文摘

深度学习和神经网络已经广泛应用领域的演讲、词汇、文本、图片、和其他信息处理领域,取得了优秀的研究成果。神经网络算法和预测模型被用于本文的研究和探索英语语法。针对英语语法准确性和标准化的应用程序需求,我们提出了一个基于LSTM-CRF机器学习模型来检测和分析英语语法。本文简要总结了深度学习和神经网络算法的发展趋势和设计径向基函数神经网络的结构模式在语法语义检测和分析的基础上深入学习人工神经网络理论。基于形态学特征的英语语法,语法数据库建立了根据英语单词分割的规则。在本文中,我们提出了一种改进的条件随机场CRF(条件随机场)网络模型基于LSTM(长短期记忆)神经网络。它可以改善问题,传统的机器学习模型依赖于特征点选择在英语语法检测。机器学习模型基于LSTM-CRF被用来识别英语语法文本实体。结果表明,英语语法检测系统基于LSTM-CRF模型可以简化流程结构的识别过程,减少不必要的操作周期,提高整体的检测精度。

1。介绍

人工神经网络的研究是智能科学与技术领域的重要内容。这也是深度学习神经网络结构的基本雏形。在神经网络结构的探索分析和机制,研究人员构建类似的网络结构(1]。它可以使学习的计算机模型得到大量数据在训练的过程中进行法律分析。在上个世纪,研究人员带头发展中感知能力模型中的机制,提出人工神经网络结构的数学模型(2]。随后,反演算法的发明了人工神经网络的研究成为一个狂热的阶段。由于缺乏一个全面的理解算法和网络结构,理论分析是很困难的。学习和培训方法和技术是不完美的。当人工神经网络的结构已经成为世界的焦点,计算机科学的发展是不够结实3]。因为计算机的计算速度和精度不能满足要求的神经网络结构,因此,神经网络在这一时期的结构相对简单,并且大部分的内部结构由单层神经元,主要提供肤浅的学习和培训的研究(4]。

随着科学技术的发展和计算机领域的发展,神经网络的结构不断更新。后续研究者提出的方法逐层预计培训,大大提高语言识别的准确性(5]。在这个阶段,深度学习的思想和研究方向是[正式开放6]。深入学习研究的结构、实验数据的图像处理、语言识别、文本检测、模式检测,等等,它是更适合学习培训模型比传统的神经网络算法(7]。这也证明了深度学习具有很大的优势和地位在神经网络结构8),从单一神经网络单元结构的多级神经网络结构下深入学习。网络结构的复杂性,使得层和变量的数量增加,这就增加了范围的数据源。能找到更多的数据特征点的数据来源和获得优秀的学习和训练效果9]。

深入学习理论的不断发展,它已经被越来越多的追求。随着计算能力和探测技术的发展,这个模型已经应用在很多领域10]。微软研究人员提高语音识别的准确性通过深度学习神经网络算法,这减少了识别错误率两到三个百分点(11]。然后,在模式识别和数据方面的检测,检测结果的差异是降低15%。与传统算法相比,深度学习神经网络算法可以减少预测模型和识别错误12]。

英语是一种常见的语言在各领域的科学研究和合作。使用英语语法,每个国家都有自己的特点(13]。例如,在英语语法有明显的区别。也有语法和语义差异国家和城市在同一个国家14]。如何检测和分析英语语法智能是同声传译的基本技术和英语写作15]。通过提高英语语法和语义之间的歧义,我们可以提高英语阅读的效率,沟通和交流。在实际的检测操作中,语义特征和识别效果将受到影响16]。它严重干扰优化测试和英语语法的探测效率。基于上述问题,我们建议使用LSTM-CRF机器学习模型来计算英语语法检测数据和构建模式17]。LSTM神经网络长期短期记忆神经网络和CRF神经网络条件随机域的算法。据的结合这两种算法的特点,可以准确区分分类根据语义和语法之间的关系上下文本(18]。最后,数据分析和检测的目的是实现。LSTM-CRF神经网络算法用于标签的英文文本和定义示例(19]。的过程中发现不同的特征点,我们比较的优点和缺点模型与传统的算法(20.]。英语语法的过程中发现,我们需要探索文字识别的方法。我们使用优化算法后,两者的结合研究英语文本的实体识别(21]。同时,根据训练模型的组合形成的CRF LSTM神经网络算法和神经网络算法,英语语法进行检测和分析,该算法的优点在数据仿真和数据分析得到22]。两者的结合,网络已经应用于实现建立英语语音识别和翻译,单词反馈和机器学习、智能英语语法翻译,和其他模型。这个技术水平是不断更新和改进。

首先,本文介绍了深度学习的优势和发展神经网络算法和探索在英语语法语义的智能分析技术基于神经网络技术。其次,它研究英语语法分词技术在LSTM-CRF机器学习模型中,主要分析CRF的机器学习模型。最后,本文研究了英语语法的实体识别技术LSTM-CRF机器学习的基础上,论述了LSTM和CRF神经网络层功能,最后分析了影响建筑模型的语法LSTM和CRF的检测。

2。英语语法研究基于神经网络算法的检测技术和LSTM-CRF模型

2.1。英语语法和语义分析技术基于神经网络算法

针对智能分析的要求英语语法语义内容的检测,我们学习英文字符的自动识别功能23]。利用神经网络的基函数在机器学习模型中,英语语法字符识别的方法基于神经网络算法(24]。神经网络的基本功能可以取代传统的激活函数算法,提高整个网络结构的模拟效果(25]。基于梯度下降学习训练方法可以加速模型的探测效率和性能(26]。

神经网络基本模型构建算法在机器学习领域的27]。穷人为了提高训练效果的复杂性造成的输入数据源在传统的算法中,我们介绍了径向基函数神经网络算法。这个算法是用来取代传统的非线性变量算法。首先,介绍了神经网络的神经元结构(28]。一个人工神经网络可以根据模型模仿人类大脑的活动内存和处理信息。主要包括单元结构、网络结构、网络培训、和其他方面。神经网络的基本结构如图1。

在图中定义的变量代表输入数据和按重量变量之间的连接单元的神经。不同的输入数据和重量值是一一对应的。根据这些变量,生成整个结构的重量矩阵。输出矩阵如下:

有一个激活函数公式,函数变换是非线性的过程。使用这种方法在整个神经网络可以增加网络检测的模拟能力。每一个神经元形成整个神经网络结构根据头尾相结合的方式。BP算法用于模型基本上是学习训练,但这在语法和语义分析算法没有优势。为了提高BP神经网络的上述问题,我们引入了径向基函数神经网络算法。这种神经网络算法的基本结构与一般的神经网络是一致的。他们是输入层、输出层和渐层。与基本元素结构相比,径向基函数取代了激活函数的基本元素结构逐渐隐层。公式如下:

在上面的公式中,是函数的元素的位置吗逐渐隐层,是计算的高度函数。为了使实际产出更接近预期的效果,我们需要提高整体结构的参数通过学习和训练的神经网络模型。在径向基函数神经网络算法,我们确定误差变量在整个网络结构根据梯度操作方法。在这项研究中,均值方差用于表示误差分析变量。计算公式如下:

重量值更新,公式如下:

更新的宽度变量整体网络结构,计算公式如下:

最后,中央的神经网络结构更新。

在公式(4)(9),我们定义学习效率和可变因素的神经网络模型。控制这些变量在一定范围内。它是用来改变梯度的影响模型的培训学习过程最优的解决方案。培训的整个过程检测如图2。

流程图,整个神经网络初始化,根据需求定义,以及适当的结构级别设置。传播的模型变量的数据样本输入方式。与期望值比较输出数据并确定两个变量之间的差异随着误差分析数据。最后,整个网络结构变量更新直到训练过程的输出接近预期的结果。当我们研究的影响在英语语法和语义分析中,我们可以使用神经网络结构识别英文字母,因为英文字母拼凑的本质,就是比其他语言更容易操作。在研究的过程中,相应的字符0到9的范围。根据数字生成方法,它表示为一个网格。这封信表示如图3。

从图可以看出3,字母大小写的表示路径的变化。有效数据是由1和0无效数据。对于任何一个不同的角色,我们有相应的不同的表现风格,最后安排他们。上面的语法特征的识别过程数字化,可以改善这种情况,收集到的数据往往是不规则干扰的使用语法的过程中语法检测。

2.2。英语语法分词技术基于LSTM-CRF机器学习模型

英语语法测试的过程中,英语需要由信息技术处理。也就是说,我们需要分析语言的特性。分词是数据采集的基本任务之一,数据分类,检测和分析。只有在完成分词的英语语法可以构建整个机器学习模型。大部分的英语写作方法使用空格作为分隔符,但获得的数据集空间分割的整体结构变化的语言。基于上述情况,本文提出一种基于单词分割过程。常用的分词方法包括传统的机器学习,深层神经网络学习,等等由于传统分词的限制,如词汇的储存数量,不完整的语法规则,语法冲突,等等。在这个时候,我们可以根据CRF模型构造分词。然而,单一的CRF算法模型很容易受到的设计特征点检测过程模板。面对的范围和方式收集数据特征点,最后结果我们设置窗口的组合在不同的语法的情况下是不同的。 In the follow-up, we add the word segmentation method based on the LSTM model and combine the advantages of the two to build the grammar detection model. We use LSTM level and CRF level to set syntax tags, which effectively improves the problem of feature point selection and input. The specific technical scheme is shown in Figure4。

矢量模型建设的过程中,我们需要将语法的文本转换成变量。每一个语法词是由一个真正的变量。这种方法能反映语义和语法关系和提高语法检测的检测内容的相似性。具体施工过程如图语法变量5。

如图5,英语例句分为multimodule结构分类研究和设置为相互关联的变量。为检测到不同的变量除以语句,整个模型的运行速度可以提高。

在建立检测模型中,长期和短期记忆单元LSTM可以改善传统算法中的梯度消失问题根据选择单元门。CRF算法能有效提取标志信息在整个语法。模型基于LSTM-CRF可以使用时间序列的变化数据来获得特征点。具体LSTM-CRF模型如图6。

让我们以语法单体数据样本为例:假设有50个字符文法,每个25一个变量维度。特征点的变量是由字符,输出层的数据计算,结果矩阵。每个LSTM神经网络结构对应于一个矩阵。最后,输入矩阵的线性层结构和标记元素。所有数据拼凑在一个单个的字符。拼凑值输入到CRF算法模型,并获得最优数据值检测的结果检测模型的最优解。标签过程概率的计算公式如下:

优化后的公式计算结果的似然估计如下:

在获得最好的数据结果,最优分类路径的计算公式如下:

在整个机器学习模型,CRF水平可以限制未知条件通过添加标签,可以提高检测结果的时间复杂度,保证语法检测的有效性。LSTM-CRF机模型的约束条件得到的训练过程中CRF的水平,可以改善英语语法检测的总体效率。

2.3。英语语法文本实体识别技术检测基于LSTM-CRF模型

英语语法是捕获各种变量的文本识别标签在动态语法变化。这些变量可以构成一个复杂的检测模型。因此,本文研究了文本实体识别技术在英语语法基于LSTM-CRF学习模型的神经网络算法。结合语言处理、长期、短期记忆神经网络算法,和条件随机域算法,动态的语法变化检测进行了研究。在传统的实体识别技术中,我们通常把重点放在三个内容:变量关系,和收购。传统的算法包括单个CRF实体识别方法。首先,语法构造数据库和字符匹配和分段,然后是实际结果进行了比较。尽管这种传统单一的方式更有效,它将无法获取时遇到问题,如巨大的数据源。

为了解决上述问题,我们提出一个语法实体识别技术基于LSTM-CRF机器学习模型。它可以计划变量和建立一个框架来避免人工干预和不规则的干扰。首先,我们建立LSTM-CRF模型根据算法规则,主要包括LSTM水平和CRF的水平。生物词标记方法是用于定义语法的句子。具体LSTM-CRF模型如图7。

LSTM层中,我们可以看到,有几个神经单元,每个单元被连接在系列,和非线性运动是用于获得在整个检测过程的结果。权重矩阵和传递向量的公式如下:

LSTM模型在计算过程中,明智地考虑变量的变化方向相同,我们可以提高双向模型过程之前和之后的数据信息。计算的变量LSTM模型添加到标记CRF水平。在CRF层面,上层模型可以约束的结果,和一个最优解范围可以根据标记控制的关系。的状态变化概率显著的变量是由以下公式计算:

整个模型建设是实现了一个张量流算法。施工过程模型图所示8。

语法检测模型基于LSTM-CRF模型可以考虑整个检测过程成本、时间计划、效率等性能。与传统模式相比,它能更好地处理复杂的数据。

3所示。导致英语语法分析的研究技术检测基于LSTM-CRF机器学习模型

3.1。神经网络算法的结果分析在英语语法检测模型

为了更清楚地辨别模型中神经网络算法的性能,我们进行对比仿真试验根据不同的神经网络算法。为了确保测试结果的平等,我们为每个变量设置统一的参数在测试培训。具体参数如表所示1。

如表所示1,我们设置的参数数量的隐藏层,隐藏单位的数量,输入和输出节点的数量,和最大的培训时间。该方法有效地稳定测试结果的范围。

检测培训,测试数据变量是根据功能、控制和出错率指数测试反映的变化曲线分析理想状态的变化和国家被不规则的语法。不规则的品位变化的曲线和训练识别错误率如图9。

我们可以看到,根据不规则语法的增加,探测和识别的错误率就越大。因此,在相同的索引变量的情况下,语法规则有一定的影响总体英语语法检测结果。

3.2。分词在英语语法分析检测基于LSTM-CRF模型

在这项研究中使用的数据源是基于英语词典文本。根据九比一的比例,整个分类随机分为训练模型和测试模型。我们比较传统的CRF模型和LSTM-CRF模型。数据源,二元模型是用于构造相邻字符传输文本削减的数量。由于存在一个变量在英语语法和距离的关系,出现的人物和它们之间的关系产生影响。二进制方法不能改善这个问题,因此我们使用长期记忆的结合网络算法和条件随机域算法。它可以学习和训练时间序列信息的检测模型和提取特征点来提高检测模型的准确性。

为了确保检测仿真结构最优的解决方案,我们优化权重和迁移变量根据优化功能。优化训练数据是一致的输出模型尽可能多。我们使用字符嵌入LSTM-CRF模型,分别和尺寸是25 - 50。整个模型的实验结果如图所示10。

根据实验结果,长期和短期记忆网络算法输入英语语法数据然后为了把它们分类,分析其历史影响。LSTM算法用于为CRF提供最好的特征点的算法。实验数据的标记变量是CRF的训练和学习投入水平作为标记的功能结果。最后,在结合算法模型,检测效果优于传统的CRF。

3.3。结果分析英语语法的文本实体识别技术检测基于LSTM-CRF模型

为了澄清LSTM-CRF算法模型的适用性及其作用在每一个层面,我们发现动态语法文本LSTM, CRF,分别和LSTM-CRF结构模型。根据精度,效率和回报F1指数,分析了实验结果如表所示2。

根据表2,CRF层主要用于优化处理根据统计标记所有的变量和输出数据接收LSTM水平。在训练中,我们可以使用一个规则算法选择语法变量之间的变化和调整参数。添加CRF层之后,LSTM模型的准确性和回报效率可以改变。精度的显著变化和返回表中的效率也证实CRF水平检测模型的作用。与单一LSTM模型相比,条件随机场的网络模型结构可以更好地调解语法检测过程。整个模型检测的准确性和效率提高。

在这项研究中,LSTM-CRF模型用于变化检测标记转换的过程根据培训学习的结果。实际检测结果相关的标签是否有连接反应。首先,LSTM层是用来训练检测函数,然后输出结果获得通过改变标记矩阵根据CRF标记功能。它可以得知的检测和识别影响LSTM-CRF学习模式可以提高准确性和效率的反馈。

4所示。结论

不断发展的智慧,一般的使用语言,语法是否标准或不会对交流有很大的影响。因此,我们需要一个更快,聪明,和准确的英语语法模型来降低沟通成本。本文研究了神经网络算法在建设的英语语法检测模型,并得出结论:神经网络算法可以提高检测网络训练的效率,可以提高语法字符识别的性能。本文使用LSTM-CRF机器学习来构建一个语法分词模型介绍和学习词汇在英语语法的功能检测。介绍了长期和短期记忆神经网络和条件随机场模型研究语法分割和证明语法中的LSTM-CRF模型检测的优越性。最后,CRF算法的性能,LSTM算法,LSTM-CRF结合实体识别算法在文本进行比较和分析。结果表明,组合模型可以提高语法检测的效率,改变解析语法的过程中,减少不必要的环节,提高整体性能。实验结果表明,LSTM-CRF模型可以提高英语语法的准确性和反馈速度检测。建筑的英语语法检测模型,本文提出了使用LSTM-CRF模型,提高检测效率和检测范围。

数据可用性

本研究的数据都是大数据统计的测试过程。本文的数据可以完全支持本文的研究成果。

的利益冲突

作者宣称没有利益冲突。

确认

本文的工作是支持的湖南大学艺术与科学。