关于硕士毕业论文的思路整理

一.总体思路
有人用方法1解决问题A，有人用方法2解决问题B，那么试一试能不能用方法2的思路或者在2的基础上，改进方法1从而更好地解决问题A，这就是能够出论文的点。

整体的思路：
数据获取
特征工程
模型的选择和调优
模型的验证和误差分析

备注：另外有几点可以考虑
1.对于训练集数据处理方面，进行算法改进优化
2.对于已有成熟模型，就行优化调参
3.最新的深度学习算法（多层神经网络）应用，目前国内较少，查到几篇论文，但同类型的例如深度学习模型预测风电短时功率较多
二.机器学习算法

分类算法： 逻辑回归（LR），朴素贝叶斯（Naive Bayes），支持向量机（SVM），随机森林（Random Forest），AdaBoost，GDBT，KNN，决策树…

回归算法： 线性回归（Linear Regression），多项式回归（Polynomial Regression），逐步回归（Stepwise Regression），岭回归（Ridge Regression），套索回归（Lasso Regression）

聚类算法： K均值（K-Means），谱聚类、DBSCAN聚类、模糊聚类、GMM聚类、层次聚

降维算法： PCA（主成分分析）、SVD（奇异值分解）

推荐算法： 协同过滤算法
三.相关文献整理
整理方法
1.题目
2.应用的算法
3.改进了什么

1.基于深度学习理论的短期风速多步预测方法研究
风具有强随机不确定性,目前,准确的风速及风电场功率预测是解决规模化风电并网安全高效运行的重要基础。本文将深度学习理论应用到风速预测领域中,通过深度神经网络的强大非线性映射能力,自动地将风速变化模式提取出来,可以有效提高预测精度。通过深度神经网络模型进行天前风速短期多步预测实验,结果表明:深度神经网络与其他方法相比,预测误差在大部分情况下均处于较小水平,预测效果较其他四种统计方法较好。
2.基于变分模态分解和蝙蝠算法-相关向量机的短期风速区间预测
：现有的风速预测方法大多是确定性的点预测,无法描述风速的随机性。针对该问题,建立基于变分模态分解(VMD)和蝙蝠算法-相关向量机(BA-RVM)的短期风速区间预测模型。对原始风速序列进行变分模态分解获得多个子序列;采用样本熵(SE)算法对子序列进行重组得到3类具有典型特性的分量;对各分量采用相关向量机算法分别建立预测模型。为进一步提高预测精度、缩小区间范围,引入蝙蝠算法(BA)对预测模型进行参数优化。将各分量的预测结果进行叠加求和得到一定置信水平下总体的区间预测结果。实际算例结果表明,与现有方法相比,所提区间预测方法的预测精度和区间覆盖率更高,区间宽度更窄
3.关于利用空间相关性预测风速的评述
风速的空间相关性有助于提高其预测