一、带权向量优化的设备技术状态属性综合评价（论文文献综述）
高远[1]（2021）在《基于稀疏数据的区域路网交通状态识别与预测技术研究》文中研究说明随着我国汽车保有量、出行总量和出行范围的快速扩张,交通拥堵问题愈加严重,逐渐由局部瓶颈拥堵演变为区域路网内蔓延性拥堵,已严重影响了交通系统的运行效率,产生交通安全和环境污染等社会问题。交通流参数预测可分析带有随机性和不确定性的交通参数变化规律,为缓解交通拥堵提供技术支持。交通数据是交通流参数预测实现的基础,近年来,蕴含着较传统固定检测器数据更大的连续时间、空间交通流信息的浮动车数据,逐渐成为智能交通领域的重要数据源。然而,浮动车的覆盖比例较低导致的样本量稀疏问题严重制约了浮动车数据在交通领域的应用,如何基于稀疏的浮动车数据,重建完整的交通流参数是交通流参数预测研究中需要解决的问题之一。城市中交通网络与交通分布具有明显的异质性问题,基于整体路网数据进行交通流参数预测会降低预测模型的精度,同时增加计算复杂度。如何将运行特征相似的路段进行聚集,实现区域路网子区的精确划分,是交通流参数预测研究中需要解决的问题之二。交通流状态的演变,具有复杂的非线性特征,现有的交通流参数预测方法预测精度不足,这在一定程度上限制了交通流参数预测在缓解交通拥堵上的作用。如何实现高精度、鲁棒性的交通流预测是需要解决的问题之三。针对上述问题,本文以稀疏的浮动车数据为基础,选取道路平均行程速度这一重要交通流参数作为研究对象,重点针对高速公路和城市快速路衔接区域展开局部区域路网内道路的交通状态估计与预测方法的研究,具体的研究内容包括:（1）路网浮动车数据的采集与处理分析。首先,针对原始浮动车轨迹数据中各种异常数据的表现形式,制定了异常数据清洗流程。然后,为了从浮动车轨迹数据中提取交通流参数信息,采用基于隐马尔科夫模型（Hidden Markov Model,HMM）的地图映射方法,将GPS浮动车数据与从Open Street Map（OSM）获取的电子地图数据进行匹配。接着,基于路网覆盖强度和覆盖率分析了浮动车数据的最小样本需求量,并对浮动车数据的稀疏特性进行了分析。（2）提出了基于低秩张量分解算法的路段平均行程速度估计模型。首先,基于多模式交通流相关性分析和低秩性分析,以路段、周、天、时段四个维度为基础,构建行程速度张量。然后,针对该张量模型明显的稀疏问题,提出了基于截断核范数的低秩张量分解模型对缺失位置的交通流参数数据进行填充,从而实现了张量模型中缺失位置的路段交通流参数的估计。接着,基于北京市路网中获取的海量浮动车GPS轨迹数据进行了实验分析,结果表明,本文所提方法的填充精度较基于矩阵和向量形式的方法提升2%以上。（3）提出了基于密度峰值优化的归一化割（Normalized Cut,NCut）算法实现路网子区划分。首先,基于路段平均速度时间序列计算交通运行相似度,构建路网带权图。接着,基于NCut算法将交通流运行特征相似的路段进行聚集,进而将一个异质性较大的路网划分成多个同质性较强的子区域;针对NCut算法结果对初始聚类中心敏感的问题,提出了一种基于密度峰值优化的NCut算法,该方法通过计算各数据点的局部密度及与高局部密度点之间的距离来确定初始聚类中心及聚类数目。然后,基于平均行程速度和单位时间延误两个交通流参数,利用密度峰值优化的模糊C均值聚类（Fuzzy C-means,FCM）算法实现了交通状态识别。算法的验证结果表明,改进后算法交通状态分类识别效果的提升幅度为15.27%。（4）提出了时间序列分解模型和注意力机制组合优化LSTM的路段平均速度预测算法。首先,该算法模型以预测道路所在子区域内各路段的交通流参数时间序列及子区域交通状态作为输入。针对交通数据的非线性和非平稳性制约预测精度的问题,提出基于时间序列分解方法对时序数据进行分解,从而得到若干波动性较弱、规律性较强的分量,输入至LSTM模型中实现平均行程速度的预测。然后,针对交通流状态演变的局部周期性转移问题,提出采用注意力机制对LSTM模型结构进行优化。多场景下的验证结果表明,所提出的基于注意力机制和时间序列分解组合优化LSTM的预测方法与其他基线方法相比,预测精度提升均在3%以上,且在非常发性交通拥堵发生时,具有较强的鲁棒性。
宁念文[2]（2021）在《基于表示学习的多层网络融合关键技术的研究》文中研究指明网络本质上是对底层复杂系统信息进行编码的一种方式。对普遍存在的网络数据中所编码的信息进行提取、表示和融合具有重要的研究意义和实用价值。目前人们已经对复杂网络及其普遍的性质进行了研究,其成果表明大多数复杂系统很少单独存在和运行。从社交网络、基础设施、运输系统到细胞和大脑,这些都是由多个相互作用的网络构成的“多层网络”,其中每一层代表特定的交互类型或视角。对多层网络中所编码信息的融合可以获得更全面和更有价值的信息。然而,目前多层网络融合研究面临着两方面的挑战:第一,由于隐私保护和技术的限制,对于不同网络中相同节点的识别更加困难;第二,图数据的碎片化、多视图的完备性和数据的多源异构性引入了更加复杂的特性,这使得网络信息的挖掘更加困难。现有的分析方法在信息提取和融合方面仍存在缺陷,不能很好地提取更深层次、更完整的信息以解决相关的实际问题。本文综合利用多层网络相关性质和网络表示学习方法,研究一套完整的多层网络融合技术。本文从层间对齐、结构融合以及空间嵌入融合三方面的研究出发,对多层网络信息提取与融合中的一系列关键技术进行研究,主要研究成果如下:1.本文研究基于图神经网络的多层网络层间对齐问题,该问题是蛋白质功能推断、跨域推荐、级联故障预测和疾病防控等实际应用的重要基础。为了实现层间对齐节点对的识别,本文给出了一种基于图-序列生成的节点排序图对齐神经网络模型。针对已有的基于网络表示学习对齐算法的缺陷,本文在构建的一对一嵌入约束的基础上,实现了保存层内节点邻近性和层间网络相关性的嵌入约束和空间对齐。然后,基于源网络的节点嵌入利用图-序列生成模型和注意力机制对目标网络中的节点进行排序,将最应该对齐的正确节点置于序列的首位。2.本文研究多层网络的结构融合问题,该问题在多领域知识图谱融合、生物多组学数据的集成和分子新结构研发等方面有很大的应用场景。为了实现碎片化图数据融合、多视图数据的完备性重构,本文从层间结构信息的一致性和互补性出发,以构建更加全面的网络结构为目标,提出了一种非线性多层网络结构融合模型。该模型通过保存多个网络中高重复性的边以保存结构一致性信息,保存较少出现的高相似性的边来保存互补性信息。同时,本文进一步通过高阶相似性缓解融合网络的构建质量对嵌入质量的依赖问题,进而得到新的、完整的图结构。3.本文研究保存多层网络中层间相关性的空间嵌入融合问题,该问题在信息的传播与检索、用户异常检测和跨域推荐等研究中具有重要的意义。针对当前方法中采样的偏执问题和结构多层性导致的采样边类型失衡问题,本文提出了一种基于自适应采样的多层网络空间嵌入融合框架并实现了两种带有跨层约束的多层网络嵌入方法。其中,为了对多层网络中层间相关性进行量化,本文严格定义了一种邻居分布系数并根据该系数实现自适应的跨层跳转。本文将采样的节点序列输入Skip-Gram模型中实现多层网络中节点的空间嵌入融合。4.本文研究保存多层属性网络中节点高阶依赖关系的空间嵌入融合问题,该问题在图谱补全、画像构建和用户属性补全等需求中具有广泛应用前景。本文发现多层网络中并非只有节点之间的依赖,节点属性与所在层局部结构之间也存在着高阶依赖,进而提出了一种保存节点高阶依赖关系的无监督空间嵌入融合模型。其中,通过设计的对称图卷积-反卷积模型精细化图神经网络聚合与更新操作中不同结构的语义对节点属性的依赖。本文也利用图自编码器架构作为全局无监督学习的框架以实现节点原始属性的重构,进而得到更加准确和细粒度的空间嵌入融合。
石崇悦[3]（2021）在《基于知识图谱的复杂情绪感知系统设计与实现》文中进行了进一步梳理情感智能是人工智能的重要组成与发展方向,为人机交互系统充分理解人类意图、发挥陪伴与抚慰功能提供了依据。目前的情绪分析系统通常存在情绪粒度粗、可解释性差等问题,难以支持人机交互系统应用需要。因此,本文设计实现了基于知识图谱的复杂情绪感知系统,借助知识图谱结构化数据高度融合、关系路径推理易于泛化的优势,实现细粒度、可解释的复杂情绪融合感知。本文主要的研究工作如下:（1）设计了基于知识图谱的复杂情绪感知系统,主要包括中文情绪知识图谱、情感词汇分析提取和复杂情绪融合感知模块。（2）设计并构建了中文情绪知识图谱,这是后续文本情绪分析的基础和依据。本文基于Plutchik情绪轮模型和情绪融合理论,引入本体评价与反馈式优化方法的本体构建七步法,参考W3C的PROV-O和大连理工大学的中文情感词汇本体实现本体构建,通过OWL语言实现知识表示,结合同义词库进行扩展,基于Neo4j图数据库实现知识图谱的存储与可视化,形成了覆盖10种基本情绪、30多种细分情绪,31441种情绪实体,136161种关联关系的知识图谱。（3）设计并实现了情感词汇分析提取模块,这是联系人机交互系统与情绪知识图谱的桥梁。本文基于Douban Conversation Corpus中文多轮对话语料,采用BIO模式进行序列标注,通过EDA数据增强方法实现标注数据扩充。采用基于深度学习的命名实体识别技术,通过BERT-BiLSTM-CRF模型实现情感词汇的分析提取,实验对比了几种常用模型,验证了该模型的有效性。（4）设计并实现了复杂情绪融合感知模块,这是实现人机交互系统情绪分析的主要功能模块。本文参考社会网络中心性相关理论和算法,基于网页重要度排序的PageRank算法,设计了基于知识图谱的复杂情绪融合EmoRank算法,经实验证实了该方法的有效性、准确性和可用性。
刘新元[4]（2021）在《基于多层级注意力网络的特定目标情感分析》文中提出特定目标情感分析是情感分析任务中的一个细粒度化任务,其能够确定句子中某个特定目标词的情感极性,在自然语言处理中是一个重要的研究领域。具有多层级注意力结构的深度学习模型在文本分类任务中已经被证明具有最前沿水平的性能,本文在特定目标情感分析领域对此类模型进行改进并应用于特定目标情感分析中,提出了两种具有多层级注意力结构的深度学习模型,以提升特定目标情感分析性能。论文的主要工作如下:（1）提出了多层级LSTM注意力网络（Hierarchical LSTM Attention Network,HLAN）,HLAN 主要由向量映射层、LSTM 注意力层、交互注意力层、预测层组成,整合了 GloVe词向量模型、双向LSTM网络、注意力机制等深度学习方法。（2）在HLAN模型的基础上进行改进,提出了多层级多编码方式注意力网络（Hierarchical Multi-Encoders Attention Network,HMEAN）。其由向量映射层、GRU多头注意力联合编码层、多头注意力交互编码层、池化预测层组成。相较于HLAN模型,HMEAN网络结构有所差别,其采用了正、余弦位置向量映射机制,并使用具有更多参数量的多头注意力机制和结构更简化的双向GRU网络进行联合编码学习。本文中,为验证上述提出的两个模型的性能,本文在公开数据集SemEval 2014数据集上进行了实验,最终证明了两模型有效性。
王涵雪[5]（2021）在《基于位置的社交网络环境下的商业POI推荐》文中研究说明基于位置的社交网络（Location-based social network,LBSN）使用定位与智能技术实现,拥有惊人的研究价值。但信息量的膨胀加剧了信息过载问题,为解决该问题,商业兴趣点（Point-of-Interest,POI）推荐成为重要的研究问题。不可否认,为实现高效的推荐,准确性是必须考虑的指标。当前多数的商业POI推荐研究也主要着眼于高准确性的实现。但只追求准确性,会使最终的推荐结果过度专业,长尾问题严重。因此,如何实现准确而多样的商业POI推荐成为可研究的热点问题。本文对当前的相关文献进行整理归纳,分析了商业POI推荐领域的研究现状,以及推荐算法的研究情况,分析了现有方法的优势和不足。总结发现,可以通过准确性方法与多样性方法结合使用,达到准确与多样均衡的目标。因此,本文认为可以在使用带权水波模型方法实现高准确性推荐后,通过考虑用户多样性偏好的重排序多样性推荐丰富推荐结果的多样性。首先,从实现高准确性角度出发,本文提出了基于带权水波模型的推荐方法。目前的推荐主流重心是基于地理信息实现推荐,社交关系的影响在推荐方法中体现的不多。但本文提出的方法的重心则是运用社交关系中的朋友关系进行推荐,通过朋友关系和交互记录建立用户的偏好网络,在网络节点间运用水波扩散激活各节点,并使用节点间的关系权重衡量地理信息和时间对扩散过程的影响,计算出更准确的交互可能性,得到高准确性的推荐列表。之后,为了丰富推荐结果的多样性,本文提出了考虑用户多样性偏好的重排序多样性丰富方法。为了实现准确而多样的推荐,本文通过使用混合相似性,优化用户多样性偏好计算。在已有准确性推荐列表基础上,通过混合相似性方法更准确的计算用户的多样性偏好程度,将其作为候选商业POI的替换条件,实现多样性丰富。最后,利用Yelp平台提供的真实数据进行验证实验,并对涉及的可变参数进行验证。对比实验结果表明,本文提出的推荐方法不仅在准确性方面具有明显优势,且有利于多样性的实现,保证了准确性和多样性间的平衡,有效缓解了过度专业化和长尾问题。
蔡晔[6]（2021）在《中小学教育信息化评估资源推荐方法研究》文中进行了进一步梳理近年来,教育大数据背景下教育领域信息化、网络化的推进,使得教育数据资源快速积累,随着教育信息化建设进入到应用的阶段,更多人工智能技术的兴起,激发了教育数据资源应用的深度挖掘与探索,也给需要借助传统统计学处理资源的众多学科新的解决思路,同时也将研究人员从处理与甄别工作中解放出来,专注于问题的研究与分析。目前教育信息化评估领域数据资源的采集处理与应用在不断地丰富完善,更多的算法应用到中小学评估资源的处理、储存及应用上。同时,更多信息化应用的场景有待发掘,有待改进。如何高效的获取应用公开、半公开渠道的各类教育信息化评估资源,成为了当前研究者亟待解决的痛点。本研究旨在对接传统教育信息化评估资源的采集、处理方式,通过对比分析传统教育信息化评估服务场景中资源推荐方法的不足,结合教育信息化发展评估流程特点和信息检索经典算法,构建出教育信息化评估资源推荐模型,将评估资源文档的推荐任务转化为评估资源间的主题相似度聚类分析,以提高资源推荐模型在教育信息化评估场景的效用。分析总结国内外教育信息化评估资源推荐的相关研究成果,借鉴教育其他领域资源处理方式并进行优化,从而设计实现了一个嵌入问卷填写及处理场景的评估资源推荐应用,实现中小学教育信息化发展水平在线评估问卷填写和处理过程中网络资源数据的精准推荐和协同分析。研究包括归纳分析评估资源采集特点、评估语料分词标注结果等资源预处理手段,将资源推荐任务转换为文档语义相似度计算任务,同时基于潜在语义模型构建领域分词带权矩阵进行空间距离计算,使用可视化工具对自采集的评估资源进行原始语料频次、传统词频加权与本实验矩阵得分三类计算结果借助降维对比分析,实验证明本推荐模型能够有效推荐相似的评估资源,也验证了拓展教育信息化发展水平分析的评估数据资源的获取途径和完善评估资源的推荐方法可以丰富评估数据资源应用场景,从而沉淀教育信息化有效数据资源。
王梦惟[7]（2021）在《数据层次分级和定制化情报生成技术研究与应用》文中认为随着现代情报技术的不断发展与飞速进步,情报量以几何级数增长,收到的情报从数量、粒度、来源上呈现井喷态势,且具有复杂、多元、无序、异构等基本特点。海量的情报不仅使得人们在情报处理上耗费大量时间精力,而且在情报的处理精准度上也带来巨大挑战。针对上述问题,本文在数据层次分级和个性化推荐两个方面展开了研究,以解决因军事和民用信息过载而提出的智慧情报问题。具体而言,在阅读了大量文献的基础上,本文主要的创新性工作体现在以下三个方面。（1）提出了基于有偏游走的带权异质信息网络嵌入算法。该算法针对目前的图嵌入算法很少考虑边带权异质信息网络的问题,在随机游走算法的基础上,结合有偏转移概率的游走理论,改进了 skip-gram算法的目标函数,获得了基于有偏游走的带权异质信息网络嵌入算法。计算机仿真结果表明:在情报异质信息网络数据集和豆瓣电影数据集上,与传统的Deepwalk、LINE、node2vec、metapath2vec等图嵌入算法相比,本文提出的算法在数据层次分级的准确度方面有较好的提升,较好地解决了军事和民用情报中数据价值密度低的问题。（2）提出了改进的基于图嵌入和矩阵分解模型的混合推荐算法。该算法结合图嵌入方法,将情报数据集加载进三个带权异质信息网络中,通过对不同嵌入采用不同融合的方式进行用户画像的处理方法来改进协同过滤算法的目标函数,解决了矩阵分解模型存在的数据稀疏和冷启动问题。计算机仿真结果表明:相比于图嵌入SemRec、HERec以及协同过滤的PMF和SoMF等推荐算法,本文改进的推荐算法在MAE和RMSE上有较好的提升。（3）基于后端Flask框架、echarts工具包和前端jQuery框架实现了数据基于知识图谱和个性化推荐的情报可视化展示系统。该系统将前面提出的带权异质信息网络嵌入算法、改进传统矩阵分解的协同过滤算法进行了集成,能够把情报数据直观呈现给用户,并展示根据历史数据做出的个性化推荐结果。
蒋程程[8]（2021）在《顾及多维语义的移动对象时空轨迹聚类研究》文中研究表明时空轨迹是移动对象的在一定时间序列下的运动记录,时空轨迹具有丰富的时间、空间和语义特征,时空轨迹的时空特性和潜藏的语义价值使得时空轨迹挖掘成为数据挖掘领域具有挑战的前沿研究分支。时空轨迹聚类是时空轨迹数据挖掘的重要研究内容之一,旨在挖掘出具有相似特性的轨迹簇,可应用于轨迹预测、异常检测等方面。然而时空轨迹数据数量大,数据内容和结构复杂,时空轨迹的本质特征隐藏于海量冗余信息中,处理流程极复杂。此外,时空轨迹数据的时间、空间和语义特征难以统一在一个量化空间内进行分析,如何度量不同轨迹的时空语义相似性仍是难题。针对时空轨迹隐藏语义信息难以提取和表达的问题,本文旨在顾及时空轨迹数据时间、空间和语义特征,结合机器学习相关理论和技术,研究时空轨迹特征筛选方法、建立时空轨迹相似性度量模型,在此基础上实现基于语义的时空轨迹聚类,解决传统聚类方法只针对地理空间特征聚类的问题,将轨迹聚类与实际语义环境相结合,为深入挖掘轨迹数据高层次语义提供理论支撑。论文主要研究内容如下:（1）时空轨迹特征降维。面向特定领域和实际应用所需的关键信息通常隐藏于高维、海量的数据样本中,为了快速有效地分析不同时空轨迹的相互关系,往往需要从原始轨迹中提取出能反映其本质信息的主要特征。本文顾及时空轨迹高维语义特征,基于特征选择和特征抽取降维相关理论,提出了面向高维语义的时空轨迹特征降维方法,实现对高维、冗余时空轨迹数据的特征降维表达;（2）时空轨迹语义相似性度量。针对传统轨迹相似性度量方法只度量时空特征的问题,本文基于特征降维后的时空轨迹,提出顾及语义特征的时空轨迹相似性度量方法,在轨迹相似性度量中融入多维语义表征,解决传统相似性度量方法无法在语义层面度量轨迹相似性的问题,实现时空轨迹语义相似性度量;（3）时空轨迹语义聚类。针对传统聚类方法主要关注地理空间特征聚类,忽略时空轨迹语义特征的问题,提出了基于谱聚类的时空轨迹语义聚类方法,该方法融合时空轨迹语义特征,在顾及语义特征的时空轨迹相似性度量基础上,结合谱聚类思想,将轨迹聚类与实际语义环境相结合,实现融合时空语义信息的时空轨迹聚类。最后对本文提出方法进行实验验证与分析。针对时空轨迹相似性度量问题,分别考虑不同时空轨迹特征与现有相似性度量方法进行对比分析,验证了本文提出的顾及多维语义的相似性度量算法的合理性和有效性;面向时空轨迹聚类的应用需求,通过选取不同时空轨迹特征下的相似度结果,分别与传统经典聚类算法进行对比分析,验证了本文提出的顾及多维语义的时空轨迹聚类算法的有效性与准确性。
姜伟[9]（2021）在《云计算环境下可信服务动态保障模型及方法研究》文中提出云计算的出现深刻改变了业务计算模式,人们无需再购买大量昂贵的专门设备,即可获得按需算力,目前已被广泛应用于国防军事、交通运输、工业制造和社会服务等领域。同时,随着云计算基础设施的广泛普及和下一代通信技术的推广应用,“一切皆服务”理念正在成为现实,人们已经可以随时随地获得来自云端的服务。然而,技术发展也带来攻击方式的快速涌现,不可靠的链路、众多恶意节点和充满漏洞的共享云服务都对用户获得可以信赖的云服务提出了巨大挑战,因此迫切需要对云计算环境下的服务保障进行研究。但是,由于无论资源提供、服务选择、服务组合都来源于远程的云计算环境,虚拟化映射方法使得这些环节都具有高度的动态性,静态保障方法已难以获得良好效果。据此,本文提出一种云计算环境下的服务动态保障方法,在不可信的网络条件下,综合利用各种手段,通过筛选云计算资源、选择服务属性、执行服务组合和计算能力再优化,形成反馈过程,最终动态保障用户可以获得按需的可信服务。首先,针对云计算环境下可信服务需要动态保障的需求,提出一种云计算环境下可信服务动态保障模型,融合多层反馈控制机制对云计算资源筛选、服务属性选择、服务组合执行和计算能力再优化等进行综合设计,从而在多个层次上对服务可信性进行动态保障。由于资源虚拟化在云计算系统中的基础性地位,如果计算资源不可靠,那么后续保障措施将无从实现。在此基础上,针对虚拟资源映射的不可信问题,提出一种基于改进模拟退火粒子群的映射算法SAPSP-VNE。以较低的虚拟网络映射的底层网络资源开销为目标,将虚拟网络可信性的虚拟网络资源分配问题归结为一个整数线性规划模型,确保若底层物理网络出现失效节点时,其余虚拟网络部分仍然能具有连通性,最大程度保证虚拟网络的可信性。实验结果表明SAPSP-VNE算法能够有效提升资源平均利用率,提高了映射的成功率和虚拟网络的恢复成功率。其次,针对云环境下服务特征维度过高导致服务特征选择复杂的问题,提出一种基于熵和SVM模型的服务特征评估与子集选择方法ISVM-FSM。算法采用模糊集中熵的计算方式,使用特征的缩放因子和特定类别之间的熵值来计算每个类别中矢量间距离,来解决特征空间庞大而导致的复杂度过高问题。在服务特征子集求解时,借助于前向分布算法的思想,通过不断拟合上一步模型在训练数据上的残差,得到比传统SVM模型更高的准确率。实验结果表明,对冗余特征较多的服务数据集能够有效选择重要特征,同时特征子集的规模比传统算法有明显的压缩,较大提升了准确率。再次,针对传统服务组合方法无法摆脱第三方平台限制、可信服务组合差异性需求难以得到满足问题,提出一种基于区块链智能合约的服务组合方法,构建出安全可信的云服务交易环境。在基于区块链的服务智能合约基础上,以服务动态优化调度为目的,提出一种基于混合灰狼的优化算法HGWO作为服务组合的核心算法,克服传统元启发式方法求解精度不够,算法后期收敛速度慢,容易陷入局部最优等问题。实验结果表明HGWO算法具有较好的收敛性、提升了解的精度、增加了解的多样性,为云环境下服务组合提升了可信性和提供了有效的解决方案。最后,为了在提供可信服务的同时优化计算能力,提出了一种基于服务迁移的云计算服务优化方案。在该方法中通过对云节点和中心云的资源状态的建模,将可信服务的优化问题转化为系统开销最小化问题;在此基础上,通过改进遗传算法获得了资源优化策略。实验结果表明,所提出的方案能够降低系统开销,有效的提升系统性能。
卞雨莹[10]（2021）在《数据驱动的城市路网交通状态分析及应用研究》文中研究表明我国经济步入发展快车道以来,城市规模逐渐扩大,居民生活水平明显提高,机动车总保有量与日俱增,交通拥堵问题日益严重。融合交通、数学、计算机等多学科基础理论知识来分析研究路网交通状态特性及其演化趋势,挖掘交通网络中潜在的关联性及规律,不但有利于提高路网交通服务水平,也可以为交通拥堵管理提供理论支撑和新的解决思路。本文以路网交通状态分析为重点展开研究,主要内容包括路网交通状态分类、路网关联性分析和交通态势演化分析等。首先,介绍了北京市路网的交通流数据,通过数据清洗等手段,减少数据噪声及保证数据的可靠性,并基于预处理后的数据做初步的探索性分析,为全文研究奠定基础。其次,将所有路段同一时刻的交通状态数据作为路网状态的表示向量,并引入多重指标评价来选定合适的分类数目,通过k-means算法实现对路网交通状态的分类,并识别分析了北京市路网交通状态在工作日和非工作日的日变化情况,结果表明分类结果可以有效表示路网不同时间下的交通状态。接着从交通关联性和交通态势变化两个方面综合分析路网交通状态。关联性分析中以空间自相关理论为基础,首先以路段为节点,基于路段邻接关系构建邻接矩阵,然后,为更好地表征路网中全路段的空间关系,引入最短路构建了基于连通性的空间权重矩阵,最后,基于空间自相关探究路网时空关联特性。为研究路网交通态势演化,采用图聚类的方式实现对交通路网的多层次划分,相比传统划分方式,本文提出的基于距离-速度衡量路段间相似度的方法,可以将路网交通状态相似的节点聚合并且保证空间上的紧密性。在初步划分的结果上引入空间约束作为终止条件对路网进行了二次划分,实验结果表明,多层次划分结果很好地揭示了不同交通状态下路网的变化规律和其内部特征,其结果对路网交通协调控制、关键路段识别都有着指导性意义。正文图29幅,表15个,参考文献51篇。
二、带权向量优化的设备技术状态属性综合评价（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、带权向量优化的设备技术状态属性综合评价（论文提纲范文）
（1）基于稀疏数据的区域路网交通状态识别与预测技术研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 课题来源 |
| 1.2 研究背景及意义 |
| 1.2.1 研究背景 |
| 1.2.2 研究意义 |
| 1.3 国内外研究现状 |
| 1.3.1 基于缺失或稀疏数据重建交通流参数的研究现状 |
| 1.3.2 交通子区域划分算法研究现状 |
| 1.3.3 交通状态识别算法研究现状 |
| 1.3.4 交通状态预测算法研究现状 |
| 1.4 论文研究内容及技术路线 |
| 1.4.1 论文研究内容 |
| 1.4.2 论文研究技术路线 |
| 2 路网浮动车数据的采集与处理分析 |
| 2.1 浮动车数据采集 |
| 2.2 路网浮动车数据描述 |
| 2.3 浮动车异常数据预处理 |
| 2.4 路网浮动车数据地图匹配方法 |
| 2.4.1 地图匹配算法 |
| 2.4.2 地图匹配结果 |
| 2.5 基于路网覆盖能力的浮动车数据最小样本需求量分析 |
| 2.5.1 浮动车数据路网覆盖强度和覆盖率分析方法 |
| 2.5.2 浮动车数据最小样本需求量算例分析 |
| 2.6 浮动车数据的稀疏特性分析 |
| 2.7 本章小结 |
| 3 基于张量分解的路网内路段行程速度稀疏张量重建算法 |
| 3.1 张量理论基础 |
| 3.1.1 张量相关定义 |
| 3.1.2 基本符号 |
| 3.2 基于相关性分析和低秩假设的路网内路段行程速度稀疏张量建模 |
| 3.2.1 交通数据的相关性分析 |
| 3.2.2 路网内路段行程速度稀疏张量模型 |
| 3.2.3 交通数据的低秩性分析 |
| 3.3 基于截断核范数的低秩张量分解填充算法 |
| 3.4 路网内路段行程速度稀疏张量重建算例分析 |
| 3.4.1 实验数据 |
| 3.4.2 结果分析 |
| 3.5 本章小结 |
| 4 基于密度峰值优化的路网子区划分及交通状态识别算法 |
| 4.1 路网交通子区划分算法研究 |
| 4.1.1 路网子区划分的原则 |
| 4.1.2 基于NCut的路网子区划分方法 |
| 4.1.3 基于密度峰值聚类改进NCut的路网子区划分方法 |
| 4.2 路网子区内路段交通状态识别算法 |
| 4.2.1 交通流参数的选择 |
| 4.2.2 基于FCM算法的交通状态识别 |
| 4.2.3 基于密度峰值聚类和FCM算法的交通状态识别 |
| 4.3 路网子区域划分与交通状态识别算例分析 |
| 4.3.1 路网交通子区划分算例分析 |
| 4.3.2 子区域交通状态识别算例分析 |
| 4.4 本章小结 |
| 5 基于组合优化深度学习算法的路网内路段行程速度预测 |
| 5.1 LSTM理论基础 |
| 5.2 基于STL的 LSTM模型输入向量优化 |
| 5.3 基于注意力机制的LSTM模型结构优化 |
| 5.4 基于注意力机制和LSTM的交通流参数预测模型 |
| 5.5 交通流参数预测算例分析 |
| 5.5.1 数据准备 |
| 5.5.2 模型构建与参数设置 |
| 5.5.3 误差评价指标 |
| 5.5.4 预测结果对比分析 |
| 5.6 本章小结 |
| 6 结论与展望 |
| 6.1 论文主要工作 |
| 6.2 论文主要创新点 |
| 6.3 研究展望 |
| 参考文献 |
| 附录 A |
| 附录 B |
| 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 |
（2）基于表示学习的多层网络融合关键技术的研究（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 网络对齐研究 |
| 1.2.2 多层网络的结构融合研究 |
| 1.2.3 多层网络的空间嵌入融合研究 |
| 1.3 本文研究面临的挑战 |
| 1.4 本文主要研究内容和创新点 |
| 1.5 论文结构安排 |
| 第二章 相关知识 |
| 2.1 多层网络模型 |
| 2.1.1 数学描述 |
| 2.1.2 基本性质 |
| 2.2 多层网络的层间对齐研究 |
| 2.3 多层网络融合研究 |
| 2.3.1 多层网络的结构融合问题 |
| 2.3.2 多层网络的空间嵌入融合问题 |
| 2.4 网络表示学习研究 |
| 2.4.1 基于矩阵分解的网络表示学习研究 |
| 2.4.2 基于随机游走的网络表示学习研究 |
| 2.4.3 基于深度学习的网络表示学习研究 |
| 2.5 解纠缠表示学习问题 |
| 2.6 本章小结 |
| 第三章 基于图-序列生成的节点排序图对齐神经网络模型 |
| 3.1 研究背景 |
| 3.2 相关问题与定义 |
| 3.3 基于图-序列生成的节点排序图对齐神经网络模型 |
| 3.3.1 预处理阶段 |
| 3.3.2 网络的层内嵌入阶段 |
| 3.3.3 网络的嵌入空间对齐阶段 |
| 3.3.4 基于图-序列生成的网络匹配阶段 |
| 3.3.5 GANN算法 |
| 3.4 实验结果 |
| 3.4.1 实验设置 |
| 3.4.2 实验结果与分析 |
| 3.4.3 模型的参数敏感性分析 |
| 3.4.4 有效性验证实验 |
| 3.5 本章小结 |
| 第四章 基于层间一致性和互补性的多层网络结构融合模型 |
| 4.1 研究背景 |
| 4.2 相关问题与定义 |
| 4.3 非线性多层网络结构融合 |
| 4.3.1 网络特征的提取 |
| 4.3.2 增强迭代融合 |
| 4.3.3 高阶邻近性 |
| 4.4 实验结果 |
| 4.4.1 实验设置 |
| 4.4.2 数据集 |
| 4.4.3 对比算法 |
| 4.4.4 跨域链接预测 |
| 4.4.5 共享社区发现 |
| 4.4.6 模型的参数敏感性分析 |
| 4.4.7 消融实验 |
| 4.4.8 效率对比实验 |
| 4.5 本章小结 |
| 第五章 保存多层网络层间结构相关性的空间嵌入融合框架 |
| 5.1 研究背景 |
| 5.2 相关问题与定义 |
| 5.3 基于自适应采样的多层网络空间嵌入融合框架 |
| 5.3.1 自适应跨层跳转问题 |
| 5.3.2 采样边类型不平衡问题 |
| 5.3.3 基于自适应采样的节点嵌入 |
| 5.3.4 模型优化 |
| 5.4 实验结果 |
| 5.4.1 实验设置 |
| 5.4.2 跨域链接预测 |
| 5.4.3 共享社区发现 |
| 5.4.4 框架的参数敏感性分析 |
| 5.5 本章小结 |
| 第六章 保存节点高阶依赖关系的空间嵌入融合模型 |
| 6.1 研究背景 |
| 6.2 相关问题与定义 |
| 6.3 保存节点高阶依赖关系的空间嵌入融合 |
| 6.3.1 保存高阶邻近性 |
| 6.3.2 保存层间依赖性 |
| 6.3.3 保存属性和拓扑之间的依赖性 |
| 6.3.4 模型优化和时间复杂度 |
| 6.4 实验结果 |
| 6.4.1 实验设置 |
| 6.4.2 跨域链接预测 |
| 6.4.3 共享社区发现 |
| 6.4.4 模型的参数敏感性分析 |
| 6.4.5 消融实验 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 论文总结 |
| 7.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
| 攻读博士学位期间参与的科研项目 |
（3）基于知识图谱的复杂情绪感知系统设计与实现（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 对话系统情感嵌入 |
| 1.2.2 文本情绪分析 |
| 1.2.3 情绪知识图谱 |
| 1.3 主要研究内容 |
| 1.4 论文组织结构 |
| 第二章 理论基础概述 |
| 2.1 领域知识图谱 |
| 2.1.1 知识图谱基本概念 |
| 2.1.2 领域知识图谱技术 |
| 2.2 命名实体识别 |
| 2.2.1 基本概念 |
| 2.2.2 主要方法 |
| 2.2.3 相关模型 |
| 2.3 社会网络分析 |
| 2.3.1 基本概念 |
| 2.3.2 基本理论 |
| 2.3.3 分析角度 |
| 2.4 本章小结 |
| 第三章 系统架构设计 |
| 3.1 需求分析 |
| 3.2 整体设计 |
| 3.3 模块设计 |
| 3.3.1 中文情绪知识图谱模块 |
| 3.3.2 对话情感词汇分析提取模块 |
| 3.3.3 复杂情绪融合感知模块 |
| 3.4 本章小结 |
| 第四章 中文情绪知识图谱 |
| 4.1 背景与挑战 |
| 4.2 情绪领域本体构建 |
| 4.2.1 领域概念划分 |
| 4.2.2 结构层次设计 |
| 4.2.3 领域本体评价 |
| 4.3 基于本体的知识表示 |
| 4.4 情绪知识抽取与融合 |
| 4.5 知识存储与可视化 |
| 4.6 实验评估与分析 |
| 4.7 本章小结 |
| 第五章 情感词汇分析提取 |
| 5.1 背景与挑战 |
| 5.2 情感词汇提取模型 |
| 5.2.1 输入层词嵌入 |
| 5.2.2 上下文特征提取 |
| 5.2.3 序列标注 |
| 5.3 实验评估与分析 |
| 5.4 本章小结 |
| 第六章 复杂情绪融合感知 |
| 6.1 背景与挑战 |
| 6.2 社会网络中心性算法 |
| 6.2.1 点度中心性 |
| 6.2.2 中介中心性 |
| 6.2.3 接近中心性 |
| 6.2.4 特征向量中心性 |
| 6.2.5 算法对比与分析 |
| 6.3 基于PageRank的情绪融合算法 |
| 6.3.1 带权情绪重要度 |
| 6.3.2 EmoRank算法 |
| 6.4 实验评估与分析 |
| 6.4.1 EmoRank算法测试 |
| 6.4.2 情绪感知系统展示 |
| 6.5 本章小结 |
| 第七章 总结与展望 |
| 7.1 研究工作总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
（4）基于多层级注意力网络的特定目标情感分析（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 |
| 1.3 论文主要工作 |
| 1.4 论文组织结构 |
| 第二章 相关技术和理论基础 |
| 2.1 用于情感分析的机器学习方法 |
| 2.1.1 朴素贝叶斯分类模型 |
| 2.1.2 支持向量机模型 |
| 2.1.3 决策树模型 |
| 2.2 用于情感分析的深度学习方法 |
| 2.2.1 多层感知机网络 |
| 2.2.2 词向量模型 |
| 2.2.3 循环神经网络 |
| 2.2.4 梯度下降优化器 |
| 2.3 性能评价指标 |
| 第三章 基于多层级LSTM注意力网络的特定目标情感分析模型 |
| 3.1 创新点关键算法 |
| 3.1.1 双向长短期记忆网络编码器 |
| 3.1.2 基于RNN类网络编码器的注意力机制 |
| 3.2 模型结构与原理 |
| 3.2.1 模型总体结构 |
| 3.2.2 向量映射层 |
| 3.2.3 LSTM注意力层 |
| 3.2.4 交互注意力层 |
| 3.2.5 预测层与模型训练 |
| 3.3 实验 |
| 3.3.1 实验环境与参数设置 |
| 3.3.2 实验设计 |
| 3.3.3 模型性能分析 |
| 3.3.4 消融实验 |
| 3.3.5 模型性能对比 |
| 3.3.6 注意力机制可视化 |
| 3.4 本章小结 |
| 第四章 基于多层级多编码方式注意力网络的特定目标情感分析模型 |
| 4.1 创新点关键算法 |
| 4.1.1 双向门控循环单元网络编码器 |
| 4.1.2 自注意力机制 |
| 4.1.3 多头注意力机制编码器 |
| 4.2 模型结构与原理 |
| 4.2.1 模型总体结构 |
| 4.2.2 向量映射层 |
| 4.2.3 GRU多头注意力联合编码层 |
| 4.2.4 多头注意力交互编码层 |
| 4.2.5 池化预测层 |
| 4.3 实验 |
| 4.3.1 实验参数设置 |
| 4.3.2 实验设计 |
| 4.3.3 模型超参数实验 |
| 4.3.4 模型性能分析 |
| 4.3.5 消融实验 |
| 4.3.6 模型性能对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间取得的研究成果 |
（5）基于位置的社交网络环境下的商业POI推荐（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 研究内容及研究目的 |
| 1.2.1 研究内容 |
| 1.2.2 研究目的 |
| 1.3 研究的技术路线说明 |
| 1.4 论文组织结构 |
| 2 相关研究综述 |
| 2.1 基于位置的社交网络研究现状 |
| 2.2 商业POI推荐研究现状 |
| 2.2.1 商业POI推荐的特点 |
| 2.2.2 商业POI推荐实现时考虑的影响因素 |
| 2.3 仅考虑准确性的商业POI推荐方法研究现状 |
| 2.3.1 协同过滤推荐方法 |
| 2.3.2 基于内容的推荐方法 |
| 2.3.3 基于图的推荐方法 |
| 2.4 考虑多样性丰富的商业POI推荐方法研究现状 |
| 2.5 本章小结 |
| 3 仅考虑准确性—基于带权水波模型的推荐方法实现 |
| 3.1 仅考虑准确性的商业POI推荐方法选择 |
| 3.2 带权水波模型框架 |
| 3.2.1 带权水波模型方法的研究问题 |
| 3.2.2 推荐框架展示 |
| 3.3 基于用户的偏好网络 |
| 3.3.1 用户节点表示 |
| 3.3.2 商业POI节点表示 |
| 3.3.3 偏好网络构建 |
| 3.4 带权水波模型思想 |
| 3.4.1 水波定义 |
| 3.4.2 水波网络构建 |
| 3.5 基于位置的社交网络中关系权重的衡量 |
| 3.5.1 商业POI推荐中考虑权重的必要性 |
| 3.5.2 考虑位置因素的朋友重要性 |
| 3.5.3 考虑时间和位置的交互偏好 |
| 3.6 偏好扩散与推荐列表生成 |
| 3.7 本章小结 |
| 4 基于准确性推荐结果的重排序多样性丰富实现 |
| 4.1 考虑多样性丰富的重排序方法选择 |
| 4.1.1 商业POI推荐考虑多样性丰富的意义 |
| 4.1.2 多样性丰富方法确定 |
| 4.2 考虑用户多样性偏好的重排序多样性丰富方法框架 |
| 4.2.1 多样性丰富方法的研究问题 |
| 4.2.2 方法框架展示 |
| 4.3 商业POI间的混合相似性 |
| 4.3.1 常用的相似性计算方法 |
| 4.3.2 评分相似性 |
| 4.3.3 结构相似性 |
| 4.4 以混合相似性为基础的重排序多样性丰富 |
| 4.5 本章小结 |
| 5 实验方案设计与结果讨论 |
| 5.1 实验数据集与评价指标 |
| 5.1.1 实验数据集基本情况 |
| 5.1.2 实验结果的评价指标 |
| 5.2 实验方案设计 |
| 5.3 带权水波模型方法验证 |
| 5.3.1 最优扩散层数验证 |
| 5.3.2 准确性推荐方法的对比验证 |
| 5.3.3 多样性丰富对准确性推荐结果的影响 |
| 5.4 考虑用户多样性偏好的重排序多样性丰富方法验证 |
| 5.4.1 混合相似性参数验证 |
| 5.4.2 多样性程度参数验证 |
| 5.5 准确性和多样性平衡效果验证 |
| 5.6 本章小结 |
| 结论 |
| 参考文献 |
| 攻读硕士学位期间发表学术论文情况 |
| 致谢 |
（6）中小学教育信息化评估资源推荐方法研究（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 教育信息化评估资源采集方法 |
| 1.2.2 教育信息化评估资源推荐方法 |
| 1.3 研究目标与内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 第二章 相关工作介绍 |
| 2.1 隐式语义分析 |
| 2.2 资源采集 |
| 2.3 资源处理 |
| 2.3.1 中文分词 |
| 2.3.2 词权重计算 |
| 2.4 本章小结 |
| 第三章 教育信息化评估资源推荐模型研究 |
| 3.1 教育信息化评估资源推荐框架设计 |
| 3.2 教育信息化评估资源推荐流程设计 |
| 3.2.1 评估资源语义模型映射 |
| 3.2.2 评估指标结构化处理 |
| 3.2.3 评估资源语料库立体化组织 |
| 3.2.4 评估资源采集链路自适应构建 |
| 3.2.5 评估资源智能化推荐 |
| 3.3 本章小结 |
| 第四章 基于LSA算法的评估资源主题聚类推荐优化策略研究 |
| 4.1 教育信息化评估领域词典构建 |
| 4.2 教育信息化评估资源特征矩阵构建 |
| 4.3 基于LSA算法的评估资源主题聚类分析 |
| 4.4 基于主题聚类的评估资源推荐场景构建 |
| 4.5 本章小结 |
| 第五章 实验设计与结果分析 |
| 5.1 实验设计 |
| 5.1.1 实验环境 |
| 5.1.2 实验数据处理流程 |
| 5.1.3 实验场景 |
| 5.2 实验结果分析 |
| 5.3 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（7）数据层次分级和定制化情报生成技术研究与应用（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 |
| 1.2.1 网络表示学习 |
| 1.2.2 基于协同过滤的推荐 |
| 1.2.3 基于异质信息网络的推荐 |
| 1.3 本文研究内容 |
| 1.3.1 改进的异质信息网络表示学习算法 |
| 1.3.2 基于带权异质信息网络的推荐 |
| 1.3.3 情报数据推荐可视化系统 |
| 1.4 本文组织结构 |
| 1.5 本章小结 |
| 第二章 基于异质信息网络嵌入的情报层次分级算法 |
| 2.1 引言 |
| 2.2 相关概念及定义 |
| 2.2.1 网络表示学习 |
| 2.2.2 元路径 |
| 2.3 改进的带权异质信息网络嵌入算法 |
| 2.3.1 算法描述 |
| 2.3.2 数据集描述 |
| 2.3.3 对比算法介绍 |
| 2.3.4 实验结果及分析 |
| 2.4 本章小结 |
| 第三章 融合带权图嵌入的推荐算法 |
| 3.1 引言 |
| 3.2 相关概念及定义 |
| 3.2.1 协同过滤推荐 |
| 3.2.2 基于图的推荐 |
| 3.2.3 数据层次分级 |
| 3.3 融合带权图嵌入的推荐算法 |
| 3.3.1 算法描述 |
| 3.3.2 数据集描述 |
| 3.3.3 对比算法介绍 |
| 3.3.4 实验结果及分析 |
| 3.4 本章小结 |
| 第四章 基于知识图谱和个性化推荐的可视化展示系统 |
| 4.1 引言 |
| 4.2 系统概述 |
| 4.2.1 整体架构 |
| 4.2.2 软件环境 |
| 4.3 知识图谱功能 |
| 4.4 情报推荐功能 |
| 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 |
| 攻读硕士学位期间取得的成果 |
（8）顾及多维语义的移动对象时空轨迹聚类研究（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 时空轨迹特征降维方法 |
| 1.2.2 时空轨迹数据相似性度量方法 |
| 1.2.3 时空轨迹数据聚类方法 |
| 1.3 研究内容和组织结构 |
| 1.3.1 主要研究内容 |
| 1.3.2 论文组织结构 |
| 1.4 本章小结 |
| 第二章 面向高维语义的时空轨迹特征降维方法 |
| 2.1 时空轨迹特征降维技术框架 |
| 2.2 时空轨迹的基本特征 |
| 2.2.1 时空轨迹的时间特征 |
| 2.2.2 时空轨迹的空间特征 |
| 2.2.3 时空轨迹的语义特征 |
| 2.3 高维时空轨迹语义特征选择降维 |
| 2.3.1 特征选择原则和要求 |
| 2.3.2 时空轨迹典型语义特征选择 |
| 2.3.2.1 POI特征 |
| 2.3.2.2 速度特征 |
| 2.3.2.3 方向特征 |
| 2.4 基于SVD的轨迹语义特征抽取降维 |
| 2.4.1 特征抽取相关理论 |
| 2.4.2 基于SVD的特征降维原理 |
| 2.5 本章小结 |
| 第三章 顾及语义特征的时空轨迹相似性度量方法 |
| 3.1 时空轨迹相似性度量技术框架 |
| 3.2 构建时空轨迹矩阵模型 |
| 3.2.1 时空矩阵 |
| 3.2.2 时空单维语义矩阵 |
| 3.2.2.1 时空-POI矩阵 |
| 3.2.2.2 时空-速度矩阵 |
| 3.2.2.3 时空-方向矩阵 |
| 3.2.3 时空多维语义矩阵 |
| 3.3 时空轨迹特征抽取降维 |
| 3.4 时空轨迹相似度计算 |
| 3.5 本章小结 |
| 第四章 基于谱聚类的时空轨迹语义聚类方法 |
| 4.1 时空轨迹聚类技术框架 |
| 4.2 构建时空轨迹相似关系图模型 |
| 4.2.1 时空相似关系图 |
| 4.2.2 时空单维语义相似关系图 |
| 4.2.2.1 时空-POI相似关系图 |
| 4.2.2.2 时空-速度相似关系图 |
| 4.2.2.3 时空-方向相似关系图 |
| 4.2.3 时空多维语义相似关系图 |
| 4.3 时空轨迹关系图切分聚类 |
| 4.4 本章小结 |
| 第五章 实验与分析 |
| 5.1 实验架构及数据集 |
| 5.1.1 论文实验架构 |
| 5.1.2 实验数据集 |
| 5.2 数据预处理及时空轨迹特征选择 |
| 5.2.1 数据预处理 |
| 5.2.2 时空轨迹特征选择 |
| 5.3 时空轨迹相似性度量实验与分析 |
| 5.3.1 对比LCSS方法的实验与分析 |
| 5.3.2 对比DTW方法的实验与分析 |
| 5.3.3 对比EDR方法的实验与分析 |
| 5.3.4 时空轨迹相似性度量综合对比分析 |
| 5.4 时空轨迹聚类实验与分析 |
| 5.4.1 对比K-Medoids方法的实验与分析 |
| 5.4.2 对比DBSCAN方法的实验与分析 |
| 5.4.3 时空轨迹聚类效果综合比较与分析 |
| 5.5 本章小结 |
| 第六章 总结与展望 |
| 6.1 研究工作总结 |
| 6.2 下一步工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
（9）云计算环境下可信服务动态保障模型及方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景 |
| 1.2 云计算系统及可信服务研究现状 |
| 1.2.1 IaaS与可信服务 |
| 1.2.2 PaaS与可信服务 |
| 1.2.3 SaaS与可信服务 |
| 1.3 可信服务保障关键技术研究现状 |
| 1.3.1 云计算的可信性模型 |
| 1.3.2 云计算的服务选择 |
| 1.3.3 云计算的服务组合 |
| 1.3.4 云计算的卸载与服务优化 |
| 1.4 研究目标 |
| 1.5 本文研究内容与组织结构 |
| 第2章 云计算环境下可信服务动态保障模型构建 |
| 2.1 引言 |
| 2.2 云计算环境下可信性动态保障模型 |
| 2.3 基于动态可信标签的虚拟化可信映射方法 |
| 2.3.1 模型问题描述 |
| 2.3.2 虚拟化资源可信映射方法 |
| 2.3.3 实验分析与验证 |
| 2.3.4 模型的有效性对比 |
| 2.4 本章小结 |
| 第3章 基于熵和SVM的服务特征子集选择方法 |
| 3.1 引言 |
| 3.2 服务分析方法 |
| 3.2.1 特征评估方法分类 |
| 3.2.2 特征选取方法分析 |
| 3.3 基于熵的改进特征评估方法 |
| 3.3.1 基于熵的特征评估方法概述 |
| 3.3.2 基于模糊集理论的服务熵计算方法 |
| 3.3.3 基于熵的特征评估方法(FIAME) |
| 3.4 基于SVM的改进特征子集选择方法 |
| 3.4.1 前向分布算法 |
| 3.4.2 支持向量机模型 |
| 3.4.3 基于迭代SVM的特征子集选择方法 |
| 3.5 实验验证与分析 |
| 3.5.1 实验目的 |
| 3.5.2 数据集选择 |
| 3.5.3 基于熵的特征评估方法实验 |
| 3.5.4 基于迭代支持向量机的特征子集选择方法实验 |
| 3.6 本章小结 |
| 第4章 基于区块链和混合灰狼算法的可信服务组合方法 |
| 4.1 引言 |
| 4.2 基于区块链的可信服务组合框架设计 |
| 4.3 基于智能合约可信服务组合的实现方法 |
| 4.3.1 基于标识的服务注册 |
| 4.3.2 可信服务组合协议 |
| 4.3.3 智能合约的实现过程 |
| 4.4 混合灰狼优化算法 |
| 4.4.1 标准灰狼优化 |
| 4.4.2 混合灰狼优化算法 |
| 4.5 实验验证与分析 |
| 4.5.1 实验场景设置 |
| 4.5.2 HGWO 算法实验 |
| 4.6 本章小结 |
| 第5章 云计算环境下的可信服务资源优化 |
| 5.1 引言 |
| 5.2 系统模型 |
| 5.2.1 本地计算 |
| 5.2.2 中心云端计算 |
| 5.3 基于遗传算法的模型求解 |
| 5.3.1 遗传算法 |
| 5.3.2 基于禁忌搜索的遗传算法优化 |
| 5.3.3 算法流程与实现 |
| 5.4 实验结果及分析 |
| 5.5 本章小结 |
| 结论 |
| 参考文献 |
| 读博士学位期间发表的论文和取得的科研成果 |
| 致谢 |
| 个人简历 |
（10）数据驱动的城市路网交通状态分析及应用研究（论文提纲范文）
| 致谢 |
| 摘要 |
| ABSTRACT |
| 1 引言 |
| 1.1 研究背景 |
| 1.2 研究的目的和意义 |
| 1.3 国内外研究现状 |
| 1.3.1 路网交通状态分类研究现状 |
| 1.3.2 路网交通相关性分析研究现状 |
| 1.3.3 路网交通状态时空变化特性研究现状 |
| 1.4 研究内容及技术路线 |
| 1.4.1 研究内容 |
| 1.4.2 技术路线 |
| 1.5 本章小结 |
| 2 数据处理及特性分析 |
| 2.1 数据说明 |
| 2.2 数据预处理 |
| 2.2.1 异常值处理 |
| 2.2.2 缺失值处理 |
| 2.2.3 数据平滑处理 |
| 2.3 交通数据特性分析 |
| 2.3.1 基本统计特征 |
| 2.3.2 交通状态趋势性 |
| 2.3.3 交通状态周期性 |
| 2.3.4 交通状态相关性 |
| 2.4 本章小结 |
| 3 路网交通状态分类 |
| 3.1 基础理论介绍 |
| 3.1.1 聚类方法 |
| 3.1.2 相似度度量方法 |
| 3.2 基于K-均值聚类的路网交通状态分类 |
| 3.2.1 路网状态分类实验数据准备 |
| 3.2.2 路网交通状态数目的确定 |
| 3.3 路网交通状态分类结果及分析 |
| 3.3.1 路网交通状态分类实验结果 |
| 3.3.2 基于交通状态分类结果的实际分析 |
| 3.4 本章小结 |
| 4 基于空间自相关理论的路网交通状态关联分析 |
| 4.1 基础理论介绍 |
| 4.1.1 图论 |
| 4.1.2 空间自相关理论 |
| 4.2 基于图论的空间自相关模型 |
| 4.2.1 交通路网拓扑关系建立 |
| 4.2.2 基于最短路径的空间权重矩阵构建 |
| 4.3 路网关联实验分析 |
| 4.3.1 全局空间自相关分析 |
| 4.3.2 局部空间自相关分析 |
| 4.4 本章小结 |
| 5 基于路网划分的交通态势变化分析 |
| 5.1 基础理论介绍 |
| 5.1.1 带权图及相似性矩阵构建 |
| 5.1.2 归一化割算法(NCut) |
| 5.2 基于路段相似性的NCUT交通网络分区算法 |
| 5.2.1 基于速度-距离的路段相似度矩阵构造方法 |
| 5.2.2 算法总体流程 |
| 5.3 路网划分实验分析 |
| 5.3.1 参数敏感性分析 |
| 5.3.2 整体路网交通状态划分结果及演变分析 |
| 5.3.3 子路网划分结果及分析 |
| 5.4 本章小结 |
| 6 结论与展望 |
| 6.1 研究总结 |
| 6.2 研究展望 |
| 参考文献 |
| 作者简历及攻读硕士/博士学位期间取得的研究成果 |
| 学位论文数据集 |
四、带权向量优化的设备技术状态属性综合评价（论文参考文献）
- [1]基于稀疏数据的区域路网交通状态识别与预测技术研究[D]. 高远. 北京交通大学, 2021
- [2]基于表示学习的多层网络融合关键技术的研究[D]. 宁念文. 北京邮电大学, 2021(01)
- [3]基于知识图谱的复杂情绪感知系统设计与实现[D]. 石崇悦. 北京邮电大学, 2021(01)
- [4]基于多层级注意力网络的特定目标情感分析[D]. 刘新元. 北京邮电大学, 2021(01)
- [5]基于位置的社交网络环境下的商业POI推荐[D]. 王涵雪. 大连理工大学, 2021(02)
- [6]中小学教育信息化评估资源推荐方法研究[D]. 蔡晔. 华中师范大学, 2021(02)
- [7]数据层次分级和定制化情报生成技术研究与应用[D]. 王梦惟. 电子科技大学, 2021
- [8]顾及多维语义的移动对象时空轨迹聚类研究[D]. 蒋程程. 电子科技大学, 2021(01)
- [9]云计算环境下可信服务动态保障模型及方法研究[D]. 姜伟. 哈尔滨工程大学, 2021
- [10]数据驱动的城市路网交通状态分析及应用研究[D]. 卞雨莹. 北京交通大学, 2021(02)