噪声和音乐的分形维数

为了辨别噪声和音乐,基于Python语言开发了声音软件SOUND 1.0,对校园内典型的音乐和噪音进行采样,对声音时域信号进行A计权声级分析,并通过傅立叶变换得到频域信号,计算了声音信号的简化盒维数、变分维数和信息维数。研究表明,服务器机房和锯草机械的A计权总声压级分别约为110 dB(A)。噪音时域信号的简化盒维数为1.05~1.12,变分维数为1.38~1.49;音乐的简化盒维数约为1.01~1.41,变分维数为1.32~2.00;噪音频域信号的信息维数为4.14~4.16,音乐频域信号的信息维数为4.09~4.16。

协同过滤技术在个性化推荐中的运用

协同过滤技术是目前运用最广泛的个性化推荐技术之一,但随着系统规模的不断扩大,用户评分数据极端稀疏等问题使其推荐质量严重下降。因此,文章提出将维数简化和聚类的方法运用到协同过滤技术中,从而较好地解决协同过滤推荐技术中存在的稀疏性、扩展性等问题,快速准确地产生个性化推荐结果。

基于近邻关系的个性化推荐算法研究

协同过滤是目前电子商务推荐系统中广泛应用的最成功的推荐技术,但面临严峻的用户评分数据稀疏性和推荐实时性挑战。针对协同过滤中的数据稀疏问题,提出了一种基于最近邻的个性化推荐算法。通过维数简化技术对评分矩阵进行优化,降低数据稀疏性;采用一种新颖的相似性度量方法计算目标用户的最近邻居,产生推荐预测。实验结果表明,该算法有效地解决了数据稀疏,提高了推荐系统的推荐质量。

一种新颖的协同推荐算法研究

为了克服协同推荐系统中的用户评分数据稀疏性和推荐实时性差的问题,提出了一种高效的基于粗集的个性化推荐算法.该算法首先利用维数简化技术对评分矩阵进行优化,然后采用分类近似质量计算用户间的相似性形成最近邻居,从而降低数据稀疏性和提高最近邻寻找准确性.实验结果表明,该算法有效地解决用户评分数据极端稀疏情况下传统相似性度量方法存在的问题,显著地提高推荐系统的推荐质量.