CN109460786A - 儿童特长分析方法、装置及机器人 - Google Patents
儿童特长分析方法、装置及机器人 Download PDFInfo
- Publication number
- CN109460786A CN109460786A CN201811256533.0A CN201811256533A CN109460786A CN 109460786 A CN109460786 A CN 109460786A CN 201811256533 A CN201811256533 A CN 201811256533A CN 109460786 A CN109460786 A CN 109460786A
- Authority
- CN
- China
- Prior art keywords
- speciality
- user
- attribute
- analysis
- network
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Toys (AREA)
Abstract
本发明提供了一种儿童特长分析方法、装置及机器人;其中该方法包括:用户在接受测试的过程中,采集用户的表现特征;将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,特长分析网络通过机器学习训练得到;根据特长属性和对应的权值,得到用户的特长分析结果。本发明提高了对儿童特长分析的全面性及准确性。
Description
技术领域
本发明涉及机器人教育技术领域,尤其是涉及一种儿童特长分析方法、装置及机器人。
背景技术
儿童时期是一个承前启后的重要阶段,儿童教育是当前教育的一个重点和难点,它关系到一个人后期能力、性格品质的建立。为了正确引导和培养儿童,儿童特长的挖掘显得尤为重要。现实生活中,家长很难全面准确地分析发现儿童的特长,往往为了跟风,为儿童盲目选择特长班,而可能儿童并不适合这些培训。这样会造成儿童的抵触,无法坚持,浪费了儿童黄金的培养时间,阻碍儿童后期的发展和能力的培养,最终造成不可扭转的局面。
发明内容
有鉴于此,本发明的目的在于提供一种儿童特长分析方法、装置及机器人,以提高对儿童特长分析的全面性及准确性。
第一方面,本发明实施例提供了一种儿童特长分析方法,该方法包括:用户在接受测试的过程中,采集用户的表现特征;将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,特长分析网络通过机器学习训练得到;根据特长属性和对应的权值,得到用户的特长分析结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,上述特长分析网络具体通过下述方式建立:获取设定数量的表现特征和对应的特长属性;建立神经网络的网络结构,设置网络结构对应的训练参数;将表现特征和对应的特长属性输入至网络结构中进行训练,生成特长分析网络。
结合第一方面,本发明实施例提供了第一方面的第二种可能的实施方式,其中,上述采集用户的表现特征的步骤,包括:采集用户的图像数据和音频数据;从图像数据中提取用户的动作特征和情绪特征,从音频数据中提取用户的语言特征;语言特征包括关键字和语气;将动作特征、情绪特征和语言特征确定为用户的表现特征。
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,上述根据特长属性和对应的权值,得到用户的特长分析结果的步骤,包括:根据特长属性和对应的权值,生成特长评价图和特长培养方案。
结合第一方面的第三种可能的实施方式,本发明实施例提供了第一方面的第四种可能的实施方式,其中,上述方法还包括:设定时间段后,再次采集用户的表现特征,以得到更新后的用户的特长分析结果;根据更新后的特长分析结果,调整特长培养方案。
第二方面,本发明实施例还提供一种儿童特长分析装置,该装置应用于机器人;该装置包括:特征采集模块,用于用户在接受测试的过程中,采集用户的表现特征;特长分析模块,用于将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,特长分析网络通过机器学习训练得到;结果获取模块,根据特长属性和对应的权值,得到用户的特长分析结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,上述特长分析网络具体通过下述方式建立:获取设定数量的表现特征和对应的特长属性;建立神经网络的网络结构,设置网络结构对应的训练参数;将表现特征和对应的特长属性输入至网络结构中进行训练,生成特长分析网络。
结合第二方面,本发明实施例提供了第二方面的第二种可能的实施方式,其中,上述特征采集模块还用于:采集用户的图像数据和音频数据;从图像数据中提取用户的动作特征和情绪特征,从音频数据中提取用户的语言特征;语言特征包括关键字和语气;将动作特征、情绪特征和语言特征确定为用户的表现特征。
结合第二方面,本发明实施例提供了第二方面的第三种可能的实施方式,其中,上述结果获取模块还用于:根据特长属性和对应的权值,生成特长评价图和特长培养方案。
第三方面,本发明实施例还提供一种机器人,包括存储器和处理器;其中,上述存储器用于存储一条或多条计算机指令,一条或多条计算机指令被上述处理器执行,以实现上述儿童特长分析方法。
本发明实施例带来了以下有益效果:
本发明实施例提供了一种儿童特长分析方法、装置及机器人,采集用户在测试中的表现特征后,将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值,从而得到用户的特长分析结果。该方式提高了对儿童特长分析的全面性及准确性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种儿童特长分析方法的流程图;
图2为本发明实施例提供的另一种儿童特长分析方法的流程图;
图3为本发明实施例提供的教育机器人评价系统的应用示意图;
图4为本发明实施例提供的“B特征集合”到“D特长属性集合”的映射关系示意图;
图5为本发明实施例提供的另一种儿童特长分析方法的流程图;
图6为本发明实施例提供的特长评价图;
图7为本发明实施例提供的一种儿童特长分析装置的结构示意图;
图8为本发明实施例提供的一种机器人的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例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。
目前儿童特长分析方法的全面性和准确性较差,基于此,本发明实施例提供了一种儿童特长分析方法、装置及机器人,可以应用于特长分析及其他测试分析领域。为便于对本实施例进行理解,首先对本发明实施例所公开的一种儿童特长分析方法进行详细介绍。
参见图1所示的一种儿童特长分析方法的流程示意图,该方法包括:
步骤S100,用户在接受测试的过程中,采集用户的表现特征。
具体可以通过文字形式或任务形式对用户进行测试,例如,生成测试题目,由用户通过选择答案或填写文字的形式进行作答;或者,出具某一任务,由用户通过语言、动作等形式,或某些道具完成任务。上述测试能够凸显儿童的性格特征及表现特征,且简单易行,如完成一个玩具的拼装等;采用录像、录音、摄像等方法记录在测试过程中,用户的表现,从中提取与特长有关的表现特征,如拼装玩具所用时间,玩具的完成度,拼装成功之前的拼装次数,拼装玩具时的表情和语言等。
步骤S102,将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,特长分析网络通过机器学习训练得到。
该机器学习具体可以为神经网络、决策树、遗传算法等多种算法;上述特长分析网络可以为根据某个具体测试的样本建立的,也可以为根据某些不同类别的测试建立的;建立该特长分析网络需要大量的样本,以保证特长分析网络的精确性及有效性。将表现特征输入至该特长分析网络后,得到用户的特长属性,即用户比较适合的特长项目;该项目一般为多种;还可以得到和特长属性对应的权值,即用户对于该特长项目的理论擅长程度。
步骤S104,根据特长属性和对应的权值,得到用户的特长分析结果。
得到特长属性和对应的权值后,可以将其整合,以一定形式表现出来,如文字、表格、饼状图、视频等,以展现给相关人员,例如儿童家长,以供参考,从而为儿童选择合适的特长培养方案。
本发明实施例提供了一种儿童特长分析方法,采集用户在测试中的表现特征后,将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值,从而得到用户的特长分析结果。该方法提高了对儿童特长分析的全面性及准确性。
本发明实施例还提供了另一种儿童特长分析方法,该方法在图1所示的方法基础之上实现。通常,特长指特别擅长的技能,或比一般人更突出,或达到一定的专业水准,特长主要包括:
(1)体育运动类,例如跑步,高尔夫,羽毛球,游泳等;
(2)舞蹈艺术类,例如钢管舞,街舞,民族舞,芭蕾舞等;
(3)音乐艺术类,例如乐器演奏(小提琴,笛子,琵琶,古筝等),美声,通俗,流行,声乐等;
(4)美术类,例如素描,速写,书法,油画,国画,水彩画,水粉画,陶艺,手工艺等;
(5)其他类,例如摄影,插花,茶艺,编织,剪纸,小品主持,文案写作等。
当前对儿童的特长特征分析方法有儿童注意力分析、行为分析、综合能力分析、综合素质分析、兴趣点分析等,但均不够全面。
参见图2所示的另一种儿童特长分析方法的流程示意图,该方法包括:
步骤S200,用户在接受测试的过程中,采集用户的图像数据和音频数据。
步骤S202,从图像数据中提取用户的动作特征和情绪特征,从音频数据中提取用户的语言特征;该语言特征包括关键字和语气。
步骤S204,将上述动作特征、情绪特征和语言特征确定为用户的表现特征。
步骤S206,将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,该特长分析网络通过神经网络训练得到。
其中,上述特长分析网络具体通过下述方式建立:
(1)获取设定数量的表现特征和对应的特长属性;具体地,将表现特征和对应的特长属性成为样本;理论上,样本的数量越大,训练而成的特长分析网络的准确度越高。
(2)建立神经网络的网络结构,设置网络结构对应的训练参数。
(3)将表现特征和对应的特长属性输入至网络结构中进行训练,生成特长分析网络。
步骤S208,根据特长属性和对应的权值,生成特长评价图和特长培养方案。
步骤S210,设定时间段后,再次采集用户的表现特征,以得到更新后的用户的特长分析结果。
步骤S212,根据更新后的特长分析结果,调整特长培养方案。
本实施例通过有目的的测试,采集儿童的表现特征,进行特长分析,量化出儿童各种特长的权重,并进行重点培养。本专利为儿童提供一种特长分析方法,通过有侧重的培养,并进行阶段性测评,改进培养方法,实现对儿童高效正确的培养。
本发明实施例还提供了另一种儿童特长分析方法,该方法应用于教育机器人,其中,教育机器人评价系统设置于该教育机器人中。参见图3所示的教育机器人评价系统的应用示意图,该系统以特长分析网络为中心,由以下几部分组成:
(1)“A测试样本”,是儿童接受特长测试的样本,如让儿童完成一个积木的搭建。
(2)“B特征集合”是儿童在使用“A测试样本”进行测试过程中表现出来的各种各样的语言、动作、情绪。
(3)“C特长评价网络”是“B特征集合”到“D特长属性集合”和“E特长权重集合”的一个映射关系,可实现特长的分析功能,映射关系如图4所示。
(4)“D特长属性集合”包含了儿童的所有特长,如阅读、写作、书法、绘画、演讲、唱歌、乐器演奏、跳舞、指挥、主持、设计、推理、各种运动等。
(5)“E特长权重集合”与“D特长属性集合”相对应,表示特长占有的比重。
基于上述教育机器人评价系统,参见图5所示的另一种儿童特长分析方法的流程示意图,上述儿童特长分析方法包括:
步骤S500,儿童在接受测试的过程中,机器人通过语音、图像、情绪识别的方法,采集儿童的表现特征,形成“b特征子集”;其中,对于某一儿童的“b特征子集”,通常属于“B特征集合”的一个子集。
步骤S502,机器人根据“C特长评价网络”推理计算出“d特长属性子集”和“e特长权重子集”,最终生成特长评价图;其中,对于某一儿童的“d特长属性子集”,通常属于“D特长属性集合”的一个子集,对于某一儿童的“e特长权重子集”,通常属于“E特长权重集合”的一个子集。
步骤S504,机器人根据上述特长评价图,如图6所示,制定一套定向培养方案。该特长评价图可以反映出儿童在各个特长领域的权重,数值越高,表示在该领域越有潜力。
步骤S506,在经过设定时间的培养后,重复步骤S500-S504,生成更新后的特长评价图,从而对培养方案进行修正,生成定向培养方案。
本发明实施例提出了一种基于机器人智能技术的儿童特长分析方法,对特长属性进行量化,直观精确地表示出儿童的特长,更直观地为儿童培养提供参考;通过阶段性特长测评,可优化改进儿童培养方案。
参见图7所示的一种儿童特长分析装置的结构示意图,该装置应用于机器人;该装置包括:特征采集模块700,用于用户在接受测试的过程中,采集用户的表现特征;特长分析模块702,用于将表现特征输入至预设的特长分析网络中,得到用户的特长属性,和特长属性对应的权值;其中,特长分析网络通过机器学习训练得到;结果获取模块704,根据特长属性和对应的权值,得到用户的特长分析结果。
具体地,上述特长分析网络具体通过下述方式建立:获取设定数量的表现特征和对应的特长属性;建立神经网络的网络结构,设置网络结构对应的训练参数;将表现特征和对应的特长属性输入至所述网络结构中进行训练,生成特长分析网络。
进一步地,上述特征采集模块还用于:采集用户的图像数据和音频数据;从图像数据中提取用户的动作特征和情绪特征,从音频数据中提取用户的语言特征;语言特征包括关键字和语气;将动作特征、情绪特征和语言特征确定为用户的表现特征。
进一步地,上述结果获取模块还用于:根据特长属性和对应的权值,生成特长评价图和特长培养方案。
本发明实施例提供的儿童特长分析装置,与上述实施例提供的儿童特长分析方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
参见图8所示的一种机器人的结构示意图,该机器人包括存储器100和处理器101;其中,上述存储器用于存储一条或多条计算机指令,一条或多条计算机指令被上述处理器执行,以实现上述儿童特长分析方法,该方法可以包括以上方法中的一种或多种。
进一步,图8所示的机器人还包括总线102和通信接口103,处理器101、通信接口103和存储器100通过总线102连接。
其中,存储器100可能包含高速随机存取存储器(RAM,Random Access Memory),也可能还包括非不稳定的存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口103(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。总线102可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图8中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
处理器101可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器101中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器101可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(DigitalSignal Processing,简称DSP)、专用集成电路(Application Specific IntegratedCircuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本公开实施方式中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本公开实施方式所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器100,处理器101读取存储器100中的信息,结合其硬件完成前述实施方式的方法的步骤。
本发明实施方式还提供了一种机器可读存储介质,该机器可读存储介质存储有机器可执行指令,该机器可执行指令在被处理器调用和执行时,机器可执行指令促使处理器实现上述儿童特长分析方法,具体实现可参见方法实施方式,在此不再赘述。
本发明实施方式所提供的机器人,其实现原理及产生的技术效果和前述方法实施方式相同,为简要描述,装置实施方式部分未提及之处,可参考前述方法实施方式中相应内容。
本发明实施例所提供的一种儿童特长分析方法、装置以及机器人的计算机程序产品,包括存储了程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种儿童特长分析方法,其特征在于,所述方法应用于机器人;所述方法包括:
用户在接受测试的过程中,采集所述用户的表现特征;
将所述表现特征输入至预设的特长分析网络中,得到所述用户的特长属性,和所述特长属性对应的权值;其中,所述特长分析网络通过机器学习训练得到;
根据所述特长属性和对应的权值,得到所述用户的特长分析结果。
2.根据权利要求1所述的方法,其特征在于,所述特长分析网络具体通过下述方式建立:
获取设定数量的表现特征和对应的特长属性;
建立神经网络的网络结构,设置所述网络结构对应的训练参数;
将所述表现特征和对应的特长属性输入至所述网络结构中进行训练,生成特长分析网络。
3.根据权利要求1所述的方法,其特征在于,所述采集所述用户的表现特征的步骤,包括:
采集所述用户的图像数据和音频数据;
从所述图像数据中提取所述用户的动作特征和情绪特征,从所述音频数据中提取所述用户的语言特征;所述语言特征包括关键字和语气;
将所述动作特征、情绪特征和语言特征确定为所述用户的表现特征。
4.根据权利要求1所述的方法,其特征在于,所述根据所述特长属性和对应的权值,得到所述用户的特长分析结果的步骤,包括:
根据所述特长属性和对应的权值,生成特长评价图和特长培养方案。
5.根据权利要求4所述的方法,其特征在于,所述方法还包括:
设定时间段后,再次采集所述用户的表现特征,以得到更新后的所述用户的特长分析结果;
根据更新后的所述特长分析结果,调整所述特长培养方案。
6.一种儿童特长分析装置,其特征在于,所述装置应用于机器人;所述装置包括:
特征采集模块,用于用户在接受测试的过程中,采集所述用户的表现特征;
特长分析模块,用于将所述表现特征输入至预设的特长分析网络中,得到所述用户的特长属性,和所述特长属性对应的权值;其中,所述特长分析网络通过机器学习训练得到;
结果获取模块,根据所述特长属性和对应的权值,得到所述用户的特长分析结果。
7.根据权利要求6所述的装置,其特征在于,所述特长分析网络具体通过下述方式建立:
获取设定数量的表现特征和对应的特长属性;
建立神经网络的网络结构,设置所述网络结构对应的训练参数;
将所述表现特征和对应的特长属性输入至所述网络结构中进行训练,生成特长分析网络。
8.根据权利要求6所述的装置,其特征在于,所述特征采集模块还用于:
采集所述用户的图像数据和音频数据;
从所述图像数据中提取所述用户的动作特征和情绪特征,从所述音频数据中提取所述用户的语言特征;所述语言特征包括关键字和语气;
将所述动作特征、情绪特征和语言特征确定为所述用户的表现特征。
9.根据权利要求6所述的装置,其特征在于,所述结果获取模块还用于:
根据所述特长属性和对应的权值,生成特长评价图和特长培养方案。
10.一种机器人,其特征在于,包括存储器和处理器;其中,所述存储器用于存储一条或多条计算机指令,所述一条或多条计算机指令被所述处理器执行,以实现权利要求1至5任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256533.0A CN109460786A (zh) | 2018-10-25 | 2018-10-25 | 儿童特长分析方法、装置及机器人 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811256533.0A CN109460786A (zh) | 2018-10-25 | 2018-10-25 | 儿童特长分析方法、装置及机器人 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109460786A true CN109460786A (zh) | 2019-03-12 |
Family
ID=65608470
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811256533.0A Pending CN109460786A (zh) | 2018-10-25 | 2018-10-25 | 儿童特长分析方法、装置及机器人 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109460786A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477798A (zh) * | 2009-02-17 | 2009-07-08 | 北京邮电大学 | 一种分析和提取设定场景的音频数据的方法 |
CN105721513A (zh) * | 2014-04-21 | 2016-06-29 | 张时铭 | 一种采用无线互联网方式对孩子行为进行研究的系统 |
CN106600491A (zh) * | 2016-12-12 | 2017-04-26 | 杭州闪趣信息科技有限公司 | 儿童综合素质评测系统及评测方法 |
CN107247919A (zh) * | 2017-04-28 | 2017-10-13 | 深圳大学 | 一种视频情感内容的获取方法及系统 |
CN107689020A (zh) * | 2017-09-11 | 2018-02-13 | 深圳市鼎盛智能科技有限公司 | 智能机器人的数据处理方法及系统 |
CN108650529A (zh) * | 2018-05-04 | 2018-10-12 | 早上六点(北京)教育科技有限公司 | 一种智能早教分析仪及其使用方法 |
-
2018
- 2018-10-25 CN CN201811256533.0A patent/CN109460786A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477798A (zh) * | 2009-02-17 | 2009-07-08 | 北京邮电大学 | 一种分析和提取设定场景的音频数据的方法 |
CN105721513A (zh) * | 2014-04-21 | 2016-06-29 | 张时铭 | 一种采用无线互联网方式对孩子行为进行研究的系统 |
CN106600491A (zh) * | 2016-12-12 | 2017-04-26 | 杭州闪趣信息科技有限公司 | 儿童综合素质评测系统及评测方法 |
CN107247919A (zh) * | 2017-04-28 | 2017-10-13 | 深圳大学 | 一种视频情感内容的获取方法及系统 |
CN107689020A (zh) * | 2017-09-11 | 2018-02-13 | 深圳市鼎盛智能科技有限公司 | 智能机器人的数据处理方法及系统 |
CN108650529A (zh) * | 2018-05-04 | 2018-10-12 | 早上六点(北京)教育科技有限公司 | 一种智能早教分析仪及其使用方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107391760B (zh) | 用户兴趣识别方法、装置及计算机可读存储介质 | |
CN108960409B (zh) | 标注数据生成方法、设备及计算机可读存储介质 | |
CN110489538A (zh) | 基于人工智能的语句应答方法、装置及电子设备 | |
CN107657056B (zh) | 基于人工智能展示评论信息的方法和装置 | |
CN107316638A (zh) | 一种诗词背诵评测方法及系统、一种终端及存储介质 | |
CN109801349B (zh) | 一种声音驱动的三维动画角色实时表情生成方法和系统 | |
CN108875074A (zh) | 基于交叉注意力神经网络的答案选择方法、装置和电子设备 | |
CN109671416B (zh) | 基于增强学习的音乐旋律生成方法、装置及用户终端 | |
CN109739956A (zh) | 语料清洗方法、装置、设备及介质 | |
CN107977362A (zh) | 一种用于中文文本定级以及计算中文文本难度评分的方法 | |
CN103632668B (zh) | 一种基于中文语音信息训练英文语音模型的方法与设备 | |
CN111666376B (zh) | 一种基于段落边界扫描预测与词移距离聚类匹配的答案生成方法及装置 | |
CN107993636B (zh) | 基于递归神经网络的乐谱建模与生成方法 | |
CN101409070A (zh) | 基于运动图像解析的音乐重构方法 | |
CN105786898B (zh) | 一种领域本体的构建方法和装置 | |
CN110019962A (zh) | 一种视频文案信息的生成方法及装置 | |
CN107562925A (zh) | 用于推荐文章的方法、设备和电子设备 | |
CN110298597A (zh) | 一种测评方法、装置及存储介质 | |
CN116821377A (zh) | 基于知识图谱和大模型的小学语文自动评测系统 | |
CN110516109B (zh) | 音乐标签的关联方法、装置及存储介质 | |
CN107578785A (zh) | 基于Gamma分布分析的音乐连续情感特征分析评价方法 | |
CN107301425A (zh) | 一种基于深度学习的儿童涂鸦评分方法 | |
Zhao | Analysis of music teaching in basic education integrating scientific computing visualization and computer music technology | |
CN109460786A (zh) | 儿童特长分析方法、装置及机器人 | |
EP4261763A1 (en) | Apparatus and method for providing user's interior style analysis model on basis of sns text |
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: 20190312 |