Resumen

Con la llegada de la era de la información, la demanda humana de información aumenta día a día. La aparición del concepto de big data ha desencadenado una nueva ronda de revolución tecnológica, y la información visual desempeña un papel importante en la información. Con el fin de obtener un mejor modelo 3D, este trabajo estudia el modelo de reconstrucción de imágenes 3D de movimiento de entrenamiento basado en un algoritmo de red neuronal gráfica. Este trabajo estudia el problema de Sanda desde los dos aspectos siguientes. En primer lugar, tratamos de aplicar dos algoritmos de aprendizaje profundo, la red neuronal gráfica y la red neuronal recurrente, a la tarea de reconocimiento del movimiento del boxeo y comparamos los efectos con el análisis discriminante cuadrático y la máquina de vectores de apoyo. Al comparar y analizar la influencia de las diferentes estructuras de red en el algoritmo de aprendizaje profundo, se concluye que la red neuronal recurrente tiene más ventajas de aplicación práctica que la red neuronal gráfica en el ajuste de los parámetros de la estructura de la red.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:Algoritmo de aprendizaje profundo, red neuronal gráfica, ajuste de parámetros de estructura, diferente estructura de red, tarea de reconocimiento de movimiento, ventaja de aplicación práctica, entrenamiento de movimiento 3d, máquina de vectores de apoyo, imagen de movimiento 3d, análisis discriminante cuadrático
• Keywords:deep learning algorithm, graphical neural network, structure parameters tuning, different network structure, movement recognition task, practical application advantage, training motion 3d, support vector machine, motion 3d image, quadratic discriminant analysis