收藏本站
《武汉科技大学》 2016年
加入收藏

冷轧带钢表面缺陷匹配信息推荐算法设计与实现

胡碧康  
【摘要】:目前在冷轧带钢表面缺陷处理过程中,由于缺陷信息复杂多变且大都采用人工分析缺陷产生原因的方式,导致相关用户实施整改措施滞后,产品缺陷影响持续扩大。针对这一问题,本文结合当代互联网广泛应用的信息智能推荐方法,对冷轧带钢表面缺陷匹配信息推荐算法进行了研究。根据带钢相关的缺陷信息、用户信息和经验信息的特点,结合内容过滤和协同过滤的优势,采用混合加权的方法,提出一种适用于带钢表面缺陷的混合推荐算法。通过带钢表面缺陷实例数据的分析验证表明,该混合推荐算法对比单一算法具有更高的准确性和用户接受度。本文主要的研究工作如下:(1)对冷轧带钢表面缺陷信息、用户信息和经验信息进行分析和整理,全面总结信息数据的特点,在基于专家经验的基础上建立经验信息映射关系数据表,并根据冷轧带钢表面缺陷信息与用户信息的关联特点,确立打分评价体系。(2)在满足冷轧带钢表面缺陷匹配信息推荐系统对推荐算法的实际需求下,结合基于内容过滤算法和协同过滤算法各自的优点,采用混合加权的方法,设计一种应用于冷轧带钢表面缺陷匹配信息的混合加权推荐算法,其中采用夹角余弦相似度方法作为文本推荐算法,基于贝叶斯网络模型法作为协同过滤推荐的算法。(3)根据冷轧带钢产线实际情况,对其表面缺陷信息进行推荐算法的验证研究。案例中确定混合加权推荐算法的权重系数等值,分别计算得出基于内容推荐算法、基于协同推荐算法和混合加权推荐算法的推荐结果,并从推荐结果、推荐精度、用户接受度等方面对算法进行分析比较。最后设计冷轧带钢表面缺陷匹配信息推荐算法的三个主要软件功能模块:缺陷匹配信息推荐模块、打分数据库模块和文本内容信息库模块,并通过Visual Studio 2013软件开发平台实现冷轧带钢表面缺陷匹配信息推荐算法的功能。
【关键词】:冷轧带钢 表面缺陷信息 内容推荐 协同推荐 混合加权推荐
【学位授予单位】:武汉科技大学
【学位级别】:硕士
【学位授予年份】:2016
【分类号】:TG335.56;TP391.3
【目录】:
  • 摘要4-5
  • Abstract5-9
  • 第1章 绪论9-15
  • 1.1 研究背景及意义9-10
  • 1.2 国内外研究现状10-13
  • 1.3 主要研究内容13-15
  • 第2章 冷轧带钢表面缺陷匹配信息推荐资源分析15-28
  • 2.1 信息资源分类15-16
  • 2.1.1 缺陷信息分类15-16
  • 2.1.2 用户信息分类16
  • 2.1.3 经验信息分类16
  • 2.2 缺陷信息16-21
  • 2.2.1 缺陷信息收集16-20
  • 2.2.2 缺陷信息的特点分析20-21
  • 2.3 用户信息21-23
  • 2.3.1 用户信息的收集21-22
  • 2.3.2 用户信息的特点分析22-23
  • 2.4 经验信息映射关系23-27
  • 2.5 本章小结27-28
  • 第3章 冷轧带钢表面缺陷匹配信息推荐算法设计28-41
  • 3.1 推荐算法技术理论28-32
  • 3.1.1 基于关联规则的推荐算法28-29
  • 3.1.2 基于内容过滤的推荐算法29-30
  • 3.1.3 基于协同过滤的推荐算法30-31
  • 3.1.4 混合推荐算法31-32
  • 3.2 基于内容过滤的推荐算法设计32-35
  • 3.2.1 内容过滤模块算法的模型设计32-33
  • 3.2.2 混合算法中基于内容过滤模块算法的设计33-35
  • 3.3 基于协同过滤推荐算法设计35-38
  • 3.3.1 协同过滤模块算法的模型设计35-37
  • 3.3.2 混合算法中基于协同过滤模块算法的设计37-38
  • 3.4 混合加权推荐算法设计38-40
  • 3.5 本章小结40-41
  • 第4章 冷轧带钢表面缺陷匹配信息推荐案例研究41-52
  • 4.1 混合加权推荐算法在案例中的应用41-44
  • 4.1.1 内容过滤算法模块41-42
  • 4.1.2 协同过滤算法模块42-43
  • 4.1.3 混合推荐模块43-44
  • 4.2 推荐结果分析与算法比较44-46
  • 4.2.1 推荐结果分析44-45
  • 4.2.2 推荐算法的比较分析45-46
  • 4.3 推荐算法实现46-49
  • 4.4 软件的界面展示与功能描述49-51
  • 4.5 本章小结51-52
  • 第5章 结论与展望52-54
  • 5.1 全文总结52-53
  • 5.2 展望53-54
  • 致谢54-55
  • 参考文献55-59
  • 附录1 攻读硕士学位期间发表的论文59-60
  • 附录2 攻读硕士学位期间参加的科研项目60-61
  • 中文详细摘要61-63
  • 英文详细摘要63-64

【相似文献】
中国期刊全文数据库 前5条
1 林雪云;;同好推荐算法的实践[J];武汉工程大学学报;2014年08期
2 石丽丽;刘茜领;张国东;;基于集团序推荐输出的协同过滤推荐算法[J];郑州轻工业学院学报(自然科学版);2012年02期
3 刘洋;李海洋;王育才;;一种基于聚类技术的免疫推荐算法[J];辽宁石油化工大学学报;2011年04期
4 徐守坤;庄福宝;;云环境下基于资源类别聚合的算法[J];常州大学学报(自然科学版);2014年02期
5 ;[J];;年期
中国重要会议论文全文数据库 前10条
1 王韬丞;罗喜军;杜小勇;;基于层次的推荐:一种新的个性化推荐算法[A];第二十四届中国数据库学术会议论文集(技术报告篇)[C];2007年
2 唐灿;;基于模糊用户心理模式的个性化推荐算法[A];2008年计算机应用技术交流会论文集[C];2008年
3 秦国;杜小勇;;基于用户层次信息的协同推荐算法[A];第二十一届中国数据库学术会议论文集(技术报告篇)[C];2004年
4 周玉妮;郑会颂;;基于浏览路径选择的蚁群推荐算法:用于移动商务个性化推荐系统[A];社会经济发展转型与系统工程——中国系统工程学会第17届学术年会论文集[C];2012年
5 苏日启;胡皓;汪秉宏;;基于网络的含时推荐算法[A];第五届全国复杂网络学术会议论文(摘要)汇集[C];2009年
6 梁莘燊;刘莹;;基于效能的学术资源推荐算法研究[A];第六届(2011)中国管理学年会——信息管理分会场论文集[C];2011年
7 高琪;辛乐;;基于用户偏好度模型和情感计算的产品推荐算法[A];第二十九届中国控制会议论文集[C];2010年
8 李扬;陈超;祁麟;俞能海;;一种基于用户行为相似度的协同推荐算法[A];第六届和谐人机环境联合学术会议(HHME2010)、第19届全国多媒体学术会议(NCMT2010)、第6届全国人机交互学术会议(CHCI2010)、第5届全国普适计算学术会议(PCC2010)论文集[C];2010年
9 董媛香;肖智;王现宁;;基于软集合和HeatS+ProbS的混合输入推荐算法研究[A];2013中国信息经济学会学术年会暨博士生论坛论文集[C];2013年
10 贺会磊;郭斌;於志文;周兴社;;基于社交拓扑挖掘的社会活动辅助[A];第八届和谐人机环境联合学术会议(HHME2012)论文集PCC[C];2012年
中国重要报纸全文数据库 前1条
1 记者 王夕;网络也会“读心术”[N];北京科技报;2011年
中国博士学位论文全文数据库 前10条
1 郭磊;社会网络中基于社会关系的推荐算法研究[D];山东大学;2015年
2 聂大成;在线社会网络中的信息推荐技术研究[D];电子科技大学;2014年
3 曾伟;推荐算法与推荐网络研究[D];电子科技大学;2015年
4 朱旭振;复杂网络下基于链路预测的推荐技术研究[D];北京邮电大学;2015年
5 钱付兰;基于商空间模型的协同过滤推荐算法研究[D];安徽大学;2016年
6 王智谨;基于用户分解和社交融合的推荐算法研究[D];华东师范大学;2016年
7 李慧;社会网络环境下的个性化推荐算法研究[D];中国矿业大学;2016年
8 余永红;融合多源信息的推荐算法研究[D];南京大学;2017年
9 贾春晓;基于复杂网络的推荐算法和合作行为研究[D];中国科学技术大学;2011年
10 秦利静;推荐系统模型与学习算法研究[D];清华大学;2014年
中国硕士学位论文全文数据库 前10条
1 梁浩强;移动支付平台精准推荐算法设计与实现[D];华南理工大学;2015年
2 王蒙;基于LDA的文本推荐算法的研究及在文献检索的应用[D];辽宁大学;2015年
3 陆园丽;基于非负矩阵分解的鲁棒推荐算法研究[D];燕山大学;2015年
4 黄建平;基于用户参考价格倾向度的协同过滤推荐算法研究[D];华南理工大学;2015年
5 陈清浩;基于SVD的协同过滤推荐算法研究[D];西南交通大学;2015年
6 卜旭松;基于物品协同过滤的个性化视频推荐算法改进研究[D];宁夏大学;2015年
7 王文昊;基于移动图书馆的个性化推荐算法的研究及应用[D];中国地质大学(北京);2015年
8 马宗学;基于改进受限玻尔兹曼机推荐算法的分布式实现[D];兰州大学;2015年
9 季芸;基于主动学习的个性化推荐算法研究[D];南京理工大学;2015年
10 于嘉;基于MAHOUT的几种推荐算法的组合实现与评测[D];华中师范大学;2015年
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026