基于改进的机器学习协同推荐算法在智能控制中的应用研究

文章首先基于现有的几种协同过滤算法,以及当前算法存在的问题,提出了一种基于用户评分的最近邻协同过滤混合算法,并与经典算法：基于物品的协同过滤算法对比,同时与当下比较流行的几类推算法做了对比。利用最近邻思想解决了数据稀疏导致的准确率下降问题,利用用户评分属性使得推荐不仅更加准确,而且提升了推荐的质量。本文利用MoiveLen数据集进行训练测试,通过与已有经典高效算法的横向和纵向对比,融合在机器学习领域中排序算法,得出不同算法的利弊。通过机器学习实现智能推荐,利用智能信息处理、智能控制决策的控制方式实现智能推荐,在智能控制方面取得较好的效果。     

基于Unity3D的数据结构课程设计自动选题系统设计与实现

"数据结构"是独立院校计算机科学与技术专业重要的一门专业必修课,该课程介于数学、计算机硬件和计算机软件三者之间,是软件设计的基本思想,也是学习计算机的基础."数据结构课程设计"是基于对授课知识的学习,进行为期一周的集中实践.然而传统的选题方式不仅耗时,难以搜索和比较,实验报告也不便于统一地收集和管理,本系统的设计与实现在一定程度上解决了上述问题.     

基于改进Sigmoid卷积神经网络的手写体数字识别

深度学习技术在数字识别领域有着普遍的应用。通过深度学习技术构造神经网络模型,运用不同的激活函数搭配不同的参数初始化策略,对MINIST手写数据集进行训练;构建分析模型,识别图像中的数字,将大数据量的图片降维成小数据量图片,同时保证能够有效保留图片特征;通过对图片数据的分析,加入特征转换过程,利用梯度下降优化器,搭建网络结构,将数据降维,有效地避免过拟合;利用交叉熵验证对模型进行编译和训练,对输出的分类结果进行进一步分析,在Sigmoid激活函数的输出层,通过K最近邻分类算法,设置KNN分类器,进一步提高了分类预测的准确率。MNIST数据集上的实验结果显示识别率为96.2%,在输出层引入K最近邻算法KNN(K-Nearst Neighbors)结合传统卷积神经网络(Convolutional Neural Network, CNN)的全连接层与softmax层,经交叉验证得到99.6%的识别率。