CN112016439B - 基于对抗神经网络的游戏化学习环境创建方法和系统 - Google Patents

基于对抗神经网络的游戏化学习环境创建方法和系统 Download PDF

Info

Publication number
CN112016439B
CN112016439B CN202010870683.1A CN202010870683A CN112016439B CN 112016439 B CN112016439 B CN 112016439B CN 202010870683 A CN202010870683 A CN 202010870683A CN 112016439 B CN112016439 B CN 112016439B
Authority
CN
China
Prior art keywords
behavior
action
learning
users
virtual space
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.)
Active
Application number
CN202010870683.1A
Other languages
English (en)
Other versions
CN112016439A (zh
Inventor
王鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Original Assignee
Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd filed Critical Shanghai Squirrel Classroom Artificial Intelligence Technology Co Ltd
Priority to CN202010870683.1A priority Critical patent/CN112016439B/zh
Publication of CN112016439A publication Critical patent/CN112016439A/zh
Application granted granted Critical
Publication of CN112016439B publication Critical patent/CN112016439B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G09—EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09B—EDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00—Teaching not covered by other main groups of this subclass

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Social Psychology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了基于对抗神经网络的游戏化学习环境创建方法和系统，其以不同年龄阶段的用户的行为动作数据作为数据样本基础，再分析相同年龄阶段的用户的行为动作特征以及用户当前的学习互动虚拟空间与该行为动作特征之间的匹配差异状态，最后根据该匹配差异状态对该学习互动虚拟空间的某一部分区域进行调整，以此获得与用户相适应的学习环境，从而便于对学习环境进行个性化和游戏趣味化的调整，以及提高对学习环境调整的效率和可靠性。

Description

基于对抗神经网络的游戏化学习环境创建方法和系统
技术领域
本发明涉及智能教育的技术领域，特别涉及基于对抗神经网络的游戏化学习环境创建方法和系统。
背景技术
为了提高学生的学习兴趣，需要对学生所处的学习环境进行适应性的调整，而目前对于学习环境的调整都是按照预先设定的模式来调整学习环境的某些环境参数来实现的，这导致学习环境的调整方式过于单一，并且不能针对不同用户在学习过程中的实际行为动作进行有针对性的调整，这不利于对学习环境进行个性化和游戏趣味化的调整，以及提高对学习环境调整的效率和可靠性。
发明内容
针对现有技术存在的缺陷，本发明提供基于对抗神经网络的游戏化学习环境创建方法和系统，其通过获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合，再构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值，最后根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境；可见，该基于对抗神经网络的游戏化学习环境创建方法和系统以不同年龄阶段的用户的行为动作数据作为数据样本基础，再分析相同年龄阶段的用户的行为动作特征以及用户当前的学习互动虚拟空间与该行为动作特征之间的匹配差异状态，最后根据该匹配差异状态对该学习互动虚拟空间的某一部分区域进行调整，以此获得与用户相适应的学习环境，从而便于对学习环境进行个性化和游戏趣味化的调整，以及提高对学习环境调整的效率和可靠性。
本发明提供基于对抗神经网络的游戏化学习环境创建方法，其特征在于，其包括如下步骤：
步骤S1，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
步骤S2，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值；
步骤S3，根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境；
进一步，在所述步骤S1中，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括，
步骤S101，对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成所述目标样本集合；
步骤S102，从所述目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成所述行为动作特征信息集合，同时将所述行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示所述第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值；
进一步，在所述步骤S2中，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值具体包括，
步骤S201，根据相同年龄阶段的用户所述的物理空间信息，构建关于所述用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成；
步骤S202，根据下面公式(1)，确定所述行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure BDA0002650986010000031
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征子值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]；
步骤S203，将所述学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值R
Figure BDA0002650986010000032
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示所述n个子空间区域中发生预设行为动作的平均概率值；
进一步，在所述步骤S3中，根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境具体包括，
步骤S301，获取当前用户的实际行为动作事件，并确定所述实际行为动作事件的动作活动范围所涉及的实际空间区域，判断所述实际空间区域与所述n个子空间区域的重叠区域范围；
步骤S302，根据所述重叠区域范围，确定所述重叠区域范围中占有最大空间比例的子空间区域，并将所述占有最大空间比例的子空间区域作为待调整空间区域；
步骤S303，调整所述待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
本发明还提供基于对抗神经网络的游戏化学习环境创建系统，其特征在于，其包括目标样本集合形成模块、行为动作特征信息集合形成模块、匹配度评价值确定模块和学习互动虚拟空间转换模块；其中，
所述目标样本集合形成模块用于获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合；
所述行为动作特征信息集合形成模块用于从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
所述匹配度评价值确定模块用于构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值；
所述学习互动虚拟空间转换模块用于根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境；
进一步，所述目标样本集合形成模块获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合具体包括对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成所述目标样本集合；
以及，
所述行为动作特征信息集合形成模块从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括从所述目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成所述行为动作特征信息集合，同时将所述行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示所述第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值；
进一步，所述匹配度评价值确定模块构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值具体包括，
根据相同年龄阶段的用户所述的物理空间信息，构建关于所述用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成，
再根据下面公式(1)，确定所述行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure BDA0002650986010000051
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征子值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]，
最后将所述学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值R
Figure BDA0002650986010000052
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示所述n个子空间区域中发生预设行为动作的平均概率值；
进一步，所述学习互动虚拟空间转换模块根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境具体包括：
获取当前用户的实际行为动作事件，并确定所述实际行为动作事件的动作活动范围所涉及的实际空间区域，判断所述实际空间区域与所述n个子空间区域的重叠区域范围，
根据所述重叠区域范围，确定所述重叠区域范围中占有最大空间比例的子空间区域，并将所述占有最大空间比例的子空间区域作为待调整空间区域，
最后调整所述待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
相比于现有技术，该基于对抗神经网络的游戏化学习环境创建方法和系统通过获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合，再构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值，最后根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境；可见，该基于对抗神经网络的游戏化学习环境创建方法和系统以不同年龄阶段的用户的行为动作数据作为数据样本基础，再分析相同年龄阶段的用户的行为动作特征以及用户当前的学习互动虚拟空间与该行为动作特征之间的匹配差异状态，最后根据该匹配差异状态对该学习互动虚拟空间的某一部分区域进行调整，以此获得与用户相适应的学习环境，从而便于对学习环境进行个性化和游戏趣味化的调整，以及提高对学习环境调整的效率和可靠性。
本发明的其它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可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
下面通过附图和实施例，对本发明的技术方案做进一步的详细描述。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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，下面描述中的附图仅仅是本发明的一些实施例，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为本发明提供的基于对抗神经网络的游戏化学习环境创建方法的流程示意图。
图2为本发明提供的基于对抗神经网络的游戏化学习环境创建系统的结构示意图。
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作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。
参阅图1，为本发明实施例提供的基于对抗神经网络的游戏化学习环境创建方法的流程示意图。该基于对抗神经网络的游戏化学习环境创建方法包括如下步骤：
步骤S1，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
步骤S2，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值；
步骤S3，根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
优选地，在该步骤S1中，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括，
步骤S101，对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成该目标样本集合；
步骤S102，从该目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成该行为动作特征信息集合，同时将该行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示该第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值。
优选地，在该步骤S2中，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值具体包括，
步骤S201，根据相同年龄阶段的用户的物理空间信息，构建关于用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成；
步骤S202，根据下面公式(1)，确定该行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure BDA0002650986010000081
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征子值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]；
步骤S203，将该学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值R
Figure BDA0002650986010000091
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示该n个子空间区域中发生预设行为动作的平均概率值。
优选地，在该步骤S3中，根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境具体包括，
步骤S301，获取当前用户的实际行为动作事件，并确定该实际行为动作事件的动作活动范围所涉及的实际空间区域，判断该实际空间区域与该n个子空间区域的重叠区域范围；
步骤S302，根据该重叠区域范围，确定该重叠区域范围中占有最大空间比例的子空间区域，并将该占有最大空间比例的子空间区域作为待调整空间区域；
步骤S303，调整该待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
总体而言，通过确定相同年龄阶段的用户的行为动作信息，并计算每种行为工作信息对应的特征均值，通过创建对应的学习互动虚拟空间，并对该虚拟空间进行子空间的划分，能够便于对该学习互动虚拟空间的局部细化优化，通过用户当前的实际行为动作对该学习互动虚拟空间进行有针对性的聚局部调整，从而节省学习互动虚拟空间的调整时间和提高调整效率。
参阅图2，为本发明实施例提供的基于对抗神经网络的游戏化学习环境创建系统的结构示意图。该基于对抗神经网络的游戏化学习环境创建系统包括目标样本集合形成模块、行为动作特征信息集合形成模块、匹配度评价值确定模块和学习互动虚拟空间转换模块；其中，
该目标样本集合形成模块用于获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合；
该行为动作特征信息集合形成模块用于从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
该匹配度评价值确定模块用于构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值；
该学习互动虚拟空间转换模块用于根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
优选地，该目标样本集合形成模块获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合具体包括对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成该目标样本集合；
以及，
该行为动作特征信息集合形成模块从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括从该目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成该行为动作特征信息集合，同时将该行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示该第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值。
优选地，该匹配度评价值确定模块构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值具体包括，
根据相同年龄阶段的用户的物理空间信息，构建关于用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成，
再根据下面公式(1)，确定该行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure BDA0002650986010000111
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征子值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]，
最后将该学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值R
Figure BDA0002650986010000112
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示该n个子空间区域中发生预设行为动作的平均概率值。
优选地，该学习互动虚拟空间转换模块根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境具体包括，
获取当前用户的实际行为动作事件，并确定该实际行为动作事件的动作活动范围所涉及的实际空间区域，判断该实际空间区域与该n个子空间区域的重叠区域范围，
根据该重叠区域范围，确定该重叠区域范围中占有最大空间比例的子空间区域，并将该占有最大空间比例的子空间区域作为待调整空间区域，
最后调整该待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境。
总体而言，通过确定相同年龄阶段的用户的行为动作信息，并计算每种行为工作信息对应的特征均值，通过创建对应的学习互动虚拟空间，并对该虚拟空间进行子空间的划分，能够便于对该学习互动虚拟空间的局部细化优化，通过用户当前的实际行为动作对该学习互动虚拟空间进行有针对性的聚局部调整，从而节省学习互动虚拟空间的调整时间和提高调整效率。
从上述实施例的内容可知，该基于对抗神经网络的游戏化学习环境创建方法和系统通过获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从该目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合，再构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定该学习互动虚拟空间与该动作特征信息集合之间的匹配度评价值，最后根据该匹配度评价值和当前用户的实际行为动作事件，将该学习互动虚拟空间转换成与当前用户实际行为动作匹配的学习环境；可见，该基于对抗神经网络的游戏化学习环境创建方法和系统以不同年龄阶段的用户的行为动作数据作为数据样本基础，再分析相同年龄阶段的用户的行为动作特征以及用户当前的学习互动虚拟空间与该行为动作特征之间的匹配差异状态，最后根据该匹配差异状态对该学习互动虚拟空间的某一部分区域进行调整，以此获得与用户相适应的学习环境，从而便于对学习环境进行个性化和游戏趣味化的调整，以及提高对学习环境调整的效率和可靠性。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (2)

1.基于对抗神经网络的游戏化学习环境创建方法，其特征在于，其包括如下步骤：
步骤S1，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
步骤S2，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值；
步骤S3，根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境；
其中，在所述步骤S1中，获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合，并从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括，
步骤S101，对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成所述目标样本集合；
步骤S102，从所述目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成所述行为动作特征信息集合，同时将所述行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示所述第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值；
其中，在所述步骤S2中，构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值具体包括，
步骤S201，根据相同年龄阶段的用户的物理空间信息，构建关于所述用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成；
步骤S202，根据下面公式(1)，确定所述行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure FDA0003074368160000021
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征均值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]；
步骤S203，将所述学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值R
Figure FDA0003074368160000022
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示所述n个子空间区域中发生预设行为动作的平均概率值；
其中，在所述步骤S3中，根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境具体包括，
步骤S301，获取当前用户的实际行为动作事件，并确定所述实际行为动作事件的动作活动范围所涉及的实际空间区域，判断所述实际空间区域与所述n个子空间区域的重叠区域范围；
步骤S302，根据所述重叠区域范围，确定所述重叠区域范围中占有最大空间比例的子空间区域，并将所述占有最大空间比例的子空间区域作为待调整空间区域；
步骤S303，调整所述待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境。
2.基于对抗神经网络的游戏化学习环境创建系统，其特征在于，其包括目标样本集合形成模块、行为动作特征信息集合形成模块、匹配度评价值确定模块和学习互动虚拟空间转换模块；其中，
所述目标样本集合形成模块用于获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合；
所述行为动作特征信息集合形成模块用于从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合；
所述匹配度评价值确定模块用于构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值；
所述学习互动虚拟空间转换模块用于根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境；
其中，所述目标样本集合形成模块获取关于不同年龄阶段的不同用户的行为动作数据，以此构成目标样本集合具体包括对不同年龄阶段的不同用户进行拍摄，以此获得对应的行为动作影像，并按照预设时间间隔，将每一个用户的行为动作影像切分为若干帧行为动作图片，并将所有用户对应的行为动作图片共同构成所述目标样本集合；
以及，
所述行为动作特征信息集合形成模块从所述目标样本集合中提取得到相同年龄阶段的用户对应的行为动作特征信息集合具体包括从所述目标样本集合中提取相同年龄阶段的用户对应的行为动作图片，并对提取得到的行为动作图片进行行为动作识别处理，从而得到相应的行为动作特征信息，以此构成所述行为动作特征信息集合，同时将所述行为动作特征信息集合W记为W＝{wi,i＝1,2,3,...,n1}，wi＝{wij,j＝1,2,3,...,n2}，其中wi表示相同年龄阶段的所有n1个用户中第i个用户的行为动作特征值，wij表示所述第i个用户包含的所有n2个行为动作中第j个行为动作的特征均值；
其中，所述匹配度评价值确定模块构建关于相同年龄阶段的用户的学习互动虚拟空间，并确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值具体包括：
根据相同年龄阶段的用户的物理空间信息，构建关于所述用户的学习互动虚拟空间，其中物理空间信息是关于用户所处真实环境的人与物相对位置关系信息、且其通过对用户所处的真实环境进行拍摄而形成，再根据下面公式(1)，确定所述行为动作特征信息集合W中第j个行为动作特征对应的特征均值Tj
Figure FDA0003074368160000041
在上述公式(1)中，βij表示第i个用户的第j个行为动作特征子值在所有n2个行为动作中的权重因子、且其取值为[0.5，0.9]，
最后将所述学习互动虚拟空间划分为n个子空间区域，并根据下面公式(2)，确定所述学习互动虚拟空间与所述动作特征信息集合之间的匹配度评价值R
Figure FDA0003074368160000051
在上述公式(2)中，Tj表示第j个行为动作对应的特征均值，Tj+1表示第j+1个行为动作对应的特征均值，T0表示所有n2个行为动作对应的特征均值的平均值，P表示所述n个子空间区域中发生预设行为动作的平均概率值，为预设值，取值范围为[0,1]；
其中，所述学习互动虚拟空间转换模块根据所述匹配度评价值和当前用户的实际行为动作事件，将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境具体包括：
获取当前用户的实际行为动作事件，并确定所述实际行为动作事件的动作活动范围所涉及的实际空间区域，判断所述实际空间区域与所述n个子空间区域的重叠区域范围，
根据所述重叠区域范围，确定所述重叠区域范围中占有最大空间比例的子空间区域，并将所述占有最大空间比例的子空间区域作为待调整空间区域，
最后调整所述待调整空间区域的虚拟视觉景深和/或虚拟视觉色彩，从而将所述学习互动虚拟空间转换成与当前用户实际行为动作匹配的游戏化学习环境。
CN202010870683.1A 2020-08-26 2020-08-26 基于对抗神经网络的游戏化学习环境创建方法和系统 Active CN112016439B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010870683.1A CN112016439B (zh) 2020-08-26 2020-08-26 基于对抗神经网络的游戏化学习环境创建方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010870683.1A CN112016439B (zh) 2020-08-26 2020-08-26 基于对抗神经网络的游戏化学习环境创建方法和系统

Publications (2)

Publication Number Publication Date
CN112016439A CN112016439A (zh) 2020-12-01
CN112016439B true CN112016439B (zh) 2021-06-29

Family

ID=73502253

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010870683.1A Active CN112016439B (zh) 2020-08-26 2020-08-26 基于对抗神经网络的游戏化学习环境创建方法和系统

Country Status (1)

Country Link
CN (1) CN112016439B (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108724182A (zh) * 2018-05-23 2018-11-02 苏州大学 基于多类别模仿学习的端到端游戏机器人生成方法及系统
CN109191588A (zh) * 2018-08-27 2019-01-11 百度在线网络技术（北京）有限公司 运动教学方法、装置、存储介质及电子设备
CN109643125A (zh) * 2016-06-28 2019-04-16 柯尼亚塔有限公司 用于训练自动驾驶系统的逼真的3d虚拟世界创造与模拟
CN109903129A (zh) * 2019-02-18 2019-06-18 北京三快在线科技有限公司 增强现实显示方法与装置、电子设备、存储介质
US10380724B1 (en) * 2019-01-28 2019-08-13 StradVision, Inc. Learning method and learning device for reducing distortion occurred in warped image generated in process of stabilizing jittered image by using GAN to enhance fault tolerance and fluctuation robustness in extreme situations
CN110244837A (zh) * 2019-04-26 2019-09-17 北京圣威特科技有限公司 增强现实且具有虚拟影像叠加的体验眼镜及其成像方法
CN111275205A (zh) * 2020-01-13 2020-06-12 优地网络有限公司 虚拟样本的生成方法、终端设备及存储介质

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190082688A (ko) * 2019-06-20 2019-07-10 엘지전자 주식회사 시선 추적을 이용한 디스플레이 제어방법 및 디스플레이 제어장치

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109643125A (zh) * 2016-06-28 2019-04-16 柯尼亚塔有限公司 用于训练自动驾驶系统的逼真的3d虚拟世界创造与模拟
CN108724182A (zh) * 2018-05-23 2018-11-02 苏州大学 基于多类别模仿学习的端到端游戏机器人生成方法及系统
CN109191588A (zh) * 2018-08-27 2019-01-11 百度在线网络技术（北京）有限公司 运动教学方法、装置、存储介质及电子设备
US10380724B1 (en) * 2019-01-28 2019-08-13 StradVision, Inc. Learning method and learning device for reducing distortion occurred in warped image generated in process of stabilizing jittered image by using GAN to enhance fault tolerance and fluctuation robustness in extreme situations
CN109903129A (zh) * 2019-02-18 2019-06-18 北京三快在线科技有限公司 增强现实显示方法与装置、电子设备、存储介质
CN110244837A (zh) * 2019-04-26 2019-09-17 北京圣威特科技有限公司 增强现实且具有虚拟影像叠加的体验眼镜及其成像方法
CN111275205A (zh) * 2020-01-13 2020-06-12 优地网络有限公司 虚拟样本的生成方法、终端设备及存储介质

Also Published As

Publication number Publication date
CN112016439A (zh) 2020-12-01

Similar Documents

Publication Publication Date Title
US20210012198A1 (en) Method for training deep neural network and apparatus
CN109815826B (zh) 人脸属性模型的生成方法及装置
CN112069929B (zh) 一种无监督行人重识别方法、装置、电子设备及存储介质
CN108230291B (zh) 物体识别系统训练方法、物体识别方法、装置和电子设备
CN110322445B (zh) 基于最大化预测和标签间相关性损失函数的语义分割方法
CN111814620A (zh) 人脸图像质量评价模型建立方法、优选方法、介质及装置
CN113762138B (zh) 伪造人脸图片的识别方法、装置、计算机设备及存储介质
Da Silva et al. Image complexity measure based on visual attention
CN113177612B (zh) 一种基于cnn少样本的农业病虫害图像识别方法
CN110705428B (zh) 一种基于脉冲神经网络的脸部年龄识别系统及方法
CN109165698A (zh) 一种面向智慧交通的图像分类识别方法及其存储介质
CN112070010B (zh) 一种联合多损失动态训练策略增强局部特征学习的行人重识别方法
CN111340758A (zh) 一种基于深度神经网络的高效虹膜图像质量评价新方法
CN115546576A (zh) 建立预测模型的方法及装置
CN113808166A (zh) 基于聚类差分和深度孪生卷积神经网络的单目标跟踪方法
CN111797705A (zh) 一种基于人物关系建模的动作识别方法
CN109191485B (zh) 一种基于多层超图模型的多视频目标协同分割方法
CN112116669B (zh) 一种基于颜色和谐和平面构成的图像美学预测方法
CN112380374B (zh) 一种基于语义扩充的零样本图像分类方法
CN113689514A (zh) 一种面向主题的图像场景图生成方法
CN112016439B (zh) 基于对抗神经网络的游戏化学习环境创建方法和系统
CN111652238B (zh) 一种多模型集成方法及系统
CN110163489B (zh) 一种戒毒运动锻炼成效评价方法
CN115512207A (zh) 一种基于多路特征融合及高阶损失感知采样的单阶段目标检测方法
CN114663910A (zh) 基于多模态学习状态分析系统

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
GR01 Patent grant
GR01 Patent grant
PP01 Preservation of patent right

Effective date of registration: 20221020

Granted publication date: 20210629

PP01 Preservation of patent right