |
| 3.1 识别APP软件用户满意度评论 |
| 3.1.1 数据获取及预处理 |
| 3.1.2 APP软件用户满意度识别 |
| 3.2 计算APP软件用户满意度情感值 |
| 3.2.1 提取特征情感词对 |
| 3.2.2 计算特征情感词值 |
| 3.3 计算APP软件用户满意度权重 |
| 3.4 计算APP软件用户满意度评分 |
| 3.5 本章小结 |
| 第四章 APP软件推荐 |
| 4.1 APP软件推荐流程 |
| 4.2 APP软件分类 |
| 4.3 计算相似度 |
| 4.3.1 计算APP软件类别相似度 |
| 4.3.2 计算APP软件类别满意度相似度 |
| 4.4 用户行为分析 |
| 4.5 生成推荐 |
| 4.5.1 APP软件种类相同 |
| 4.5.2 APP软件种类不同 |
| 4.6 本章小结 |
| 第五章 原型实现及实验分析 |
| 5.1 系统原型需求分析与设计 |
| 5.2 系统界面 |
| 5.3 实验及结果分析 |
| 5.3.1 实验数据选择 |
| 5.3.2 实验 |
| 5.3.3 推荐效果实验 |
| 第六章 总结与展望 |
| 6.1 本文工作总结 |
| 6.2 下一步工作 |
| 致谢 |
| 参考文献 |
| 附录 A(攻读学位期间参与项目研究及发表成果目录) |
（5）动态网络上的社团检测算法与预测算法研究（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 社团检测算法研究 |
| 1.2.2 社团预测算法研究 |
| 1.3 本文主要贡献 |
| 1.4 论文组织结构 |
| 第2章 课题研究基础知识 |
| 2.1 神经网络概述 |
| 2.1.1 前馈神经网络 |
| 2.1.2 激活函数 |
| 2.2 自编码神经网络 |
| 2.3 本章小结 |
| 第3章 基于图卷积网络的动态社区检测 |
| 3.1 引言 |
| 3.2 问题定义 |
| 3.3 DGAE算法框架 |
| 3.3.1 DGAE算法框架的图卷积过程 |
| 3.3.2 DGAE算法框架描述 |
| 3.4 实验结果及分析 |
| 3.4.1 数据集 |
| 3.4.2 评价指标 |
| 3.4.3 对比算法 |
| 3.4.4 结果分析 |
| 3.5 本章小结 |
| 第4章 基于深度自编码网络的动态社区预测 |
| 4.1 引言 |
| 4.2 问题定义 |
| 4.3 TDAE算法框架 |
| 4.3.1 TDAE算法框架的编码过程 |
| 4.3.2 TDAE算法框架的自编码学习 |
| 4.3.3 TDAE算法框架描述 |
| 4.4 实验结果及分析 |
| 4.4.1 数据集 |
| 4.4.2 评价指标 |
| 4.4.3 对比算法 |
| 4.4.4 实验结果及分析 |
| 4.5 本章小结 |
| 第5章 结论与展望 |
| 参考文献 |
| 致谢 |
| 攻读硕士学位期间发表的学术论文 |
（6）基于标签属性和隐语义模型的二部图推荐算法研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.2 国内外研究现状 |
| 1.3 论文研究内容 |
| 1.4 论文框架结构 |
| 第二章 常用推荐方法及其技术介绍 |
| 2.1 推荐系统概述 |
| 2.1.1 协同过滤算法 |
| 2.1.2 基于用户的协同过滤算法 |
| 2.1.3 基于产品的协同过滤算法 |
| 2.1.4 两种协同过滤算法对比 |
| 2.2 基于内容的推荐算法 |
| 2.3 基于标签的推荐算法 |
| 2.4 基于二部图网络结构的推荐算法 |
| 2.4.1 二部图的网络结构 |
| 2.4.2 基于二部图的推荐算法 |
| 2.4.3 基于二部图的推荐算法优缺点 |
| 2.5 系统评价指标 |
| 2.5.1 精准率 |
| 2.5.2 准确率、召回率、F1 |
| 2.5.3 覆盖率 |
| 2.5.4 汉明距离 |
| 2.6 本章小结 |
| 第三章 基于标签属性的二部图网络结构推荐算法 |
| 3.1 引言 |
| 3.2 算法流程 |
| 3.3 算法详细步骤 |
| 3.3.1 用户偏好相似性 |
| 3.3.2 基于二部图网络结构推荐算法的改进 |
| 3.4 实验分析 |
| 3.4.1 实验数据集 |
| 3.4.2 评价方法 |
| 3.4.3 实验结果及分析 |
| 3.5 本章小结 |
| 第四章 基于隐语义模型的二部图网络结构推荐算法 |
| 4.1 隐语义模型 |
| 4.1.1 模型理论 |
| 4.1.2 隐语义模型的具体流程 |
| 4.2 LFMBG推荐算法 |
| 4.3 实验分析 |
| 4.3.1 实验数据集 |
| 4.3.2 评价方法 |
| 4.3.3 实验结果及分析 |
| 4.4 本章小结 |
| 第五章 基于二部图的电影推荐系统的设计与实现 |
| 5.1 系统架构设计 |
| 5.2 系统的功能划分 |
| 5.2.1 在线部分的功能 |
| 5.2.2 离线部分的功能 |
| 5.3 数据库设计 |
| 5.4 离线功能界面展示 |
| 5.4.1 数据分析 |
| 5.4.2 生成推荐列表 |
| 5.5 管理员界面展示 |
| 5.5.1 系统登录界面 |
| 5.5.2 管理员主界面 |
| 5.5.3 普通用户管理界面 |
| 5.6 用户界面展示 |
| 5.6.1 数据展示 |
| 5.6.2 推荐结果展示 |
| 5.7 本章小结 |
| 第六章 结论与展望 |
| 6.1 结论 |
| 6.2 展望 |
| 参考文献 |
| 致谢 |
（7）面向城市计算的时空数据挖掘关键技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 城市计算 |
| 1.1.2 时空数据 |
| 1.2 国内外研究现状 |
| 1.2.1 连续近邻检测的国内外研究现状 |
| 1.2.2 出租车需求预测的国内外研究现状 |
| 1.2.3 起-终点区域流量预测的国内外研究现状 |
| 1.3 研究内容 |
| 1.3.1 连续近邻检测 |
| 1.3.2 出租车需求预测 |
| 1.3.3 起-终点流量预测 |
| 1.4 论文组织 |
| 第二章 基于前瞻安全域的连续近邻检测方法 |
| 2.1 问题提出 |
| 2.2 基于前瞻安全域的连续近邻检测方法(PSR-PD) |
| 2.2.1 问题定义 |
| 2.2.2 连续匹配框架 |
| 2.2.3 前瞻安全域 |
| 2.3 实验分析 |
| 2.3.1 数据集 |
| 2.3.2 预测模型的比较 |
| 2.3.3 近邻检测方法的比较 |
| 2.3.4 近邻检测的性能测试 |
| 2.3.5 动态图谱更新 |
| 2.4 本章小结 |
| 第三章 出租车需求预测的图注意力递归神经网络方法 |
| 3.1 问题提出 |
| 3.2 图注意力递归神经网络方法(OD-TGAT) |
| 3.2.1 问题定义 |
| 3.2.2 图卷积网络 |
| 3.2.3 特征工程 |
| 3.2.4 基于出发地-目的地的时态图注意力网络 |
| 3.3 实验分析 |
| 3.3.1 实验设置 |
| 3.3.2 性能对比 |
| 3.3.3 参数分析 |
| 3.4 本章小结 |
| 第四章 区域间流量预测的多视图时空深度学习方法 |
| 4.1 问题提出 |
| 4.2 多视图时空深度学习网络(MV-STAN) |
| 4.2.1 预备知识 |
| 4.2.2 算法框架 |
| 4.2.3 融合与预测 |
| 4.3 实验分析 |
| 4.3.1 实验设置 |
| 4.3.2 性能测试 |
| 4.3.3 MV-STAN不同变体的实验效果 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 工作总结 |
| 5.2 研究展望 |
| 致谢 |
| 参考文献 |
| 作者在学期间取得的学术成果 |
（8）基于自动编码表示学习的故障检测与并发故障识别（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 课题背景与研究意义 |
| 1.2 自动表示学习的研究内容和研究方法 |
| 1.2.1 自动表示学习的研究内容 |
| 1.2.2 自动表示学习的研究方法 |
| 1.3 基于表示学习的故障检测与识别的研究内容与方法 |
| 1.3.1 基于表示学习的故障检测研究内容与方法 |
| 1.3.2 基于表示学习的故障识别研究内容与方法 |
| 1.4 基于表示学习的故障检测与识别存在的问题 |
| 1.4.1 基于表示学习的故障检测存在的问题 |
| 1.4.2 基于表示学习的故障识别存在的问题 |
| 1.5 本文研究内容和创新点 |
| 1.5.1 本文研究内容 |
| 1.5.2 本文的创新点及章节安排 |
| 1.6 本章小结 |
| 第二章 基于变分自动编码高斯表示学习的故障检测 |
| 2.1 引言 |
| 2.2 自动编码器 |
| 2.3 基于变分自动编码器的故障检测 |
| 2.3.1 基于变分自动编码器的高斯表示提取 |
| 2.3.2 监控统计量的设计与控制限的确定 |
| 2.4 仿真测试研究 |
| 2.4.1 数值仿真系统测试 |
| 2.4.2 TE过程仿真测试 |
| 2.4.3 相关讨论 |
| 2.5 本章小结 |
| 第三章 基于堆栈去噪自动编码鲁棒表示学习的故障检测 |
| 3.1 引言 |
| 3.2 去噪自动编码器与k最近邻规则 |
| 3.2.1 去噪自动编码器 |
| 3.2.2 k最近邻规则 |
| 3.2.3 核密度估计 |
| 3.3 基于堆栈去噪自动编码器与k最近邻规则的非线性故障检测 |
| 3.3.1 基于堆栈去噪自动编码器的鲁棒表示提取 |
| 3.3.2 结合堆栈去噪自动编码器与k最近邻规则用于故障检测 |
| 3.3.3 SDAE参数的调节 |
| 3.4 仿真测试研究 |
| 3.4.1 数值仿真系统测试 |
| 3.4.2 TE过程仿真测试 |
| 3.5 本章小结 |
| 第四章 基于堆栈稀疏自动编码稀疏表示学习的并发故障识别 |
| 4.1 引言 |
| 4.2 稀疏自动编码器与K-binary分类器 |
| 4.2.1 稀疏自动编码器 |
| 4.2.2 K-binary分类器 |
| 4.3 基于堆栈稀疏自动编码器的并发故障识别 |
| 4.3.1 基于堆栈稀疏自动编码器的无标签稀疏表示学习 |
| 4.3.2 基于堆栈稀疏自动编码器的并发故障识别策略框架 |
| 4.4 SOFC系统实验测试与分析 |
| 4.4.1 数据的预处理 |
| 4.4.2 并发故障识别结果 |
| 4.4.3 表示的可视化 |
| 4.4.4 关键参数对并发故障识别的影响 |
| 4.5 本章小结 |
| 第五章 基于堆栈稀疏自动编码残差迁移表示学习的并发故障识别 |
| 5.1 引言 |
| 5.2 深度残差网络与深度迁移学习 |
| 5.2.1 深度残差全连接网络 |
| 5.2.2 深度迁移学习 |
| 5.3 基于堆栈稀疏自动编码器的深度残差迁移表示学习的并发故障识别 |
| 5.3.1 基于堆栈稀疏自动编码器的深度残差迁移表示学习 |
| 5.3.2 基于稀疏编码深度残差迁移表示学习的并发故障识别策略框架 |
| 5.4 SOFC系统实验测试与分析 |
| 5.4.1 并发故障识别结果 |
| 5.4.2 表示可视化 |
| 5.4.3 不同尺寸的目标训练集对识别结果的影响 |
| 5.4.4 推理未知并发故障的能力 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 每种算法的应用场景分析 |
| 6.2 总结 |
| 6.3 展望 |
| 附录A 仿真实验验证系统介绍 |
| A.1 数值仿真系统 |
| A.2 TE过程仿真系统 |
| A.3 固体氧化物燃料电池系统 |
| A.3.1 SOFC工作原理 |
| A.3.2 热动力学方程 |
| A.3.3 电动力学方程 |
| A.3.4 基于实际系统数据的仿真模型验证 |
| A.3.5 SOFC系统故障 |
| A.3.6 SOFC系统变量和数据的采集 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文 |
| 攻读学位期间参与的项目 |
| 攻读学位期间申请的专利 |
（9）面向视频图像的人脸检测与识别研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 人脸检测技术研究现状 |
| 1.2.2 目标跟踪技术研究现状 |
| 1.2.3 人脸识别技术研究现状 |
| 1.3 本文内容及组织结构 |
| 第2章 人脸检测识别相关算法基础 |
| 2.1 MTCNN人脸检测算法原理 |
| 2.1.1 MTCNN的网络结构 |
| 2.1.2 多任务协同训练 |
| 2.1.3 算法的优劣 |
| 2.2 基于FaceNet的人脸识别算法 |
| 2.2.1 整体网络结构 |
| 2.2.2 损失函数 |
| 2.2.3 选择最优三元组 |
| 2.2.4 CNN网络结构 |
| 2.2.5 人脸识别测试数据集—LFW |
| 2.3 图像清晰度评价算法 |
| 2.3.1 四类图像清晰度评价函数的思想方法 |
| 2.3.2 四类图像清晰度评价函数的性能比较 |
| 2.4 KCF跟踪算法原理 |
| 2.4.1 KCF算法思想和原理 |
| 2.4.2 KCF算法流程总结 |
| 2.5 Kalman滤波算法 |
| 2.5.1 Kalman滤波算法的思想 |
| 2.5.2 Kalman滤波算法工作过程 |
| 2.6 本章小结 |
| 第3章 面向视频图像的人脸检测和识别算法研究 |
| 3.1 本文实现的人脸检测与识别系统 |
| 3.1.1 系统架构 |
| 3.1.2 系统应用的技术 |
| 3.2 实现的MTCNN人脸检测算法 |
| 3.2.1 训练数据选择 |
| 3.2.2 权重自调整算法 |
| 3.2.3 MTCNN关键参数设置 |
| 3.2.4 人脸检测算法具体实现过程 |
| 3.3 加入图像筛选算法的人脸检测与识别框架 |
| 3.3.1 加入图像筛选算法的人脸检测与识别的整体流程 |
| 3.3.2 人脸图像筛选的思想方法 |
| 3.3.3 最佳正面人脸筛选算法的算法流程 |
| 3.3.4 加入图像筛选的人脸识别过程的具体实现 |
| 3.4 改进的KCF跟踪算法 |
| 3.4.1 改进的KCF算法整体结构 |
| 3.4.2 跟踪失败检测 |
| 3.4.3 加入预处理的Kalman滤波算法 |
| 3.4.4 改进的KCF算法步骤 |
| 3.4.5 改进的KCF算法具体实现 |
| 3.5 本章小结 |
| 第4章 面向视频的人脸检测与识别实验结果分析 |
| 4.1 实验环境的搭建 |
| 4.1.1 系统的实现环境 |
| 4.1.2 人脸检测与识别的实现环境 |
| 4.1.3 本地人脸特征向量库 |
| 4.2 利用MTCNN进行人脸检测性能评估 |
| 4.2.1 测试指标 |
| 4.2.2 测试召回率和精确率 |
| 4.2.3 测试准确率 |
| 4.3 建立的人脸检测与识别框架的实验性能评估 |
| 4.3.1 图像筛选算法必要性分析 |
| 4.3.2 最佳正面人脸提取算法性能测试 |
| 4.3.3 加入图像筛选算法的人脸识别过程的性能测试 |
| 4.4 改进的KCF算法进行人脸跟踪性能评估 |
| 4.4.1 KCF算法改进前后对比分析 |
| 4.4.2 改进的KCF算法与其他经典目标跟踪算法对比分析 |
| 4.5 面向视频的人脸检测与识别实验效果 |
| 4.5.1 人脸检测及跟踪的实验效果 |
| 4.5.2 人脸识别的实验效果 |
| 4.5.3 面向视频的人脸检测识别与跟踪的测试速率 |
| 4.6 本章小结 |
| 结论 |
| 参考文献 |
| 致谢 |
（10）计量行业服务个性化推荐方法及系统实现（论文提纲范文）
| 中文摘要 |
| Abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 国外推荐系统发展现状 |
| 1.2.2 国内推荐系统发展现状 |
| 1.3 本文研究内容 |
| 第2章 个性化推荐系统理论与方法 |
| 2.1 个性化推荐系统的形式化定义 |
| 2.2 推荐引擎工作原理 |
| 2.3 常用推荐算法介绍 |
| 2.3.1 基于内容的推荐 |
| 2.3.2 基于用户(物品)的协同过滤推荐 |
| 2.3.3 基于模型的协同过滤推荐 |
| 2.4 推荐系统评价指标 |
| 2.5 本章小结 |
| 第3章 基于协同过滤的计量行业个性化推荐方法 |
| 3.1 系统体系结构 |
| 3.2 数据预处理 |
| 3.3 基于行业信息和用户行为的相似用户聚类 |
| 3.4 基于服务类别和用户相似度的协同过滤推荐 |
| 3.4.1 矩阵构建 |
| 3.4.2 Top-N推荐 |
| 3.5 实验结果和分析 |
| 3.6 本章小结 |
| 第4章 基于隐语义模型的计量行业个性化推荐方法 |
| 4.1 方法的整体框架 |
| 4.2 构建经典隐语义模型 |
| 4.3 计量客户的属性信息 |
| 4.3.1 客户属性提取 |
| 4.3.2 客户属性分类 |
| 4.4 融入计量客户属性的隐语义模型 |
| 4.5 实验结果分析 |
| 4.6 本章小结 |
| 第5章 系统设计及实现 |
| 5.1 需求分析 |
| 5.1.1 客户的服务需求 |
| 5.1.2 系统管理需求 |
| 5.2 概要设计 |
| 5.2.1 系统概述 |
| 5.2.2 基本处理流程 |
| 5.3 详细设计 |
| 5.3.1 总体功能描述 |
| 5.3.2 系统总体框架 |
| 5.3.3 主要模块构成 |
| 5.3.4 数据库设计 |
| 5.4 系统实现 |
| 5.4.1 运行环境 |
| 5.4.2 系统主要界面 |
| 5.5 本章小结 |
| 总结与展望 |
| 参考文献 |
| 致谢 |
| 个人简历 |
| 在学校期间的研究成果以及发表的学术论文 |
四、欧几里德距离的几种定义与应用（论文参考文献）
- [1]一种学习视频混合推荐系统的设计与实现[D]. 郑子鹏. 中北大学, 2021(09)
- [2]基于深度网络的多模态视频场景分割算法[D]. 苏筱涵. 武汉轻工大学, 2020(06)
- [3]群智能优化算法及其在分数阶系统参数辨识中的应用研究[D]. 卫佳敏. 北京交通大学, 2020(03)
- [4]基于用户满意度的APP软件推荐方法研究与实现[D]. 张李芳. 昆明理工大学, 2020(05)
- [5]动态网络上的社团检测算法与预测算法研究[D]. 张泽华. 黑龙江大学, 2020(04)
- [6]基于标签属性和隐语义模型的二部图推荐算法研究[D]. 孔亚斌. 长安大学, 2020(06)
- [7]面向城市计算的时空数据挖掘关键技术研究[D]. 徐颖. 国防科技大学, 2019(01)
- [8]基于自动编码表示学习的故障检测与并发故障识别[D]. 张泽瀚. 上海交通大学, 2019(06)
- [9]面向视频图像的人脸检测与识别研究[D]. 姜微. 哈尔滨工程大学, 2019(08)
- [10]计量行业服务个性化推荐方法及系统实现[D]. 胡景霖. 福州大学, 2018(03)