协同深度学习推荐算法研究

针对当用户评分较少时,推荐系统由于数据稀疏推荐性能显著降低这一问题,介绍了协同深度学习算法(Collaborative In Deep Learning, CIDL).本算法首先对大量数据进行深度学习,然后对数据文本进行挖掘提取词汇表,最后对评级(反馈)矩阵进行协同过滤,从而得出对用户的推荐项目.本文使用真实的电影数据进行实验,与另外四种优秀算法进行对比,证明该算法可以真实有效得解决由于数据稀疏使得性能降低的问题,并提高推荐的准确度.

导频辅助降低PAPR技术在光正交频分复用通信系统中的应用

基于选择映射(SLM)算法选择导频信号相位,利用最大似然准来估计接收机处的导频信号,研究了导频辅助降低峰均功率比(PAPR)技术在正交频分复用(OFDM)强度调制光无线通信系统中的应用。在误码率(BER)小于10-3的可靠通信链路中,导频辅助光OFDM系统的BER与基本光OFDM(没有导频且未实施PAPR降低技术)系统的BER基本相同。在高阶(星等M大于4)星座的条件下,导频辅助PAPR降低技术比传统SLM技术的性能更加优越。与基本光OFDM相比,导频辅助光OFDM系统能够在适宜的条件下将PAPR降低约2.5dB,并且导频辅助光OFDM系统在M=64、互补累积分布函数值为10-4的适度点时,能更有效地降低PAPR,但不降低系统的误码性能。