排序方式: 共有13条查询结果,搜索用时 0 毫秒
1.
2.
协同过滤是个性化推荐系统中的常用技术,数据稀疏性是影响协同过滤算法预测准确度的主要因素。提出了改进的Slope One算法,在该算法中,首先根据用户历史评分计算项目间相似性,然后依据项目相似性选取当前活跃用户评价过的k个相似项目记为邻近项目集合,并计算目标项目与其邻近项目的评分偏差,最后以项目间相似性为权重,计算当前活跃用户对目标项目的评分预测值。该算法使用邻近项目进行计算,降低数据的稀疏性,同时减少了计算量。使用标准MovieLens数据集对该算法的预测结果进行验证,结果表明:相对于原算法,该算法提高了预测的准确性,与其他协同过滤算法相比,推荐准确度也有明显的提高。 相似文献
3.
一种新的基于时空混沌的单向Hash函数构造 总被引:1,自引:0,他引:1
对时空混沌中常用的耦合映像格子模型(coupled map lattice,CML)和已有的基于时空混沌的单向Hash函数构造进行了分析,在此基础上提出了一种新的基于时空混沌的单向Hash函数构造方法.首先根据Lyapunov指数谱确定CML中参数的取值,然后用线性变换后的消息来更改CML的状态,并通过迭代来扩散消息中每个字节对CML状态的影响,Hash值从最终的CML状态中抽取.研究结果表明,该方法具有很好的单向性、弱碰撞性、初值敏感性和灵活性以及更高的计算效率. 相似文献
4.
5.
新能源并网后的供电体系存在具有较高的间歇性和随机性,这将为电力生产和调度的平衡带来巨大挑战,而如何量化电力负荷的不确定性对电力系统安全经济地运行起着重要作用。为此,提出一种基于多目标和贝叶斯优化(multi-objective optimization and Bayesian optimization, MOBO)的深度学习区间预测模型,能在给定的置信水平下描述电力负荷的变化趋势。在预测模型的构建过程中,依据分位数回归理论计算出电力负荷在不同分位点处的预测区间,再通过有效性检验,筛选出合理的预测模型。同时,采用多目标优化和贝叶斯优化算法理论对深度学习模型的超参数进行调优。使用美国纽约州米尔伍德的电力负荷数据集对所提出的模型进行验证,实验结果表明,与其他模型相比,模型在不同置信水平下均有着更高的预测区间覆盖率和更窄的区间平均宽度,更能精确地描述未来电力负荷的波动范围。 相似文献
6.
7.
8.
9.
10.
针对网络中的多播路由问题,提出了同时兼顾时延、平衡和网络层业务量均衡多目标优化的应用层多播路由优化模型.该模型综合了网络层多播的高效率和应用层多播的灵活性的优点.通过将混沌免疫进化算法用于解决应用层多播路由多目标优化问题,最终产生一组最优非劣解集.该算法能够较好地保持种群的多样性,且收敛速度快,搜索能力较强,可以克服采用单目标路由优化方法的不足.最后仿真实验结果表明了该算法的有效性. 相似文献