首页--工业技术论文--自动化技术、计算机技术论文--计算技术、计算机技术论文--计算机的应用论文--信息处理(信息加工)论文--模式识别与装置论文

基于机器学习的资产类商品估值系统的设计与实现

摘要第5-6页
ABSTRACT第6-7页
第一章 绪论第11-17页
    1.1 课题研究背景第11-12页
    1.2 国内外研究现状第12-14页
    1.3 本研究主要内容和创新点第14-15页
    1.4 论文的组织结构第15-17页
第二章 相关概念介绍第17-33页
    2.1 迁移学习第17-18页
        2.1.1 迁移学习概述第17-18页
        2.1.2 迁移学习的使用方法第18页
    2.2 卷积神经网络第18-23页
        2.2.1 卷积神经网络概述第18-20页
        2.2.2 卷积神经网络的结构第20-21页
        2.2.3 卷积神经网络VGGNet概述第21-23页
    2.3 自编码器第23-24页
        2.3.1 数据降维第23页
        2.3.2 自编码器概述第23-24页
    2.4 多层感知器第24-29页
        2.4.1 反向传播算法第24-27页
        2.4.2 感知器的概念与结构第27-28页
        2.4.3 多层感知器的概念与结构第28-29页
    2.5 集成学习第29-32页
        2.5.1 集成学习概述第29-30页
        2.5.2 选择性集成学习理论第30-32页
    2.6 本章小结第32-33页
第三章 基于迁移学习的户型图分类研究第33-49页
    3.1 总体设计第33-34页
    3.2 户型图预处理第34-39页
        3.2.1 灰度化处理第34-35页
        3.2.2 墙体线分割第35-38页
        3.2.3 墙体线降噪第38-39页
    3.3 户型图特征提取第39-40页
        3.3.1 基于迁移学习的户型图特征提取原理第39-40页
        3.3.2 基于迁移学习的户型图特征提取实验第40页
    3.4 数据降维第40-44页
        3.4.1 浅层稀疏自编码器概述第40-42页
        3.4.2 栈式自编码器概述第42-43页
        3.4.3 基于栈式自编码器的数据降维实验第43-44页
    3.5 基于多层感知器的户型分类第44-48页
        3.5.1 多层感知器结构设计第44-47页
        3.5.2 基于多层感知器的户型分类实验第47-48页
    3.6 本章小结第48-49页
第四章 基于选择性集成学习的房屋估值模型研究第49-65页
    4.1 实验数据第49-51页
        4.1.1 基础数据第49-50页
        4.1.2 周围配套数据第50-51页
    4.2 数据分析第51-52页
        4.2.1 分类特征描述第51-52页
        4.2.2 数量型特征描述第52页
    4.3 数据预处理第52-57页
        4.3.1 缺失值处理第52-54页
        4.3.2 异常值处理第54-55页
        4.3.3 归一化处理第55-56页
        4.3.4 对数化和标准化处理第56页
        4.3.5 热独编码第56-57页
    4.4 评价模型指标第57-58页
    4.5 回归模型构建第58-62页
        4.5.1 岭回归第58-59页
        4.5.2 随机森林第59-60页
        4.5.3 因子分解机第60-61页
        4.5.4 模型XGBoost第61-62页
    4.6 基于选择性集成学习的回归模型构建第62-63页
        4.6.1 模型理论第62-63页
        4.6.2 基于选择性集成学习的回归模型实验第63页
    4.7 本章小结第63-65页
第五章 总结与展望第65-67页
    5.1 研究总结第65-66页
    5.2 展望第66-67页
参考文献第67-71页
致谢第71-73页
作者攻读学位期间发表的学术论文目录第73页

论文共73页,点击 下载论文
上一篇:基于神经网络的代码自动生成技术的研究与应用
下一篇:高分辨率遥感影像去雾方法研究