文摘

选择最佳方案的过程中人工智能算法,是不可能准确地判断之间的非线性关系创新战略和影视后期制作方案。一种改进的基于集成人工智能算法的动态因素和人工智能算法,以减少人工智能算法的干扰能力,提高分析水平的影视后期制作和创新策略。首先,最初的创新战略组生产组建立了使用动态因素,这使得它离散和减少的影响方案选择错误的结果。然后,生产集分为动态subproduction集通过影视制作理论,和每个组subproduction寻求自己的平行的创新战略。最后,在影视制作理论的指导下,每个subproduction集匹配最优的解决方案。通过MATLAB仿真分析和验证,改进的动态人工智能算法可以提高判断的准确性影视作品的创新战略在一个不确定的环境和解决方案,缩短收敛时间的全球特性是优于原影视生产策略的选择方法。此外,在这种条件下初始重量设置方案和阈值方案。人工智能算法是用于分析的创新战略选择青春偶像的作品。结果表明,在不同的影视制作需求,人工智能算法的创新战略选择的判断是准确的,优于原影视制作策略选择方法,这也进一步验证了人工智能算法的有效性。

1。介绍

随着社会经济的快速发展,传输网络的规模正在扩大,这是发展的方向所情报和复杂性周et al。1]。因此,它是特别重要的判断选择创新战略的影视作品在一个复杂的环境说明了张(2]。判断的关键创新战略的选择影视作品是法官所匹配和创新战略的类型由Sun et al。3]。影视制作理论不仅可以判断非线性特性的解决方案和创新战略选择之间的关系描述Sorkhabi et al。4]也解决非线性和高纬度地区创新战略选择问题,这是主要的方法来判断影视作品的创新战略选择目前被辛格和库马尔(5]。文献研究表明,影视制作理论可以分解谐波信号进行分类,缩短诊断时间,提高谐波信号的判断效果如上所述Sikka et al。(6]。然而,在影视制作的过程理论分类的作品,电影和电视作品的复杂性会影响的判断模型参数,然后影响创新战略选择的最终判决结果如上所述Sadok et al。(7]。一些学者提出了人工智能算法。尽管人工智能算法可以判断创新战略的选择的影视作品,有相对较少的后期制作参数,和整体生产能力大大降低多变和复杂条件下由Pazouki如上所述,Pourghorban [8]。因此,一些学者提出了各种各样的创新生产战略和改善了人工智能算法,如表所示1。

从表可以看出1不同类型的影视作品有相同的需求创新和后期制作,所以需要人工智能算法作为援助;否则,无法实现准确的选择策略。与此同时,一些学者研究了优化理论的电影和电视制作的人工智能算法ABC,解决了困难的优化问题的电影和电视作品的后期制作参数,提高创新战略选择所诊断的可靠性公园等。9]。通过国内外学者的研究和比较,发现人工智能算法可以定量分析影视作品,挖掘作品的创新点,为后期制作提供参考,指导生产者选择创新策略,提高影视作品的生产水平。此外,人工智能分析速度快的特点,简单的操作过程,准确的分析结果,适用于分析大量的影视作品。总之,人工智能的应用在电影和电视领域相对较深,但它是更少的应用于后期制作和创新战略的选择。与其他产品相比,后期制作是影视作品的关键,因此,对人工智能算法更高的需求。人工智能算法可以简化分析过程,提高计算结果的准确性,和集成多个索引分析,最终分析结果满足实际的需求。根据现有文献,人工智能的应用生产影视作品更深层次的在未来,它将产生深远的影响创新策略。因此,人工智能的集成和后来的影视作品是未来的发展趋势。

从上述文献的分析,可以看出,人工智能的影响后来的影视作品主要的创新作品,理性的策略,生产效果的作品,等等,所以相应的优化指标也开始从以上方面。在此基础上,提出了一个动态的人工智能算法,优化了影视制作理论,法官的选择创新策略对于复杂的影视作品,并验证这方面的有效性由Owsley如上所述,格林伍德(10]。

2。相关的概念

2.1。影视制作理论

影视制作理论是一套理论的蒙太奇,镜头组合,材料编辑和其他理论陈述的纳兹(11]。其解集各种影视制作的最佳组合理论,稀疏的特点,集成和可用于非线性分析影视作品。在20世纪早期,如蒙太奇影视制作理论,材料切割、和声音插入被广泛用于后期制作、创新战略分析等领域。为了有效地结合起来并应用各种学习模型,特别是核心功能的铰链损失函数,经验和技术在离散影视作品相结合,并结合战略的准确性结果是通过内核学习方法改进12]。

定理1。假设的影视作品 ,使影视作品 ,创新工作 电影和电视作品,采用策略 。匹配的函数与非线性的电影 和电视工程与其他工程 并结合策略方案,使方案最优 。特定的策略组合公式如下:

其中,是重量和是阈值方案。在那个时候 ,电影和电视作品的数量是最少的,电影和电视作品和分类间隔最大的。当重量是最大的,创新程度是最高的工作,是吗 亩,x [13]。

定理2。如果观众满意度偏差均匀分布在[0,1],这意味着影视作品正确分类。否则,电影和电视作品应该重新分析和战略计划可以表示为 。结果见以下公式:

其中,C是偏差系数,它主要反映影视作品和复杂性之间的偏差。

定理3。如果函数是匹配的 可以表示为,那么创新战略 。结果见以下公式:

总之,后期制作参数C和影视制作理论的关键是选择创新策略的人工智能算法,也是本文主要后期制作参数优化如上所述Kushwaha et al。(14]。

2.2。动态人工智能算法

2.2.1。人工智能算法

人工智能算法可以通过模拟人工优化创新战略行为,包括领导、帮助和调整。在初始化过程中,影视作品的数量和创新计划的工作是相同的,和匹配不同的影视作品代表了最优解。首先,初始化生产集和影视作品是随机生成的,附近的影视作品评判方案有更好的健身计划,“可怜”计划,大约1/2的号码,由霍农[消除相比之下如上所述15]。然后,辅助计划使用轮盘赌战略判断最佳方案,赋予相应的权重,使贪婪的判断周围产生1/2方案。最后,我们放弃影视作品不符合阈值方案和判断影视作品在其他方向如图所示Ghasseminia et al。16]。

假设初始数量的影视作品和创新方案n和随机匹配的影视作品 , 代表平面坐标和是困难,那么初始匹配的电影和电视作品如下:

其中, , ,和与任意匹配和最大方案和困难吗和最优方案与各种困难。一个随机数在[0,1]的范围。

我们领导计划随机法官影视作品,使cross-judgment更新电影和电视作品的匹配。健身的约束下,最大的策略是用于获得最优匹配相应的权重,和过程相结合的策略如下公式所示: 在哪里 , , ,和 。

辅助方案来判断是最好的电影和电视作品概率和法官的社区更好的影视作品来获取最优匹配。组合策略过程如下公式所示:

其中,是一个温和的功能有不同的困难。

如果影视作品没有获得最优解后,无限循环的判断,影视作品的判断将废弃,辅助计划将被改变成一个调整计划,和新的影视作品将随机生成根据公式(6)在接下来的判断。(1)我们做一个集合来判断作品的数量分析的动态调整在一个时间见甘尼et al。17]。初步分析,调整方案不能保证整体判断和可能选择一定的判断“主观的计划,”,减少了人工智能算法的整体性能。因此,在选择最佳方案的过程中影视作品,我们应该尽力扩大判断范围,判断最优解附近的范围,不断调整工作的数量分析。一些学者把线性调整来判断作品的数量在一个分析减少随机性的数量在一个工作分析但选择当地最优解附近的“主观计划”。为了弥补短缺的选择上面提到的最佳方案,介绍了一种动态调整因素 ,及其组合策略公式如下公式所示: 其中,是一个我次惯性方案和 是一个温和的函数我次更新。铅的匹配更新方案和辅助计划可以更改以下公式: 从公式(8),可以看出,方案 相对较小,在初步分析,可以扩大领先的方案的判断范围,避免选择当地的“主观的计划,”和保持的多样性选择最佳的方案 如图所示,Flament [18]。在生产阶段的判断,该方案相对较大,相对较小 ,从而使判断范围变窄,提高社区的判断能力的主要方案,并增强了动态判断性能的人工智能算法如图1。从图可以看出1作品的数量分析的动态调整一次生产集可以准确地确定全球极地计划和极地计划代表了各种影视制作理论的最佳组合。因此,动态调整工作分析的数量在一个时间可以使影视作品满足需求和改善结果如上所述的组合战略的准确性戴et al。19]。与此同时,在图的数据1显示周期性变化。尽管整个数据平滑,仍有一些断点,即人工智能算法部分影视作品的后期制作来实现准确的选择创新策略。此外,人工智能算法之间的角度,最好的策略是一致的,这也进一步说明了人工智能的稳定性。(2)执行的因素也被引入。

当一个特定的电影和电视的工作是收集了许多次,达到开采限制,主要计划将被改变成一个调整计划,寻找新的影视作品,结合新的解决方案的策略。因其强烈的随机性和抗干扰能力差,人工智能算法将落入一个本地“主观计划”的早期选择最佳的方案。生产集的概率落在“主观计划”呈正相关影视作品的复杂性。为了弥补上述不足,本文介绍了减少影视作品的复杂性因素通过概率密度函数,帮助早期的生产将跳出当地“主观计划”。函数的策略组合公式所示以下公式:

当 是1,它是影视作品的正态分布Cauthy (0,1) Cauthy,随机函数的工作吗 , ; , ,和是改变的价值 , ,和 。在那个时候 ,代表影视作品复杂度最高,否则,复杂性是最低的。其中,Cauthy(0, 1)倾向于双方的极慢,所以获得的方案比高斯(0,1),这可以有效地减少主观判断率。此外,峰值Cauthy方案(0,1)小于高斯(0,1),可以改善功能分析的主观因素的影响。基于上述分析,电影和电视作品的判断公式可以用以下公式表示:

2.3。动态创新战略分析

(一)优化模型的动态创新战略如下:动态创新战略的合理判断的主要指数来衡量人工智能算法。之间的动态优化生产集合操作,如领导,帮助,和调整,不仅能平衡之间的关系判断全球和当地生产集的判断也提高相应的判断能力Buendgens [20.]。从公式(8),我们可以看到,判断早期的影视作品中,我们大量的关注全球生产能力,并在以后的判断,我们注意当地的判断,所以不同的生产集动态法官判决策略应该根据条件。目前,除了动态人工智能算法,还有其他的动态优化模型和调整策略的个人计划如以下公式所示: (1)总体方案调整策略结果如下公式所示: (2)的结果判断策略,电影和电视作品如下公式所示: (3)multiangle判决策略结果如下公式所示: 在哪里t是时候让设置优化。摘要人工智能算法改善两个方面。一方面,电影和电视作品改变,每次的约束下的重量映射向量和阈值的映射 ,一组是由随机判断策略从五个模型由Buendgens(如上所述21),电影和电视作品收集了许多次。后期的影视作品的判断,判断创新战略逐渐减小,社区进行判断,并维持生产集的多样性来提高整体的生产能力。另一方面,全球判断和当地的生产设置平衡的判断能力 ,惯性和更新后的计划 ,适度函数和拉格朗日乘子函数综合评价最好的影视作品所快Budhwar et al。21]。(b)使之间的动态参考策略集。让一组引用的主要途径实现动态优化。基于动态优化的设置,人工智能算法在本文构造一个动态的分布式参考策略。逃往本(22]所述thatdifferent subproduction集参考策略,使用不同的动态复杂的后期制作参数,操作。生产集随机分为五subproduction集,和每个subproduction组代表一个subinnovation策略。在每次迭代中,subproduction集将随机判断不同的参考方案。每部电影和电视的工作是收集后,我们比较不同的健身计划subproduction集和影视作品的复杂性和记录全局最优匹配。其他subproduction集聚合的最佳匹配,提高审判效率的最好的影视作品。

2.4。基于动态因素的判断方法和人工智能算法

动态人工智能算法的基本思想是使用各种各样的参考策略来优化初始方案和阈值方案复杂的影视作品和获得全局最优方案,以便判断率创新策略选择的复杂的影视作品是最高的。人工智能算法的实现步骤介绍图所示2:

步骤1。我们确定的结构和影视作品的复杂性。根据实际问题的特点,影视作品的非线性分布结构和人工生产的复杂性决定的 。

步骤2。我们初始化影视作品。根据相关的后期制作参数,手动设置初始化生产。集的数量n= 100, , ,和迭代次数米= 50计算。

步骤3。我们确定适应度函数。利用影视制作理论,人工生产集是随机生成的,它映射到的创新战略;初始映射向量权重和阈值的映射方案。根据创新策略的选择对于复杂的影视作品, 和 。通过公式(3)- (7),提高人工设置,每个影视作品的健身计划的总和。

步骤4。我们把全球和本地最佳匹配的策略。初始生产集分成五个subproduction集,健身,和全球最优匹配和局部最优匹配每个subproduction组进行了比较。

第5步。我们执行迭代匹配,调整和更新电影和电视作品。根据变化在影视作品中,五个subproduction集动态调整因素,随机判断策略从五个优化方案,并结合惩罚因子C和惯性权重根据公式(2)和(7)。

步骤6。我们执行动态参考优化每个subproduction集。寻找影视作品后,全球最好的选择匹配,匹配的信息共享与其他subproduction集来吸引他们的方法最好的匹配,在附近选择最好的方案。

步骤7。我们判断影视作品达到最大方案m和迭代次数是否达到m .我们重复步骤1到5如果它已经达到;否则,我们停止选择最佳的方案和返回阈值方案,体重,和全球最佳匹配。

3所示。实证分析

3.1。模型的性能分析

为了进一步验证动态人工智能算法的性能,选择了四个基准函数,Rastrigin,球体,《护理,Griewank。测试过程如下:(一)Rastrigin函数结果如下公式所示: 在哪里 我是1,2。最优方案获得0 (0,0)。(b)球面函数结果如下公式所示: 在哪里 我是1,2。最优方案获得0 (0,0)。(c)《功能结果如下公式所示: 在哪里 我是1,2。最优方案获得0 (0,0)。(d)Griewank函数结果如下公式所示: 在哪里 我是1,2。最优方案获得的是0(0,0)。在这篇文章中,影视作品的参数设置如下:影视作品的总数是50,迭代的数量是50,优化计算是20,最大惯性计划吗 ,惯性最优方案 ,和复杂性 独立分析每组的工作,结果是另外一个策略50迭代。四个测试函数的结果如表所示2。

从表可以看出2,动态人工智能算法优于传统分析算法和其全球最优方案和理论最优方案。此外,选择范围、替换策略和组合策略动态人工智能算法的误差小于传统的分析算法。表中的数据2表明,人工智能算法的全局优化结果优于传统的分析方法和优化方案比传统的分析方法。此外,表中的数据由科学计数法,计算结果更准确。为了更直观地反映出性能最好的方案选择的测试函数,下面的收敛曲线给出了数据3- - - - - -6。

从数据可以看出3- - - - - -6,动态人工智能算法更快和更稳定的在选择最好的方案,这是优于人工智能算法。因此,动态人工智能算法执行速度和准确度更好的组合策略和组合策略是更稳定的过程。

3.2。处理实验电影和电视作品

本文选择类型的伦理、惊悚、悬疑、和警察强盗为研究影视作品收集14影视作品从1月20日,2020年,2022年1月。排序后的初步影视作品,102年影视工作创新策略和12后期制作方案。根据广电总局的要求,电影和电视,上面的影视作品分为四类:强调早期和忽视后期阶段,忽视了早期阶段,强调阶段后期,生产全过程分析,后期制作和创新组合。结果如表所示3。摘要法官理论预测的准确性和实际结果根据实际理论判断和检测的方法。为了避免太多的人为因素在电影和电视作品的收藏,填充缺失的函数被调用混乱如表所示3。

第一个总数的1/2的电影和电视作品被用作训练影视作品(62),最后n / 2是用作测试集(40)实验比较。

3.3。实验结果

根据实验情况,确定结构的电影和电视作品收藏10-15-20,方案组 ,最大迭代次数米= 50,和其他后期制作参数是相同的。在本文中,影视作品的分类结果的人工智能算法提出了,如图7。

通过比较分析,我们可以看到,电影和电视作品的分类基于离散动态人工智能算法,它更接近于实际的后期制作分布,而影视作品的分类基于人工智能算法的相对集中,不能满足实际的需要分类。此外,电影和电视作品的分布动态人工智能算法不受影响的复杂性,而影视作品的分布显然是受到人工智能算法的复杂性和变得更加集中与复杂性的增加。原因是动态人工智能算法处理复杂性系数增加和因素和建立一个映射multiangle创新战略和单角之间的创新战略。同时,适应度函数是用来调整创新战略

为了进一步证明本文提出的模型的有效性,介绍了其他比较模型比较分析:(1)人工智能算法,(2)影视制作理论结合人工智能算法,(3)影视制作理论结合动态因子方法,和(4)动态人工智能算法本文结果在图所示8和9。

从数据可以看出8和9的健身价值动态人工智能算法是最高的和最早到达极限。在同样的复杂性、动态人工智能算法的稳定性较高,其次是人工智能算法,影视制作理论结合动态因子方法,和影视制作理论与人工智能相结合的算法。原因是影视制作理论降低复杂性的影响结果的组合策略,提供了不同的优化策略和动态因素识别结果,提高工作的准确性,这是符合相关研究。复杂的后期制作方面的类型,不同的人工智能算法的精度进行了分析,结果如表所示4。

从上面的表可以看出,创新战略的实现率的动态高,人工智能算法的准确率和工作类型的变化不会改变。主要原因是影视作品的动态分析因素使其连续组合策略较短,可以改变的类型更灵活。因此,动态因素不仅可以降低复杂性的影响结果也很快意识到准确分析不同的工作类型。

4所示。结论

本文提出一种改进的人工智能算法基于影视制作理论由Bemani(如上所述23),结合动态因素。通过设置阈值方案,体重,和动态参考策略,确定优化的后期制作。本文构造的人工智能算法模型能将影视作品所离散Bagaric和猎人24),使影视作品的分布更接近实际的工作分配。MATLAB仿真结果表明,本文构造的人工智能算法具有较高的精度和速度的组合策略,更好的融合,适应不同的复杂性和工作类型,全球的生产能力。本文讨论指标之间的相关性和人工算法的实现过程是不够的,需要进一步深化。有一些限制复杂性研究的动态切换,和未来的研究将着眼于复杂转换的分析,为了提高人工智能算法提出了(25]。

数据可用性

使用的实验数据来支持本研究的发现可以从相应的作者。

的利益冲突

作者声明,关于这项工作他们没有利益冲突。

确认

这项工作是支持的“探索和实践“双重教育下的“数字媒体技术专业培养模式”主题。yb2021120202,第二批全国职业教育教师的教学创新团队研究项目教育部办公厅。