Resumen

En los últimos años, el aprendizaje profundo ha progresado mucho y se ha aplicado al reconocimiento facial, la monitorización de vídeo, el procesamiento de imágenes y otros campos. En este contexto de big data, la red neuronal de convolución profunda también ha recibido cada vez más atención. Con el fin de extraer los caracteres chinos antiguos de forma eficaz, el artículo analiza el modelo de estructura, el proceso de agrupación y el entrenamiento de la red neuronal de convolución profunda y compara el algoritmo con el algoritmo de aprendizaje automático tradicional. Los resultados muestran que la precisión y la tasa de recuperación de los caracteres chinos en la placa de la dinastía Ming pueden alcanzar el máximo, 81,38 y 81,31%, respectivamente. Cuando el número de muestras de entrenamiento aumenta a 50, la tasa de reconocimiento del AMF es del 99,72%, mucho más alta que la de otros algoritmos. Esto demuestra que el algoritmo basado en la red neuronal de convolución profunda y el análisis de big data tiene un excelente rendimiento y puede identificar eficazmente los caracteres chinos bajo diferentes dinastías, diferentes tamaños de muestra y diferentes factores de interferencia, lo que puede proporcionar una poderosa referencia para la extracción de caracteres chinos antiguos.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:convolución profunda, carácter chino antiguo, red neuronal, carácter chino, análisis de big data, diferente tamaño de muestra, placa de ming, algoritmo de aprendizaje automático, diferentes factores de interferencia, aumento de la muestra de entrenamiento
• Keywords:deep convolution, ancient chinese character, neural network, chinese character, big data analysis, different sample size, plaque of ming, machine learning algorithm, different interference factors, training sample increase