在大數(shù)據(jù)時(shí)代,一個(gè)能靈活地橫向擴(kuò)展、存儲(chǔ)海量數(shù)據(jù)、快速響應(yīng)高并發(fā)訪(fǎng)問(wèn)并基于所存儲(chǔ)的數(shù)據(jù)提供智能化服務(wù)的信息系統(tǒng)顯得格外重要。盡管目前對(duì)于結(jié)構(gòu)化數(shù)據(jù)的挖掘已經(jīng)相對(duì)成熟,但對(duì)于圖片等非結(jié)構(gòu)化數(shù)據(jù)的利用還不夠充分,這造成了對(duì)數(shù)據(jù)資源的浪費(fèi)。在此背景之下,本文從對(duì)丹霞地貌數(shù)據(jù)和系統(tǒng)需求的分析出發(fā),搭建了一個(gè)可擴(kuò)展的信息系統(tǒng),并將機(jī)器學(xué)習(xí)領(lǐng)域的相關(guān)技術(shù)應(yīng)用于丹霞地貌數(shù)據(jù)之上,為用戶(hù)提供了丹霞地貌圖片識(shí)別和丹霞景區(qū)推薦等實(shí)用性功能。為支持用戶(hù)以圖片作為輸入檢索丹霞地貌數(shù)據(jù),本項(xiàng)目利用了機(jī)器學(xué)習(xí)領(lǐng)域的神經(jīng)網(wǎng)絡(luò)技術(shù)。由于全連接神經(jīng)網(wǎng)絡(luò)在處理高分辨率圖像分類(lèi)上存在訓(xùn)練參數(shù)過(guò)多、訓(xùn)練效率低下的弊端,本文設(shè)計(jì)了一個(gè)能為分辨率較高的丹霞地貌圖片進(jìn)行分類(lèi)的卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。系統(tǒng)定期從數(shù)據(jù)庫(kù)中抓取最新的丹霞地貌圖片數(shù)據(jù),經(jīng)過(guò)一定的預(yù)處理,生成用于訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的數(shù)據(jù)集合。利用梯度下降算法訓(xùn)練完成之后,用戶(hù)可上傳圖片并得到系統(tǒng)預(yù)測(cè)的圖片所屬丹霞景區(qū)。本項(xiàng)目利用協(xié)同過(guò)濾算法實(shí)現(xiàn)丹霞景區(qū)的推薦功能。然而現(xiàn)有的協(xié)同過(guò)濾算法在處理景區(qū)推薦問(wèn)題時(shí)沒(méi)有考慮到景區(qū)之外的影響因子從而導(dǎo)致推薦的準(zhǔn)確率低下。為解決此問(wèn)題,本文提出了...

【文章頁(yè)數(shù)】：82 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景和意義
    1.2 研究目標(biāo)和內(nèi)容
        1.2.1 建立可擴(kuò)展的數(shù)據(jù)模型
        1.2.2 實(shí)現(xiàn)風(fēng)景自動(dòng)識(shí)別
        1.2.3 優(yōu)化景區(qū)推薦算法
    1.3 國(guó)內(nèi)外研究現(xiàn)狀
        1.3.1 非關(guān)系型數(shù)據(jù)庫(kù)
        1.3.2 神經(jīng)網(wǎng)絡(luò)
        1.3.3 推薦系統(tǒng)
    1.4 文章結(jié)構(gòu)
第二章 背景知識(shí)
    2.1 神經(jīng)網(wǎng)絡(luò)
        2.1.1 神經(jīng)元模型
        2.1.2 典型神經(jīng)網(wǎng)絡(luò)模型
        2.1.3 代價(jià)函數(shù)
        2.1.4 梯度下降算法
        2.1.5 代價(jià)函數(shù)的正則化
        2.1.6 反向傳播算法
    2.2 支持向量機(jī)
    2.3 主成分分析
    2.4 協(xié)同過(guò)濾
    2.5 本章小結(jié)
第三章 系統(tǒng)設(shè)計(jì)
    3.1 數(shù)據(jù)建模與持久化
        3.1.1 關(guān)系型數(shù)據(jù)庫(kù)的特點(diǎn)
        3.1.2 NoSQL數(shù)據(jù)庫(kù)的特點(diǎn)
        3.1.3 關(guān)系型數(shù)據(jù)庫(kù)與NoSQL數(shù)據(jù)庫(kù)的比較
        3.1.4 項(xiàng)目持久化方案選擇
    3.2 景區(qū)圖片的自動(dòng)識(shí)別
        3.2.1 基于圖片的物體建模
        3.2.2 基于神經(jīng)網(wǎng)絡(luò)的圖像分類(lèi)的缺陷
        3.2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的景區(qū)圖像分類(lèi)優(yōu)化方案
    3.3 景區(qū)推薦的優(yōu)化算法
        3.3.1 協(xié)同過(guò)濾算法處理景區(qū)推薦的缺陷
        3.3.2 協(xié)同過(guò)濾算法的改進(jìn)
    3.4 本章小結(jié)
第四章 系統(tǒng)架構(gòu)與實(shí)現(xiàn)
    4.1 信息系統(tǒng)架構(gòu)
    4.2 景區(qū)圖像自動(dòng)識(shí)別系統(tǒng)
        4.2.1 數(shù)據(jù)獲取與預(yù)處理
        4.2.2 模型架構(gòu)與相關(guān)參數(shù)
        4.2.3 模型訓(xùn)練與使用接口
    4.3 優(yōu)化的景區(qū)推薦系統(tǒng)
    4.4 本章小結(jié)
第五章 實(shí)驗(yàn)數(shù)據(jù)分析
    5.1 測(cè)試MongoDB性能
    5.2 測(cè)試景區(qū)圖像自動(dòng)識(shí)別功能
    5.3 測(cè)試景區(qū)推薦算法
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 全文總結(jié)
    6.2 研究展望
參考文獻(xiàn)
致謝
攻讀碩士學(xué)位期間已發(fā)表或錄用的論文



本文編號(hào)：3754525