⼈⼯智能⽅向毕业设计选题⽅法及建议
⼈⼯智能选题⽅向
选题⽅向
⼈⼯智能
⼈⼯智能已经在语⾳识别、图像处理等⽅⾯取得了巨⼤成功。其研究⽅向可以⼤致分为以下⼏个域： 1. 计算机视觉
⽣物特征识别：⼈脸识别、步态识别、⾏⼈ReID、瞳孔识别等；
图像处理：分类标注、以图搜图、场景分割、车辆车牌、OCR、AR等；
网页抓取数据视频分析：安防监控、智慧城市等；
2. ⾃然语⾔处理
情感分词、实体关系抽取、知识图谱、语⾳识别、⽂本数据挖掘、⽂本翻译等；
3. 数据挖掘
消费习惯、天⽓数据、推荐系统、知识库（专家系统）等；
4. 游戏
⾓⾊仿真、AlphaGo（强化学习）；
5. 复合应⽤
限于⾃⼰的兴趣爱好和上⼿程度，建议⼤家在做该领域的毕业设计时尽量选择⽤⼈⼯智能去解决某个领域或者⽣活中的⼀个⼩的问题，⽐如医学领域的细胞分割、⾃动签到等。以下为为整理的毕业设计项⽬，完全可以作为当前较新的毕业设计题⽬选择⽅向。
▪ 基于卷积神经⽹络的图像风格化处理（或者残差、VGG等）
▪ 基于深度残差⽹络的图像修复系统设计与实现
▪ 基于纹理分析的医学图像处理
▪ 基于全卷积神经⽹络的医学图像分割
▪ 基于⼈脸识别的签到系统的设计与实现
▪ 基于LeNet-5的车牌字符识别研究
▪ 基于卷积神经⽹络的微博情感倾向性分析基于
▪ 基于卷积神经⽹络的鲜茶叶智能分选系统研究
▪ 基于卷积神经⽹络的车型识别
▪ 基于递归神经⽹络的⽣物医学命名实体识别
拉面粉
▪ 基于递归神经⽹络的⽹络流量组合预测模型
▪ 基于递归神经⽹络的焦化废⽔⽔质预报
服务器审计▪ 基于GRU-SVR的短时交通流量预测研究
▪ 基于GRU神经⽹络的燃煤电站NO_x排放预测模型飞碟杯
▪ 电话交谈语⾳识别中基于LSTM-DNN语⾔模型的重评估⽅法研究
▪ 基于LSTM深度学习模型的中国电信官⽅微博⽤户情绪分析
毕业论⽂命题（选题）技巧
你可能现阶段存在的问题：
1.不知道⽼师分配的题⽬应该怎么做，指导⽼师分享的信息不多，⽆从下⼿。
2.⾃⼰定的题⽬总是被⽼师打回去。
命题规则：基于+“什么算法(技术) “+ “（在什么场景下） + 解决了哪⼀类问题”+研究（与应⽤） “什么算法(技术) “：⾸先好的论⽂必须要明确提出使⽤什么算法或者技术，因为从短短的⼏个字中⽼师就能看出你会什么东西，技术怎么样。如LSTM、IndRnn、ATT-IndRnn等；切记不要乱使⽤如下的题⽬：
▪ 基于深度学习的商品标签的识别与检测算法研究
▪ 基于深度学习的单⽬图像深度估计
压铸机料筒的设计▪ 基于深度学习的图像微变化检测算法研究
▪ 基于深度学习的⽂字识别与检测算法研究
▪ 基于深度学习的⾳乐分类算法研究
为什么呢？
1：深度学习太⼴，这样⽼师看的不是很清楚，会误以为你是⼤神，如果确定了某种算法，那么⽼师看起来⽐较明晰。
2.可以稍稍减少⼯作量。如果题⽬范围⼴，，那么在你的论⽂中要体现多种深度学习算法之间的结果对⽐等，这样在⽆形中就增加了你的⼯作量，如果你的题⽬是：基于ATT-IndRnn的⽂字识别与检测算法研究，那么在公开数据集下做实验的时候，你就只需要做与循环神经⽹络相关的⼀些模型实验，⽽其他⽅法的模型的实验结果可以直接拿来⽤或者忽视不做。
“（在什么场景下） + 解决了哪⼀类问题”
“（在什么场景下） + 解决了哪⼀类问题”：在确定这个问题的时候，你要确定在所研究或者解决的问题域中数据集好不好，或者与之相似的数据集好不好等。切记空想、乱想，脑袋⼀热就确定，⼀定要相关⽂献、问相关同学。
研究（与应⽤）：如果你只想做算法的研究问题，那么命题末尾就最好是研究，如果你想让这个算法赋予实际的应⽤，那么⼀定要加上应⽤。
如：基于AFM模型的⾳乐分类算法研究；这个题⽬你就可以在⾳乐数据集尚只做算法的研究。
基于AFM模型的⾳乐分类算法研究与应⽤；这个题⽬你不仅需要研究算法，还要对该算法赋予实际的应⽤。
备注：AFM模型为Attention Factorization Machines的缩写。
难度把控
普通存在的问题：(对于只要求顺利毕业的同学)定题不能定的太难，也不能定的太简单。太难了，⾃⼰做不出；太简单了，⼯作量不够，论⽂也没法写， 甚⾄进不了答辩。
深度时空建议：结合最新的深度学习模型，将这些⽅法应⽤到常见的领域，能够做到对该⽅法有所了解，且会解决⽣活中最常见的问题，这就基本符合毕业的要求了。
那么问题来了，什么才是最新的深度学习模型呢？如：2018年以后某篇英⽂论⽂提出的某个⽅法，或者⾃⼰对深度学习模型进⾏创新组合等。那么什么是⽣活中最常见的问题呢？⽐如往年⼤家都做的哪个⽅向，⼤家可以接着做这个⽅向，因为你不⽤发愁数据集问题。
获取编程视频课程+语法词汇解析+⾯试题库
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议