简化的广义多层感知机模型及其学习算法

提出了简化的广义多层感知机模型（SGMLP模型），并针对SGMLP模型给出了两种 学习算法：广义误差反向传播算法（GBP算法）和基于遗传算法（GA）的学习算法。两个典 型算例的实验结果表明，该模型及其学习算法是可行和有效的。

基于LSTM与深度矩阵分解的推荐融合模型

针对现实推荐场景中多数推荐算法忽略用户偏好动态变化的时效因素,导致模型性能受限的问题,提出一种基于LSTM和深度矩阵分解的推荐融合模型LFDMF。该模型通过广义矩阵分解学习用户和项目间非线性低阶特征,运用多层感知机学习用户和项目间非线性高阶特征,获取用户长期动态偏好,利用LSTM对时间序列的强拟合能力,获取用户短期动态偏好。为验证LFDMF模型的有效性和可行性,在公开数据集MovieLens-1M和Pinterest上进行对比实验。仿真实验表明,LFDMF模型的HR@10和NDCG@10指标相比传统MF算法分别提升了0.1034和0.1322、0.1181和0.1018;相比DMF模型分别提升了0.0228和0.0323、0.0169和0.0135,推荐性能显著提升。

多层滑移隔震建筑结构的简化模型及其分析精度

多层滑移隔震结构可通过广义双自由度模型(单自由度或双自由度模型)进行简化计算分析。本文首先由振型分解 理论,探讨了滑移隔震结构双自由度简化模型分析参数质量比的取值,在此基础上,通过数值试验的方法,研究了在不同 地震波类型、地震波幅值、结构层数、上部结构固有周期、滑移摩擦系数和模型分析参数质量比影响因素下,广义双自由度 模型对多层滑移隔震结构最大滑移位移的计算精度和适应性。研究表明,上述各因素对模型的分析精度都有影响,其中上 部结构基本周期和模型分析参数质量比为两个较敏感因素。本文由此建议了一个优化分析参数双自由度模型,该模型可 分析上部结构固有周期小于1s结构的最大位移反应,其误差可控制在14％以内。

基于改进神经协同过滤模型的高校选课推荐研究

目前高校线上选课大多不具有个性化推荐功能,导致学生学习效率低下,间接造成教学资源浪费。针对以上问题,基于某高校学生实际选课数据,提出一种改进后的神经协同过滤模型。首先,由于神经协同过滤模型是基于协同过滤思想进行构造,并未引入其他更多特征,所以通过融合上下文信息的方式,提升推荐准确度;其次,广义矩阵分解模型作为浅层模型,表达能力较差,所以通过将广义矩阵分解模型与多层感知机进行串联,赋予模型更深层的网络,增强模型的表达能力;最后,在某高校选课数据集上进行对比实验,验证了模型的可行性和有效性。