文摘

深度学习神经网络的发展,人工智能机器学习已经成为研究的主要焦点。在大学英语语法检测、口语语法是最错误率的内容。因此,本文基于GA优化MLP的深度学习神经网络,然后研究大学英语口语语法的智能图像校正。讨论和分析的主要方向是GA-MLP-NN算法技术,然后预测口语语法的误差修正模型相结合的优化算法。结果表明,GA-MLP-NN提供了出色的精度预测的整个语法误差修正模型。然后,本文研究了深度学习技术来构建一个智能图像误差修正模型的大学英语口语语法。结果表明,智能的影响纠正口语语法是非常快和准确。

1。介绍

与深度学习、神经网络和其他研究方法逐渐成为智能图像的发展趋势的焦点社会(1]。不同国家的科学家们取得了无数的成就在这个算法技术。深度学习是基于许多层次的处理计算数据建立模型,最终达到预测和分析的实际结果2,3]。当反向传播神经网络技术是结合人工神经网络的发展,传统的模式连接数据计算和优化算法开始发生变化(4]。随后,深度学习算法,它逐渐成为智能技术的代表。由于连续转换和更新各种网络结构、神经单元结构,层次结构,许多新的神经网络开始出现(5,6]。深度学习的内部法律和表示学习样本数据的水平。在学习过程中获得的信息是非常有用的解释数据,如文本、图像和声音。其最终目标是让机器有能力分析和学习人类和能够识别字符,图像,声音,和其他数据。深度学习是一个复杂的机器学习算法,实现了在语音和图像识别结果远远超过之前的相关技术(7]。深入学习算法的发展也刺激进展领域的人工智能,机器学习和分类学习形式的基本内容(8]。

深度学习的本质监督网络的施工参数和施工模型得到的网络结构学习和训练数据训练基于标记(9]。网络结构参数模型的建立在无人监督的深度学习的本质不需要标记数据的参与10]。深度学习的概念来自于人工神经网络的研究。多层感知器与多个隐藏层是一个深度学习结构。这三种深层神经网络应用在不同的领域和技术11]。结合遗传算法和多层感知器神经网络是一种混合的方法DL和metaheuristic算法12]。多层感知器神经网络算法是最早的基础研究的结果,也是深度学习神经网络的算法基础结构性能分析和比较13,14]。其他神经网络包括卷积神经网络和循环神经网络。通常用于计算机视觉模式识别领域的检测、分割、跟踪、量化等(15]。他们可以使网络模型有记忆能力,这是更适合于数据处理的过程中学习和培训。

进一步开发利用研究成果,深度学习神经网络的问题正逐渐新兴(16]。的主要问题如下:神经网络,多个单位的计算数据量非常大,有很多变量,需要参与计算。使用和习得的参数在整个网络操作中,通常很难选择(17]。复杂结构通常侵袭的最终输出数据的准确性整个网络模型。因此,我们应该结合多种构造算法的神经网络为基础的系统模型18]。

本文的创新是基于遗传算法优化中的延时在深入学习神经网络,研究大学英语口语语法的智能图像校正。主要方向是首先讨论和分析GA-MLP-NN算法技术,然后预测口语语法的误差修正模型结合优化算法。结果表明,GA-MLP-NN提供良好的精度预测的整个语法误差修正模型。与传统的多层感知器的预测相比,优化算法极大地提高了模型的运行效率和缩短了预测时间。

本文分为三个部分。第一部分是简要介绍当前发展国内外学习和神经网络。第二部分是基于GA-MLP-NN神经网络技术研究及其在口语语法纠错作用模型,以及深入学习算法在大学英语口语语法智能图像误差修正模型施工技术研究。GA-MLP-NN的第三部分是分析技术和模型结果的分析深度学习技术在口腔语法智能图像误差修正研究。

2。相关的工作

人工神经网络是智能领域的一个重要组成部分。机器学习人工智能发展的技术需求,根据神经网络训练进行(19]。第一个神经网络形成时期的开始是一个人造的数学模型,然后,反向传播(BP)算法进行优化,形成一个新的训练神经网络。问题的深度学习神经网络需要大量的学习和训练数据为基础建设的网络结构(20.]。他们远非令人满意的精度要求和参数。为了提高深度学习的单一神经网络的缺陷,我们需要使用遗传算法来优化各种神经网络的结构(21]。

研究后,发现遗传算法不仅可以发现神经网络连接的重量也被扩展发现整个神经网络(22]。科学家小组的研究人员一直在工作的深入学习来自世界各地的专家。的基于人工神经网络的智能图像识别技术进行了研究。这项技术的发展彻底改变了传统的结构框架识别技术(23]。

计算机科学家设想和研究人工智能的发展24]。然后,出现了现代计算机的原则组成。计算机技术被用来编译和翻译密码,直到上个世纪,计算机技术被广泛用于解决复杂的问题(25]。研究人员把遗传算法与神经网络的结构改变神经单位(26]。神经网络提高了人工智能的基本性能。

深入学习算法也非常先进,和他们的人工智能研究所可以使用超级计算机来执行深度学习功能。它可以提高学习和卷积神经网络的训练速度100倍。然后,根据神经网络的不断深入研究,使用这种技术在汽车领域,智能图像识别领域,等等27]。

在深入学习和神经网络,研究人员提出了一个基于遗传算法优化神经网络结构(28]。在现有技术,多层感知器的MLP神经网络结构可以优化根据编码操作模式(29日,30.]。渐开线层的节点数量由二进制表示,和重量计算梯度随机实现学习的监督操作培训(31日]。优化神经网络广泛应用于各种预测模型和仿真模型。

分析的基础上深入学习和神经网络的发展,提出了一种基于GA-MLP-NN神经网络预测模型。最后学习和训练效果可以提高整个模型的准确性。

3所示。智能图像误差校正技术研究大学英语口语语法基于GA-MLP-NN算法和深度学习

3.1。口语语法研究基于GA-MLP-NN纠错技术

人工神经网络系统是一种网络结构,可以实现多个节点的输出数据,解决实际问题。人类的大脑和人工神经网络能够处理大量的数据和信息。然而,神经网络的具体操作模式不同于人类。我们可以应用神经网络智能图像机器和使用线性回归方法让计算机学习人类的计算过程。有很多人工神经网络算法,和延时算法就是其中之一。多层感知器系统也被称为前馈多层神经网络结构。整个框架是如图1。

多层感知器神经网络具有良好的非线性结构操作能力。在模型中学习培训、反向传播神经算法可以提高模型的大错误的输入和输出数据。整个MLP神经网络的映射函数可以反映在整个数据的共同处理,实现全面的优化性能。但在多级结构处理,缺陷也是显而易见的。最重要的是,计算效率相对较低,和节点的数量和使用的神经单位逐渐隐层超过总体变量参数。这种情况导致缓慢的处理学习和训练的过程中,需要很高的计算能力的支持。在传统的多层感知器模型,神经网络只能使用一个单位的数据操作,并且不能达到预期的效果,当一个多级一起进行。

为了解决延时的问题,我们提出一个基于GA算法的遗传神经网络。当不同层次的模型一起工作,改进后的神经网络具有明确的节点数量。它可以使整个仿真系统的复杂成分明确的。根据人脑的特点,我们添加胶质神经网络改进的多层感知器。换句话说,渐层的多层感知器模型与胶质网络连接形成网络后,计算机仿真和优化。这种方法使延时算法有更好的性能。优化GA-MLP-NN神经网络可以实现点对点的变量信息数据处理;也就是说,每个数据信息作为一个单独的计算实时操作。它可以实现多方向的计算在同一时间,提高整个学习和培训的效率。单一的多层感知器的延时算法之前和之后的优化而优化的算法和传统的BP算法。 The comparison results are shown in Figure2。

的过程中纠正大学英语口语语法,需要测试的性能模型和输出数据的准确性。面对越来越严格的语法规则,也需要更精确的检测内容。因此,我们评估整个模型的性能,并测试和判断的准确性。首先,根据线性操作进行线性回归算法计算的数量之间的关系语法和误差校正的准确性。根据因果关系,它为计算转化为一个线性方程,最后得到的结果是最小二乘法。根据结果的趋势,纠错能力的预测模型。MLP神经网络是传统的神经网络,它可以存储和训练数据根据模拟大脑活动。优化GA-MLP-NN算法处理方法可以学习更复杂的结构。进步的隐层单元神经网络是用来进行多级精确连续操作的年代类型的递归函数。它提高了问题的传统方法逐渐增加节点的数量和层隐层会导致糟糕的训练结果。根据每个级别的体重值矩阵,年代类型函数,预测函数值的变化前后的图所示3。

的公式计算每一层的非线性映射的重量如下:

实际训练的终极目标是减少预测误差之间的输入数据和输出数据,逐步优化输出数据。在学习和训练的过程中,有必要调整权重值尽可能接近函数范围实现全球解决方案最优的目的。有必要确定逐渐隐层输出矩阵:

根据上面的计算,最小范围逐渐隐藏层的解决方案可以获得如下:

根据传递函数矩阵的参数值确定在一定范围内。如果它超出了预期范围,需要更改重量矩阵和期望输出值逐渐隐藏层的需要增加。

线性回归分析中使用的模型如下:

回归系数,公式包括常数项和错误数,也就是说,在整个预测过程变量的影响。准确性和变量根据统计检查,验证参数估计和拟合程度和意义的性能评估根据统一的检测方法。计算值的拟合程度预测后的样本数据。计算公式如下:

整体线性变量参数的重要检测,统计计算是必需的,和计算公式如下:

GA-MLP-NN神经网络模型需要处理测试数据在大学英语口语纠错功能。整个多层感知器首先需要解决输入数据的值,然后将获得的参数变量到激活函数。激活函数公式如下:

输出值可以用数学公式

比较实际的函数曲线和预测函数曲线如图4。

GA-MLP-NN训练是通过调整权重值和阈值参数范围,和最终目标是实现一致性或近似和实际产出之间的训练样本数据:

如果结果是比预期更接近精确值,您可以继续使用当前权值和阈值。相反,如果预测估计不准确,需要更新权重值和阈值调整精度。我们选择两个变量在模型中大学英语口语语法纠错,包括语法和数量误差校正的准确性。建立比较数据如图5。

3.2。聪明的误差修正模型研究基于深度学习大学英语口语语法

作为一种国际语言,英语是广泛应用于日常生活、工作和学习。使用英语语法应该是标准化和准确。语法、使用实际语义的一个重要组成部分,在越来越多的方面由于越来越多的学习者。在日常交流中,我们通常使用英语口语来表达我们的思想。如何使用英语口语语法明智地意识到纠错的功能是非常重要的。目前,随着机器学习的发展语言,语音识别技术也加上一个智能图像模型。然而,以上情况可以意识到英语口语的智能图像误差修正语法。所以我们研究深度学习的使用机器学习和神经网络训练机培训的重要途径。在非线性结构水平,深入学习算法可以更准确快速和有效的数据分析准确性的学习。我们使用深度学习结合的算法结构神经网络模型实现的智能图像研究纠错能力英语口语语法。 seq2seq is a generative model. At the beginning of its birth, it is mainly to solve the problem that RNN cannot handle indefinite length pairing. The structure of seq2seq can better deal with the output problems in some scenarios. The typical is the multistep prediction of time series prediction. There is a strong sequence correlation between tags. The structure of seq2seq can better deal with the output problems in some scenarios. Deep learning can record used data information and provide effective help in image processing, translation, and other functions. In deep learning, we mainly study the seq2seq model, whose coding and decoding functions can sort the neural network sequences. The content-based seq2seq framework is shown in Figure6。

在框架结构中,根据输入队列变换语义规则并生成相应的变量,它是必要的,以确定的上部和下部的时间状态衰落状态:

翻译模型变量定义的衰落情况及时,信息和特征点的数据在整个输入数据队列回答说:

根据模型的解码功能,解码获得变量语句,生成的变量和输出队列用于预测下一个纠错。

在解码过程中,我们需要使用隐藏的计算公式如下:

在整个模型中,编码器队列长度输入数据在一个固定范围。计算变量的过程中,很多详细信息数据将丢失。在整个英语句子语法规则的时间越长,越帧数据丢失的信息。所以我们需要引入一个注意力机制来解决这个问题,当我们计划一个深度学习模型。seq2seq模型的整体框架,信息同步概率应该结合。

公式包含的输出状态变量隐藏在不同时期结束,以及纠错概率和统计的不同的时间节点。为了防止整个语句的文本数据有效保存,我们将解析改进框架。有必要建立一个预测模型为每个时间节点位置的预测。面对大量的口语词汇的大量数据的句子,很容易导致不适当的存储和泄漏。根据这种情况,我们使用搜索功能植入,广度搜索的输出过程如图7。

根据输入数据和语义变量,口语词汇的分布进行了分析,然后,输出状态确定的选项选为起始节点下的预测。这种宽输出搜索方法可以解决存储空间的问题占据整个机器内存,但是有一些罕见的词,不能有效地识别输入高级词汇。在未来,我们将添加一个副本机制研究模型补充数据库通过复制高端词汇和罕见的话说,最后解决nonrecognization的问题。提高数据库支持后,我们需要经历以下阶段来分析整个口语句子。

首先,整个句子截段整个英文句子文本。原句是切成单独的句子,比如标点符号。但这个截断方法很容易造成语义错误。然后,单词语法的分割,分割需要训练根据机器语言学习功能。最后,分析了整个句子使用语义分析,因为英语的使用环境更加复杂,所以大部分的翻译会形成各种各样的词的含义。因此,分析整个词的意义是否规范、合理的误差校正的影响是一个重要的因素。

4所示。大学英语口语语法的研究成果分析智能图像基于GA-MLP-NN纠错算法和深度的学习

通过上面的研究,我们知道误差校正的准确性影响的数量和规则语法、口语和语义分析也可以改变整个误差修正模型的准确性。上述变量有一个明显的线性关系,相关系数的变化曲线可以根据线性关系的变化。如果相关系数接近1的值的变量计算,较强的代表性。相反,如果计算的相关系数接近0,代表的直接连接属性变量是较弱的。我们之间的相关系数比较口语语法和语义分析,结果如图所示8。

结果表明,语义分析多个变量的准确性可以显著影响大学英语口语语法的准确性误差修正模型。我们使用GA-MLP-NN算法支持模型,然后使用建模工具将网络结构。它主要包括数据信息采集、培训学习模型和预测结果。为了提高整个的学习和培训的速度模型,我们设计网络结构中的激活函数添加渐层。根据培训的批处理模式,实际数据记录的数据误差降到最低预期的结果。在使用GA-MLP-NN之前,有必要调整权重值的参与条件。神经网络误差的变化峰值之前和之后的优化如图9。

语法课堂环境是指学生对课堂物理环境、社会环境和心理氛围,在教师行为和学习效果,并成为一个重要的潜在因素,决定了学习效果和影响的学生的认知和情感发展。个人解释力三个维度的数据有效的课堂环境表明,学习行为和情境支持对学习效果有显著的解释力。然而,数据表明,人际支持系数并不重要。结果如表所示1。

在分析大学英语口语语法的预测结果误差修正模型,标准和平均方法用于计算错误数据。上述模型的预测精度评估。如果输出数据与实际数据之间的差异很小,这表明预测结果的准确性相对较高。预测结果的标准计算方法和误差修正模型的平均计算方法和预期结果的比较如图所示10。

4.1。分析的结果智能图像误差修正模型基于深度学习大学英语口语语法

在口语语法纠错,相关算法通常用于比较和评估准确答案,考虑到原文的语义错误将有一些精度的影响。我们预测的总体程度修正率。根据预测结果,只要口语句子已经纠正,它将作为一个标记。默认标记的句子是正确的,然后原句的文本被删除。我们使用数据库内容的实际对象参数,主要从语音音频文本信息在互联网。有很多种语义错误。首先,它是手动标记,然后由机器学习训练。我们可以排除语法错误的类型和位置的数量信息,区域信息,时间信息,和其他变量。深入学习算法用于比较整个模型的精度和召回。原始模型之间的比较结果和seq2seq模型如表所示2。

因此,深入学习算法可以准确地分析错误位置和节点在语法和口语有助于提高误差修正模型的准确性。

5。结论

英语口语是最重要的沟通技巧在沟通的过程中。大学英语口语语法的连续使用,人们越来越多的重视语法错误。目前,深度学习和神经网络的发展非常迅速。机器学习和人工神经网络的结合提高了整体模型的预测精度和学习速度。首先,根据深度学习的发展现状和国内外神经网络,分析上述算法的重要作用在机器学习能力和优化方法。优化GA-MLP-NN算法改善总体性能计算过程中大学英语口语语法误差修正模型。其次,我们分析的内部结构中长期规划的基本算法。与传统的多层感知器的预测相比,结果表明,该优化算法极大地提高了模型的运行效率和缩短了预测时间。然后,整个模型的深度学习模型,和seq2seq模型的学习算法用于模型口语语法纠错系统。基本模型的建模过程比较,准确性和回归的速度seq2seq模型与传统模型相比显著提高。 Finally, the advantages of this model and the variable factors that need to be paid attention to in grammar correction are analyzed. The results show that GA-MLP-NN can change the problem of a huge amount of data and simplify the complexity of the whole model. The deep learning algorithm can improve the error correction accuracy and the overall operation speed of the model.

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

这项工作是支持计划项目“13日五年计划”的陕西教育科学规划(SGH20Y1170)。