[1]沈梦婷,岑岗,周闻,等.基于CNN智能AI助手的早期教育系统设计[J].浙江科技大学学报,2020,(06):590-594.
　Design of early education system based on CNN intelligent AI assistant[J].,2020,(06):590-594.
点击复制

基于CNN智能AI助手的早期教育系统设计(/HTML)
分享到：

《浙江科技大学学报》[ISSN:2097-5236/CN:33-1431/Z]

卷:
期数:
2020年06期
页码:
590-594
栏目:
出版日期:
2021-01-20

文章信息/Info

Title:
Design of early education system based on CNN intelligent AI assistant
文章编号:
1671-8798(2020)06-0590-05
作者:
沈梦婷; 岑岗; 周闻; 朱润锴; 梁娅勤
浙江科技学院 a.信息与电子工程学院;b.机械与能源工程学院,杭州 310023
Author(s):
a.School of Information and Electronic Engineering; b.School of Mechanical and Energy Engineering, Zhejiang University of Science and Technology, Hangzhou 310023, Zhejiang, China
关键词:
卷积神经网络; 深度学习; 人工智能; 早期教育; 系统设计
分类号:
TP302.1
文献标志码:
A
摘要:
随着国家对教育的重视,中国国民平均受教育水平不断提高,越来越多的家庭意识到早期教育的重要性。为了解决现存的城乡之间早期教育资源差距大和人们对早期教育App(application)信赖度不高的问题,设计了基于卷积神经网(convolutional neural networks,CNN)深度学习技术的早期教育系统。系统将CNN技术运用于图像识别和儿童语音识别;内置人工智能助手小铃同学来引导儿童对事物的探索;设置了家长端,通过采集儿童端的儿童使用数据,系统将其制成图表的形式反馈给家长。本系统将语音识别和CNN技术相结合时,着重研究儿童声音的特点并以此为基础进行声音模型训练,提高了识别的精准度;通过数据挖掘分析技术,在家长端生成儿童的使用报告并获得基于此报告的儿童兴趣方向推荐和相关课程信息,为家长提供了了解儿童兴趣方向的途径。

相似文献/References:

[1]孙淼,Guindo Mahamed Lamine,庄振华,等. 基于LIBS技术和卷积神经网络的土壤铅含量等级快速分类[J].浙江科技大学学报,2019,(05):373.
　SUN Miao,Guindo Mahamed Lamine,ZHUANG Zhenhua,et al. On fast classification of lead(Pb) levels in soil based on LIBS technology and convolutional neural network[J].,2019,(06):373.
[2]张爽爽,周武杰.基于卷积神经网络的立体图像质量评价[J].浙江科技大学学报,2020,(01):26.
[3]马骏,钱亚冠,郭艳凯,等. 不均衡数据对卷积神经网络的影响及改进算法[J].浙江科技大学学报,2020,(03):181.
　Influence upon and improved algorithm of convolutional neural networks under data imbalance[J].,2020,(06):181.
[4]陈力,王海江,吴凯.基于卷积神经网络的车载网络入侵检测方法[J].浙江科技大学学报,2021,(01):59.
[5]邵霭,许彩娥,万健,等.针对机器问答中多跳问题的深度学习网络模型[J].浙江科技大学学报,2022,(05):419.
　SHAO Ai,XU Caie,WAN Jian,et al.Deep learning network model for multihop problemsin machine question answering[J].,2022,(06):419.
[6]付乐,胡月,董虹伶,等.多时间尺度下变体生成式对抗网络的股价预测[J].浙江科技大学学报,2023,(01):72.
　FU Le,HU Yue,DONG Hongling,et al.Stock price prediction with a variant generative adversarial network in multiple time scales[J].,2023,(06):72.
[7]肖杨,冯军,钱亚冠,等.融合GRU和注意力机制的知识追踪优化模型研究[J].浙江科技大学学报,2023,(05):395.[doi:10.3969/j.issn.1671-8798.2023.05.005]
　XIAO Yang,FENG Jun,QIAN Yaguan,et al.Study on knowledge tracking optimization model incorporating GRU and attention mechanism[J].,2023,(06):395.[doi:10.3969/j.issn.1671-8798.2023.05.005]
[8]毕云杉,钱亚冠,张超华,等.基于ERNIE模型的中文文本分类研究[J].浙江科技大学学报,2021,(06):461.
　BI Yunshan,QIAN Yaguan,ZHANG Chaohua,et al.Research on Chinese text classification based on ERNIE model[J].,2021,(06):461.

更新日期/Last Update: