基于3D几何特征深度表达学习的物理系统仿真

针对现有深度学习方法在物理系统仿真中无法处理几何边界与初始条件同时变化的场景的问题,提出将几何边界约束的表达与物理系统仿真解耦的技术思路,设计了几何特征表达学习和物理系统仿真双步骤的技术路线。在构建与外部物理条件无关的几何特征提取模块之后,融合提取的几何特征与物理特征,最后设计基于神经网络的物理系统仿真方法。在应力场预测实验中,所提方法的预测时间为2.63 ms,远低于有限元法(FEM)的0.6 s,且平均绝对误差(MAE)仅为MeshNet的0.389倍。实验结果表明,所提方法能够保持较高仿真精度,同时能够较好地适应不同的几何边界与初始条件。

基于Conv1d-LSTM模型的能源分配预测

能源分配问题往往与其所在区域环境有关,能源分配的预测可以通过当地环境因素数据来推测之后对该区域的能源分配数值,最大程度上分配好能源.LSTM网络预测短期效果良好,但预测较长时期的数据会导致误差积累,速度慢且准确性差;Informer是近期新提出的能源预测算法模型,速度快但在该任务上预测能力不够.本文提出Conv1d-LSTM模型,预测结果优于上述两个模型,具有更低的平均绝对误差和均方根误差.

基于项目评分预测的协同过滤推荐算法

推荐系统是电子商务系统中最重要的技术之一.随着电子商务系统用户数目和商品数目的日益增加,在整个商品空间上用户评分数据极端稀疏,传统的相似性度量方法均存在各自的弊端,导致推荐系统的推荐质量急剧下降.针对用户评分数据极端稀疏情况下传统相似性度量方法的不足,提出了一种基于项目评分预测的协同过滤推荐算法,根据项目之间的相似性初步预测用户对未评分项目的评分,在此基础上,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.实验结果表明,该算法可以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.

信息推荐系统中的朋友关系预测算法设计

伴随着互联网规模的不断扩展,信息过载问题越来越突出。信息推荐系统被视为解决信息过载问题的最有效方法。然而目前的方法大多数仅考虑用户独立的反馈,而忽略用户的社会属性对推荐的重要作用,这对信息推荐系统的性能会造成巨大的影响。为此,本文提出了基于朋友关系预测的信息推荐算法,将用户的社会关系预测引入信息推荐过程中,分别基于用户的拓扑信息及历史交互信息建立用户社会关系的存在性判定及关系类型判定,并利用线性回归分析方法和逻辑回归分析方法实现了基本特征的融合。最后,通过在Epinions和Slashdot真实数据集上的实验证明,本方法能够有效提高用户社会关系预测的准确性。

基于用户实时反馈的协同过滤算法

传统的基于内存的协同过滤算法存在可扩展性不足的问题,而基于模型的协同过滤算法由于模型数据的滞后,造成推荐质量不高。针对以上情况,提出一种基于用户实时反馈的协同过滤算法,该算法在用户提交项目评分之后能实现对推荐模型数据的实时更新,从而更精确地反映用户的兴趣变化。实验结果表明,该算法能够有效地提高推荐精确度并且大幅地缩短了推荐时间。

一种基于用户聚类的协同过滤推荐算法

为解决传统协同过滤算法在生成推荐时的速度瓶颈问题,提出了一种基于用户聚类的协同过滤推荐算法。该算法将推荐过程分成了离线和在线两个部分。离线时,算法对基本用户数据进行预处理,并对基本用户聚类;在线时,算法利用已有的用户聚类寻找目标用户最近邻居,并产生推荐。实验表明,基于用户聚类的协同过滤推荐算法不仅加快了推荐生成速度,而且提高了推荐质量。

基于邻居决策的协同过滤推荐算法

协同过滤技术应用于个性化推荐系统中,稀疏性问题和可扩展性问题成为亟需解决的问题。针对传统方法的不足,提出一种凭借邻居数做决策的方法,比较各个待测位置的用户邻居数和项目邻居数,由数量多的一方作预测,同时对预测值判定给出一种合理而有效的度量方法。实验结果表明,该方法能够提高推荐质量。

基于最小一乘准则的中国粮食产量与影响因素的相关性分析

该文提出了中国粮食产量与影响粮食产量的一些主要因素之间,更多呈现的是指数关系,也少量呈现幂指数关系,为了获得较小的误差从而有较准确的描述定义了一种新的指数型生产函数;指出了最小一乘法是一种能找到在数据背后隐含的,对数据起支配控制作用的"隐函数"的最好方法。将二者捏合起来,用最小一乘法对指数型生产函数模型进行拟合,可以找到符合中国粮食变化的某些规律。该文介绍了最小一乘法和指数型生产函数,将影响粮食产量的5个主要因素(化肥施用量、粮食播种面积、成灾面积、农业机械总动力、第一产业就业人数)与中国粮食产量建立关联,用最小一乘法对生产函数模型进行拟合,并对中国1983-2011年的数据进行处理。在获得29a间中国粮食产量的Mae(平均绝对误差)不超过393万t,以及Mape(平均绝对百分误差)小于0.87%的数据处理结果的基础上,对数据给出的结论进行了解释和分析。1983-2011年的29a间,中国粮食产量的增长主要取决于化肥施用量和农业机械总动力,其中化肥施用量还继续在起"正"影响,而农业机械总动力趋于动态饱和,属于理论上的"负"影响,但不构成实际的"负"效应;粮食播种面积是最大的"正"影响,粮食产量在粮食播种面积在不增条件下,依然可以增长,但是增大粮食播种面积将能够迅速提高中国的粮食产量;成灾面积是粮食增长的"负"影响,影响的绝对量值在增加但相对量值在减小;由于受1984-1991年第一产业就业人数急剧增长的巨大冲击及滞后效应影响,第一产业就业人数的减少对粮食增长构成"负"影响,随着农业现代化与城镇化进程的发展,这种"负"影响在不断减小中。文中对上述这些定性结论给出了具体的定量值。该文并对2012年粮食产量进行了预测,其值为59133万t,预测的误差为0.3%;也对2013年粮食产量进行了预测,其值为61148万t。该文最后对最小一乘法、指数型生产函数等存在的问题进行了必要的讨论。最小一乘准则意义下的指数型生产函数,对中国粮食产量与主要影响因素之间关系的描述具有一定的准确性和指导意义。

基于项的协同过滤在推荐系统中的应用研究

分析基于项的协同过滤在推荐系统中应用及所存在的问题,提出了一个基于项的协同过滤改进算法,并给出了改进算法在标准数据集上的实验结果,对改进算法与原算法进行了相关性能的比较分析,证明了改进算法的有效性。最后,对研究进行了总结,指出存在的不足,提出了进一步研究的方向。

结合似然关系模型和用户等级的协同过滤推荐算法

针对传统协同过滤推荐算法的稀疏性、扩展性问题,提出了结合似然关系模型和用户等级的协同过滤推荐算法.首先,定义了用户等级函数,采用基于用户等级的协同过滤方法,在不影响推荐质量的前提下有效提高了推荐效率,从而解决扩展性问题;然后,将其与似然关系模型相结合,使之能够综合利用用户信息、项目信息、用户对项目的评分数据,对不同用户给出不同的推荐策略,从而解决稀疏性问题,提高推荐质量.在MovieLens数据集上的实验结果表明,该算法比单纯使用基于似然关系模型或传统协同过滤技术的推荐算法,不仅推荐质量有所提高,推荐速度比传统协同过滤算法明显加快.

上下文感知的移动社交网络服务选择机制研究

服务选择机制作为为用户提供智能性、主动性应用服务的一项关键支撑技术,是移动社交网络中重要的研究内容之一.文中提出了基于上下文、信任网络和协作过滤算法的移动社交网络服务选择机制,将上下文相似度引入到服务选择的过程中,并且和信任度相结合,构成"用户-服务-上下文"三维协作过滤服务选择模型.该方法提高了服务选择的准确性和可靠性,避免了服务选择的盲目性和随意性.仿真实验表明,与传统的协作过滤推荐算法相比,该服务选择算法具有更高的准确率.

TRMM测雨产品3B42与台站资料在中国区域的对比分析

本文利用2004—2008年6—8月中国673个气象站逐6小时降水资料检验同期TRMM测雨产品3B42的精度。经检验得出:卫星资料日平均降水和降水频率空间分布与台站资料非常类似,相关系数分别能达到0.79和0.84,降水频率与台站资料相比偏大;从日降水相关空间分布看,卫星资料在东部地区相关性较高,日降水相关系数都在0.6～0.9之间;从日降水和逐6小时降水平均绝对误差空间分布看,卫星资料在华南地区误差最大,长江流域次之;从中国8个区域逐6小时降水总量日变化看,卫星资料与台站资料有很好的一致性,但在华南地区20时降水量偏小;按不同雨量等级对比,发现卫星资料绝对误差相对百分率空间分布有如下特点:小雨全国普遍数值偏高,中雨东部部分地区偏大,大雨和暴雨整体上数值小于1;全国平均漏演率和空演率分别为10%和14%。

基于相似度传递的协同过滤算法

协同过滤算法是个性化推荐系统中应用较广的算法之一。随着用户数量及项目数量的增加,数据的稀疏问题成为影响个性化推荐质量的重要因素。为此,提出一种基于相似度传递的协同过滤算法。该算法能使大于阈值的用户相似度在有限路径长度上传递,增加可用于计算推荐值的用户最近邻居的数量,减少数据稀疏问题的影响,提高推荐质量。

基于可变精度的协同过滤推荐算法研究

基于可变精度方法设计了新的协同过滤算法。首先,选取了电影评价数据集,利用可变精度方法得到新的数据集合,经过协同推荐给出了推荐结果;其次,通过平均绝对误差(MAE)和F-mean两种指标对推荐结果精度进行了评价,发现随着可变精度的提高,推荐性能得到提升,但精度需要控制在一定阈值范围内,否则超过阈值推荐性能反而下降。最后,还利用社交网络上糖尿病微博数据收集对此方法进行了实证研究,从而验证了所提方法的有效性和良好扩展性。

基于中值和多尺度的组合优化滤波器

考虑到一般机器人视觉导航滤波算法的通用性和有效性比较差的缺点,结合中值滤波器和多尺度自适应融合滤波器这两种算法的优点,提出一种基于中值和多尺度的组合优化滤波器。算法首先应用中值滤波,然后进行多尺度滤波处理,最后根据最小平均绝对误差准则,将滤波后结果进行融合处理。实验结果表明:该算法能很好地滤除机器人道路图像各种常见的噪声,从而提高算法的有效性和通用性。

基于相关均值的协同过滤推荐算法

针对在用户评分数据极端稀疏环境下传统协同过滤推荐算法存在的弊端,从提高邻居用户识别准确性出发,对传统相似性度量方法进行改进,在此基础上提出一种基于相关均值的推荐算法。实验结果表明,该算法能增强邻居用户在推荐中的影响力,有效提高推荐精度,改善推荐质量。

改进的基于相关相似性的协同过滤推荐算法

分析了传统CF算法和基于项目评分的CF算法中存在的问题,对其相似性计算和推荐集选取方法进行了改进,并提出了一种优化的CF算法。实验结果表明,该算法同传统CF算法相比能显著提高推荐精度,同基于项目评分的CF算法相比能够有效减少计算复杂度。

基于加权相似度的用户协同过滤方法

协同过滤算法中用户相似性度量的准确性对推荐质量有显著影响。为了提高用户协同过滤算法中近邻选择的准确率,提出一种加权的皮尔逊相关系数(PCC),可根据用户-项目的评分数,直接计算出PCC加权因子。将改进的皮尔逊相似度机制用于Movie Lens,Douban和Epinions数据集进行实证分析。结果表明,提出的算法可以有效提高协同过滤推荐的平均绝对误差(MAE)和准确度。

基于用户兴趣子类的协作推荐算法

随着电子商务规模的进一步扩大,用户数目和文档资源急剧增加,导致用户数据的极端稀疏性。传统协作推荐算法都无法很好地解决数据稀疏性问题。本文提出一种基于兴趣子类的协作推荐算法,通过子类处理思想的引入,使得某两个用户即使整体不相似而因为“局部点”的相似产生有用的推荐,“最近邻居”的发现变得更容易更准确。实验结果表明,该算法能有效地解决用户数据的极端稀疏问题,在同等条件下,相对于传统协作推荐算法有更好的推荐质量。

基于混合聚类的个性化推荐算法

针对传统协同过滤算法存在的数据稀疏性问题,提出了一种基于聚类技术的推荐算法。该算法将SOM与K-means技术相结合对图书资源进行聚类,缩小了需要预测的图书资源数目和最近邻居的搜索范围,达到了为读者提供符合其偏好特征的图书资源的目的。实验结果表明,改进后的算法较好地解决了数据稀疏性问题,提高了推荐系统的推荐质量。