机器学习在丹霞地貌信息系统的应用研究

发布时间：2023-03-04 15:22

　　在大数据时代,一个能灵活地横向扩展、存储海量数据、快速响应高并发访问并基于所存储的数据提供智能化服务的信息系统显得格外重要。尽管目前对于结构化数据的挖掘已经相对成熟,但对于图片等非结构化数据的利用还不够充分,这造成了对数据资源的浪费。在此背景之下,本文从对丹霞地貌数据和系统需求的分析出发,搭建了一个可扩展的信息系统,并将机器学习领域的相关技术应用于丹霞地貌数据之上,为用户提供了丹霞地貌图片识别和丹霞景区推荐等实用性功能。为支持用户以图片作为输入检索丹霞地貌数据,本项目利用了机器学习领域的神经网络技术。由于全连接神经网络在处理高分辨率图像分类上存在训练参数过多、训练效率低下的弊端,本文设计了一个能为分辨率较高的丹霞地貌图片进行分类的卷积神经网络架构。系统定期从数据库中抓取最新的丹霞地貌图片数据,经过一定的预处理,生成用于训练卷积神经网络的数据集合。利用梯度下降算法训练完成之后,用户可上传图片并得到系统预测的图片所属丹霞景区。本项目利用协同过滤算法实现丹霞景区的推荐功能。然而现有的协同过滤算法在处理景区推荐问题时没有考虑到景区之外的影响因子从而导致推荐的准确率低下。为解决此问题,本文提出了...

【文章页数】：82 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景和意义
    1.2 研究目标和内容
        1.2.1 建立可扩展的数据模型
        1.2.2 实现风景自动识别
        1.2.3 优化景区推荐算法
    1.3 国内外研究现状
        1.3.1 非关系型数据库
        1.3.2 神经网络
        1.3.3 推荐系统
    1.4 文章结构
第二章 背景知识
    2.1 神经网络
        2.1.1 神经元模型
        2.1.2 典型神经网络模型
        2.1.3 代价函数
        2.1.4 梯度下降算法
        2.1.5 代价函数的正则化
        2.1.6 反向传播算法
    2.2 支持向量机
    2.3 主成分分析
    2.4 协同过滤
    2.5 本章小结
第三章 系统设计
    3.1 数据建模与持久化
        3.1.1 关系型数据库的特点
        3.1.2 NoSQL数据库的特点
        3.1.3 关系型数据库与NoSQL数据库的比较
        3.1.4 项目持久化方案选择
    3.2 景区图片的自动识别
        3.2.1 基于图片的物体建模
        3.2.2 基于神经网络的图像分类的缺陷
        3.2.3 基于卷积神经网络的景区图像分类优化方案
    3.3 景区推荐的优化算法
        3.3.1 协同过滤算法处理景区推荐的缺陷
        3.3.2 协同过滤算法的改进
    3.4 本章小结
第四章 系统架构与实现
    4.1 信息系统架构
    4.2 景区图像自动识别系统
        4.2.1 数据获取与预处理
        4.2.2 模型架构与相关参数
        4.2.3 模型训练与使用接口
    4.3 优化的景区推荐系统
    4.4 本章小结
第五章 实验数据分析
    5.1 测试MongoDB性能
    5.2 测试景区图像自动识别功能
    5.3 测试景区推荐算法
    5.4 本章小结
第六章 总结与展望
    6.1 全文总结
    6.2 研究展望
参考文献
致谢
攻读硕士学位期间已发表或录用的论文



本文编号：3754525