CN112183728A - 基于深度学习的学习策略生成方法和系统 - Google Patents
基于深度学习的学习策略生成方法和系统 Download PDFInfo
- Publication number
- CN112183728A CN112183728A CN202011055769.5A CN202011055769A CN112183728A CN 112183728 A CN112183728 A CN 112183728A CN 202011055769 A CN202011055769 A CN 202011055769A CN 112183728 A CN112183728 A CN 112183728A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- network model
- learning
- preset convolutional
- 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.)
- Granted
Links
- 238000013135 deep learning Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 257
- 238000005457 optimization Methods 0.000 claims abstract description 176
- 238000007781 pre-processing Methods 0.000 claims description 10
- 239000000126 substance Substances 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 abstract description 8
- 230000009286 beneficial effect Effects 0.000 description 10
- 238000004364 calculation method Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/11—Complex mathematical operations for solving equations, e.g. nonlinear equations, general mathematical optimization problems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
- G06Q50/205—Education administration or guidance
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Optimization (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Educational Administration (AREA)
- Educational Technology (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Operations Research (AREA)
- Economics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了基于深度学习的学习策略生成方法和系统,其能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
Description
技术领域
本发明涉及智能教育的技术领域,特别涉及基于深度学习的学习策略生成方法和系统。
背景技术
目前,学生在学习过程中通常是按照预先制定的课程安排来学习相应的知识内容,虽然这种模式能够便于学生循序渐进地学习不同难度级别的知识内容以及有效地提高学生的学习进度和学习效率,但是这种模式只能对所有学生执行统一的学习策略,其无法针对不同学生调整相应的学习策略,这严重地制约针对不同学生生成合适匹配的学习策略,从而大大地降低学习策略的可靠性和有效性。可见,现有技术需要能够针对不同学生自身的知识学习数据生成与之相适应的学习策略的方法。
发明内容
针对现有技术存在的缺陷,本发明提供基于深度学习的学习策略生成方法和系统,其通过获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合,并将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息,再获取该预设卷积神经网络模型的学习策略初始优化信息,再根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数;可见,该基于深度学习的学习策略生成方法和系统能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
本发明提供基于深度学习的学习策略生成方法,其特征在于,其包括如下步骤:
步骤S1,获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
步骤S2,将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息,再获取所述预设卷积神经网络模型的学习策略初始优化信息;
步骤S3,根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数;
进一步,在所述步骤S1中,获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
步骤S101,获取若干所述学生在上一学年对应的知识学习数据,并对所述知识学习数据依次进行数据去重处理和数据降噪处理;
步骤S102,根据所述知识学习数据的知识内容难度级别,将所述知识学习数据划分为若干知识学习数据集合,以此作为若干所述学习策略生成源数据集合;
进一步,在所述步骤S2中,将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息,再获取所述预设卷积神经网络模型的学习策略初始优化信息具体包括:
步骤S201,将若干所述学习策略生成源数据集合依次输入至所述卷积神经网络模型的输入端,同时获取所述卷积神经网络模型的输出端对应的输出数据;
步骤S202,根据下面公式(1),对所述输入端和所述输出端对应的数据进行分析处理,以此确定所述卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输出端对应的第a个输出数据,Xa,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量,βt表示所述预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
步骤S203,根据下面公式(2),得到所述预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示所述预设卷积神经网络模型的学习策略初始优化率,β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输出端对应的第a个输出数据,Xa,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量;
进一步,在所述步骤S3中,根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数具体包括:
步骤S301,根据所述预设卷积神经网络模型的学习策略初始优化率X0,对所述预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到所述预设卷积神经网络模型的学习策略实际优化率:
在上述公式(3)中,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示所述预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值;
步骤S302,根据所述学习策略实际优化率Xt,调整所述预设卷积神经网络模型的运行迭代次数;
进一步,在所述步骤S3中,所述步骤S302之后还包括:
步骤S303,根据调整后的运行迭代次数,指示所述预设卷积神经网络模型进行相应的迭代运算,同时确定所述预设卷积神经网络模型在每一次迭代运算后对应的学习策略实际优化率是否发生变化,若是,则继续调整所述运行迭代次数,直到所述学习策略实际优化率达到最大值为止。
本发明还提供基于深度学习的学习策略生成系统,其特征在于,其包括源数据获取模块、模型迭代运行损失信息确定模块、学习策略初始优化信息确定模块和模型运行参数调整模块;其中,
所述源数据获取模块用于获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
所述模型迭代运行损失信息确定模块用于将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息;
所述学习策略初始优化信息确定模块用于获取所述预设卷积神经网络模型的学习策略初始优化信息;
所述模型运行参数调整模块用于根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数;
进一步,所述源数据获取模块获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
取若干所述学生在上一学年对应的知识学习数据,并对所述知识学习数据依次进行数据去重处理和数据降噪处理;
再根据所述知识学习数据的知识内容难度级别,将所述知识学习数据划分为若干知识学习数据集合,以此作为若干所述学习策略生成源数据集合;
进一步,所述模型迭代运行损失信息确定模块将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息具体包括:
将若干所述学习策略生成源数据集合依次输入至所述卷积神经网络模型的输入端,同时获取所述卷积神经网络模型的输出端对应的输出数据;
并根据下面公式(1),对所述输入端和所述输出端对应的数据进行分析处理,以此确定所述卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输出端对应的第a个输出数据,Xa,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量,βt表示所述预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
以及,
所述学习策略初始优化信息确定模块获取所述预设卷积神经网络模型的学习策略初始优化信息具体包括:
根据下面公式(2),得到所述预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示所述预设卷积神经网络模型的学习策略初始优化率,β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输出端对应的第a个输出数据,Xa,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量;
进一步,所述模型运行参数调整模块根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数具体包括:
根据所述预设卷积神经网络模型的学习策略初始优化率X0,对所述预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到所述预设卷积神经网络模型的学习策略最终优化率:
在上述公式(3)中,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示所述预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值;
再根据所述学习策略实际优化率Xt,调整所述预设卷积神经网络模型的运行迭代次数;
进一步,所述模型运行参数调整模块还根据调整后的运行迭代次数,指示所述预设卷积神经网络模型进行相应的迭代运算,同时确定所述预设卷积神经网络模型在每一次迭代运算后对应的学习策略实际优化率是否发生变化,若是,则继续调整所述运行迭代次数,直到所述学习策略实际优化率达到最大值为止。
相比于现有技术,该基于深度学习的学习策略生成方法和系统通过获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合,并将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息,再获取该预设卷积神经网络模型的学习策略初始优化信息,再根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数;可见,该基于深度学习的学习策略生成方法和系统能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
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深度学习的学习策略生成方法的流程示意图。
图2为本发明提供的基于深度学习的学习策略生成系统的结构示意图。
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深度学习的学习策略生成方法的流程示意图。该基于深度学习的学习策略生成方法包括如下步骤:
步骤S1,获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
步骤S2,将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息,再获取该预设卷积神经网络模型的学习策略初始优化信息;
步骤S3,根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数。
上述技术方案的有益效果为:该基于深度学习的学习策略生成方法能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
优选地,在该步骤S1中,获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
步骤S101,获取若干该学生在上一学年对应的知识学习数据,并对该知识学习数据依次进行数据去重处理和数据降噪处理;
步骤S102,根据该知识学习数据的知识内容难度级别,将该知识学习数据划分为若干知识学习数据集合,以此作为若干该学习策略生成源数据集合。
上述技术方案的有益效果为:由于学生在上一学年对应的知识学习数据能够真实地反映学生的实际学习状态,而将该知识学习数据作为相应的学习策略生成源数据能够保证生成的学习策略与学生的实际学习状态相匹配;此外,对该知识学习数据进行数据去重处理和数据降噪处理能够有效地去除其中的数据冗余部分以及减少后续的数据处理计算量。
优选地,在该步骤S2中,将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息,再获取该预设卷积神经网络模型的学习策略初始优化信息具体包括:
步骤S201,将若干该学习策略生成源数据集合依次输入至该卷积神经网络模型的输入端,同时获取该卷积神经网络模型的输出端对应的输出数据;
步骤S202,根据下面公式(1),对该输入端和该输出端对应的数据进行分析处理,以此确定该卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示该预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示该预设卷积神经网络模型在第i次迭代运行时该输出端对应的第a个输出数据,Xa,i表示该预设卷积神经网络模型在第i次迭代运行时该输入端对应的第a个输入数据,m表示该学习策略生成源数据集合的总数量,βt表示该预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且β0表示该预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示该预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
步骤S203,根据下面公式(2),得到该预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示该预设卷积神经网络模型的学习策略初始优化率,β0表示该预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示该预设卷积神经网络模型在未进行迭代运行模式下该输出端对应的第a个输出数据,Xa,0表示该预设卷积神经网络模型在未进行迭代运行模式下该输入端对应的第a个输入数据,m表示该学习策略生成源数据集合的总数量。
上述技术方案的有益效果为:通过上述公式(1)和(2)分别计算得到该卷积神经网络模型的模型迭代运行损失值和该预设卷积神经网络模型的学习策略初始优化率,这样能够对该预设卷积神经网络模型的迭代运行状态进行量化衡量,通过确定该卷积神经网络模型的模型迭代运行损失值,能够准确地得到模型的运行损失程度,从而为后续迭代优化做准备,而通过确定该预设卷积神经网络模型的学习策略初始优化率,其目的是为模型的迭代和参数的选择奠定基础。
优选地,在该步骤S3中,根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数具体包括:
步骤S301,根据该预设卷积神经网络模型的学习策略初始优化率X0,对该预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到该预设卷积神经网络模型的学习策略实际优化率:
在上述公式(3)中,Xt表示该预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示该预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示该预设卷积神经网络模型在第i次迭代运行对应的损失值;
步骤S302,根据该学习策略实际优化率Xt,调整该预设卷积神经网络模型的运行迭代次数。
上述技术方案的有益效果为:通过上述公式(3),计算得到该预设卷积神经网络模型的学习策略最终优化率,能够便于后续实时调整预设卷积神经网络模型的迭代次数,从而保证预设卷积神经网络模型的准确性以及高效地生成合适的最优学习策略。
优选地,在该步骤S3中,该步骤S302之后还包括:
步骤S303,根据调整后的运行迭代次数,指示该预设卷积神经网络模型进行相应的迭代运算,同时确定该预设卷积神经网络模型在每一次迭代运算后对应的学习策略实际优化率是否发生变化,若是,则继续调整该运行迭代次数,直到该学习策略实际优化率达到最大值为止。
上述技术方案的有益效果为:通过上述方式实时地调整运行迭代次数,并在每一次迭代后确定该学习策略实际优化效率是否达到最大值,这样快速地和可靠地确定该预设卷积神经网络模型的最优运行状态。
参阅图2,为本发明实施例提供的基于深度学习的学习策略生成系统的结构示意图。该基于深度学习的学习策略生成系统包括源数据获取模块、模型迭代运行损失信息确定模块、学习策略初始优化信息确定模块和模型运行参数调整模块;其中,
该源数据获取模块用于获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
该模型迭代运行损失信息确定模块用于将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息;
该学习策略初始优化信息确定模块用于获取该预设卷积神经网络模型的学习策略初始优化信息;
该模型运行参数调整模块用于根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数。
上述技术方案的有益效果为:该基于深度学习的学习策略生成系统能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
优选地,该源数据获取模块获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
取若干该学生在上一学年对应的知识学习数据,并对该知识学习数据依次进行数据去重处理和数据降噪处理;
再根据该知识学习数据的知识内容难度级别,将该知识学习数据划分为若干知识学习数据集合,以此作为若干该学习策略生成源数据集合。
上述技术方案的有益效果为:由于学生在上一学年对应的知识学习数据能够真实地反映学生的实际学习状态,而将该知识学习数据作为相应的学习策略生成源数据能够保证生成的学习策略与学生的实际学习状态相匹配;此外,对该知识学习数据进行数据去重处理和数据降噪处理能够有效地去除其中的数据冗余部分以及减少后续的数据处理计算量。
优选地,该模型迭代运行损失信息确定模块将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息具体包括:
将若干该学习策略生成源数据集合依次输入至该卷积神经网络模型的输入端,同时获取该卷积神经网络模型的输出端对应的输出数据;
并根据下面公式(1),对该输入端和该输出端对应的数据进行分析处理,以此确定该卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示该预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示该预设卷积神经网络模型在第i次迭代运行时该输出端对应的第a个输出数据,Xa,i表示该预设卷积神经网络模型在第i次迭代运行时该输入端对应的第a个输入数据,m表示该学习策略生成源数据集合的总数量,βt表示该预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且β0表示该预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示该预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
以及,
该学习策略初始优化信息确定模块获取该预设卷积神经网络模型的学习策略初始优化信息具体包括:
根据下面公式(2),得到该预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示该预设卷积神经网络模型的学习策略初始优化率,β0表示该预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示该预设卷积神经网络模型在未进行迭代运行模式下该输出端对应的第a个输出数据,Xa,0表示该预设卷积神经网络模型在未进行迭代运行模式下该输入端对应的第a个输入数据,m表示该学习策略生成源数据集合的总数量。
上述技术方案的有益效果为:通过上述公式(1)和(2)分别计算得到该卷积神经网络模型的模型迭代运行损失值和该预设卷积神经网络模型的学习策略初始优化率,这样能够对该预设卷积神经网络模型的迭代运行状态进行量化衡量,通过确定该卷积神经网络模型的模型迭代运行损失值,能够准确地得到模型的运行损失程度,从而为后续迭代优化做准备,而通过确定该预设卷积神经网络模型的学习策略初始优化率,其目的是为模型的迭代和参数的选择奠定基础。
优选地,该模型运行参数调整模块根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数具体包括:
根据该预设卷积神经网络模型的学习策略初始优化率X0,对该预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到该预设卷积神经网络模型的学习策略最终优化率:
在上述公式(3)中,Xt表示该预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示该预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示该预设卷积神经网络模型在第i次迭代运行对应的损失值;
再根据该学习策略实际优化率Xt,调整该预设卷积神经网络模型的运行迭代次数。
上述技术方案的有益效果为:通过上述公式(3),计算得到该预设卷积神经网络模型的学习策略最终优化率,能够便于后续实时调整预设卷积神经网络模型的迭代次数,从而保证预设卷积神经网络模型的准确性以及高效地生成合适的最优学习策略。
上述技术方案的有益效果为:通过上述方式实时地调整运行迭代次数,并在每一次迭代后确定该学习策略实际优化效率是否达到最大值,这样快速地和可靠地确定该预设卷积神经网络模型的最优运行状态。
从上述实施例的内容可知,该基于深度学习的学习策略生成方法和系统通过获取若干学生的学习知识数据,并对该学习知识数据进行预处理,从而得到若干学习策略生成源数据集合,并将若干该学习策略生成源数据集合输入至预设卷积神经网络模型,并根据该预设卷积神经网络模型的输入端和输出端对应的数据,确定该预设卷积神经网络模型的模型迭代运行损失信息,再获取该预设卷积神经网络模型的学习策略初始优化信息,再根据该学习策略初始优化信息,对该预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据该学习策略实际优化信息,调整该预设卷积神经网络模型的运行参数;可见,该基于深度学习的学习策略生成方法和系统能够以不同学生的学习知识数据作为输入源数据,并利用预设卷积神经网络模型对该学习知识数据进行深度学习,以此确定预设卷积神经网络模型的模型迭代运行损失信息和学习策略初始优化信息,再根据上述两种信息对预设卷积神经网络模型进行新的迭代优化,从而得到学习策略实际优化信息并调整预设神经网络模型的运行参数,其根据不同学生自身的实际知识数据学习情况生成与之匹配的学习策略,这样能够大大地提高学习策略的可靠性和有效性。
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 (10)
1.基于深度学习的学习策略生成方法,其特征在于,其包括如下步骤:
步骤S1,获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
步骤S2,将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息,再获取所述预设卷积神经网络模型的学习策略初始优化信息;
步骤S3,根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数。
2.如权利要求1所述的基于深度学习的学习策略生成方法,其特征在于:
在所述步骤S1中,获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
步骤S101,获取若干所述学生在上一学年对应的知识学习数据,并对所述知识学习数据依次进行数据去重处理和数据降噪处理;
步骤S102,根据所述知识学习数据的知识内容难度级别,将所述知识学习数据划分为若干知识学习数据集合,以此作为若干所述学习策略生成源数据集合。
3.如权利要求2所述的基于深度学习的学习策略生成方法,其特征在于:
在所述步骤S2中,将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息,再获取所述预设卷积神经网络模型的学习策略初始优化信息具体包括:
步骤S201,将若干所述学习策略生成源数据集合依次输入至所述卷积神经网络模型的输入端,同时获取所述卷积神经网络模型的输出端对应的输出数据;
步骤S202,根据下面公式(1),对所述输入端和所述输出端对应的数据进行分析处理,以此确定所述卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输出端对应的第a个输出数据,Xa,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量,βt表示所述预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
步骤S203,根据下面公式(2),得到所述预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示所述预设卷积神经网络模型的学习策略初始优化率,β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输出端对应的第a个输出数据,Xa,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量。
4.如权利要求3所述的基于深度学习的学习策略生成方法,其特征在于:
在所述步骤S3中,根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数具体包括:
步骤S301,根据所述预设卷积神经网络模型的学习策略初始优化率X0,对所述预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到所述预设卷积神经网络模型的学习策略实际优化率:
在上述公式(3)中,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示所述预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值;
步骤S302,根据所述学习策略实际优化率Xt,调整所述预设卷积神经网络模型的运行迭代次数。
5.如权利要求4所述的基于深度学习的学习策略生成方法,其特征在于:
在所述步骤S3中,所述步骤S302之后还包括:
步骤S303,根据调整后的运行迭代次数,指示所述预设卷积神经网络模型进行相应的迭代运算,同时确定所述预设卷积神经网络模型在每一次迭代运算后对应的学习策略实际优化率是否发生变化,若是,则继续调整所述运行迭代次数,直到所述学习策略实际优化率达到最大值为止。
6.基于深度学习的学习策略生成系统,其特征在于,其包括源数据获取模块、模型迭代运行损失信息确定模块、学习策略初始优化信息确定模块和模型运行参数调整模块;其中,
所述源数据获取模块用于获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合;
所述模型迭代运行损失信息确定模块用于将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息;
所述学习策略初始优化信息确定模块用于获取所述预设卷积神经网络模型的学习策略初始优化信息;
所述模型运行参数调整模块用于根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数。
7.如权利要求6所述的基于深度学习的学习策略生成系统,其特征在于:
所述源数据获取模块获取若干学生的学习知识数据,并对所述学习知识数据进行预处理,从而得到若干学习策略生成源数据集合具体包括:
取若干所述学生在上一学年对应的知识学习数据,并对所述知识学习数据依次进行数据去重处理和数据降噪处理;
再根据所述知识学习数据的知识内容难度级别,将所述知识学习数据划分为若干知识学习数据集合,以此作为若干所述学习策略生成源数据集合。
8.如权利要求7所述的基于深度学习的学习策略生成系统,其特征在于:
所述模型迭代运行损失信息确定模块将若干所述学习策略生成源数据集合输入至预设卷积神经网络模型,并根据所述预设卷积神经网络模型的输入端和输出端对应的数据,确定所述预设卷积神经网络模型的模型迭代运行损失信息具体包括:
将若干所述学习策略生成源数据集合依次输入至所述卷积神经网络模型的输入端,同时获取所述卷积神经网络模型的输出端对应的输出数据;并根据下面公式(1),对所述输入端和所述输出端对应的数据进行分析处理,以此确定所述卷积神经网络模型的模型迭代运行损失值:
在上述公式(1)中,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值,Ya,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输出端对应的第a个输出数据,Xa,i表示所述预设卷积神经网络模型在第i次迭代运行时所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量,βt表示所述预设卷积神经网络模型经过t次迭代运行后对应的模型收敛值、且
β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略优化率;
以及,
所述学习策略初始优化信息确定模块获取所述预设卷积神经网络模型的学习策略初始优化信息具体包括:
根据下面公式(2),得到所述预设卷积神经网络模型的学习策略初始优化率:
在上述公式(2)中,X0表示所述预设卷积神经网络模型的学习策略初始优化率,β0表示所述预设卷积神经网络模型的初始模型收敛值、且β0=1,Ya,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输出端对应的第a个输出数据,Xa,0表示所述预设卷积神经网络模型在未进行迭代运行模式下所述输入端对应的第a个输入数据,m表示所述学习策略生成源数据集合的总数量。
9.如权利要求8所述的基于深度学习的学习策略生成系统,其特征在于:
所述模型运行参数调整模块根据所述学习策略初始优化信息,对所述预设卷积神经网络模型进行二次优化,从而得到学习策略实际优化信息,并根据所述学习策略实际优化信息,调整所述预设卷积神经网络模型的运行参数具体包括:
根据所述预设卷积神经网络模型的学习策略初始优化率X0,对所述预设卷积神经网络模型进行二次优化,并根据下面公式(3),得到所述预设卷积神经网络模型的学习策略最终优化率:
在上述公式(3)中,Xt表示所述预设卷积神经网络模型经过t次迭代运行后对应的学习策略实际优化率,X0表示所述预设卷积神经网络模型的学习策略初始优化率,Si(βt)表示所述预设卷积神经网络模型在第i次迭代运行对应的损失值;
再根据所述学习策略实际优化率Xt,调整所述预设卷积神经网络模型的运行迭代次数。
10.如权利要求9所述的基于深度学习的学习策略生成系统,其特征在于:
所述模型运行参数调整模块还根据调整后的运行迭代次数,指示所述预设卷积神经网络模型进行相应的迭代运算,同时确定所述预设卷积神经网络模型在每一次迭代运算后对应的学习策略实际优化率是否发生变化,若是,则继续调整所述运行迭代次数,直到所述学习策略实际优化率达到最大值为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055769.5A CN112183728B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的学习策略生成方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011055769.5A CN112183728B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的学习策略生成方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112183728A true CN112183728A (zh) | 2021-01-05 |
CN112183728B CN112183728B (zh) | 2021-07-20 |
Family
ID=73947015
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011055769.5A Active CN112183728B (zh) | 2020-09-29 | 2020-09-29 | 基于深度学习的学习策略生成方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112183728B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862261A (zh) * | 2017-10-25 | 2018-03-30 | 天津大学 | 基于多尺度卷积神经网络的图像人群计数方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
CN109543043A (zh) * | 2018-05-10 | 2019-03-29 | 国网江西省电力有限公司信息通信分公司 | 一种基于知识图谱推理的电力通信大数据错误的自动监测方法 |
CN109657693A (zh) * | 2018-10-22 | 2019-04-19 | 中国科学院软件研究所 | 一种基于相关熵和迁移学习的分类方法 |
CN110135295A (zh) * | 2019-04-29 | 2019-08-16 | 华南理工大学 | 一种基于迁移学习的无监督行人重识别方法 |
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN111160951A (zh) * | 2019-12-10 | 2020-05-15 | 北京三快在线科技有限公司 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
CN111400428A (zh) * | 2020-02-17 | 2020-07-10 | 浙江创课网络科技有限公司 | 一种知识图谱体系搭建方法 |
CN111597356A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 智能化教育知识图谱构建系统与方法 |
-
2020
- 2020-09-29 CN CN202011055769.5A patent/CN112183728B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107862261A (zh) * | 2017-10-25 | 2018-03-30 | 天津大学 | 基于多尺度卷积神经网络的图像人群计数方法 |
CN109543043A (zh) * | 2018-05-10 | 2019-03-29 | 国网江西省电力有限公司信息通信分公司 | 一种基于知识图谱推理的电力通信大数据错误的自动监测方法 |
CN108932480A (zh) * | 2018-06-08 | 2018-12-04 | 电子科技大学 | 基于1d-cnn的分布式光纤传感信号特征学习与分类方法 |
CN109102017A (zh) * | 2018-08-09 | 2018-12-28 | 百度在线网络技术(北京)有限公司 | 神经网络模型处理方法、装置、设备及可读存储介质 |
CN109657693A (zh) * | 2018-10-22 | 2019-04-19 | 中国科学院软件研究所 | 一种基于相关熵和迁移学习的分类方法 |
CN110135295A (zh) * | 2019-04-29 | 2019-08-16 | 华南理工大学 | 一种基于迁移学习的无监督行人重识别方法 |
CN110658818A (zh) * | 2019-09-29 | 2020-01-07 | 浙江大学 | 面向新型供电列车的多目标优化智能运行控制预测方法 |
CN111160951A (zh) * | 2019-12-10 | 2020-05-15 | 北京三快在线科技有限公司 | 激励结果的预测方法、装置、电子设备及可读存储介质 |
CN111400428A (zh) * | 2020-02-17 | 2020-07-10 | 浙江创课网络科技有限公司 | 一种知识图谱体系搭建方法 |
CN111597356A (zh) * | 2020-05-27 | 2020-08-28 | 上海乂学教育科技有限公司 | 智能化教育知识图谱构建系统与方法 |
Non-Patent Citations (1)
Title |
---|
展华伟等: "卷积神经网络的参数优化和函数选择", 《太原师范学院学报(自然科学版)》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112183728B (zh) | 2021-07-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112686464A (zh) | 短期风电功率预测方法及装置 | |
CN111046581A (zh) | 一种输电线路故障类型识别方法及系统 | |
CN110942194A (zh) | 一种基于tcn的风电预测误差区间评估方法 | |
CN108090629B (zh) | 基于非线性自回归神经网络的负荷预测方法与系统 | |
CN104978630A (zh) | 一种智能测试方法和装置 | |
US20210125200A1 (en) | Method and system for predicting medium-long term water demand of water supply network | |
CN112801143B (zh) | 基于K-Means和高斯过程回归的转向路感模拟方法 | |
CN108108814A (zh) | 一种深度神经网络的训练方法 | |
CN112381673A (zh) | 一种基于数字孪生的园区用电信息分析方法及装置 | |
CN113983646A (zh) | 基于生成对抗网络的空调互动末端能耗预测方法及空调 | |
CN116227554A (zh) | 一种气象数据的模拟数据修正方法及装置、电子设备 | |
CN112183728B (zh) | 基于深度学习的学习策略生成方法和系统 | |
CN113673788A (zh) | 基于分解误差修正和深度学习的光伏发电功率预测方法 | |
US10628541B2 (en) | Method and apparatus for selecting integrated circuit device neural network modeling sample | |
CN112862063A (zh) | 一种基于深度信念网络的复杂管网泄漏定位方法 | |
CN110969010A (zh) | 一种基于关系指导及双通道交互机制的问题生成方法 | |
CN116739147A (zh) | 基于bim的智能能耗管理与动态碳排放计算联合方法及系统 | |
CN116292057A (zh) | 一种可变速抽水蓄能机组的控制方法、装置、设备及介质 | |
WO2022134579A1 (zh) | 业务交易数据的异常检测方法、装置及计算机设备 | |
CN112257215A (zh) | 一种产品寿命分布参数的极大似然估计求解方法及系统 | |
CN109191000A (zh) | 一种电网模型拼接边界生成方法及系统 | |
CN111291464A (zh) | 一种电力系统动态等值方法及装置 | |
CN117649528B (zh) | 一种半监督图像分割方法、系统、电子设备及存储介质 | |
CN116992222B (zh) | 一种风要素修正模型的迁移学习方法、装置、设备及介质 | |
CN113627553B (zh) | 一种用于电能表异常标签识别的图像识别方法及系统 |
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 | ||
PP01 | Preservation of patent right |
Effective date of registration: 20221020 Granted publication date: 20210720 |