文摘
近年来,有许多问题智能模拟的研究儿童心理的路径选择,其中最主要的问题是忽视孩子的心理路径选择的因素。在此基础上,本文研究了混沌神经网络算法应用于儿童心理的路径选择。第一,一个智能仿真模型对儿童的心理路径选择基于混沌神经网络算法建立了;其次,它将结合网络基于不同类型的视觉分析策略。模型用于分析影响因素在不同地区的儿童心理的选择路径。最后,实验是为了验证仿真模型的实际应用效果。结果表明,相比之下,目前的主流智能仿真方法迭代循环算法为核心,采用智能仿真模型基于混沌神经网络算法具有良好的分类效果。它可以有效地选择最佳的心理路径根据孩子的性格的差异,可以自适应分类儿童在不同地区,和实验结果是准确的。与传统方法相比,提高了至少37%。
1。介绍
孩子的智能发展的心理路径选择是基于照顾儿童的健康成长,这不是一个新单词(1]。虽然已经发展多年,还没有形成一个固定的标准和模式2]。目前有许多研究方法对儿童的心理路径选择,但通常通过分散孩子们的行为和性格的收集信息和数据集分析和深度学习实现智能模拟儿童心理学的3]。仿真的核心内容的儿童的心理路径选择在于准确地分析各种因素影响孩子的选择,然后,根据相应的条件下,合理分配每个因素的比例,最后得到最优儿童心理路径选择4]。
本文的创新在于混沌神经网络算法和基于该算法如何建立相关模型。建立的仿真模型的自动分类算法可以实现儿童在不同的地区和不同的家庭条件在同一地区和设计不同的筛选模型,大大提高了模型的精度。
本文研究了混沌神经网络算法应用于智能模拟儿童心理的路径选择,主要分为四个部分。节2介绍了该领域的相关工作。节3,一个智能仿真算法模型基于混沌神经网络算法。模型可以自动分类儿童心理学根据不同地区和不同文化特征的不同家庭在同一地区的经济特点。节4,应用程序的智能模拟孩子选择模型在智能识别和分类的儿童有不同的测试条件。实验结果和误差进行了分析,得出结论;与传统模型相比,该模型基于混沌神经网络算法具有更高的精度和识别速度。节5本文的结论是,列出了一些建议。
2。相关工作
近年来,人们对儿童的心理路径选择的研究已经取得了很大的进步,。然而,当前的主流心理路径选择算法模型复杂、速度慢,导致最终的模型没有达到预期的效果的研究。建立智能选择模型时,Nunes等人依赖于通用算法,nonpertinence的问题,也就是说,他们不考虑孩子在不同地区的不同的心理特点,因此该算法通常没有针对性,从而导致模型无法匹配在不同地区儿童的心理特点(5]。马哈茂德等人发现,这种智能算法属于高能耗算法,有很大的困难在数据稳定6]。戈班等人使用传统的迭代算法在模型设计中,没有充分考虑的约束,导致不符合的建立模型的速度或精度(7]。此外,据戈德堡等人儿童心理学的研究中,有许多不合理的地方,比如大量复制的城市心理模型,甚至一些成年人的心理模型,从而导致模型的建立不仅不符合儿童的心理特征(8]。纳迪姆等人认为,不同类型的因素会严重干扰其他学者的研究智能模拟儿童心理的路径选择[9]。为了提高模型的运算速度,泽曼等人建立了一个基本的情感模型,但该模型只有设计一些简单的心理选择路径,导致模型不符合儿童的心理特征(10]。霍尔沃森等人基于多个环境算法设计了模型分类儿童在不同地区(11]。索兰托等人发现,孩子们在同一地区不同的家庭条件没有区别,影响结果的准确性的智能选择算法12]。
综上所述,可以看出,当前智能模拟儿童心理路径选择模型一般有可怜的分类等问题影响,分类精度低,稳定性差,利用率和较低的数据13,14]。另一方面,当前的主流智能仿真方法迭代循环算法为核心的处理。现有儿童心理智能选择模型,其中大多数是基于多维线性分析策略的结果。因此,大多数模型的算法过于复杂。模型计算速度缓慢,能源消耗是巨大的,不能满足快速、低能耗的需求(15]。过去,在建立模型的过程中,由于错误借用其他心理模型,得到了更多的错误数据(16]。
3所示。方法
3.1。混沌神经网络算法应用于智能模拟儿童心理的路径选择
算法的表达能力是一个重要的技能,研究人员不能忽视,在相同算法和模型设计会有不同的表现形式(17]。混沌神经网络算法的表达式是指构造模型的帮助下各种媒体来传达设计意图和模型结构(18]。从设计概念模型建设,我们需要将设计思想和算法思想紧密结合。无论是孩子的心理路径选择的方法或计算机数据类型的不同维度的表现,这是一个性能模型的重要手段19]。目前,模型的表达形式由混沌神经网络算法开始向多元化发展,其中计算机动画、电脑架,手绘效果图是最常见的三种类型的模型表达式(20.]。
混沌神经网络算法是一种近年来数据解决方案推广。与其他常见的算法相比,该方法更关注数据分析和数据处理创新概念(21]。随着计算机数字技术的发展,混沌神经网络算法的概念更加关注,它已经成为不可或缺的方式表达儿童的智能模拟的心理路径选择[22]。在模型的总体设计方案,研究人员需要进行计算机模拟创建数据显示选择的影响分析(23]。计算机数据分析技术具有良好的色彩效果,三维空间效果,表现能力更强,可以模拟真实的选择过程24]。这种性能方法是方便和快速,它不需要高技术人员。它是方便研究人员手动快速正确的选择结果。这是因为混沌神经网络算法的核心技术是底层技术的神经网络算法。
3.2。混沌神经网络算法的建模过程
在这项研究中,混沌神经网络算法从儿童心理建设的角度总结了儿童心理特征的细节,以确保儿童正常健康的思维可以被继承和选择。在算法设计中,我们需要深入的神经网络,了解儿童的思维方式,分析神经网络的建立过程。另一方面,我们还需要区域特征融入算法充分反映儿童心理路径选择的合理性25]。在此基础上,研究智能算法、混沌神经网络的基础上建立的风格,充分体现了儿童的正常心理。在设计过程中,我们应该充分利用先进的算法技术,不断提高深度学习的可靠性,并保留完整的智能算法,以确保它的先进性。分类原则是一个重要的原则在儿童的心理的设计基于混沌神经网络的路径选择。根据不同孩子的心理条件和外部条件,为孩子们制定正确的结果。儿童在不同地区有不同的心理特点,外部条件,和心理上的风格。因此,我们需要遵循分类的原则,充分结合不同的文化因素和经济水平。例如,地理和经济因素的设计应充分考虑儿童的心理路径选择在山区,这将占更大比例的影响因素。的过程中建立神经网络的基本算法模块,该地区可以使用条件是一个重要的条件,也是一个重要的方法保持地方特色。因此,在设计中,原始智能分类的特点,应充分保证,和有价值的心理学应该保存下去。 The data analysis process is shown in Figure1。
混沌神经网络算法提出了研究是直接给每个神经元混沌属性,即改变混沌迭代函数相当于找到一个“新”的神经网络。混乱的本质是通过显式或隐式迭代。通过混沌迭代,神经元的内部状态变量在continuous-discrete时间t,t+1,t+2、…可以关联和所有其他神经元输出的加权和作为输入进行处理。儿童的心理的设计基于混沌神经网络的路径选择应充分遵循智能设计的概念,充分利用科研资源和人工算法根据大自然的生物原理,和意识到儿童心理智慧的选择。的心理路径和情报,混沌神经网络的建设有很大的发展潜力。在设计儿童的心理路径选择,我们应该充分利用现有的算法和模型资源。神经网络算法资源丰富;我们一起可以考虑分散学习的方法,提高模型的智能水平,提高计算效率。在设计智能路径选择,我们需要保持旧的算法与研究价值。设计新算法的时候,我们应该充分利用连接链接算法,确保每个神经网络的一部分,整体和谐,避免严重的分化。我们鼓励混沌神经网络实现一个智能选择系统的新算法和调整选择模式而获得正确的结果,以提高模型的质量结果。
有巨大的文化差异在不同的地方。每个地方都有自己的地域文化。现有的儿童心理智能路径选择模型通常使用普通心理学、城市最常见的算法,不能反映地域文化和环境特征,忽视了文化内涵,并破坏结果的正确性,导致缺乏区域特征和文化的完整性。在过去,常见的模型并没有显示来自其他地区文化的差异和缺乏地域文化差异。智能模拟的研究儿童心理路径选择应该以人为本,充分考虑不同地区儿童的生活习惯,并构建一个适合儿童阅读的心理路径模型在不同的地区。各种算法的设计应能满足各种功能需求。从深度学习的角度来看,应充分考虑学习深度的需求。在选择的过程中深入学习训练样本集,我们应充分结合儿童的心理需求在不同的环境和采用一个独立的设计方法。神经网络设计的过程中,我们可以添加必要的横向算法分支。多个迭代算法是常用的方式。 Now we can still use this way to increase the lateral branches of chaotic neural network and then expand the application scope and accuracy of the model.
3.3。儿童心理路径选择聪明的建立过程仿真模型基于混沌神经网络的算法
孩子们的心理路径选择设计效果图像分类分析,最视觉特性图像作为训练样本。合理的算法来提取,得到了多个特征值。然后,特征值归一化,选择分类机制,训练集用于培训,得到分类结果。数据训练和分类过程基于混沌神经网络图所示2。
此外,该算法提出了研究可以直接变换典型的神经网络,利用现有的神经网络学习算法的经典与隐藏层(如网络)学习混沌吸引子(如使用混沌吸引子Ikeda)允许网络模拟的轨道的混沌吸引子在一定程度上,然后介绍延迟反馈控制等方法使网络具有混沌行为。输入是儿童心理测试数据,并输出是儿童心理路径测试分析报告数据组。儿童心理路径选择的差异设计效果图主要是反映在颜色,质地,和其他方面的心理健康。颜色是一个重要的视觉元素,提取相对比较简单。颜色直方图是一种典型的颜色特征,反映颜色的强度。颜色直方图可以表示如下: 在哪里强度,颜色直方图是一个重要的颜色特性用在许多算法。通过分析每个图像的特点,一般来说,手绘和白色图像中包含的颜色的数量很小,所以有必要从样本中提取定量特征图像。仿真结果如图所示3。
从图可以看出3数据类型的变化,定量特征的差异也不同,但差异是显而易见的。这是因为,对于彩色图像,提取它们在一个特定的空间是必要的。假设和参考颜色点在RGB空间中,和是在HSV颜色空间;空间的转换应该符合以下要求:
颜色直方图的HSV空间是用来反映颜色特征,和HVS空间是量子化的。在实验中,色调分为8个部分,饱和度和亮度分为三部分。HSV量化器是用于处理。每个颜色组件组成一个特征向量。
这个公式的范围0∼71,不同颜色的彩色像素阵列水平由72年的颜色直方图,反映图像的统计特征。
计算机渲染使用一个更现实的纹理显示设计,所以它有更高的饱和。结合之前的研究儿童心理的智能模拟路径选择、RGB颜色空间转换到HSV颜色空间。有饱和的0∼1,直方图是一个离散的函数 在哪里饱和,是图像中像素的数量。颜色空间转换完成后,数据归一化: 在哪里决定根据概率论的基本知识,的频率反应饱和。选择最优特征值分析呈现的图像如下:
假设可分离的措施是由 ,越大是,样品的分离性越好。提出了一种特征 ,可保留的最大特征值。在这项研究中,设置为0.9,仿真结果如图4。
从图可以看出4数据类型的变化,虽然曲线变化趋势相似,数值结果显示不同的差异。这是因为在仿真过程中,图像可分为非线性可分和线性可分的。一个一致的线性可分的数据集,样本特征向量属于 ,和用于表示类标签,它包含两种类型的样本。维空间中的线性判别函数可以表示如下:
分类所需的分类线是所有样本准确;应符合下列条件:
这可以确保最小的分类面是最好的表面。混乱的训练集训练样本点是由神经网络最优向量选择;的最优神经网络函数表示如下: 在哪里是符号函数,是最优解,分类阈值。
如果训练样本不是线性可分的样本,上面的方法不能被采用,因此有必要添加放松条件和约束如下:
在这种情况下,最小值 的计算如下: 在哪里额外的错误成本系数,它反映了刑罚程度的误分类样本。
建设的优化界面,最初的空间意识到在高维空间。确定最优界面后,给定的训练样本属于两类可以被分离,和混乱的向量机学习算法可以构造之间的混乱的向量和输出向量。目前,有四种核函数,可以根据实际情况选择合理。引入核函数后,决定分类函数转换成
在这篇文章中,我们需要引入binary-tree-based混乱的向量机分类器。具体过程是将所有类别分为两类根据不同的特性,将图像分成两个类别分成两个子类,每个子类,以循环,直到获得最优结果。
混沌神经网络的训练分类区域生成一组训练样本根据儿童心理路径选择的特征向量设计效果的照片。每个示例文件包含所有的特征向量和符号,然后决定了分类模型。正常化后,特征数据被发送到混沌神经网络进行数据准备,和内核函数和其他参数需要确定。一般来说,径向基核函数是首选的如下:
确定核函数后,我们需要确定核函数的参数本身和错误成本参数。交叉验证方法用于确定最优参数,和仿真结果如图5。
从图可以看出5样品的数量的增加,仿真结果显示不同的变化。这是因为后样品功能分为训练集和验证集,计算分类精度也将不同。因此,本文选择了K倍交叉验证方法;示例数据集,它分为knonintersecting子集,然后验证,使用不同的子集作为测试集,作为训练集,其余的。
4所示。结果分析和讨论
4.1。实验设计的儿童的心理路径选择模型基于混沌神经网络的算法
在实验的过程中,智能仿真模型设计的混沌神经网络算法应该分类不同的儿童性格特征的功能。构建主体模型的过程中,设计方案需要满足个性的需求和爱好。同时,该模型还需要设置必要的神经网络分支和横向和纵向迭代算法分支增加的特点,不同的地方(26- - - - - -30.]。后确定最佳参数,智能仿真模型的图像自动分类,共400个样本收集,涉及电脑动画、黑白表现,计算机的性能等等。设计图片选择训练图像集,和不同形式的艺术表现明显。结合二叉树,典型的特征值的四个混乱的向量机得到训练样本,训练样本文件生成。剩下的图像被归类为测试图像。通过阅读测试图像分类结果并输出接口,分类精度。在构建分支模型的过程中,我们应该注意模型的每个部分的功能空间,区分外部条件和内部条件,注意不同的功能由不同的选择和不同的环境。图6的初步实验结果分支的混沌神经网络模型的算法。
在图的四组数据6,三种不同的方法有不同的分支的处理结果精度指标数据,和分支程度的结果处理下的混沌神经网络算法是最低的(价值越低代表其稳定性,更好的结果),而且它也能够最好地满足实验要求。它可以知道混沌神经网络算法的处理结果在这个研究是最好的。从图可以看出6内部空间设计,结合孩子的实际情况,我们可以采用紧凑型设计和多功能设计最小化混沌神经网络的不稳定。有错误存储在模型空间的问题儿童的神经网络,因此我们需要设置必要的额外的算法存储空间。我们可以考虑开发的方法算法的混沌神经网络来解决这些问题,主要用于存储的判断条件。因此,在实验的过程中,内部算法设计采用的深度学习模式分类,以避免盲目跟随趋势。
4.2。实验结果和分析
评价指标提出了研究频率统计信息(31日- - - - - -35]。评估过程是在迭代过程中,如果之间的汉明距离网络和内存的输出向量经常是0(或接近0),它可以被认为是记忆向量是成功了。如果之间的汉明距离网络和多个内存的输出向量是0,认为最多的记忆向量汉明距离(0)标识。智能算法是用于分析实验结果和提取信息。因为参数、样本数量和核函数是不同的,归一化方法是非常不同的,所以分类结果也不同。二叉树混乱向量机分类器算法为例来确定合理的参数。在参数确定,选择是由分类精度的角度,以确保最高的分类精度。在分类、数据归一化起着重要的作用,也会影响整体的成功或失败。在这项研究中,假设训练样本的数量是50,测试样品的数量是40,惩罚因子设置为70。实验结果如图所示7。
从图可以看出7,不同的神经网络优化方法可以预处理获得分类精度的参考价值指数(限制设置为0.54)。通过实验分析,我们可以看到,归一化法可以显著提高准确性。如果在相同的数据集分类器是相同的,但是结果是不同的,认为没有规范化的数据。从表中的数据,我们可以看到,分类精度最高的正常化后(−1,1)。
核函数具有较强的泛化能力,只要能满足Mercer的功能,它可以作为一个内核函数。然而,不同的核函数的分类性能是不同的。当选择核函数,其他参数选择、训练样本的大小设置为50,和归一化处理是进行(−1,1)。两个模型的分类精度进行比较和分析。图8分类精度测量结果。
从图可以看出8这三种方法中,与其他两种方法相比,心理的路径选择模型误差指数混沌神经网络算法获得的最低(不管变化的数量分析)并显示逐渐减少。因此,模型准确率最高的混沌神经网络的优化方法。从图可以看出8模型的精度是最高的径向z基函数时混沌神经网络的优化方法。这是因为,在混乱的向量机的各种参数的选择,它通常是由不同的核函数和相应的参数。取作为一个例子,核函数是随机选择的参数值,C值是2,随机参数是2,当随机参数精度是90%值为1;C= 10,随机参数是1。精度为82.5%;C= 20,随机参数是10。精度为77.5%;C= 50,随机参数是50,精度为67.5%;C= 70。当随机参数的准确性是90%是5。
从实验数据可以看出,分类性能与不同的参数是不同的。结果表明,C是越小,样本数量越好,越大的价值δ是,混沌神经网络越大往往是线性的。因此,简历可以用来找到最好的参数。图9显示的曲率变化精度。
从图可以看出9随着迭代次数的增加,最优健身逐渐增加。在三种方法中,心理路径选择模型的准确性得到混沌神经网络方法比其他方法得到的要高得多。结果,当达到最大值时需要的数据量首次显著低于其他两种方法。这是因为样品的数量是不同的,这也将影响自动分类的准确性。根据样本的数量,它可以分为大样本和小样本。可能的观察结果是人口的总和。在这篇文章中,当样品的数量是30多,样本很大;否则,它很小。以本研究的实验数据为例,选择120名儿童的心理路径选择设计图片形成一个样本库,包括数字性能和手绘图片。四十样本选择为每个类别作为测试集,剩下的样本作为训练集测试分类精度。 Therefore, there are many parameters that affect the accuracy; the sample size will affect the accuracy of the experimental results; and the change trend of the two is basically consistent.
5。结论
近年来,有许多问题智能模拟的研究儿童心理的路径选择,其中最主要的问题是忽视孩子的心理路径选择的因素。在此基础上,本文研究了混沌神经网络算法应用于儿童心理的路径选择。第一,一个智能仿真模型对儿童的心理路径选择基于混沌神经网络算法,建立了结合网络模型基于不同类型的视觉分析策略来分析影响因素在不同地区的儿童心理的选择路径,最后设计实验来验证仿真模型的实际应用效果。结果表明,相比之下,目前的主流智能仿真方法迭代循环算法为核心,使用混沌神经网络。智能算法的仿真模型具有良好的分类效果,可以有效地选择最佳的心理路径根据孩子的性格的差异,不同地区的儿童,可以自适应地分类,及其实验结果比传统方法更精确的至少37%。但这篇文章的缺点是,这项研究只从自动分类的角度分析孩子的心理地图的设计效果,和其他方面需要深入讨论和分析。
数据可用性
使用的数据来支持本研究的发现可以从作者要求。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作受到了中原大学的科学和技术。