|
一、 毕业设计的任务
本文旨在利用深度学习技术，构建基于全连接神经网络（MLP）的垃圾邮件分类系统，以提升用户的邮件使用体验并维护服务器的正常工作。设计采用UCI机器学习数据库中的垃圾邮件数据集，通过Pytorch深度学习库搭建MLP模型，并利用优化器进行有标签的监督学习分类。此外，本文还利用PytorchViz库对神经网络进行可视化，以便直观地了解模型结构；同时，使用Canvas库对损失函数值和识别精度的对数变化过程进行可视化，以监控模型训练过程。实验结果表明，所构建的垃圾邮件分类系统具有良好的分类性能和泛化能力，能有效识别并过滤垃圾邮件，为用户提供了更加优质的邮件服务体验。
二、 已经完成的任务
完成了对电子邮件分类系统的研究背景和意义的深入分析，明确了课题的研究目的和社会价值。
系统地梳理了国内外在电子邮件分类领域的研究现状，为后续研究提供了理论基础和参考。
对Python编程语言、PyCharm开发环境以及PyTorch深度学习框架进行了学习和掌握，为实验的顺利进行打下了基础。
设计了基于全连接神经网络（MLP）的电子邮件分类模型，并在理论上论证了其可行性。
成功搭建了实验所需的运行环境，包括软件安装、环境配置等。
完成了UCI机器学习数据库中垃圾邮件数据集的下载与收集，并进行了初步的数据探索与划分。
利用PyTorch深度学习库搭建了MLP模型，并进行了初步的训练。
使用PytorchViz库对神经网络进行了可视化，以直观地了解模型结构。
进行了初步的模型训练，并计算了模型的垃圾邮件识别精度。
使用Canvas库对损失函数值和识别精度的变化过程进行了可视化，以监控模型训练过程。
对初步实验结果进行了分析，根据分析结果对模型结构和参数进行了调整。
开始了论文的撰写工作，完成了绪论、理论概述等章节的初稿。
三、 设计过程中遇到的问题
1. 数据预处理难题
问题: 数据集可能包含缺失值、异常值或不一致的格式，这些都会影响模型的性能。
解决方案: 实施数据清洗，包括填充或删除缺失值，处理异常值，以及数据标准化。
2. 模型选择和设计
问题: 确定哪种神经网络架构最适合电子邮件分类任务可能具有挑战性。
解决方案: 进行多次实验，比较不同模型的性能，选择表现最佳的模型。
3. 软件和环境配置
问题: 在搭建实验环境时可能会遇到软件不兼容或环境配置错误的问题。
解决方案: 仔细检查安装指南，确保所有软件和库都正确安装和配置。
4. 时间管理
问题: 项目进度可能会因为各种原因而延迟，导致时间管理上的压力。
解决方案: 制定详细的时间表，优先处理关键任务，并定期评估进度。
表明了研究团队对问题的识别和解决能力。
四、 下一步的工作计划
1. 数据集增强
计划: 对现有数据集进行增强，包括使用数据增强技术，以提高模型的泛化能力。
2. 模型优化
计划: 继续调整和优化神经网络模型的架构，包括层数、神经元数量和连接方式。
3. 模型部署
计划: 研究模型部署的方法，包括如何将模型集成到实际的电子邮件系统中。
4. 论文修订
计划: 根据中期检查的反馈，对已完成的章节进行修订和完善。
5. 准备答辩
计划: 准备最终的论文答辩，包括答辩PPT的制作和演讲练习。
报告人：
指导教师签名：
|
