文摘
在网页设计中,我们需要充分利用计算机多媒体技术,可有效提高网络的质量设计和提供更大的便利。神经网络需要计算大量的训练数据在图像优化和计算速度跟不上实时数据处理,导致优化图像质量差的问题。分析了传统优化的BP神经网络算法中存在的问题,提出了一种优化BP神经网络的图像优化方法相结合的增加动量项和自适应学习速率的调整。该方法可以加快迭代速度和跳出局部最小值过早的情况。试验结果表明,文本的用户满意度web界面的视觉效果优化的方法和其他方法的用户满意度98%以上是只有约90%。web界面的视觉满意优化该方法明显高于比较的方法。web界面可视化优化方法在本文中效果更好,它可以满足大多数用户的满意度要求。
1。介绍
在互联网时代,网络信息的数据量增加和信息技术广泛应用于各行各业具有独特的优势。在网络设计方面,计算机多媒体技术可以有效地提高web内容的含金量和整体美实际使用的最新技术,为网页设计师提供舒适,减少工作量,提高网页设计的质量(1]。如图1,计算机多媒体技术在网页设计中的应用是一种必然选择,但在实际应用中,仍有许多问题需要进一步的实现和改进。从这个角度来看,它是非常重要的,加强计算机多媒体技术的应用研究在网页设计中,有助于为后续工作提供参考依据(2]。的BP(误差反向传播)算法的主要思想是首先选择任意一组权重。这组权重的学习过程分为两个阶段:信号的正向传播和误差的反向传播。向前传播阶段的信号,输入变量是转移到输出层的输入样本输入层和隐层输出层中获取我们想要的信息。在这个计算,每个网络样本的重量和样品补偿必须一致和层的神经元状态是通过相关的激活函数(3]。如果样品不能聚合计算误差,然后将进行误差的反向传播阶段。误差的反向传播阶段,与信号的正向传播过程相反,输出被认为是开始和结束的错误方向前进一层一层地传播。通过传输输出误差,误差分布到所有单位在原始层,以进一步获得每一层单元的误差信号,然后正确的每个单元的重量。通过反复训练,网络样本的重量和样品的抵消价值不断修改,直到达到预先确定的误差精度(4]。从这个角度来看,它是非常重要的,加强计算机多媒体技术的应用研究在网页设计中,这是有用的为后续工作提供参考。
2。文献综述
郭等人提出,页面呈现可以通过使用CDN(内容分发网络),可以减少每个文件在web页面的下载时间(5]。杨提出了一个网络浏览器,它可以快速显示web页面包含动态对象即使呈现过程是在代理服务器完成。代理服务器提出了动态和静态部分,分别发送的渲染结果的动态部分和优化渲染结果静态部分web浏览器(6]。一个web应用程序框架提出了江和王来生成渲染结果;例如,DOM树在web服务器向浏览器发送结果,并发送报告结果后,将Ajax事件发送到web浏览器(7]。陈和其他人讨论如何分配服务器和浏览器之间的角色,进行有效的处理和显示结果(8]。在学术界,Yiyue等提出了基于队列的SACC算法调度模型。SACC算法可以调整请求的顺序根据变更请求的优先级。SACC算法可以减少请求的等待时间和优化前端性能在一定程度上。任务调度策略的自适应方法已经成为一个重要的研究领域,特别是在分布式系统的优化9]。刘和张提出了马尔可夫请求队列模型,认为虚拟机之间的资源共享和几种类型的失败10]。对于队列缓冲区大小和不确定性价值函数,邓等人提出,通过作业调度,强化学习算法的自适应选择动作方法和排队理论可以实现(11]。目前,高速CPU和低,我/ O硬件之间的瓶颈仍然是非常严重的,和大多数的方法用于提高高并发的吞吐量和降低网络延迟,提高I / O性能。一个方法来提高I / O性能通过一个分布式文件系统也提出了。像磁盘I / O调度,在分布式文件系统中,连续I / O请求重新计算和重组通过某种算法,然后提交到本地文件。由于机器学习的越来越受欢迎,它可以结合性能优化。关于机器学习,在学术方面,陆等人提出了一个分布式学习算法和利用强化学习作为他们工作的框架。在他们共同的顺序学习方法中,每个调度程序有一个实用程序表(12]。Hajipour和其他人提出的使用自适应强化学习算法,以提高任务执行较低的计算复杂度。该方法使用RL和神经网络的结合来支持调度(13]。冯et al .,基于0 - 1得分模型,提出了困难(最优项困难,OID)匹配方法。这是计算机自适应测试的原始形式。然而,这种方法依赖于初始的选择测试项目,测试效率低。然后,基于能力水平之间的关系的主题和项目信息的数量,主提出的最大费舍尔(MFI)的信息。最大信息方法的假设是,在项目的信息量就越大,越接近研究对象的评价结果是真正的结果(14]。
就目前的研究而言,神经网络需要计算大量的训练数据的过程中图像的优化。当计算速度无法跟上实时处理速度的数据,这将导致图像质量差的问题。分析了传统BP神经网络优化算法中存在的问题,优化了传统的BP神经网络优化算法,并结合自适应调整学习有效地加速迭代速度。该方法可以充分发挥BP神经网络算法的效果更大程度上加速迭代速度,同时跳出过早局部最小值的情况,从而极大地提高计算速度和获得高质量的电脑网页界面优化。
3所示。计算机多媒体技术在网页设计的分析
3.1。网页视频处理技术
计算机多媒体技术在网页设计的使用可以帮助获得视频数码相机和cd。由于自身的特点,内部数据量相对较大。基于当前数字电视图像NTSC和SIF的标准,它可以发现,数字电视的每帧图像的数据量高达2038 KB和数据流量每秒大约是62.7 MB。未压缩的视频很难在网络上传输,很容易受到网络资源,严重影响网络的正常使用。因此,在网页设计中,必须充分考虑视频处理技术的选择(15]。
3.2。数字音频处理技术
在互联网上有很多音频文件,和这些音频文件的格式主要是MP3, WAV,的WMA, AAC。数字技术是一种更先进技术在多媒体技术,并应用于网页设计更早。在网页设计中,有多种方法来获取数字音频资源,可下载或在线购买或从音频材料获得图书馆。在此基础上,在网页设计中,需要澄清的,声音是信息传播的载体,它集成了音频和视频有机和可以有效改善效果的信息表示16]。
3.3。Web图形和图像处理技术
图形和图像也同样在网页设计中不可或缺的元素。多媒体信息中包含他们相对丰富,并通过图像压缩和处理,可以生成二维和三维图像。图像采集是通过扫描技术和数字采集技术,有各种图像处理方法,如Photoshop软件更为普遍。它可以调整四面八方根据图像的需求,包括图像曝光,相反,软化,和裁剪,也可以修剪图像,选择适当的文件格式输入。更常见的图像格式包括jpg, GIF, amp, JPEG,等在网页设计中,通过丰富多彩的图像,它可以使web内容更加生动,给人视觉冲击17]。
3.4。优化的BP神经网络方法
的整体理念优化BP神经网络的图像优化如下:首先,我们建立两个三层BP神经网络模型,在第一个两层节点的数目是4,第三层的节点数是1。我们选择层之间的连接权重的初始值,每个神经单元的值在BP神经网络的区域值,执行迭代操作,并获得输出结果最优决策的结果。最后,我们根据最优决策结果进行等价类聚合完成图像优化。算法流程图如图2。
3.4.1。传统的优化方法
修改重量BP神经网络的学习公式是主要的方法来改善传统的神经网络,和主要改进方法如下:(我)增加动量项:当传统的BP神经网络算法调整重量和抵消价值,不管之前的方向梯度误差在一个特定的时刻,我们只考虑的梯度下降方向错误在某一时刻做出调整,这样很容易引起振荡在训练,很容易增加迭代次数,和更容易陷入局部最小值(18]。因此,为了加快神经网络的计算,一些学者提出了添加动量项调整重量。一般表达式的重量调整表达式可以表示为 在这里,代表某一层的权重矩阵和动量系数。表达式(1)还可以进一步优化,可优化 (2)学习速率自适应调整算法:算法的神经网络,学习速率的重要参数很小,虽然它能防止训练陷入局部最小值,可以保证稳定收敛的训练,但收敛速度变慢。相反,当学习速率变得更大,训练收敛速度大大提高,但很容易重复培训和陷入局部最小值。因此,神经网络算法的学习速率的平衡必须被考虑。但是普通的BP神经网络算法的学习速率是一个固定值,和许多学者表明,固定学习速率会导致更多的问题在实际的应用程序。在平坦的表面误差,为了加快训练迭代速度,学习速度值增加。当有更多的表面误差的变化,学习速率减少防止陷入局部最小值。因此,如何调整学习速率自适应算法已经成为一个热点的改进算法研究[19]。(3)结合增加动量项和自适应学习速率的调整:即学习速率和动量系数在公式(1),与此同时,为了确保培训的稳定收敛,收敛自律根据实际情况可以大大提高训练速度。为了解决这个问题,一些学者也提出了一些合理的方法20.]。(iv)其他改进方法:根据第二微分项的错误,修改BP神经网络在一定程度上通过修改选择方法和拓扑每个神经元的激活函数,和一个伟大的改进是一个方面。
3.4.2。改进的优化方法
该算法使用的组合增加动量项和自适应学习速率的调整。英国石油(BP)的优化算法。这种优化算法,与之前介绍的优化算法相比,减少了数量的更改参数和提取和作为一个参数,所以有
在某一时刻的值调整根据不同吗之间的误差迭代和上一次迭代的误差。具体方法如下:如果 这表明错误进一步增加迭代之后,它被定义为无效的价值仍然是不变(21]。如果 ,这表明错误后减少迭代,因此定义为有效;的值被修改
在这里,是任何正数在0和1之间。
然而,这种修改不大大提高和优化训练速度,只有减少计算量和参数。因此,为了优化算法,进化理论的思想必须添加到该算法。使用有目的的渐进式微调调整节点重量,判断并选择微调重量,并确定哪一组继续。该算法提取两个网络同时训练样本。新值加权算法中参数的高斯噪声,作为新的网络的加权值。当每一层的训练完成后,做出判断和选择,选择一个更好的网络重量,重量网络重量与高斯噪声,第二次和重复训练,直到满足特定的需求22]。
3.5。大数据处理基于计算机交互技术
大数据信息融合和数据调度的方法是用来完成信息集成处理接口交互期间,和大数据的时域函数分布在界面交互建立如下: 在哪里j和我的尺寸采样节点和接口交互的底层数据库,分别。是数据节点在j采样节点交互传播; ,V,l输出聚类向量、大数据量和功能分类,分别。与界面交互的特性分布是一致的水平 。为了获得输出的特征分布大数据聚类的聚类属性,交叉编译是用来计算集群信息按照下列方法: 在哪里n、z和问是订单、固定常数,界面交互和界面相互作用参数,分别。为了获得大数据的聚类中心功能,大数据的组内的色散分布是用来计算特征分类和识别的方法:
获得潜在的大数据的统计独立变量接口交互,它需要根据统计特性分析计算方法:
通过大数据融合的方法输出,相轨迹中心向量之间的距离和组内的集群数据信息流的底层接口的计算:
为了获得大数据信息的分布式聚类统计结果在界面交互,自相关语义特征分组方法用于计算 在哪里是大数据量的j聚类中心和E和T分别代表底层数据库的总尺寸的界面交互和采样节点的总数。为了获得调度功能 ,大数据的实时接口交互数据没有差异特点安排如下: 在哪里米和是数据的空间分布密度聚类和预定数据,分别和是交互节点之间的欧几里得距离吗和聚类中心 。
提高大数据融合和信息聚类的性能接口交互可以通过接口交互的大数据处理方法的研究。
4所示。实验结果和分析
在实验中,输出矢量数据集的一个维度和输入向量有两个维度。数据集包含70个团体,包括50个训练样本,6验证样品,6测试样品。使用了三层神经网络,乙状结肠函数用作隐藏的中间层的激发函数,选择和输出层的激励函数的线性函数。两个网络的训练比较结果如图3和4。从图可以看出3在收敛速度方面,比普通神经网络优化算法给定的速度更快。图4显示的错误值经过改进的BP神经网络算法训练网络。误差值小于普通神经网络。此外,添加到进化策略算法之后,它可以有效地加快收敛速度和防止陷入局部最小值(23]。
为了验证该方法,本文提出的方法和其他方法用于处理大数据在同一金融行业。这两种方法所需的时间来处理大数据在不同的大数据量进行比较。比较结果如表所示1。大数据的分布式样本集是200,样品采集的时间间隔是0.25 s,和嵌入式分布式大数据信息处理的时间延迟τ= 5。
从表可以看出1用的数据量的增加,两种方法的大数据的处理时间增加。时的数据量很小,这两种方法的处理时间区别很小。然而,随着数据的数量的增加,处理时间的方法在本文中显示了一个稳定增长的趋势,而其他方法处理时间的增加得更快。当达到5000 GB的数据量,该方法在本文中只需要0.20秒,而其他方法需要0.72秒。可以看出,大数据处理方法的效率相对较高。为了测量的视觉效果的文本和图像web界面优化和设计的方法在这篇文章中,我们比较了两种方法来优化设计的文本图像的平均灰度值web界面和图像对比度改善指数。结果如图5和6。
从图可以看出5,整体灰度值的平均值和局部灰度值的平均值的web界面图像优化该方法是186.34和111.34。总体平均灰度值和当地的平均灰度值图像的优化由其他方法是131.56和96.42,分别。web界面的图像的平均灰度值优化的方法比图像的平均灰度值优化的其他方法。因此,web界面图像亮度的优化设计方法在本文中更好,显示图像视觉效果更好。从图可以看出6整体对比改进指数和部分改进指数的web界面图像优化的方法在本文中是5.43和5.76。整体对比改进指数和web界面的部分改进索引图像使用其他方法是2.23和2.32,分别。我们证明web界面图像的视觉效果的优化设计方法比其他方法,创造一个更舒适的web界面图像视觉效果。为了进一步验证web界面的视觉效果文本视觉优化后,200年全球资源网络用户被随机选择和平均分成10组。10个用户组的满意度水平与web界面文本的视觉效果优化该方法和其他方法测定。对比结果如图7。
从图可以看出7用户满意度的web界面文本的视觉效果优化的方法和其他方法的用户满意度98%以上是只有约90%。web界面文本的视觉满意优化该方法明显高于对比的方法。试验结果表明,这种方法的web界面文本视觉优化效果更好,可以满足满足大多数用户的需求。
5。结论
web界面的视觉优化执行提供保证更好的人机交互。的视觉优化图片,文字和其他文本的web界面可以更好地为人们提供视觉体验和驱动人们的情感。为了人与计算机之间传递信息的最好和最有效的方法,更好地完成人机交互,本文采用彩色图像增强的方法和文本优化基于视觉特征的web界面来实现文本的web界面的优化。通过测试和分析,可以看出,该方法具有良好的视觉优化效果。
数据可用性
数据集用于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。