文摘

分析并整理研究传统的在家教育的注意机制和在家教育的注意机制基于双向短期和长期记忆网络智能计算物联网模型和发现双向短期和长期记忆的优势网络智能计算物联网模型。双向短期和长期记忆网络智能计算物联网模型改进,提出一种改进的深层神经网络智能计算物联网,并验证改进的方法基于离散信号在家教育分类实验中,紧随其后的是专注于应用研究双向短期和长期记忆网络的智能计算物联网model-assisted在家教育的注意机制。基于神经网络学习,人类行为识别方法结合时空网络,在家教育方法集成网络双向短期和长期记忆和注意力机制设计。视觉注意力机制是用来增加重量信息深度视觉特征提取卷积神经网络,和一个新功能序列将突出关注权重输出。这个特性序列然后使用递归神经网络IndRNN独立解码最终分类和决定在家教育的范畴。UCF101数据集上的实验表明,该公司的注意机制可以提高网络的分类能力。注意机制可以帮助智能计算物联网模型发现关键特性,和self-attention机制可以有效地捕捉在家教育的内部特性和优化特征向量。我们建议的策略结合self-attention机制与双向短期和长期记忆网络解决家庭教育分类问题和实验验证智能计算物联网模型结合self-attention机制可以更容易捕获家庭教育的相互依赖的特性,可有效解决家庭教育问题,进一步提高家庭教育的分类精度。

1。介绍

持续改进的物质层面上,国家在家庭教育的投资逐渐增加,人们对科学家庭教育概念的需求变得越来越迫切。全国家庭教育协会的建立提供了有利的理论支持我国家族企业的发展。研究的文章和专著家庭教育已成为时代要求。其研究涉及多个视角和可分为三类:一是科普:阅读材料;第二类是流行的阅读材料复杂的故事;第三类是理论研究工作1]。家庭教育是情感和家庭教育的一个重要特性是它是会传染的。家庭教育是父母和孩子之间的沟通和积极或消极的影响父母的话说,行动,和行为在女孩2]。父母是孩子的榜样和生活导师的过程中成长。在当前形势下,深度学习取得了压倒性的胜利在语音识别领域,自然语言处理,和在家教育识别,极大的促进了其他领域的变化(3]。应用深度学习家庭教育数据处理可以取代传统的手工方法标签数据实现实时处理收到的每一块数据,大大节省了手工标注的时间,可以有效地提高家庭教育的效率分析(4]。

物联网技术作为新一代的信息技术,信息技术是一个重要的第三种类型的计算机技术和网络技术后,也是新一轮信息产业迎来了。物联网的出现调节人与物之间的信息沟通和互动控制事物和事情,结合互联网通过各种无线或有线网络。注意模型应用于家庭教育的关注机制的分析,和注意力机制被添加到家庭教育框架来衡量输入特性来测量每个特性当前识别的重要性,关注重要的特点和忽略不重要的功能。注意模型应用于家庭教育的关注机制分析提取特征信息(5]。self-attention机制,作为一种特殊的注意机制,引入在家教育分类任务能够学习依赖这个词在句子和捕获在家教育的内部结构。因此,本文探讨了当前家庭教育领域的技术性分析从家庭教育的实际需求分析,试图找到一个高效、准确的家庭教育基于深度学习技术的分析方法和self-attention机制。深度学习技术的快速发展,神经网络模型由卷积神经网络和递归神经网络获得显著的研究成果在自然语言处理领域,人们使用这些模型(家庭教育数据分析获得一定的实用价值6]。

虽然神经网络有很多优点,但也不可避免的有一些缺点。神经网络的结构和相应的训练方法需要事先指定,需要广泛的设计经验。设计合理的网络结构建模的准确性是非常重要的,网络结构不合理在很大程度上影响了后续的应用网络,并且只选择模型结构正确,让它发挥适当的值(7]。网络的初始值的选择也影响建模,这是直接关系到重量训练的收敛过程。如果不选择适当的初始值,这将延长培训时间,减少网络精度和泛化能力削弱。部分1是介绍。本部分介绍了论文的研究背景和意义,概述了论文的组织。部分2相关的工作。本文的研究的方向和价值分析的国内外研究现状。部分3是家庭教育的研究机制关注基于双向短期和长期记忆网络智能计算物联网模型辅助。本节将使用双向长期和短期记忆网络和智能计算物联网模型分类监管教育数据集,和算法能够极大地提高家庭教育的分类精度较传统方法。部分4结果分析。本节分析家庭教育分类数据集的数据使用双向短期和长期记忆网络智能计算物联网模型和注意力机制技术取得良好家庭教育的分类结果。部分5是结论。这一部分系统地总结了论文的研究内容,分析了缺点,提供了一个展望未来改进的方向。

2。现状的研究

计算智能的基础也可以被理解为连续结构的演变。智能计算的诞生以来,其强大的情报,健壮性和自适应性,吸引了许多研究者的关注,和伟大的突破了在理论研究和实际应用的算法(8]。Kolomvatsos和Anagnostopoulos说道提出一个简单的双向短期和长期记忆网络计算物联网智能推荐算法分类或nonrecommendation,预测结果的平均语义特定短语在家庭教育中,平均精度为74%在最后的实验中9]。乔治和Santra提出自然语言处理和模糊逻辑技术的结合来分析自主学习的内容,实验显示,一个很好的对应情绪集和人工判断自主学习的内容(10]。Mollah等人获得丰富的情感特性通过机器学习方法和融合多个规则和集成的基本特征模型,提高了分类效果的微博人气分类实验。语义规则集成到支持向量机模型完成情感分析任务(11]。实验验证,支持向量机模型结合语义规则更有效情感分类任务(12]。神经网络可以处理文本数据,计算和排序的序列信息的输入对象的影响最终的分类结果。根据排序的结果,与强烈的情感倾向被分配更高的权重降低情感信息的损失。

而神经网络有很多优点,他们不可避免地会有一些缺点。神经网络的结构和相应的训练方法需要事先指定的,这就需要我们有丰富的设计经验13]。张等人获得英国大东电报局深层神经网络模型的训练和应用他们加工任务,如家庭教育标签和家庭教育分类,取得了良好的效果14]。通用电气等人卷积神经网络用于在家教育分析任务并进行了比较实验七集,通过结合卷积内核与最大池大小不同,展示的单层cnn分类任务的有效性(15]。小王和Ashwini提出几个复发性神经网络,如RNN MRNN RNTN,其中RNTN模型使用句法分析树获得(16]。模仿句子结构,麦考马克等人用树LSTM模型模型在家庭教育家庭教育和获得良好的结果分类的任务,这是输入LSTM根据CNN-LSTM时态关系构建模型并将其应用于家庭教育分析任务(17]。家庭教育的内容应该丰富和多样化,不限于传统的家庭教育内容,但多元化主要在家庭教育的内容应该包括所有方面的道德、智力、身体、美学和社会发展(18]。

目前,如何应用双向短期和长期记忆网络智能计算物联网模型和关注家庭教育机制极性分析还处于研究阶段,本文的研究目标是构建一个高效、准确的家庭教育分类方法。在此基础上,本研究的主要研究内容和创新包括以下三个方面的工作。深的损失函数神经网络对模型过度拟合训练有很大的影响。使家庭教育二元分类模型更有效的过度拟合样本预测错误(19),局部线性化在时间限制了该方法的适用性在离散时间域和损害其强大的非线性条件下预测精度。在测试过程中,网上学习的想法是用于参考,和人工判断和再学习机制是进一步提高网络标签的准确性。实验表明,自动标注算法能有效改善热测量数据分析的效率和精度。根据排名结果,更高的权重分配给家庭教育倾向较强的类别来减少家庭教育信息的损失。因此,本文设计了一种双向短期和长期记忆网络智能计算物联网模型和验证模型的有效性,通过定量和定性的实验在不同的在家教育数据集(20.]。

3所示。研究家庭教育关注的机制基于双向短期和长期记忆网络智能计算物联网模型辅助

3.1。家庭教育的关注机制的特征提取基于双向长期和短期记忆网络

在这篇文章中,我们结合BN-Inception IndRNN提出深度学习人类行为识别模型与时空融合网络。空间流网络处理在家教育的注意机制的特性,主要是用来捕获特性具有较强的分化为行动的理解;时间流网络处理连续光流特征,用于学习有效的行动特性。这充分利用时间和空间维度信息的数据,增加网络的深度,同时减少网络的复杂性,并最终达到提高的目的行为识别的准确性。在家教育的注意机制的功能模型基于双向短期和长期记忆网络提出了如图1。

自从获得家庭教育数据也记录的起始位置实际值在整个曲线,首先,热流曲线整体分为三个部分根据起始位置,包括无效的数据部分之前,有效的数据部分,有效的热流段和无效的数据段之后,有效的数据段。在那之后,把两个大无效数据段分成几段。具体方法是使用有效的段的长度数据段的长度,然后从无效数据的开始部分,遵循步骤的滑动窗口长度的0.9倍。该方法依次向后移动,从而将无效数据段划分为多个部分。本文采用变分方程(1家庭教育的问题。第一项是正则化项来获得一个平滑的位移场。

因此,意味着像素强度差别用作在家教育的相似性得分。因此,目标视差映射方程的最小(2)。光流算法使用了H₁参数化求解最小化误差函数和正则项的最小化目标自主学习。给定两个在家教育框架H₀和H₁,目标是找到视差图的误差函数和正则项在家教育的同时最小化,其中第一项是在家教育数据的保真度,第二项是先天的正则项。β表示忠诚和规范化术语之间的相关系数。

教育的效果取决于学校的一致性的影响和家庭。如果没有这种一致性,那么学校的教学和教育过程像一个纸房子崩溃。学校老师与家长通过家访、家长会。每个分段的权重系数是后天习得的通过视觉注意力机制,并最终融合,每个分段的概率分布和IndRNN循环神经网络输入序列学习。最后,结果IndRNN使用行为预测的家庭教育水平。

双向短期和长期记忆网络认为时间维卷积神经网络协会的特征序列,和池操作生成特征向量保持时间顺序不变。我们假设特征序列中提取的时空流网络X= (x₁,x₂、…x_T),所以独立递归神经网络(IndRNN)计算一个隐藏序列向量N神经元在每个时刻t H= (h₁,h₂、…h_T)和输出向量序列f(t)= (y₁,y₂、…y_T),满足方程(3),表示之前的权重系数当前隐层,隐层一个(h₀)表示从隐层到输出层权重系数,β表示偏差系数,h(t)的隐藏的向量表示nth神经单元的时刻t。

计算隐层的双向LSTM模型是一样的隐层的LSTM同一层之间传递和共享的参数。因此,让转发传播的参数V和反向传播的参数U。然后向前传播的双向LSTM如下公式:

网络的正向传播完成后,输出是Softmax操作获取预测值yˆ真正的标签值y计算损失函数。实验使用叉作为损失函数,所以反向传播的推导过程的双向LSTM一样LSTM反向传播过程的推导过程,如以下方程:

3.2。智能计算物联网模型建设

虚拟现实的实践活动集成环境有别于传统的实践活动,对教学提出了更高的要求,环境、模型和过程。基于综合实践活动课程的特点和现状研究,这项研究中,结合互联网,物联网的特点,和其他信息技术、适应性修改基于库伯的经验学习周期循环和综合实践活动教学总结了基于经验学习理论。模型的五个元素是前体学习、实践调查,扩展和扩张,观察和反思,沟通和评估。self-attentive机制的计算过程分为三个步骤。第一步是计算一个元素之间的相似度和关键字,第二步是规范化原始分数,最后,加权值的加权和根据获得的权重系数是用来发现self-attentive的元素的值。关键字用K,函数用F,查询用问用,数据来源年代用山姆的相似之处,注意用价值一个,用权重系数的值V。在这里问=K=V;当进入家庭教育,self-attention计算一次。

介绍了不同的功能和计算机机制根据查询和关键字,然后计算两者之间的相似性,以及物联网的智能计算计算公式所示以下方程:

类似Softmax介绍的计算方法将前面步骤中获得的分数得到权重系数人工智能。公式计算公式(7)。确定一定的阈值高于阈值是一个有效的数据段,低于阈值是一个无效的数据段。输入多个图片最后获得的第三步到卷积神经网络训练再次获得每个图片的信心水平。这些信心与前面的信心阈值相比,和两个划分段获得低于和高于阈值的阈值。

当输入序列n小于表示维度d每一层的时间复杂性self-attention机制是最小的。当n是相对较大的,一种解决方案是限制self-attention机制;计算每个单词,不是所有的话,但只与限制r单词。力机制和卷积神经网络可以平行的和不依赖于前面的计算,这是比循环神经网络;长距离依赖,self-attention机制可以把任何通过计算结果两个句子一个句子中去。字相连,因此长距离依赖特性大大地缩短,及其最大路径长度是1,也可以捕获长距离依赖。一定的滑动窗口中的文本数据转换为固定长度的向量B”将Softmax函数,然后特征数据存入线性SVM分类器进行训练和输出情绪分类的结果,由方程(计算8),C表示训练SVM分类器的误差,W和H表示最终获得的权重矩阵和偏差值,分别l表示损失函数。

神经网络模型训练时,参数的选择和设置是一个非常重要的方面,和培训结果将完全不同的选择不同的参数时,本节和模型的参数设置如表所示1。

叉的损失函数,也称为对数损失函数,是专为分类模型的性能比较和和multiclassification可分为两个叉叉的差异是否二分或multiclassification分类模型。它有以下方程的数学表达式:

遍历整个数据集计算损失函数一旦和更新每个参数的梯度,这种方法称为批处理梯度下降法,参数更新使用方程(10)。G(x)的值kth参数在x迭代,H(x)误差函数的一阶偏微分相应参数,和步长(学习速率),这表明步的大小,决定了每一步的长度沿负梯度方向,和一个当前最优值通常是通过线性搜索,这就增加了计算的努力和影响模型的性能和不支持在线学习。

3.3。分类评价关注家庭教育机制

当一个预测样本分类器是用于处理二进制数据,我们通常分类示例数据分为两类:积极(正面)和消极的(消极的)。当家庭教育样本划分为积极的,这意味着分类是正确的,所以我们称它为真阳性(PT)或真阳性;当积极的家庭教育样本分为消极的家庭教育示例中,这意味着分类是错误的。称它为假阴性或假阴性(NF)。同样,在处理负样本数据时,如果分类器分类负样本数据为负类,负样本数据正确分类,我们称它为真阴性(NT)或真阴性;如果负样本数据分为正类,这意味着分类是错误的,我们称之为假阳性(FP)或假阳性。预测效果评价根据指标的值在以下方程: NS的灵敏度指标分类,NS值的大小可以观察了解积极的样本分为阳性样本。PS是分类器的特异性指标,计算的负样本数据的百分比被归类为负类。Acc的准确率,指标反映了正负样本的百分比都是正确分类的分类。MCC的价值,也称为MCC相关系数度量,反映了Sn和PS指标之间的平衡程度的NS和PS是上面的方程;当这两个指标之间的差异越小,MCC比较大。

评估过程的注意机制的家庭教育,有柔软的评价等方面模型建设和设计的人性化和创新模型建设。因此,本文的评价方法采用非常好,好,一般,差,很差。描述了相关问题,实现基层评价,然后利用模糊数学的模糊数值信息,进行定量分析和评估。

当多个功能都包含在训练模型,混合特征向量的维数可能会变得非常大,由于存在更多随机不均匀初始信息和噪音特性,它将伤害训练模型,来解决这类问题,通常一个特征选择的工具如f值[25]可以用来选择最有效的特征。因此,我们也叫f值指标来识别不同类别之间的特性基于f分数值,和f分数值越大,越强分化不同类别之间的这些特性。表达式计算f值显示在以下方程:

在一些离散分类器或两条机密我们使用分类器,分类决策(Y或N)在每个输出可以表示为一个点在中华民国的空间里,和所有的点的阈值区间收敛成一条曲线,ROC曲线,所以我们可以使用ROC曲线来表示这个阈值区间。此外,我们表达ROC曲线的性能描述,AUC值,公式在方程(13),而具体诊断描述如表所示2。

在方程(13),x表示分类的截断值预测概率和玻璃钢表示负样本被预测为正样本的百分比为以下方程:

4所示。分析的结果

4.1。分析双向短期和长期记忆网络

引入一种注意力机制的影响可以控制在输入序列元素的输出序列和留住更多的重要信息;基于CNN-BO和LSTM-BO模型,米选择值从0.1到1.0,分别增加了0.1。实验结果如图所示2。两个模型的准确性增加然后减少n的值的准确性LSTM-BO CNN-BO模型的模型是82.25%,88.74%米= 0.5,最大值。两个模型展示了一个通用的损失率降低,然后增加的趋势增加米值,在米= 0.5,0.237 LSTM-BO模型的损失率和CNN-BO的损失率模型是0.167,这都是最小值。上述实验结果进行了分析,和阈值米两个模型在本文0.6。

辍学是一种优化方法来解决过度拟合和梯度消失深层神经网络的问题。调查辍学培训结果的影响,这个实验将辍学的价值从0.1到1.0,增加0.1,和实验结果如图3。LSTM-BO模型的精度最高为79.86%,最低的损失率是0.237,和最低的时间消耗是辍学时设置为0.2。最高CNN-BO模型的精度是87.75%。

4.2。智能计算物联网模型分析

智能计算的准确性和f值物联网模型在培训过程如图4Acc,测量,和损失在图4表示的准确性和f值的训练集训练过程,和val_acc val_fmeasure表示的准确性和f值验证设置在培训过程中,分别。从图4可以看出,经过50层的迭代,四项指标的变化曲线趋于平稳,表明该模型在本章已达到最好的培训效果;从图4,可以看出,在50层的迭代,在训练中已经损失降低到最低水平,表明智能计算物联网模型的训练目标已经实现。

最后的实验结果如图四组模型5。从图中的数据4,可以看出,在本章提出的算法模型效果最好,并与传统的CNN模型相比,该算法的精度从87.63%增加到92.51%,和f值从87.92%增加到93.22%,而其算法性能远远超过的SVM算法,传统的机器学习算法中表现相对较好。

4.3。家庭教育的关注机制的评价分析

我们通过ROC曲线转换性能描述成一个标量值通过计算ROC曲线下的面积。当然,AUC作为二元分类器评价指标更受欢迎,更大的AUC值表示更好的性能在家庭教育关注的预测机制。在图6从第一层,蓝色曲线生成家庭教育的关注机制的预测,而红色曲线生成第二层的家庭教育关注预测机制。相应的AUC值也可以看到在图6。AUC值预测增强剂和增强剂强度类别是0.934和0.842,分别,很明显,对于识别增强剂和nonenhancers, AUC值高于AUC值预测强度增强剂类别。然而,两个值达到很高的水平,这表明我们家庭教育的关注机制构建的预测有一定的准确性和稳定性。当开发一个分类器预测家庭教育的关注机制,最重要的是实现尽可能高的灵敏度,同时保持较低的误警率。ROC曲线的优点是,你可以想象这些绩效指标从一个单一的形象。比较曲线与竞争模型是一个快速和简单的方法来选择合适的分类和诊断工具。

我们使用的数据集是相同的标准数据集的其他几个研究之后,我们完成了我们的预测研究在某种程度上,我们比较了各种研究方法的分类预测结果能够客观地分析研究的影响,结果如图所示7。比较不同家庭教育的关注机制的Acc值预测表中,我们可以看到,家庭教育的关注机制构造预测iESW-2L2比一些现有家庭教育的关注机制识别增强剂和nonenhancers预测,和第一层的MCC价值关注家庭教育机制预测是最高的,这表明这个家庭教育的关注机制预测有较好的稳定性,和本文的在家教育的注意机制预测通常在第一层结构的改进研究。此外,我们可以看到从图7第二层的Acc价值的关注家庭教育机制预测达到66.22%,仅次于iEnhancerPred 68.21%但具有最好的稳定性,研究表明有一些效果。

5。结论

首先,当前的主流模型深层神经网络方法在人工智能领域和大数据研究,向前传播,并向后反馈方法在深层神经网络,神经网络的分类,短期和长期记忆的结构和应用神经网络在复发性神经网络进行了研究和分析。在此基础上,隐层激活函数双向递归神经网络的短期和长期记忆是改进,并提出了改进的神经网络模型结合Morlet小波函数。基于简单的离散single-symbol文本分类实验中,模型的有效性和性能提出了验证,通过简要阐明原始递归神经网络的原理和短期和长期记忆神经网络和提出的结合传统小波函数与短期和长期记忆神经网络,以及改变模型级别和激活函数来提高实验结果。注意机制的核心目标是快速过滤掉高价值的信息从大量的数据。在家教育的注意机制的引入分类任务可以学习中的依赖关系法庭教育和捕捉在家教育的内部结构。双向的长期和短期记忆网络智能计算物联网模型帮助在家教育的注意机制研究,双向长期和短期记忆网络智能计算物联网模型基于双向长期和短期记忆网络构造,及其参数修改规则,基于梯度下降法的BP算法推导,分别。提高识别精度,介绍了一个两层的学习策略,和BP算法内在的学习算法,而外部学习采用一种改进的粒子群优化算法,和主要创新是引入早期收敛程度评价指标将人口划分为三个部分,调整自适应地跳出局部最优,分别。在本文中,我们主要研究了序列订单信息功能通过使用各种技术来提取序列订单信息功能。等特征提取序列结构,聚类算法,人工智能分析,和其他方法可用于深入研究。

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

本文的工作是由丽水大学。