应用神经网络算法结合蜂群算法在英语课程的建议

文摘

传统的BP神经网络的缺点是容易陷入局部最小值、收敛速度慢。针对BP神经网络的缺陷(BP神经网络),一个人工蜂群算法(ABC)提出cross-optimize BP网络的重量和阈值参数。本研究主要是对BP神经网络算法的应用在英语课程推荐技术。它包括BP神经网络算法的应用在英语课程推荐技术,英语课程教学设计模式,应用BP神经网络算法在英语课程,和最优组合的蜜蜂蜂群算法和BP神经网络。4690次迭代后,神经网络达到目标的准确性,和培训完成。同时,模型的预测误差小于10%,这进一步表明,预测模型的性能很好。因此,本文建议的组合模型。结果表明,优化算法提高了解决方案的准确性和加快网络的收敛速度。

1。介绍

优化技术是一项应用技术基于数学找到最好的目标优化问题可行解在某些时间约束(1]。提出在17世纪微积分包含优化的想法。自我优化理论提出,其研究一直是非常活跃的,随着科技的发展,人民对优化技术的研究越来越深入,也扮演了重要的角色在促进人类文明的发展2]。中国英语课程标准(实验稿)由教育部制定的中国在2001年正式出版。本课程标准体现新的教育理念,决定了新英语课程的性质和任务,描述了具体的课程目标和内容,并提出具体实施建议。作为一个指导原则,这课程标准将有一个伟大而深远的影响在中国英语教育的改革(3]。

机器学习(ML)是人工智能和计算机科学的一个重要研究领域,并逐渐发展成为一个其他相关学科的重要技术支持。特别是近年来,不断有adopting-driven机器学习方法,使用机器学习和数据分析技术已经成为一种重要的技术来解决复杂的问题(4]。人工蜂群算法是一种优化算法提出了基于个体的行为寻找花粉的蜜蜂殖民地彼此合作。它有一个强大的全局搜索性能。虽然蜜蜂的研究和应用蚁群算法(BP)没有长,越来越多的学者研究了由于更少的参数的优点和容易实现(5]。

2009年,Karaboga和其他人完成了由ABC算法训练神经网络,取得了良好的效果(6]。作为一个先进的人工智能技术、神经网络算法非常适合处理非线性和噪声数据,特别是对那些问题特点是模糊的,不完整的和不完整的知识或数据(7]。神经网络算法具有自适应,自学习,自组织,容错性好,鲁棒性、并行性、和联想记忆,已被广泛用于解决问题的模式识别、预测、优化控制和智能决策(8]。“标准”的课程设计提出了设置必修课和选修课,课程设计基于“研究field-subject-module”和实现课程管理的信用体系。必修课,有综合英语课程1,2,3,4,5,6。选修课程包括英汉翻译、应用写作、报纸阅读,英语演讲,文秘英语,科技英语,英语文学欣赏影视欣赏课程。这几乎是所有的副本在大多数高校大学英语课程。如果不改革,大学英语,它将不可避免地导致伟大的重复和浪费教学资源9]。

传统的BP神经网络的缺点是容易陷入局部最小值、收敛速度慢。针对传统BP神经网络的缺陷(BP神经网络),本文创造性地提出了一种人工蜂群算法(ABC) cross-optimize BP网络的重量和阈值参数。本研究主要是对BP神经网络算法的应用在英语课程推荐技术。优化算法提高解决方案的准确性和加快网络的收敛速度。

本文分为五个部分。第一部分阐述了研究背景不同的优化技术,包括神经网络和机器学习。第二部分阐述了相关的研究文献。第三部分阐述了人工蜂群算法的内容(ABC),第四部分阐述了BP神经网络算法。它包括BP神经网络算法的应用在英语课程推荐技术,英语课程教学设计模式,在英语课程和BP神经网络算法和优化相结合的蜜蜂蜂群算法和BP神经网络。最后,总结了全文。

2。相关工作

人民对自然的理解的深化和生物学的迅速发展,许多学者和专家观察和研究生物组织并开始模仿简单的个体的合作所产生的群体智能设计算法来解决复杂系统的优化问题。ABC是一种新的智能启发式算法,提出了胡锦涛et al。(10]。该算法来自蜜蜂行为的研究和模拟。陈等人提出了误差反向传播(BP)算法的多层前馈网络并行分布式处理,成为一个主要的转折点的复兴神经网络算法研究[11]。Babaeizadeh等人指出,神经网络的研究包括神经网络的基本理论,网络学习算法,网络模型,和网络应用程序,其中更受欢迎的是神经网络学习算法的研究。其中,BP算法是最基本的和最受欢迎的监督学习算法,这是相对成熟的理论和实际应用(12]。徐,斯利瓦斯塔瓦进一步提出,我们应该把重点放在如何组织各种学习机器,让他们到一个系统,当我们知道不同的模型的优点和缺点,以解决特定的问题。一些研究人员使用不同的学习机器,如最近邻分类器、神经网络算法、支持向量机、决策树构造混合合奏(13]。

贾等人的研究表明,实现个性化推荐,我们主要推荐不同的课程不同的学习者基于聚类分析技术。在网络教育平台,有必要向学习者推荐不同的课程(14]。根据不同程度的学习者的兴趣课程,学习者应该集群和划分为不同的簇,然后那些学习者最大的相似性与目标学习者应该在同一集群中,和学习者的兴趣不同的课程应该用于推荐课程目标的学习者。激发函数,分段函数作为激励函数,或介绍陡度因素。吴et al .,通过研究,提出了调整激发函数,以便乙状结肠非线性函数可以避免造成的BP神经网络误差非常大或非常小神经元的输入,甚至发生网络故障收敛(15]。

文学的研究(16)表明,传统BP神经网络的收敛速度很慢,而且很容易陷入局部最优。通过引入BP网络连接权重和阈值的调整,提高网络的全局搜索能力,减少网络的训练时间,提高BP神经网络的训练精度。他等人指出,在中国成功的加入世界贸易组织(WTO) 2001年,外汇扩张和渗透到许多领域,如政治、经济、文化、科技、和军事事务,和复合人才需求越来越精通专业,有很强的外语技能在各行各业,和外语的工具性和应用特点越来越突出(17]。胡锦涛等人表演,英语教学指的是学习英语为目标,但社会建构论认为,语言学习也应该有教育价值,应该有利于学习者的全面发展18]。匿名研究员指出,英语课程的评价应根据课程标准的目标和要求,实现有效的监控整个教学过程和结果,它阐明了评价的作用和与课程的关系19]。

3所示。人工蜂群算法(ABC)

人工蜂群算法(ABC)是一种群体智能优化算法,模拟了蜂蜜的蜜蜂收集行为。它提供了一种新方法解决全局优化问题领域的科学。因为它有一些控制参数的优势,容易实现,和简单的计算,它已经被越来越多的研究者关注。蜜蜂是一种社会性昆虫。单个个体的行为很简单,和能力很弱,但该组织组成的个体显示了较强的协调能力和生存能力20.]。蜜蜂殖民地在本质上总是可以找到高品质蜂蜜来源与效率高,能够适应环境的变化和获得更高的收入21]。通常,大部分的工蜂在蜂房里停留“内部工作,”,其中只有少数蜂巢随机寻找食物来源。一旦良好的蜂蜜收集地方或新的高品质蜂蜜来源被发现,他们将成为蜂蜜收集蜜蜂和飞回蜂房告诉那些“后台”的工蜂在蜂房里关于食物的位置和信息之间的距离蜂巢,蜂蜜来源在圆圈跳舞或“图1“也告诉食品和蜂蜜的质量来源的类型由花粉在自己身体的气味,呼吁每个人收集蜂蜜(22]。巢的工蜂不仅可以判断方向和距离的花蜜源检测蜜蜂的舞蹈,而且评估的质量花蜜源从舞蹈的兴奋23]。蜜蜂的honey-gathering过程类似于寻找最优解的过程中优化问题的进化计算。蜜蜂蜂蜜收集是通过沟通来实现,不同的角色之间转换和合作。蜜蜂殖民地收集蜂蜜的过程包括三个基本部分和两个基本行为。三部分是蜂蜜来源,聘请了蜜蜂,nonhired蜜蜂。这两种行为是招聘和放弃蜂蜜蜂蜜来源(来源24]。

ABC的解决方案的过程是使用蜜蜂殖民地寻找最优解决方案通过使用轮盘赌方法和贪婪算法在候选解集25]。算法的基本思想是初始化后将蜜蜂分为三种类型:领先的蜜蜂,蜜蜂,蜜蜂和侦察。一般来说,主要的蜜蜂,蜜蜂有相同的数量,每个蜜蜂占总数的一半。侦察蜂转换放弃领先的蜜蜂差的解决方案,在初始化期间,通常没有侦察蜂(26]。算法初始化后,每个领导蜜蜂将产生一组随机方案范围内的解集,然后领先的蜜蜂会执行一个社区内的本地搜索这组解决方案,当找到一个新的食物来源,贪婪算法将选择更随机的解决方案。好的食物来源(抛弃可怜的食物来源)阶段称为引领蜂搜索阶段(27]。领先后,蜜蜂搜索阶段,输入以下蜜蜂搜索阶段。后者蜜蜂会选择一个更好的食物来源根据食物来源提供的信息导致蜜蜂和轮盘赌的选择方法,然后进行邻域搜索附近选定的食物来源。当新的食物来源被发现,也使用贪婪算法来选择更好的食物来源。如果新发现的食物来源是更好的,下面的蜜蜂会通知导致蜜蜂在前面更新食物来源信息(28]。在后续蜜蜂搜索阶段,食物来源与更高的健身将会收集更多的后续蜜蜂收集蜂蜜。社区搜索次数的增加,这些食物将有更多的机会来实现优化。因为该算法可能会陷入局部最优解,使得该算法停滞不前,美国广播公司介绍侦察蜂的角色。一旦算法停滞,蜂群就会出现,然后随机寻找新的食物来源和传播信息的领袖蜜蜂,从而确保种族的多样性。通过迭代的算法,这三个蜜蜂相互合作,最后算法收敛于全局最优解。

公式(1)是领先的食物源位置更新公式蜜蜂和追随者的蜜蜂:

给出了随机,但k等于cNeural网络算法我(k是一个社区的解决方案我)。的随机数 ,控制社区的一代社区。最优解的搜索方法,社区的范围将变得越来越小。

ABC算法(遵循蜜蜂选择食物来源)是领先的蜜蜂来确定花蜜的食物源的数量,根据数量的花蜜来选择食物来源采集花蜜。饮料的数量表达的健身价值,和选择概率是由以下公式:

其中,代表的健身价值第i个解决方案(食物)和SN的数字解决方案。

ABC算法,在这种“限制”是一个可调参数添加到解决方案的记录更新时间。如果不提高解决方案的质量在此参数所表现出的周期计划,这意味着解决方案可分为局部优化。此时,该解决方案将被放弃,和相应的蜜蜂将成为一个侦察蜂。假设被遗弃的解决方案和j∈(1、2、…d),蜂群随机生成一个新的解决方案,而不是通过使用更新后的公式,公式(1)。

上述分析表明,ABC算法执行四个选择过程:①遵循全球找到一个更好的食物来源的选择过程根据公式(2)。②主要蜜蜂蜜蜂和追随者遵循公式(1)执行社区搜索部分选择过程。③所有人工蜜蜂做出判断和比较新老之间的食物来源和保留一个更好的解决方案,贪婪的选择过程。④有侦探的随机选择过程蜜蜂发现了食物来源根据公式(3)。

在ABC算法,侦察蜂的行为的本质是增加种群的多样性,避免算法陷入局部最优。“限制”的参数控制其行为对算法的性能有很大的影响。它是麻烦的调试参数。设置不当将大大降低算法的性能。其他操作可以达到同样的效果。对于f1和f2测试,改变极限的值。为了避免人口随机算法评估的不良影响,确保初始人口不变,获得健身价值的变化曲线不同的值限制,比较算法的性能,如图2和3。从数据可以看出2和3当“限制= 10,”算法的后期的健身价值几乎不变,而当“限制= 500,”健身价值变化很大。也就是说,在不同的值限制,每一代的相应的健身价值的算法有很大的不同;也就是说,算法的性能与限制的价值有很大的关系。

3.1。BP神经网络算法

BP神经网络算法是由许多平行的相互连接的神经元。一个神经元可以连接到其他神经元;也就是说,它可以有多个输入,但它只有一个输出(29日]。神经元是神经网络算法的最基本的信息处理单元,是一个抽象的数学模型,主要由以下三个基本要素:(1)人工神经元之间的连接:也就是说,神经网络的连接权重。权重是积极的和消极的。积极的重量表明强化,负权值表示抑制。(2)加法器:这是一个输入信号累加器,用于计算的相应权重的积累和输入信号和神经元。这个操作仅仅是一个线性操作。(3)激活功能:也称为传递函数或激发函数,主要是用来限制神经元的输出值范围内的激活或抑制突触,即神经元的输出限制在一定的范围内,这通常是一个闭区间等[−1,1]或[0,1]。

如图4,它是一个典型的神经元模型。有n输入信号与神经元相连我,j的重量代表了突触强度或连接神经元的输入我。神经元的净输入吗我输入信号的线性组合得到的,它是通过一个蓄电池,神经元的偏差,调整后的值偏差,也被称为当地的感应区域的神经元。是激活函数,神经元的输出是什么我。为每个参数对应的计算公式见公式(4)- (6):

神经网络的网络拓扑结构是一个重要的特性。神经网络是由大量的并行分布式和广泛的相互连接的神经元,所以网络结构的差异主要是由于不同的神经元之间的连接。从联系的角度,可分为两类:一类是前馈神经网络和反馈神经网络;后者也被称为复发性网络。(1)前馈神经网络是一个分层的网络由神经元层次组织,及其结构如图5。从图可以看出,网络中的信息只能在一个方向上传播;也就是说,神经元只能发送的信息传播从一层到另一层,直到结果输出。没有在同一层神经元之间的信息交换或神经元在不同层之间。前馈网络是由多层膜,其中输入层和输出层与外界相连,和其他中间层叫做隐藏层,它可以是一个或多个层。前馈网络包括多层感知器网络,小脑模型网络,学习矢量量化网络。(2)反馈神经网络:反馈神经网络的输出结果会影响输入和改变权重。因此,网络的信号可以传播正面和负面的方向。结构如图6。Hopfield网络、Elman网络,和约旦网络更常用的反馈神经网络。

图7就业率误差曲线的算法基于迭代的数量。在每个算法的迭代训练过程中,网络误差提出了一种下行趋势随着迭代的数量的增加。起初,减少特别快。经过一段时间的迭代中,它逐渐趋于平坦,最后达到收敛状态。

4所示。应用BP神经网络算法在英语课程推荐技术

4.1。英语课程的教学设计模型

教育的传统观点认为学习是知识的获取,而社会建构论认为能力比知识更重要。有能力,你可以获取知识。当然,知识构成能力也是一个重要依据。仅在名字方面,改变了传统的教学大纲到当前英语课程标准。教学大纲指的描述内容和教学序列的一个课程,在英语课程标准还包括英语课程设置的研究,系统的目标、实现方法和评估。学习者的评价可以显式或隐式的英语课程。明确的评价通常意味着学习者率数值形式的英语课程。如果该值非常高,这意味着学习者非常喜欢英语课程;否则,它意味着学习者不喜欢英语课。这个方法需要一个特殊的问卷调查。 If the learner wants to get the help of the recommendation system, he first needs to submit his evaluation information of some English courses to the system. Implicit evaluation is usually derived from data resources. It is generally believed that the instructional design is based on system theory, learning theory, and communication theory, using systematic methods to analyze teaching problems, determine teaching goals, and establish strategies to solve teaching problems Plan, trial solution, evaluate trial results, and modify plan to get an optimized teaching process.

1960年代末以来,对教学设计的研究已经取得了很大的进步。据统计1980年安德鲁斯和古德森,只有40 ID模型在文献中,数量增加到数百1991年。尽管人们从不同角度的教学设计教学体系有不同的理解。但几乎所有的教学设计都有相同的目标:帮助优化教学。这主要反映在以下几个方面:教学设计可以使教学目标明确、全面,为教师提供教学活动的心理参考框架的实现,从而达到教学目标。教学设计指导老师可以选择有效的教学方法,安排教学活动根据教学目标、学习者的特征,学习内容的本质。教学设计有助于教育实践者分配教学时间根据具体情况的教学过程,提高教学效率。

4.2。BP神经网络算法在英语课

在实际的神经网络,侧抑制现象,神经细胞兴奋后,树枝会抑制其他周围的神经细胞。这种抑制会导致神经细胞之间的竞争和强烈的兴奋。神经的神经细胞也强烈抑制周围神经细胞。虽然每个神经细胞处于一种兴奋的状态,最后,神经细胞与最大输出“获胜,”和周围神经细胞“失去”。

此外,在认知过程中,除了从教师获得知识,也是一种学习,不需要老师的指导。例如,孩子出生后,当他听到外部声音的刺激,他自然会发出声音,学会抓住东西,走在外部环境。这种现象在动物身上更常见。这样的函数,它直接取决于外部刺激,有时被称为自学习和自组织的学习方法。传统的英语教学不能给予足够的关注每个学生的差异,不能提供更完善的服务体系。本文主要分析了BP神经网络算法,针对BP算法的基本原理,具体步骤的培训和评估应用程序的启发式规则。最后的结果表明,英语教学能满足学生的需求,具有良好的稳定性。

自组织特征映射(SOM)神经网络生成算法是基于上述两个生物结构和现象。网络训练主要是基于相邻节点之间的互相关的作用,所以它可以组织本身没有外部监督。输出单元互相竞争,最后只有最强的一个胜利和抑制其他单位的输出被激活。输出安排有序拓扑图像形式,它反映了输入信号之间的相似性。

假设样本观察 由n维的向量,即 。第i个输出节点来标示 ,和每个输出节点之间的连接权值n输入节点构成一个n维向量,称为节点向量和也表示 ,在哪里t是学习的数量。

一般的SOM算法可以描述如下:(1)在观察样本集 ,一个输入网络是随机选择的。(2)获胜的节点根据最小距离原则的选择 ,在哪里可以被定义为欧氏距离。此时,节点可以被称为激活。(3)调整连接权向量 。T(t)是一个学习速率的因素,这是选为学习时间的递减函数t为了使算法收敛。被称为社区功能。介绍后,该算法调整不仅赢得节点矢量,而且附近的节点在每个步骤中,节点之间的距离和输入数据在这方面比以前更近。在学习结束时,两个相似的激活节点输入数据更接近,所以输入数据的拓扑关系是保存完好的在输出平面上。如果输出节点所代表的观点在二维空间中, 可以被定义,在哪里代表获得节点,是一个单调递减函数学习的次数T,比如一个线性函数,趋向于零,所以学习结束后,退化 (4)由此,变分方程描述节点的变化向量可以获得:

当达到一个稳定状态,有 ,在哪里mi的稳定收敛值(t)。自然的 ,在研究结束时, 。让被激活的所有节点的集合 , 代表在Vi中元素的个数,起初是相对较大的,然后随学习的数量的增加而减小。基于上述分析,在批处理自组织学习算法可以获得:(一)确定输入节点的数量,输出节点,节点向量的初始值(MI = MI(0)是一个小的随机量)。(b)将所有数据输入网络,并调整每个节点向量为了使 。学习是重复,直到飞机上输出神经元兴奋神经元对应的输入样本稳定。

选择BP神经网络的主要原因是,与单层网络如最小均方和Levenberg-Marquardt, BP神经网络是一种多层网络,具有更好的非线性拟合能力。如图84690次迭代后,神经网络达到目标的准确性,和培训完成。

4.3。结合蜂群算法和BP神经网络进行优化

化学机械抛光(CMP)是由IBM在1980年代。这是一个处理技术结合机械研磨和化学溶解,避免了简单的化学研磨的缺点,速度慢,一致性差,容易造成表面损伤。这是唯一的技术,可以实现全球多层压扁铜线。BP神经网络基于蜂群优化算法继承了传统BP神经网络的结构。通过引入群体智能算法,提高BP神经网络的全局搜索能力,提高BP神经网络的收敛速度,和陷入局部最优解的可能性降低。CMP抛光速率预测模型相结合建立了蜜蜂蜂群算法和BP神经网络。模型的预测结果如图1和9。从图可以看出1,从几组数据的预测,该模型具有良好的预测能力,可以更准确地模拟CMP的抛光速度,温度,可以建立更准确的抛光。抛光液和抛光的构成方案图中可以看到9模型的预测误差在10%,这进一步表明预测模型的性能越好。

由于这种组合,模型具有良好的预测能力,可以更准确地模拟CMP的抛光速度,并且可以建立一个更精确的抛光温度。同时,模型的预测误差小于10%,这进一步表明,预测模型的性能更好。因此,本文建议的组合模型。

5。结论

针对神经网络学习算法的缺点,进化方法是结合网络培训;即ABC方法用于优化网络的均方误差函数,以获得最优权重和阈值的网络。通过引入群体智能算法,提高BP神经网络的全局搜索能力,提高BP神经网络的收敛速度,和陷入局部最优解的可能性降低。CMP抛光速率预测模型建立了蜂群算法与BP神经网络相结合。模型的预测结果如图1和9。从测试,可以看出,从几组数据的预测,该模型具有良好的预测能力,可以更准确地模拟CMP的抛光速度,并且可以建立一个更精确的抛光温度。同时,模型误差小于10%,这进一步显示了精度高。与传统的BP神经网络相比,该算法不易陷入局部最小值,而且收敛速度缓慢。与其它智能算法相比,BP算法有一些优点,但它也有一定的局限性。未来的研究将职位英语课程在一个开放的系统,使其接近现实,生活,《纽约时报》。开发英语课程资源,灵活使用教材,调整教学方法可以更有效地实现教学目标。

数据可用性

使用的数据来支持本研究的发现可以要求作者。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作在本文中得到了教育部门的陕西省政府部分2021年省级一流的课程成绩,英语语音和沟通。

引用

1. 问:张、p·c·李和m .王”自适应混合文化人工蜂群算法连续空间优化问题,“一袭陈可冀大学学报/期刊电子科技大学的中国,46卷,不。2、419 - 425年,2017页。视图:谷歌学术搜索
2. 杨y . j . Wang, t·王,“大数据服务架构:一项调查,”互联网技术杂志》,21卷,不。2、393 - 405年,2020页。视图:谷歌学术搜索
3. x m . Lv“住宅社区开放策略基于的算法和神经网络算法,”应用数学和物理学杂志》上,卷05,不。2、551 - 567年,2017页。视图:出版商的网站|谷歌学术搜索
4. w·g·王”,刀具磨损监测蜜蜂colony-BP基于人工神经网络,”机械强度,39卷,不。6,1282 - 1287年,2017页。视图:谷歌学术搜索
5. h·杨,“人工蜜蜂colony-BP网络算法在云计算中的应用入侵检测,”信息技术与信息化,卷241,不。4、156 - 160年,2020页。视图:谷歌学术搜索
6. 问:a .张“ABC的总结”,经理,卷2017,不。20日,59-60,2017页。视图:谷歌学术搜索
7. n . s . Jaddi s·阿卜杜拉,A·r·哈姆丹”的解决方案表示遗传算法对神经网络权值和结构,”信息处理信件,卷116,不。1、22日至25日,2016页。视图:出版商的网站|谷歌学术搜索
8. f . m .阴、h·h·徐和h·h·高,“微博舆论研究使用改进的基于遗传算法的BP神经网络预测,“计算机科学期刊,30卷,不。3、82 - 101年,2019页。视图:谷歌学术搜索
9. p y, f·c·潘,李,“改进人工蜂群优化BP神经网络的分类研究,“计算机工程与应用,54卷,不。905年,第168 - 163页,2018年。视图:谷歌学术搜索
10. 惠普,x x崔,t·徐“改进的ABC,”中国北方大学学报(自然科学版),38卷,不。4、397 - 403年,2017页。视图:谷歌学术搜索
11. m·陈,美国陆、刘问:“弱解的唯一性Keller-Segel-Navier-Stokes系统”,应用数学的信,第121卷,第107417页,2021年。视图:出版商的网站|谷歌学术搜索
12. 美国Babaeizadeh和r·艾哈迈德”约束优化的改进人工蜂群算法,”研究应用科学杂志》上,11卷,不。1,14-22,2016页。视图:谷歌学术搜索
13. 徐h . g·斯利瓦斯塔瓦,“自动识别算法基于卷积神经网络的交通标志,”多媒体工具和应用程序,卷79,不。2,页1 - 15,2020。视图:出版商的网站|谷歌学术搜索
14. 和y y, m . Wang Wang”基于深层神经网络的网络入侵检测算法”专业信息安全,13卷,不。1,48-53,2019页。视图:出版商的网站|谷歌学术搜索
15. c . m .吴、z . y .董和杨x,“一种改进的多维标定算法基于人工蜂群算法,”信息隐藏和多媒体信号处理杂志》上,9卷,不。5,1080 - 1086年,2018页。视图:谷歌学术搜索
16. l .周w .郭,j . y . Wang”网络安全评价模型基于神经网络算法,”沈阳Gongye大学学报/沈阳理工大学学报,40卷,不。4、426 - 430年,2018页。视图:谷歌学术搜索
17. 张x y,雪和美国,“使用人工蜂群算法优化本体对齐,“信息隐藏和多媒体信号处理杂志》上,8卷,不。4、766 - 773年,2017页。视图:谷歌学术搜索
18. x h·胡”,校园网络流量预测基于神经网络,”长江工程职业技术学院,37卷,不。143年,38-40,2020页。视图:谷歌学术搜索
19. 匿名的,“研究需求预测的灰色神经网络基于ABC,”伊春大学学报,卷06,不。95年,52-55,2017页。视图:谷歌学术搜索
20. 杨y”下的英语蕴藏平台设计和实现BP神经网络算法,”自动化和仪表,卷2021,不。8,81 - 83年,2018页。视图:谷歌学术搜索
21. a·辛格和k·k·辛格(manmohan Singh)”卫星图像分类使用遗传算法训练径向基函数神经网络应用于水灾地区的检测,“杂志的视觉传达和图像表示,42卷,不。2017年1月,页173 - 182。视图:出版商的网站|谷歌学术搜索
22. f . Waselallah Alsaade、a . h . Theyazn和m . Al-Adhaileh”为分类COVID-19开发识别系统利用卷积神经网络算法”电脑,材料和连续,卷68,不。1,第819 - 805页,2021。视图:出版商的网站|谷歌学术搜索
23. m·m·穆斯塔法”检测叶子的植物疾病使用卷积神经网络算法,”国际先进的科学和技术杂志》上卷,29号6,6069 - 6075年,2020页。视图:谷歌学术搜索
24. f·贾和z l .香港”,基于卷积神经网络的入侵检测算法”,北京Ligong北京理工大学学报/事务,37卷,不。12日,第1275 - 1271页,2017年。视图:谷歌学术搜索
25. j·s·张”,英语教学质量的评估基于遗传算法优化RBF神经网络,”计算机系统应用卷,29号3、171 - 176年,2020页。视图:谷歌学术搜索
26. b李”,神经网络评价模型基于ERP课程。”信息技术和信息技术,34卷,不。7,43-45,2017页。视图:谷歌学术搜索
27. x y李曾问:美国,“自助互动教学方法的“人工神经网络”,“教育现代化,5卷,不。35岁,136 - 139年,2018页。视图:谷歌学术搜索
28. m . Khishe和Safari,”分类声纳目标使用蜻蜓的MLP神经网络训练算法,”无线个人通信,卷108,不。4、2241 - 2260年,2019页。视图:出版商的网站|谷歌学术搜索
29. Shrivastava s和s Shrivastava”诊断心脏病的使用文化与神经网络算法,”国际计算机科学与工程杂志》上》第六卷,没有。9日,第491 - 486页,2018年。视图:出版商的网站|谷歌学术搜索

版权

版权©2021 Guiting任。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。