Resumen

Este artículo analiza y coteja la investigación sobre el mecanismo de atención de la educación en casa tradicional y el mecanismo de atención de la educación en casa basado en el modelo de computación inteligente de red de memoria a corto y largo plazo de dos vías y encuentra la superioridad del modelo de computación inteligente de red de memoria a corto y largo plazo de dos vías. Se mejora el modelo de computación inteligente de red de memoria a corto y largo plazo y se propone una red neuronal profunda mejorada de computación inteligente IoT, y se verifica el método mejorado basándose en experimentos de clasificación de educación en casa de señales discretas, centrándose después en la investigación de la aplicación del mecanismo de atención de educación en casa asistido por el modelo de computación inteligente de red a corto y largo plazo. El aprendizaje basado en la red neuronal, el método de reconocimiento del comportamiento humano que combina las redes espacio-temporales, un método de educación en casa que integra las redes bidireccionales de memoria a corto y largo plazo y los mecanismos de atención está diseñado. El mecanismo de atención visual se utiliza para añadir información de peso a las características visuales profundas extraídas por la red neuronal convolucional, y se obtiene una nueva secuencia de características que incorpora pesos de atención destacados. Esta secuencia de características se decodifica a continuación mediante una red neuronal recurrente independiente de IndRNN para clasificar y decidir finalmente la categoría de educación en casa. Los experimentos con el conjunto de datos UCF101 demuestran que la incorporación del mecanismo de atención puede mejorar la capacidad de clasificación de la red. El mecanismo de atención puede ayudar al modelo de IoT de computación inteligente a descubrir características clave, y el mecanismo de auto-atención puede capturar eficazmente las características internas de la educación en casa y optimizar el vector de características. Proponemos la estrategia de combinar el mecanismo de auto-atención con una red bidireccional de memoria a corto y largo plazo para resolver el problema de clasificación de la educación familiar y verificamos experimentalmente que el modelo de IoT de computación inteligente combinado con el mecanismo de auto-atención puede capturar más fácilmente las características interdependientes en la educación familiar, lo que puede resolver efectivamente el problema de la educación familiar y mejorar aún más la precisión de la clasificación de la educación familiar.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Neurofisiología Proceso de aprendizaje
• Subjects:Artificial intelligence Data mining Genetic algorithms Neurophysiology Learning processes
• Palabras claves:términos red de memoria, computación inteligente iot, modelo de computación iot, mecanismo de atención, mecanismo de atención a la educación en casa, clasificación de la educación familiar, modelo iot, camino, red neuronal, red neuronal convolucional
• Keywords:terms memory network, intelligent computing iot, computing iot model, attention mechanism, homeschooling attention mechanism, family education classification, iot model, way, neural network, convolutional neural network