文摘

与艺术产业的持续应用在各个领域,越来越多的人选择系统地学习艺术产业的知识。在艺术专业,形象绘画艺术的重要内容之一。如何提高学生的审美素质和全面的专业素质进行了研究,在图像的内容学习绘画艺术是关键。因此,我们开展了技术探索和结果分析基于高斯变异遗传算法来优化神经网络的应用在图像绘画艺术教学。我们使用高斯变异遗传算法学习神经网络优化教学云平台技术。与传统算法相比,本文提出的算法有更多有趣的计算效率,能够全面评估和提高学生的审美素质和全面的专业素质。高斯变异遗传算法可以有效地提高知识搜索能力的平台和教学平台的运行速度。在未来研究领域的艺术产业,神经网络优化教学云平台技术,已奠定了坚实的基础为提高学生的审美素质和全面的专业素质。

1。介绍

面对多元化的社会发展,大多数人的需要满足一个更好的生活1]。越来越多的人开始追求美的发现。在艺术行业人才也可以帮助各领域向前发展,跟上时代的变化(2,3]。图像绘画教育技术的主要部分是整个艺术教学活动。整个图像绘画学习时间占50%以上的美术教学(4]。如何使学生的专业知识更稳定和创造性是绘画艺术教学中值得注意的一个问题。目前,图像绘画艺术的教学中存在的问题主要包括完善教学体系和相对较小的功能覆盖率(5]。各种专业课程的相互渗透对绘画教学有很大的影响。有伟大的学生的整体能力和需求的差异。绘画艺术是一个高要求的主题形象自己的创造力和思维能力6]。更重要的是,在教学中,我们坚持传统的线下平台教学。它不能实现更科学、智能的教学方法(7,8]。

随着人工智能的发展和计算机行业的领先,机器学习的培训能力发生了变化。神经网络算法和深度学习提高和优化在原来的基础上(9,10]。遗传算法(GA)是一个遵循自然规则的深度学习搜索算法和规则(11]。其基本原则是结合人工智能功能与自然生成的算法规则(12]。通过优化参数,不同的功能进化神经网络算法实现。查询操作的主要特征是,变量和参数之间交换数据信息检索(13,14]。遗传算法适用于解决非线性问题或神经网络优化问题。第一个模拟试验是基于传统的神经网络算法。在预测精度和速度,遗传算法的性能优于(15]。高斯模型遗传算法有很多。高斯变异的突变是通过改进遗传算法搜索和检索功能,也就是说,提高局部搜索能力,比如搜索范围和方向(16]。高斯变异也是一种优化算法。首先,很少有人注意到,其使用非常小的范围。发现该算法可以提高预测系统和过程复杂信号数据(17]。最初发明的目的旨在满足大规模生产的成品。然后,它逐渐用于图像模型试验和样品采集。

提高学生的审美素质和综合职业素质,图像的内容学习绘画艺术是关键。为了优化神经网络的应用在图像绘画艺术教学,本文基于技术探索和结果分析高斯变异遗传算法。本文创造性地使用高斯变异遗传算法来学习神经网络优化教学云平台技术。通过大量的数据分析,在线平台可以模拟教学环境。还分析了教学质量评价的图像绘画艺术。

本文分为三个部分。第一部分的发展趋势和现状分析和总结了遗传算法优化神经网络,提出了图像高斯变异遗传算法优化神经网络技术。第二部分是应用技术研究高斯变异遗传算法优化的神经网络在图像绘画艺术教学。本文主要分析了高斯变异遗传算法的优化过程和图像呈现教学云平台技术的支持。高斯变异遗传算法的局部搜索能力和教学MOPSO模型的应用进行了研究。第三部分分析了应用高斯变异遗传算法在图像绘画艺术教学。首先,绘画艺术教学的应用效果的云平台基于高斯变异遗传算法和神经网络技术进行了分析。最后,应用效果的高斯变异遗传算法在图像绘画艺术教学进行了分析。

2。相关的工作

图像绘画艺术创作的过程中,我们需要得到灵感来自整个社会的背景和我们自己的经验。如何画的概念融入教学不仅需要艺术主要的支持,也是现代科学技术的支持(18]。随着信息时代的发展,深度学习和神经网络算法的应用在教育和教学是变得越来越近。使用这个新算法建立一个绘画艺术教学平台可以促进学生之间的实时交互和教学过程19]。与其他神经网络算法相比,遗传算法用于优化神经网络。遗传算法优化的主要特点如下:首先,遗传算法可以搜索数据来自多个数据点的信息,这是不同于其他算法从一个起点。它可以改善当地的解决方案的最大问题20.]。其次,遗传算法优化和可视化仿真根据可变参数函数的评价信息。具有良好的全局遍历性能力并能获得最优解在复杂的数据结构21]。最后,通过遗传算法优化的神经网络可以一起处理各种数据和搜索人口变量的参数同时,为模型的建立提供灵活性[22]。

一些研究模拟和建立模型根据自然法则和生物学特性23]。创建一个算法,遵循自然法则,适合在复杂环境中数据采集和搜索遍历函数。这也是一个自动自适应优化概率算法。遗传算法的交叉和变异操作包括,可以改变传统的神经网络算法模式根据自己的特点。然后,根据深度学习和遗传算法,机器学习训练模型,遗传算法实现了机器学习的功能。

在1960年代,一些科学家开始研究自然的仿生技术。基于遗传算法,进行数据处理和模型预测复杂问题[24]。然后,使用遗传算法优化神经网络和计算机领域的应用。目前,这种机器学习用于医学领域,军事领域,等等。

优化算法是晋升为整数操作,浮点操作,等等。各种各样的研究人员有效地应用遗传算法优化神经网络模糊变量参数的计算和模型预测体系建设25]。然后,根据国际会议上,许多深度学习神经网络专家探讨遗传算法优化神经网络的优点。

深度学习发展的神经网络算法,首先,在研究机器学习培训模型中,神经网络算法用于优化和改进模型。优化模型是准确的和可行的。广泛应用于模式识别、语言识别、人工智能、教育教学环境,和其他领域。科学家们还提出了变异概率基于并行遗传的优势。根据高斯变异和遗传算法的优化,使用变异算子提高局部搜索能力。的发展,神经网络遗传算法和高斯变异的基本原理。综上所述,本文提出了使用高斯变异遗传算法来优化神经网络研究在绘画艺术教学中的应用。教学云平台和高斯变异详细介绍了优化数学模型。

3所示。应用高斯变异遗传算法来优化神经网络在图像绘画艺术教学

3.1。应用遗传算法优化神经网络的云平台形象绘画艺术的教学

为了提高绘画教学的质量,我们注重可行性,教学的有效性和准确性。为了提高绘画教学的沟通和教学能力,我们使用一个云平台不同的从传统教学环境来支持教学过程。根据遗传算法的神经网络进行了优化,并提高整个平台的调度算法。从数据的角度反馈和用户响应,优化神经网络比传统的神经网络更有效率。平台的建立可以自动生成各种服务和功能软件在云环境中。学习者不需要在自己的电脑上安装云服务平台。他们可以实现在线课程,作业复习,作业提交,通过云服务平台和其他功能。这个功能可以让用户最终成为一个方便的手机或平板电脑等载体。云平台还可以存储资源信息和教学知识后大数据搜索公共使用模块和自动分类和存储的数据信息通过不同模块之间的差距和类别。因此,整个云平台的服务器具有较高的响应速度和响应速度。 The overall structure design of painting art teaching cloud platform is shown in Figure1。

云平台的结构设计主要包括多个网络框架的水平,和网络框架是由多个部分组成的。具体内容如下:教学平台用户,信息和通信网络,三层框架平台,和云网络结构。教学平台客户的主要功能是支持整个平台运行智能设备和连接到云服务器,然后输入或捕获数据学习的信息提交到云上。显示整个过程的图像绘画艺术教学通过智能设备。信息沟通是一个网络的数据处理和交互。网络的三层框架结构主要是表示结构层,业务逻辑层和数据访问层。它的具体功能是回应请求指令由学生和动态发送指令和经理之间的平台。最后,云计算网络结构主要负责学生的请求的过程中图像绘画艺术教学,如调度相关的知识内容,文学,和图片数据。云计算网络结构还可以管理大量的知识平台中的数据。

为了提高运行速度和云平台服务器的整体效率。我们用遗传算法来优化神经网络,提高教学平台。资源选择函数的等价和优先级资源约束机制被添加到遗传基础设施。通过分析变量参数的编码和解码规则,结合云平台的功能,基于资源知识编码方法被选中。任务的总数计算如下:

算法的计算公式如下:

最后,输出数据解码,计算矩阵的目的是获得每个任务的完成时间和总额。时间计算公式如下:

任务计算结果数据自动分类计算每个数据节点的坐标。计算任务的完成时间节点变量参数。的总时间计算如下:

定义初始变量的相关参数后人口,相应的处理节点的数量匹配。神经网络算法用于分类限制平台资源。随机产生相应的变量参数,参数的数量是已定义的变量的数量。遗传算法中的适应度函数可以捕获变量参数的优势并选择下一代进化方向的优势。最后,全局最优解。可变参数的函数公式完成时间如下:

任务的总时间适应度函数如下:

遗传算法的优化过程包括选择、交叉、变异,主要给下一次迭代变量数据的方法。首先,选择效率最高的变量参数,然后计算公式结合变异交叉。计算的概率获得整个数据:

一个新的搜索路径是由突变交叉操作:

然后,建立整个平台模型。熵方法用于规范化数据。首先,数据源是标准化。计算公式如下:

标准化后,对数的要求是根据平均值和差值。翻译后的值

公式,定义变量和运动距离翻译价值。然后,它定义了图像的评价指标绘画艺术教学平台:

每个索引的熵计算如下:

熵指数差异系数和归一化权重值如下:

最后,整个数据样本的质量计算公式在图像绘画艺术教学资源如下:

具体步骤如下:首先,知识资源编码统一生成原始变量参数组。有限的资源进行分类根据计算公式,和生成的随机变量参数作为初始变量满足限制条件。根据编码和解码功能、任务和功能的总数健身计算。然后,数据计算概率,概率获得的最优自适应参数选择。新的迭代个人通过交叉变异操作的变量参数。继续操作,直到获得全局最优解。我们将开展教学云平台上的仿真设计实验和比较传统的遗传算法和遗传算法的性能优化神经网络。这两个参数设置根据处理任务的数量,和整个任务的比例如图2。

从图片可以看出,与传统遗传算法相比,遗传神经网络优化算法可以在不同数量的更新任务。任务完成效率的分析和遗传迭代的整个平台如图3。

有一定的差距的传统遗传算法和优化算法。遗传算法的神经网络优化可以提高完成任务的效率,可以更好地处理复杂的数据问题。在算法和云平台的结合,它可以优化平台的整体性能,实现用户满意度。

3.2。研究基于高斯变异的图像绘画艺术教学技术优化搜索算法和MOPSO模型

有必要优化算法的数据计算图像绘画艺术教学仿真模型的建立。数据迭代的过程中,有必要来平衡算法的搜索范围和使用随机流模式形成新的变量。然而,这种算法的缺陷在于穷人的能力范围检索和反馈检索的速度慢。最终的数据的准确性不高。目前,许多学者引入神经网络算法来优化局部搜索能力,从而提高搜索性能和反馈速度。为了增加一些操作来提高收敛性和多样性,MOPSO模型的选择问题,即。变异算子,增加了,主要是为了解决这个问题,算法快速收敛于局部优化。添加扰动可以收敛到全局优化。灵感来自上面的算法,提出了一种基于优化的搜索算法和高斯变异MOPSO数学模型计算的准确性和反馈速度图像绘画艺术教学模式。更新的主要方法是根据前面的结论为本地搜索算法优化和随机选择变量生成最新的参数变量。通过这种方式,改善算法的开发能力。 Finally, Gaussian mutation algorithm is used to update the parameters, so as to improve the feedback speed and accuracy of the whole model. In data acquisition, the image information in the teaching of image painting art is captured first. The structure of the formed two-dimensional image pixel matrix is shown in Figure4。

为了提高准确性和限制过早回归,高斯变异算法优化和更新的参数变量。最早的统一的本地搜索算法是一种工具来评估设计的质量。该方法实验较少,可以提高数据采集的能力。在本地搜索,两个随机变量可以完成一组控制实验。在实验中,实验变量和控制变量设置,选择最优参数变量根据目标函数的计算值。如果函数的价值目标是当地最好的价值范围内,然后进行二维空间计算代替原来的变量。这个二维随机分布的解决路径的搜索变量如图5。

如果一个参数的最优值大于另一个参数,它将取代该参数对后续操作。引入高斯变异算子优化搜索后,它可以解决当地近距离的搜索性能,每次生成平均值的分布函数,并计算平均差矩阵。结果被认为是高斯分布的最高数值坐标曲线。高斯变异的公式如下:

的过程中发现最新的变量值和全局最优解,变量组通常有数值误差的现象导致模型计算的结束。我们使用高斯变异算子引入多目标变量组MOPSO算法模型,可以解决数据问题的多样性和优化算法的运行速度和性能指标。添加动态变化的主要过程是根据实时突变的数量和更新迭代时间流的最优解。变异个体的总数的增加将减少时间优化模型。每一代的个体更新变量将在衰变的状态作为一个整体,最后得到最简化迭代的个人数据。具体的变化如图6。

根据高斯变差函数,变量计算表达式如下:

根据计算结果,我们可以知道搜索路径优化高斯变异更简单、更快捷,可以提高整个教学平台的性能。和优化MOPSO算法模型也增加的速度反馈教学信息传播平台。

4所示。分析的应用高斯变异遗传算法来优化神经网络在图像绘画艺术教学

4.1。研究结果分析遗传算法优化神经网络的图像绘画艺术教学云平台

本文使用遗传算法来优化神经网络,结合云计算技术,形成一个在线云教育平台。图像中绘画艺术教学云平台,各种软件之间的交互和不同的设备基本上是意识到,随时随地使学生独立获取知识和学习绘画艺术形象。我们使用机器学习系统培训模拟数据收集和分类和存储获取的知识。最后,它可以在平台环境中均匀分布,提高了整个服务器的性能和响应速度的反馈。与此同时,我们模拟教学平台,主要是针对整个系统的处理模式收集图像信息时,火车模型,模拟和分析图像信息。处理线在绘画的过程中图像数据通过神经网络技术优化遗传算法如图7。

然后,我们测试图像绘画艺术教学平台、教学质量和主要数据指数是通过使用遗传算法优化神经网络技术。实际产出之间的比较和预测输出如图8。

根据实验结果,优化后的神经网络模型的预测结果遗传算法基本上是与实际结果一致。基于传统的神经网络结构,遗传算法优化的神经网络模型具有较高的应用价值。它可以提高整个教学应用平台的整体性能,并提供有效的、科学的评价和发展方向图像绘画艺术教学。

4.2。优化搜索算法和高斯变异MOPSO模型的图像绘画艺术教学研究成果分析

为了测试高斯变异的可行性和性能优化算法中,我们使用不同的问题维度测试和评估算法。测试函数用于建立多维实验,所以高斯变异算子可以独立运作。高斯变异算法的平均误差和标准偏差在不同尺寸如图9。

根据图中的曲线变化,高斯变异算法的平均误差值在不同维度的搜索性能,可以应用于教学平台的建立模式。

为了证明我们的MOPSO模型的效率高,本文对传统的模型和优化模型的性能从变量影响的数量的迭代次数和变异概率。该指数变化如图10。

总之,高斯变异优化搜索算法可以提高效率的知识检索数据捕获图像绘画艺术教学平台。教学模式的总体性能提高了使用高斯变异优化MOPSO模型技术。它可以解决这个问题的数据混合的过程中同时运行多目标变量,使图像绘画艺术教学应用程序模型解决复杂数据源的问题和运行很快。

5。结论

随着人们的渴望更美好的生活和他们的需求越来越满意,他们开始注意发现美的能力。形象的艺术绘画已逐渐成为中央从艺术专业知识。仍有许多缺陷在传统图像绘画艺术教学中,如不能随时沟通和分散分布的图像绘画艺术的知识。基于上述情况,本文提出了一种高斯变异遗传算法来优化神经网络技术的应用在图像绘画艺术教学。传统的神经网络算法不能满足教学模式来提高性能和运行效率。基于遗传算法优化网络结构可以减少运行时间,提高结果数据的准确性。我们结合遗传算法优化神经网络与云平台来构建一个应用程序平台形象绘画艺术教学。主要目的是提高学习者和教育者之间的沟通和互动,提高图像绘画艺术的分散的知识。然后,高斯变异优化搜索功能是用于提高数据信息处理的过程。最后,高斯变异算法用于构建仿真模型的图像绘画艺术教学应用,以及传统MOPSO之间的性能和适用的功能模型和优化MOPSO模型进行了比较。 The results show that the model optimized by Gauss mutation algorithm has high performance and applicability and can provide effective help for the establishment of image painting art teaching model. However, the model in this paper is computer simulation based on the simulation model, which is somewhat different from the actual data. Therefore, more data research support is needed in future research.

数据可用性

使用的数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作是由河南省高等职业学校年轻的核心教师项目(2019 gzgg114)。