CN112668542A - 基于蚁群算法的幼儿互动学习编辑方法 - Google Patents
基于蚁群算法的幼儿互动学习编辑方法 Download PDFInfo
- Publication number
- CN112668542A CN112668542A CN202110016637.XA CN202110016637A CN112668542A CN 112668542 A CN112668542 A CN 112668542A CN 202110016637 A CN202110016637 A CN 202110016637A CN 112668542 A CN112668542 A CN 112668542A
- Authority
- CN
- China
- Prior art keywords
- infant
- colony algorithm
- path
- ant colony
- ant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000002452 interceptive effect Effects 0.000 title claims abstract description 24
- 230000008921 facial expression Effects 0.000 claims abstract description 35
- 230000008451 emotion Effects 0.000 claims abstract description 28
- 239000003016 pheromone Substances 0.000 claims description 44
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000013527 convolutional neural network Methods 0.000 claims description 15
- 241000257303 Hymenoptera Species 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 12
- 238000011156 evaluation Methods 0.000 claims description 8
- 230000006870 function Effects 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 239000005712 elicitor Substances 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 4
- 238000003379 elimination reaction Methods 0.000 claims description 4
- 230000009191 jumping Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 7
- 230000009323 psychological health Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了基于蚁群算法的幼儿互动学习编辑方法,括以下步骤:S1.基于蚁群算法建立移动端视频教育软件;S2.对蚁群算法进行优化;S3.基于视频对幼儿的面部表情进行兴趣分析;S4.基于面部表情对幼儿的情绪进行分析。本发明通过建立移动端视频教育软件,在小朋友看视频、读绘本的过程中加入了互动学习游戏元素,让小朋友在快乐的游戏过程中学习、记忆,同时培养他们对学习的兴趣。
Description
技术领域
本发明属于幼儿互动学习技术领域,具体涉及基于蚁群算法的幼儿互动学习编辑方法。
背景技术
现如今我国教育事业正处于上升发展阶段,学前教育问题引起了国家和政府极大的关注,即幼儿学习越来越重要。然而市面上各种的基于蚁群算法的幼儿互动学习编辑方法仍存在各种各样的问题。
如授权公告号为CN101099187A所公开的幼儿用文字学习机及其驱动方法,其虽然实现了各种类别文字输入板的结构不是以电连接结构,是以文字形状穿孔而成的板构成,使幼儿轻松地操作,不需要电连接状态的换装,根本地排除接触不良导致的故障源,但是并未解决现有的基于蚁群算法的幼儿互动学习编辑方法还存在的问题:不能让幼儿在快乐的游戏过程中学习、记忆,降低了幼儿的学习兴趣,同时不方便对幼儿面部表情进行兴趣分析,不方便了解幼儿的兴趣爱好以及情绪问题,为此我们提出基于蚁群算法的幼儿互动学习编辑方法。
发明内容
本发明的目的在于提供基于蚁群算法的幼儿互动学习编辑方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:基于蚁群算法的幼儿互动学习编辑方法,包括以下步骤:
S1.基于蚁群算法建立移动端视频教育软件;
S2.对蚁群算法进行优化;
S3.基于视频对幼儿的面部表情进行兴趣分析;
S4.基于面部表情对幼儿的情绪进行分析。
优选的,所述S1中的移动端视频教育软件包括电影、动画剧集、游戏、电子读物、歌曲、迪士尼主题乐园。
优选的,所述S2中对蚁群算法进行优化具体包括以下步骤:
S21.初始化蚁群算法参数,输入旅行商问题节点坐标;
S22.将每只蚂蚁随机放入任意一个节点中作为起始节点;
S23.每只蚂蚁从起始节点开始,按照状态转移规则选择下一个移动节点,直到遍历完所有节点,得到初始路径;
S24.设定一个迭代阈值R,判断当前迭代次数是否大于阈值R,若是则跳转至S26,否则对初始路径中每个城市的序号进行反向,构造反向路径;
S25.将初始路径和反向路径按照其路径长度进行排序,分别取其中部分路径构成一组新的路径;
S26.按照信息素更新公式,对路径进行信息素更新;
S27.判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S2进行下一次迭代。
优选的,所述步骤S23的状态转移规则具体为:蚂蚁在进行路径构建时,主要受信息素浓度和启发信息两个因素的影响;在t时刻,蚂蚁k从当前节点i移动到下一个节点j的状态转移概率为:
其中:α和β是决定信息素和启发因子重要性的两个参数;τij表示边(i,j)上的信息素浓度;ηij为启发因子,表示从节点i到节点j的期望程度,通常取两个节点间距离的倒数;Jk(i)表示蚂蚁k下一步可选节点的集合。
优选的,所述步骤S26中信息素更新公式具体为:当蚂蚁遍历完所有节点得到完整路径后,对信息素进行调整。信息素更新公式如下:
其中:ρ表示信息素的挥发系数;表示蚂蚁k在本次迭代之后,路径(i,j)上的信息素增量;
其中:Q表示信息素增强系数;Lk表示蚂蚁k完成一次周游后的路径长度。
优选的,所述S3中基于视频对幼儿的面部表情进行兴趣分析具体包括以下步骤:
S31.利用摄像头捕捉幼儿看到不同图像时的不同反应,用于分析幼儿的兴趣点所在;
S32.通过调取儿童在日常生活中进行活动时的视频信息,获取幼儿面部表情的视频资料,利用人脸表情图像数据集进行训练,根据视频信息分析幼儿的不同反应,不同反应包括好奇、专注、兴奋、无趣;
S33.采用部分为基础的表示方法为面部形状和外观进行建模、判别拟合、更新增量表示、并行拟合、拟合评价和根据拟合评价结果分析幼儿的兴趣点;
S34.将S33所得出的不同幼儿的不同兴趣点所在的结果输出。
优选的,所述S4中基于面部表情对幼儿的情绪进行分析具体包括以下步骤:
S41.通过标准人脸表情数据集对改进后的卷积神经网络进行训练,以得到幼儿情绪分析模型,其中,所述改进后的卷积神经网络不做特征剔除;
S42.获取待识别幼儿影像数据;
S43.对所述待识别幼儿影像数据进行人脸识别;
S44.将所述待识别幼儿影像数据的人脸识别结果输入所述幼儿情绪分析模型以实现幼儿情绪分析。
优选的,所述S41中改进后的卷积神经网络将每一次卷积层后的特征向量仅进行池化操作,在每一次全联接层后仅进行批量标准化操作,保留所有的特征值,所述改进后的卷积神经网络采用ReLU激活函数、Adam优化器和多分类的对数损失函数categorical_crossentropy。
优选的,所述S42中待识别幼儿影像数据为照片或实时视频数据,所述S43对所述待识别幼儿影像数据进行人脸识别采用的算法为OpenCV内置的人脸检测算法。
与现有技术相比,本发明的有益效果是:
(1)本发明通过建立移动端视频教育软件,在小朋友看视频、读绘本的过程中加入了互动学习游戏元素,让小朋友在快乐的游戏过程中学习、记忆,同时培养他们对学习的兴趣。
(2)本发明通过对蚁群算法进行优化,利用引入反向学习算法构造反向路径,由于蚁群算法初始化方式类似于贪婪算法,因此构造的反向路径一般比初始路径的长度要长,即便如此反向路径中仍含有一些有效信息,在迭代前期,将部分长度较短的反向路径参与信息素更新,使反向路径上的信息素获得额外增量,能够增加蚂蚁对解空间的探索,避免算法陷入局部极值,在迭代后期,算法已经收敛到最优路径或接近最优路径,再使反向路径上的信息素获得额外增量已经没有意义,因此只选择在迭代前期引入反向学习,能够有效减少算法运行时间,提高算法的搜索效率。
(3)本发明通过对幼儿的面部表情进行兴趣分析,能够方便得出幼儿的兴趣爱好,从而帮助家长和学校知晓孩子真正的兴趣点所在,对于家长和学校的教育有指导作用,对幼儿的成长发展也有着重要的意义。
(4)本发明通过面部表情对幼儿的情绪进行分析,能够帮助学校更好的判断与识别幼儿的情绪,科学有效的对幼儿情绪进行评估,并帮助学校提高教学质量、优化教学体系,协助教师更好的关注幼儿心理健康,针对不同的幼儿提供个性化的心理健康疏导。
附图说明
图1为本发明的流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
实施例1
请参阅图1,本发明提供一种技术方案:基于蚁群算法的幼儿互动学习编辑方法,包括以下步骤:
S1.基于蚁群算法建立移动端视频教育软件;
S2.对蚁群算法进行优化;
S3.基于视频对幼儿的面部表情进行兴趣分析;
S4.基于面部表情对幼儿的情绪进行分析。
本实施例中,优选的,所述S1中的移动端视频教育软件包括电影、动画剧集、游戏、电子读物、歌曲、迪士尼主题乐园。
本实施例中,优选的,所述S2中对蚁群算法进行优化具体包括以下步骤:
S21.初始化蚁群算法参数,输入旅行商问题节点坐标;
S22.将每只蚂蚁随机放入任意一个节点中作为起始节点;
S23.每只蚂蚁从起始节点开始,按照状态转移规则选择下一个移动节点,直到遍历完所有节点,得到初始路径;
S24.设定一个迭代阈值R,判断当前迭代次数是否大于阈值R,若是则跳转至S26,否则对初始路径中每个城市的序号进行反向,构造反向路径;
S25.将初始路径和反向路径按照其路径长度进行排序,分别取其中部分路径构成一组新的路径;
S26.按照信息素更新公式,对路径进行信息素更新;
S27.判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S2进行下一次迭代。
本实施例中,优选的,所述步骤S23的状态转移规则具体为:蚂蚁在进行路径构建时,主要受信息素浓度和启发信息两个因素的影响;在t时刻,蚂蚁k从当前节点i移动到下一个节点j的状态转移概率为:
其中:α和β是决定信息素和启发因子重要性的两个参数;τij表示边(i,j)上的信息素浓度;ηij为启发因子,表示从节点i到节点j的期望程度,通常取两个节点间距离的倒数;Jk(i)表示蚂蚁k下一步可选节点的集合。
本实施例中,优选的,所述步骤S26中信息素更新公式具体为:当蚂蚁遍历完所有节点得到完整路径后,对信息素进行调整。信息素更新公式如下:
其中:ρ表示信息素的挥发系数;表示蚂蚁k在本次迭代之后,路径(i,j)上的信息素增量;
其中:Q表示信息素增强系数;Lk表示蚂蚁k完成一次周游后的路径长度。
本实施例中,优选的,所述S3中基于视频对幼儿的面部表情进行兴趣分析具体包括以下步骤:
S31.利用摄像头捕捉幼儿看到不同图像时的不同反应,用于分析幼儿的兴趣点所在;
S32.通过调取儿童在日常生活中进行活动时的视频信息,获取幼儿面部表情的视频资料,利用人脸表情图像数据集进行训练,根据视频信息分析幼儿的不同反应,不同反应包括好奇、专注、兴奋、无趣;
S33.采用部分为基础的表示方法为面部形状和外观进行建模、判别拟合、更新增量表示、并行拟合、拟合评价和根据拟合评价结果分析幼儿的兴趣点;
S34.将S33所得出的不同幼儿的不同兴趣点所在的结果输出。
本实施例中,优选的,所述S4中基于面部表情对幼儿的情绪进行分析具体包括以下步骤:
S41.通过标准人脸表情数据集对改进后的卷积神经网络进行训练,以得到幼儿情绪分析模型,其中,所述改进后的卷积神经网络不做特征剔除;
S42.获取待识别幼儿影像数据;
S43.对所述待识别幼儿影像数据进行人脸识别;
S44.将所述待识别幼儿影像数据的人脸识别结果输入所述幼儿情绪分析模型以实现幼儿情绪分析。
本实施例中,优选的,所述S41中改进后的卷积神经网络将每一次卷积层后的特征向量仅进行池化操作,在每一次全联接层后仅进行批量标准化操作,保留所有的特征值,所述改进后的卷积神经网络采用ReLU激活函数、Adam优化器和多分类的对数损失函数categorical_crossentropy。
本实施例中,优选的,所述S42中待识别幼儿影像数据为照片或实时视频数据,所述S43对所述待识别幼儿影像数据进行人脸识别采用的算法为OpenCV内置的人脸检测算法。
实施例2
请参阅图1,本发明提供一种技术方案:基于蚁群算法的幼儿互动学习编辑方法,包括以下步骤:
S1.基于蚁群算法建立移动端视频教育软件;
S2.对蚁群算法进行优化;
S3.基于视频对幼儿的面部表情进行兴趣分析;
S4.基于面部表情对幼儿的情绪进行分析。
本实施例中,优选的,所述S1中的移动端视频教育软件包括电影、动画剧集、游戏、电子读物、歌曲、迪士尼主题乐园。
本实施例中,优选的,所述S2中对蚁群算法进行优化具体包括以下步骤:
S21.初始化蚁群算法参数,输入旅行商问题节点坐标;
S22.将每只蚂蚁随机放入任意一个节点中作为起始节点;
S23.每只蚂蚁从起始节点开始,按照状态转移规则选择下一个移动节点,直到遍历完所有节点,得到初始路径;
S24.设定一个迭代阈值R,判断当前迭代次数是否大于阈值R,若是则跳转至S26,否则对初始路径中每个城市的序号进行反向,构造反向路径;
S25.将初始路径和反向路径按照其路径长度进行排序,分别取其中部分路径构成一组新的路径;
S26.按照信息素更新公式,对路径进行信息素更新;
S27.判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S2进行下一次迭代。
本实施例中,优选的,所述步骤S23的状态转移规则具体为:蚂蚁在进行路径构建时,主要受信息素浓度和启发信息两个因素的影响;在t时刻,蚂蚁k从当前节点i移动到下一个节点j的状态转移概率为:
其中:α和β是决定信息素和启发因子重要性的两个参数;τij表示边(i,j)上的信息素浓度;ηij为启发因子,表示从节点i到节点j的期望程度,通常取两个节点间距离的倒数;Jk(i)表示蚂蚁k下一步可选节点的集合。
本实施例中,优选的,所述S3中基于视频对幼儿的面部表情进行兴趣分析具体包括以下步骤:
S31.利用摄像头捕捉幼儿看到不同图像时的不同反应,用于分析幼儿的兴趣点所在;
S32.通过调取儿童在日常生活中进行活动时的视频信息,获取幼儿面部表情的视频资料,利用人脸表情图像数据集进行训练,根据视频信息分析幼儿的不同反应,不同反应包括好奇、专注、兴奋、无趣;
S33.采用部分为基础的表示方法为面部形状和外观进行建模、判别拟合、更新增量表示、并行拟合、拟合评价和根据拟合评价结果分析幼儿的兴趣点;
S34.将S33所得出的不同幼儿的不同兴趣点所在的结果输出。
本实施例中,优选的,所述S4中基于面部表情对幼儿的情绪进行分析具体包括以下步骤:
S41.通过标准人脸表情数据集对改进后的卷积神经网络进行训练,以得到幼儿情绪分析模型,其中,所述改进后的卷积神经网络不做特征剔除;
S42.获取待识别幼儿影像数据;
S43.对所述待识别幼儿影像数据进行人脸识别;
S44.将所述待识别幼儿影像数据的人脸识别结果输入所述幼儿情绪分析模型以实现幼儿情绪分析。
本实施例中,优选的,所述S41中改进后的卷积神经网络将每一次卷积层后的特征向量仅进行池化操作,在每一次全联接层后仅进行批量标准化操作,保留所有的特征值,所述改进后的卷积神经网络采用ReLU激活函数、Adam优化器和多分类的对数损失函数categorical_crossentropy。
本发明的工作原理及优点:
(1)本发明通过建立移动端视频教育软件,在小朋友看视频、读绘本的过程中加入了互动学习游戏元素,让小朋友在快乐的游戏过程中学习、记忆,同时培养他们对学习的兴趣。
(2)本发明通过对蚁群算法进行优化,利用引入反向学习算法构造反向路径,由于蚁群算法初始化方式类似于贪婪算法,因此构造的反向路径一般比初始路径的长度要长,即便如此反向路径中仍含有一些有效信息,在迭代前期,将部分长度较短的反向路径参与信息素更新,使反向路径上的信息素获得额外增量,能够增加蚂蚁对解空间的探索,避免算法陷入局部极值,在迭代后期,算法已经收敛到最优路径或接近最优路径,再使反向路径上的信息素获得额外增量已经没有意义,因此只选择在迭代前期引入反向学习,能够有效减少算法运行时间,提高算法的搜索效率。
(3)本发明通过对幼儿的面部表情进行兴趣分析,能够方便得出幼儿的兴趣爱好,从而帮助家长和学校知晓孩子真正的兴趣点所在,对于家长和学校的教育有指导作用,对幼儿的成长发展也有着重要的意义。
(4)本发明通过面部表情对幼儿的情绪进行分析,能够帮助学校更好的判断与识别幼儿的情绪,科学有效的对幼儿情绪进行评估,并帮助学校提高教学质量、优化教学体系,协助教师更好的关注幼儿心理健康,针对不同的幼儿提供个性化的心理健康疏导。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (9)
1.基于蚁群算法的幼儿互动学习编辑方法,其特征在于:包括以下步骤:
S1.基于蚁群算法建立移动端视频教育软件;
S2.对蚁群算法进行优化;
S3.基于视频对幼儿的面部表情进行兴趣分析;
S4.基于面部表情对幼儿的情绪进行分析。
2.根据权利要求1所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S1中的移动端视频教育软件包括电影、动画剧集、游戏、电子读物、歌曲、迪士尼主题乐园。
3.根据权利要求1所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S2中对蚁群算法进行优化具体包括以下步骤:
S21.初始化蚁群算法参数,输入旅行商问题节点坐标;
S22.将每只蚂蚁随机放入任意一个节点中作为起始节点;
S23.每只蚂蚁从起始节点开始,按照状态转移规则选择下一个移动节点,直到遍历完所有节点,得到初始路径;
S24.设定一个迭代阈值R,判断当前迭代次数是否大于阈值R,若是则跳转至S26,否则对初始路径中每个城市的序号进行反向,构造反向路径;
S25.将初始路径和反向路径按照其路径长度进行排序,分别取其中部分路径构成一组新的路径;
S26.按照信息素更新公式,对路径进行信息素更新;
S27.判断是否达到最大迭代次数,若是则停止搜索,输出全局最优路径,否则跳转至S2进行下一次迭代。
6.根据权利要求1所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S3中基于视频对幼儿的面部表情进行兴趣分析具体包括以下步骤:
S31.利用摄像头捕捉幼儿看到不同图像时的不同反应,用于分析幼儿的兴趣点所在;
S32.通过调取儿童在日常生活中进行活动时的视频信息,获取幼儿面部表情的视频资料,利用人脸表情图像数据集进行训练,根据视频信息分析幼儿的不同反应,不同反应包括好奇、专注、兴奋、无趣;
S33.采用部分为基础的表示方法为面部形状和外观进行建模、判别拟合、更新增量表示、并行拟合、拟合评价和根据拟合评价结果分析幼儿的兴趣点;
S34.将S33所得出的不同幼儿的不同兴趣点所在的结果输出。
7.根据权利要求1所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S4中基于面部表情对幼儿的情绪进行分析具体包括以下步骤:
S41.通过标准人脸表情数据集对改进后的卷积神经网络进行训练,以得到幼儿情绪分析模型,其中,所述改进后的卷积神经网络不做特征剔除;
S42.获取待识别幼儿影像数据;
S43.对所述待识别幼儿影像数据进行人脸识别;
S44.将所述待识别幼儿影像数据的人脸识别结果输入所述幼儿情绪分析模型以实现幼儿情绪分析。
8.根据权利要求7所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S41中改进后的卷积神经网络将每一次卷积层后的特征向量仅进行池化操作,在每一次全联接层后仅进行批量标准化操作,保留所有的特征值,所述改进后的卷积神经网络采用ReLU激活函数、Adam优化器和多分类的对数损失函数categorical_crossentropy。
9.根据权利要求7所述的基于蚁群算法的幼儿互动学习编辑方法,其特征在于:所述S42中待识别幼儿影像数据为照片或实时视频数据,所述S43对所述待识别幼儿影像数据进行人脸识别采用的算法为OpenCV内置的人脸检测算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016637.XA CN112668542A (zh) | 2021-01-07 | 2021-01-07 | 基于蚁群算法的幼儿互动学习编辑方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110016637.XA CN112668542A (zh) | 2021-01-07 | 2021-01-07 | 基于蚁群算法的幼儿互动学习编辑方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112668542A true CN112668542A (zh) | 2021-04-16 |
Family
ID=75413483
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110016637.XA Pending CN112668542A (zh) | 2021-01-07 | 2021-01-07 | 基于蚁群算法的幼儿互动学习编辑方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112668542A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106485228A (zh) * | 2016-10-14 | 2017-03-08 | 深圳市唯特视科技有限公司 | 一种基于视频面部表情的幼儿兴趣点分析方法 |
US20170236448A1 (en) * | 2016-02-17 | 2017-08-17 | LaNita Jewel West | Educational Learning System |
CN108538119A (zh) * | 2018-04-19 | 2018-09-14 | 蔡丽煌 | 一种基于互联网的娱乐式教学*** |
CN109242103A (zh) * | 2018-07-20 | 2019-01-18 | 张有明 | 适用于学习管理***的知识点难度赋值处理方法及装置 |
CN111695668A (zh) * | 2020-06-16 | 2020-09-22 | 江苏师范大学 | 一种基于反向学习的蚁群算法优化方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
CN111898490A (zh) * | 2020-07-15 | 2020-11-06 | 常州工学院 | 基于深度学习的幼儿情绪分析方法 |
-
2021
- 2021-01-07 CN CN202110016637.XA patent/CN112668542A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170236448A1 (en) * | 2016-02-17 | 2017-08-17 | LaNita Jewel West | Educational Learning System |
CN106485228A (zh) * | 2016-10-14 | 2017-03-08 | 深圳市唯特视科技有限公司 | 一种基于视频面部表情的幼儿兴趣点分析方法 |
CN108538119A (zh) * | 2018-04-19 | 2018-09-14 | 蔡丽煌 | 一种基于互联网的娱乐式教学*** |
CN109242103A (zh) * | 2018-07-20 | 2019-01-18 | 张有明 | 适用于学习管理***的知识点难度赋值处理方法及装置 |
CN111695668A (zh) * | 2020-06-16 | 2020-09-22 | 江苏师范大学 | 一种基于反向学习的蚁群算法优化方法 |
CN111898490A (zh) * | 2020-07-15 | 2020-11-06 | 常州工学院 | 基于深度学习的幼儿情绪分析方法 |
AU2020102041A4 (en) * | 2020-08-28 | 2020-10-08 | Lin, Shudong Mr | Construction and maintenance of satellite-to-ground and inter-satellite laser communication network based on ants colony algorithm |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109447140B (zh) | 一种基于神经网络深度学习的图像识别并推荐认知的方法 | |
CN108875807B (zh) | 一种基于多注意力多尺度的图像描述方法 | |
Li et al. | Dialogue learning with human-in-the-loop | |
Song et al. | Spot-adaptive knowledge distillation | |
CN108960409B (zh) | 标注数据生成方法、设备及计算机可读存储介质 | |
CN105205448B (zh) | 基于深度学习的文字识别模型训练方法和识别方法 | |
CN110377710A (zh) | 一种基于多模态融合的视觉问答融合增强方法 | |
CN110532379B (zh) | 一种基于lstm的用户评论情感分析的电子资讯推荐方法 | |
CN112599117B (zh) | 模型训练、语音识别方法及装置、电子设备及存储介质 | |
CN109871504B (zh) | 一种基于异构信息网络与深度学习的课程推荐*** | |
CN108806355B (zh) | 一种书画艺术互动教育*** | |
CN111753207B (zh) | 一种基于评论的神经图协同过滤方法 | |
CN111652202A (zh) | 利用自适应的时空图模型通过提升视频-语言表征学习来解决视频问答问题的方法及其*** | |
CN112215175B (zh) | 一种手写字符识别方法、装置、计算机设备和存储介质 | |
CN113506624A (zh) | 基于逐层泛化推送逻辑的孤独症儿童认知能力评估干预*** | |
CN113344054B (zh) | 一种面向时空演变的知识技能动态诊断方法 | |
Long et al. | Deep neural networks in fully connected crf for image labeling with social network metadata | |
CN114201684A (zh) | 一种基于知识图谱的自适应学习资源推荐方法及*** | |
CN109543176A (zh) | 一种基于图向量表征的丰富短文本语义方法及装置 | |
Seo et al. | FaNDeR: fake news detection model using media reliability | |
CN114637911A (zh) | 一种注意力融合感知网络的下一个兴趣点推荐方法 | |
CN115063866A (zh) | 一种融合强化学习与递进学习的表情识别方法 | |
CN114528490A (zh) | 一种基于用户长短期兴趣的自监督序列推荐方法 | |
CN112668542A (zh) | 基于蚁群算法的幼儿互动学习编辑方法 | |
CN112559785A (zh) | 一种基于大数据训练的鸟类图像识别***及方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210416 |