文摘

随着大数据的时代,如何快速获取有效信息有效地传播信息技术已成为最受欢迎的话题。研究表明,人类的大脑的能力来处理数据和信息是无法比拟的机器,和图像的处理是成千上万倍的单词。基于深度信念网(DBN)算法,本文研究的技术信息可视化图形设计教学程序。首先,深刻的信念网络的结构分析探讨其技术应用在图形信息重建。得出DBN算法可以用来解决问题的分类、回归、尺寸计算、特征点采集、计算精度等机器学习培训。然后,图形本地设计的变形技术研究基于DBN算法构建可视化教学平台和分析该算法的技术研究成果信息图形设计。DBN的结果表明,算法可以快速解决问题的图形处理复杂的特性,改变原始图像的局部变形设计,形成新的特征点数据,并将它添加到教学平台,并提高模型快速学习和培训的能力,优化教学平台的运行效率。

1。介绍

与大数据5 g的迅速发展的时代,当今的媒体社会具有双重任务信息传输和处理的1]。根据许多学者,人类大脑处理信息的速度和效率是非常高的。其中,图片和图形的信息加工和处理成千上万倍的话说,如果我们想要实现机器学习培训,我们首先从图形和图像(2,3]。由于信息图形设计需求的增加,越来越多的人愿意学习信息图形设计(4]。这个专业的基本思想是实现图形可视化的过程中基于数据信息。在教学设计中,我们需要学习的视觉图形显示数据信息采集、获取、筛选、逻辑结构,等等5,6]。

在传统的教学模式,我们应该首先培养学生能够独立地收集数据,知识,信息,和其他元素的主题内容(7]。然后,课程培训是用来让学生快速获取的数据信息和系统地学习。深度学习,也被称为人工神经网络,可以建立各种各样的机器模型来取代人类训练和学习的过程8,9]。目前,深学习算法是人工智能发展迅速,智能识别,仿真建模、图像处理等领域。其中,遗传神经网络,卷积神经网络,循环神经网络,深度信念神经网络和其他算法模型不断在各领域的应用(10]。为了提高传统信息可视化图形设计教学的缺陷,如无法处理大量的数据信息,传输速率低,和不准确的输出数据结果(11]。我们使用深层信念算法(DBN)在深学习优化教学信息的可视化图形设计。为了解决快速和自动学习机器学习问题,深层信念网络是一个快速学习和训练算法的DBN (12]。通过分析DBN算法模型,本文发展一个新方向的学习算法和该技术适用于各个领域13]。DBN算法可以进行预处理,即融合特征点改善复杂的数据节点的结构和提高准确性和质量的数据输入模型。根据神经网络优化,形成的模型参数变量(14,15]。

本文分为三个部分。第一部分是简要介绍发展的深层信念算法在深度学习和信息可视化图形设计教学的基本思想。因此,教学研究内容的信息可视化图形设计基于DBN算法。第二部分是相关工作讨论一些相关论文在这个领域。第三部分是图形处理技术在信息图形设计通过使用DBN网络算法结构。本文主要关注深层信念网络结构技术和图像重建算法的教学平台。然后,可视化教学平台的建设信息图形设计进行了研究。本文分析了图形分类和处理教学的模式。第四部分是教学研究的结果分析信息可视化图形设计基于DBN算法。首先,该算法的重建结果的信息图形分析。 Finally, the research results of the deformation processing technology model of information graphics design using the DBN algorithm are analysed. The final part is the conclusion to show some important findings and suggestions.

2。相关工作

信息图形设计需要以图形的方式显示获得的数据和信息。在这个过程中,它需要满足的要求清晰、准确性,和图形信息的可读性16]。因此,我们需要选择专业的逻辑关系适合这种性质在教学设计中,过程复杂和杂项数据信息,排序和分类信息(17]。在传统的教学中,学生需要重复信息图形设计的培训与学习很多次。机模型,使教学模式更需要能够处理信息数据根据人脑的思维模式形成了图形变换(18]。完成整个教学模式的设计,我们首先需要研究和分析DBN算法,然后使用可视化构造工具形成图形和信息之间的关系。信息自动生成图形数据的教学模式19]。

随着人类大脑科学和计算机科学的发展,深入学习算法的概念正逐渐改善(20.]。人工神经网络训练模型的技术由研究人员逐渐关注。在教育教学领域,主要技术是基本的神经网络的形式转换成深度学习培训。一些学校使用深层信念算法优化认知结构,但效果并不理想。原因在于教学模式过于关注机械学习,不能充分发挥学生的创新能力。

的发展深度学习算法,该算法逐渐结合人工智能设备(21]。主要反映在DBN的深度学习算法和反向传播神经网络与优化相结合,形成分析笔迹相似的能力和处理模糊图像的笔迹和其他功能。在这个实验中,他们发现,基于DBN的神经网络算法可以准确地识别时间参数,提高模型的识别效率和准确性。

根据神经网络算法和情况下,科学家提出了一种神经网络结构优化的遗传算法(22]。这种神经网络结构是代表人类识别、语音处理、图像数据分析等领域。随后,遗传算法优化神经网络结构,结合很深的信仰和主要的研究方向是将该算法应用到解决问题的不完整的文本信息。此外,文本信息分类,优化DBN算法可以识别错误的单词的大量丢失的文本信息。

深入学习算法的发展也在世界的前沿23]。许多研究者主要分析深度学习算法的性能和浅神经网络算法在数字识别的研究24- - - - - -28]。随后,证实深相信网络有很大的适用性和效率高。图形设计领域的信息,基于DBN模型构建算法(29日]。实验表明,该算法可以提高模型的准确性来表达抽象的意义的信息数据,也能迅速处理图形信息和有效地分类信息30.]。总之,本文分析了深层信念网络技术在许多国家的发展趋势。我们使用该算法来构建信息可视化图形设计教学模式。

3所示。信息可视化图形设计技术研究和教学平台设计基于DBN算法

3.1。信息图形设计重建技术研究基于DBN算法

DBN算法是基于人工神经网络的发展优化迭代中,主要使用生物神经网络的结构和浅神经网络结构基本概念生成概率计算模型。变量参数的分布范围的样本数据计算,以便在网络结构重量值可以计算的最大概率学习和培训的输出数据。主要功能是提高训练模型的准确性和分类函数,它可以表示抽象意义的信息。该算法的基本原理是将遏制的叠加与反向传播神经网络形成深度学习监督算法。模型训练过程中,元可以从高到低,达到训练的目的机培训。pretraining,结构变量的初始数据监管层的神经网络组第一,然后,模型的参数的变量结合反向传播神经网络结构略有调整。因此,DBN算法结构,没有其他神经网络结构计算数据梯度现象消失。它提高了精度和效率的信息可视化图形设计教学模式。深度信念网络的结构如图1。

疟疾行动的过程中,数据的复杂性需要分类和计划。当原始BM玻耳兹曼机面临着复杂的数据结构,培训时间会更长,这是不利于训练模型的效率。为了改善这种情况,遏制疟疾结构如图2。

DBN算法结构,输入水平接近尾声,这水平不影响对方,而是由多个组织遏制和监事。有两个步骤:没有深度学习,监督学习和培训,并监督microadjustment。在遏制层次结构,初始状态需要分配:

一个由重量值和连接节点。其余是由数值计算节点的偏移位置和输入变量参数维度。每个变量对应于一个状态模式,状态能量越小,越稳定整个模型。参数变量被确定后,网络结构的概率分布计算如下:

从上面的公式,它可以确定初始状态和节点之间的状态水平独立形成。每一层的激活概率如下:

上述公式包含激活函数。当渐层的状态决定的,也是相互独立的激活函数:

函数,通过分析元DBN算法可以用来处理分类、回归,尺寸计算,时间序列,特征点采集、计算精度,在机器学习培训和其他问题。

实验结果表明,不存在梯度减少实验数据计算了DBN算法,从而增加培训效果的有效性。监督培训过程的模型,它能有效地解决长期的训练时间的问题。

在本文中,我们需要分析和过程中的图形教学模式和使用数据采集来构建图形重建系统。数据采集的工作内容是存储和过滤数据从测量获得的信息。然后,图形数据的信息传播到图形重建系统。机器上显示的图形设计将通过重建算法。通过规范的分布参数和变量之间的非线性关系,获得近似模型公式如下:

DBN算法引入分析层计算在图像重建平面设计计算。只考虑变量的定值,和矩阵的灵敏度不需要解决。DBN算法用于构造非线性输出数据和输入数据之间的关系。最后,图像的灰度值可以通过检测。我们将介绍DBN算法分析普通重建系统的性能。收集的数据量之间的对比曲线的精确的灰度值图像如图3。

它可以看到从图中的曲线变化,DBN算法的引入后,随着数量的增加的数据,精度变化在一定高度和基本趋于稳定。这表明DBN算法的引入可以提高图形设计的加工精度和重建技术。

DBN算法,迭代过程需要更新每一元,和变量的范围和方向参数不同的每次更新后。因此,有必要重新定义计算范围。如果选择的范围相对较大,很容易降低精度。如果选择范围小,收敛反馈速度会降低。为了解决这个问题,我们使用自适应算法来更新参数。通过改变一系列连续的迭代和方向控制的输出数据作为遏制疟疾训练过程中,计算公式如下:

公式的值范围代表变量的增加和减少系数。如果变量参数范围的方向更新在每个迭代中是相同的,系数增加;否则,它将减少。自适应算法的介绍后,变量参数更新机制改变:

更新后的参数可以代表自适应算法的输出结果,和连接权值也可以代表更新方向之间的差异和之前的算法。通过调整稳定时间加快调整速度,它可以显示有数据差异变化时不稳定的可能性。范围减少时,微调范围也将减少。因此,在训练和学习预处理阶段,该算法可以准确地找到满足的函数参数的最优解的条件。DBN微调的过程中,BP算法通常是用来监督和调整参数根据目标函数的梯度方向。然而,这种算法的反馈速度较慢时接近目标函数的值,这将导致整个训练时间的增加。因此,我们用拟牛顿法的BP算法来减少梯度,以加快DBN算法的训练和学习速度。反馈的速度曲线的比较拟牛顿算法和BP算法的比较目标函数参数如图4。

从图可以看出4反馈速度接近目标函数值高于利用拟牛顿算法,利用BP算法。

拟牛顿算法使用参数的目标函数与导数的数值计算来构造一个近似矩阵信息,可以解决缺陷的增加时间面对大量的数据参数,也可以满足预定的反馈速度。拟牛顿算法的目标函数公式定义如下:

灰度值的输出数据和预测输出结果定义,分别在公式,也就是说,重建的图像的灰度值的误差。微调操作,DBN重量数值公式调整如下:

公式定义了搜索范围的方向任意数量的迭代和使用范围参数来得到最优的目标函数梯度和搜索方向的数据解决方案:

通过以上计算,最后输出数据矩阵如下:

因此,根据上面的公式,我们可以使用DBN算法在信息图形设计的教学模式得到重建的图形设计。该算法也可以改善整个模型的准确性平面设计和教学模式的运行速度。比较DBN算法与传统的概率计算,DBN算法可以减少长期的复杂的信息处理问题概率计算。DBN的迭代更新算法,自适应算法可以加快调整速度和增加数据变化时的稳定性。这些优势普通概率计算是不存在的。

3.2。研究局部变形技术和教学平台信息可视化图形设计基于DBN模型算法

随着大数据的时代,如何处理大量的信息数据获取需求内容和知识正在成为一个问题。准确的翻译和理解是我们需要解决的关键问题。信息图形设计中,首先是实现可视化的功能。信息可视化可以计算从石墙古代绘画的传播信息。随着科学技术的发展和信息技术的支持,我们也将信息可视化图形设计推向高潮。图形是一种携带信息的意义。人们交流和传递信息根据眼睛的视觉感知。也就是说,信息传达和视觉表达,信息内容集成和适当的图形设计载体分类。因此,在信息图形设计教学模式的建立,图形应该首先改变了。首先,本文研究了平面变形设计。 In graphic design transformation, the simplest way is to modify the shape and control the deformation process. However, the traditional deformation design will produce boundary aliasing. In order to improve this situation, we propose to use the DBN algorithm to optimize the local deformation of graphics.

首先,特征点被定义为局部变形中心,然后,位置和影响因素的特性计算范围。然后,获得新的图形设计风格通过添加像素来补充变形区域。特征像素作为DBN算法的输入数据,之后获得的变形函数获取当地的信息。DBN算法可以准确地捕获图像的风格特点:

根据公式,原始图的定义是DBN的基本特性数据图,和先进的特征点的不同级别的图形变形区是通过培训和学习。然后,影响因素系数定义变量。每个区域的像素值范围也不同。下面的公式用来计算像素值范围:

为了确保稳定的变形效率,我们建立一个DBN图形变形实验的仿真平台。预处理后收集到的数据,设置对照组和实验组,分别。原始图像作为对照组,和图形设计基于DBN算法作为实验组。两组数据的变化如图所示5。

总之,使用DBN平面设计优化算法可以快速有效地实现局部设计变更和提取图像特征点和输入到计算数据可视化平台。比较这两个图像,图形设计优化后DBN算法可以改变重新分类的地方特色。局部特征点应用于构建一个新的平面设计的元素。其中,我们比较特征点的数量由DBN处理算法与原始图像的特征点数量根据形象的定义和形象因素,如图6。

从图可以看出6平面设计变形数据引入后的DBN算法可以快速获得特征点信息图形清晰的低。它比使用更可行的原图构建教学模式。输入处理的DBN算法添加到可视化教学平台,主要由visual c++开发。采用标准系统接口,功能模块包括两个部分:教学管理系统和学生系统。的核心算法教学平台使用空间技术来存储图形的设计方案和使用云数据自动分配和校准数据的获得信息。特性的图像处理的DBN算法存储通过使用线性最小二乘法的三维空间坐标处理。最后,平面设计的新数据可以随时提取教学模式。

4所示。结果分析的信息可视化图形设计技术和基于DBN教学平台设计算法

4.1。分析研究成果的信息图形设计和重建技术基于DBN算法

摘要DBN算法实现信息图形设计重构技术的研究。源数据的网格图网络结构分离,和某个范围阈值设置为图像像素。控制像素的灰度值是255,和统一设置大于像素范围是0。最后,原始图像映射到处理后的重建图像,并获得的灰度图像如图7。

它可以看到从上面的灰色系数DBN算法可以准确地分类像素满足要求。统一设置的灰色系数可以简化复杂图形的问题无法在图形设计处理。在图像重建过程中,我们分析了影响根据图像相关系数和图像的错误。相关系数越大,误差值越小,证明了图像重建的效果更可行的和有效的。DBN算法和传统算法之间的反差系数如图8。

根据图中的曲线比较,重构图像的DBN算法明显优于传统算法,具有较高的转换效果。获得特征点与原方法相比,DBN算法下的重建系统可以优化图形特征和准确地捕获类似的图形设计的差异。最后,大量的不同的数据获得统一的图像重建,这可以提供一个信息可视化图形设计的新设计方案。DBN算法还具有更快的训练和学习速度比传统的算法在微调阶段,使平面设计的速度训练的教学模式。也就是说,教学模式进行实时信息传输时,它可以生成图形设计方案表达信息内容的速度。

4.2。分析当地的变形技术在信息可视化图形设计基于DBN算法

为了证明当地变形信息可视化技术图形设计基于DBN算法可以帮助教学模式提高图形设计数据,减少图形预处理错误,在这个实验中,我们将首先获得的信息进行内容分析,然后,在预处理后规范化操作,图像分为变形区和原始的地区。与原始图像相比,我们可以看到,使用DBN算法的变形过程是比较理想的,可以解决当地问题的边界图像混叠。常见的局部变形算法和DBN算法处理图像用于几次,和的数量和精度的对比曲线如图的两种方法9。统一的图形时,两种算法的误差系数曲线随时间变化如图10。

可以看到从上面的比较图,与像素的增加,普通的变形算法不能保证精度稳定状态的变化范围,和DBN算法可以提高精度的增加像素。随着时间的增加率,DBN算法可以减少误差系数的预期范围误差系数,所以我们建议使用DBN算法预处理图形在信息图形设计。DBN算法可以提高模型的精度,减少误差系数在平面设计一代。

5。结论

随着信息社会的不断发展,我们开始关注如何表达信息高效、迅速的意义。许多科学研究表明,深度学习算法训练模型和实现信息可视化图形设计的目的传播消息。本文首先分析了信息图形设计的意义和作用的发展趋势深度信念DBN学习算法在深。根据许多研究成果的DBN算法,应用技术的DBN算法提出了信息可视化图形设计教学。然后,DBN算法研究和探讨在信息图形设计和重建技术,介绍了自适应算法pretraining阶段找到输出数据的最优解。信息图形处理的DBN算法可以简化原始图像,形成灰色系数图像。这个方法可以解决问题的模型混乱当大量的信息和图形数据输入。灰色系数图像添加到教学仿真模型作为学生的基本数据查询或重建图像。结果表明,图像重建质量,可以提高训练速度和准确性在pretraining DBN的微调阶段算法。与传统的算法相比,它具有更好的可行性和适用性。 Finally, the paper studies the technology of the DBN algorithm in information visualization graphic design deformation operation and analyses the results of the DBN algorithm and traditional algorithm in error coefficient, time rate, and accuracy. Experiments show that the DBN algorithm has higher accuracy in processing graphics and can provide a large number of high-quality graphics data for the teaching visualization platform.

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

这项工作是由河南理工大学。