CN116433432B - 一种大数据的智慧校园管理系统 - Google Patents
一种大数据的智慧校园管理系统 Download PDFInfo
- Publication number
- CN116433432B CN116433432B CN202310414561.5A CN202310414561A CN116433432B CN 116433432 B CN116433432 B CN 116433432B CN 202310414561 A CN202310414561 A CN 202310414561A CN 116433432 B CN116433432 B CN 116433432B
- Authority
- CN
- China
- Prior art keywords
- data
- feature
- student
- class
- parent
- 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
Links
- 238000012549 training Methods 0.000 claims abstract description 46
- 230000003993 interaction Effects 0.000 claims abstract description 28
- 230000008921 facial expression Effects 0.000 claims abstract description 14
- 238000004088 simulation Methods 0.000 claims description 41
- 238000011156 evaluation Methods 0.000 claims description 34
- 230000001815 facial effect Effects 0.000 claims description 22
- 238000000034 method Methods 0.000 claims description 6
- 238000007405 data analysis Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 2
- 238000004891 communication Methods 0.000 abstract description 17
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000005530 etching Methods 0.000 abstract description 3
- 230000014509 gene expression Effects 0.000 abstract description 3
- 206010047571 Visual impairment Diseases 0.000 abstract 1
- 208000029257 vision disease Diseases 0.000 abstract 1
- 230000004393 visual impairment Effects 0.000 abstract 1
- 230000000007 visual effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 238000007792 addition Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
- G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Tourism & Hospitality (AREA)
- Human Computer Interaction (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Economics (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Human Resources & Organizations (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
本发明公开了一种大数据的智慧校园管理系统,涉及数据传输技术领域,设置客户终端对佩戴VR头盔学生家长面部各类特征进行采集,协同分配单元生成当前时刻学生家长的预训练特征类数据和预上传特征类数据,模型自优化单元对其进行优化,显像模块对学生家长当前面部表情进行复刻显像,加快了学生家长当前面部表情复刻的速度使家长和学生之间的沟通不再局限于单纯的文字、声音还有丰富的表情因数;交互单元对当前时刻学生家长的预上传特征类数据进行筛选上传,一方面避免了过多无用的数据降低了特征训练模型训练的速度和质量,另一方面避免了实时传输所有数据对网络资源的过度占用导致的老师和家长沟通的视觉障碍。
Description
技术领域
本发明涉及数据传输技术领域,具体涉及一种大数据的智慧校园管理系统。
背景技术
智慧校园是对数字校园的进一步扩展与提升,是综合运用云计算、物联网、移动互联、大数据、社交网络、人工智能等新兴信息技术,构建智能感知环境和新型的教育教学空间,智能识别师生群体的学习、工作情景和个体的特征,充分释放先进技术的优势和人类的智慧,为师生提供以人为本、智能开放的个性化创新服务,促进教学、教研、教育管理和生活服务的流程再造与系统重构,实现信息技术与教育教学的深度融合,提高教育教学质量和教育管理决策水平,形成“可感知、可诊断、可分析、可自愈”的新型校园生态;
构建智慧校园的根本目的是为了培养学生,当下的智慧校园管理系统大多以提高教学质量为基准,着重在提高教学设备和教学环境,但是在培养学生的过程中,老师与学生、家长进行积极沟通也是十分必要的;
目前,老师与学生、家长的沟通方式上有如下几种:第一种,采用面对面交流的方式,老师和家长面对面进行交流,然而这样的方式需要家长的时间高度的自由,然而大部分的家长因为工作的需要没有太多自由的时间和老师进行良好的沟通,且可能会造成不必要的隐私泄露和安全风险;第二种,采用电话的交流方式,老师和家长在电话中进行沟通,然而这样的方式,使老师和学生家长的沟通只拘泥于声音,无法看到对方的表情因数,沟通效率不高;
而当前的智慧校园管理系统为了提高老师和家长之间的高效交流,采用虚拟现实技术使老师和学生家长的沟通不再拘泥于电话和面对面的方式,对学生家长的面部数据进行采集并进行显像,然而现有的为了提高老师和家长沟通的视觉效果,对学生家长的面部数据采用实时全部传输的方式,这样对网络传输资源占用较大,且网络波动将会造成最终家长虚拟化身面部的复刻结果情况,从而造成老师和家长沟通的视觉障碍;
为了解决上述问题,本发明提出了一种解决方案。
发明内容
本发明的目的在于提供一种大数据的智慧校园管理系统,目的是为了解决现有技术中为了提高老师和家长沟通的视觉效果,对学生家长的面部数据采用实时全部传输的方式,这样对网络传输资源占用较大,且网络波动将会造成最终家长虚拟化身面部的复刻结果情况,从而造成老师和家长沟通的视觉障碍的问题;
本发明的目的可以通过以下技术方案实现:
一种大数据的智慧校园管理系统,包括:
客户终端包括若干个客户模块,所述客户模块,对佩戴VR头盔学生家长面部所有类特征进行图像采集,所述客户模块包括模型自优化单元和若干个采集单元,一个所述采集单元对应采集学生家长面部一类特征的图像数据并依据其生成学生家长所属该类特征的特征类数据;
所述客户模块依据当前该学生家长面部所有类特征的特征类数据生成当前该学生家长的面部即时数据;
交互管理模块对学生家长面部即时数据进行交互管理,所述交互管理模块包括协同分配单元、存储单元和交互单元;
所述存储单元中存储有学生家长面部所属各类特征的对照特征类数据和目标结果数据;
所述协同分配单元按照一定的协同分配规则对当前学生家长的面部即时数据进行协同分配,具体如下:
S11:以学生家长面部的一类特征为例,获取当前该学生家长面部即时数据中所属该类特征的特征类数据,获取当前存储单元中存储的该学生家长面部所属该类特征的对照特征类数据;
S12:创建局部变量B,初始的局部变量B的值为0;
S13:利用相似度算法计算获取当前该学生家长面部即时数据中所属该类特征的特征类数据和当前存储单元中存储的所属该类特征的对照特征类数据的相似度,将其重新标定为当前该学生家长部即时数据中所属该类特征的分配评定指数,标记为A1;
S14:将A1和A进行大小比较,所述A为预设阈值;
S141:若A1<A,保持局部变量B的值不变,将局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据,所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据生成当前该学生家长所属该类特征的预训练特征类数据;
所述模型自优化单元依据当前存储的该类特征对应的特征训练模型对其进行训练获取基于当前该学生家长所属该类特征的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
所述模型自优化单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据生成更新指令并将其传输到存储单元,所述存储单元接收到协同分配单元传输的更新指令后依据更新指令中携带的当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据对存储单元中当前存储的该学生家长面部所属该类特征的对照特征类数据和其对应的目标结果数据进行替换更新;
S142:若A1≥A,修改局部变量B的值为1,将修改后的局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
获取当前该学生家长面部即时数据中所属该类特征的特征类数据基于当前存储单元中存储的所属该类特征对照特征类数据的增量数据并依据其和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据;
获取当前存储单元中存储的所属该类特征对照特征类数据对应的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
S15:按照S11到S14,计算获取当前该学生家长所属所有类特征的预上传特征类数据并将其进行聚合生成当前该学生家长面部的预上传数据,计算获取当前该学生家长所属所有类特征的预模拟特征类数据并将其进行聚合生成当前该学生家长面部的预拟化数据;
所述交互单元按照一定的筛选生成规则生成当前该学生家长面部特征类即时上传数据;
数据分析模块,周期性的对学生家长面部预上传数据进行分析生成学生家长面部类特征的多变频率表;
虚拟现实服务终端,虚拟现实服务终端,所述虚拟现实服务终端基于学生家长面部特征类即时上传数据对各类特征的特征训练模型进行优化。
进一步的,所述交互单元筛选生成当前该学生家长面部特征类即时上传数据的具体筛选生成规则如下:
S21:获取当前该学生家长面部类特征的多变频率表各类特征的多变频率评定值,并将其标记为M1、M2、...、Mm,m≥1;
S22:以多变频率评定值M1对应的学生家长面部一类特征为例,若M1>M,获取当前该学生家长面部预上传数据中该类特征对应的预上传特征类数据的数据容量大小N1,所述M为预设评定值阈值;
获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据中特征类平量的值,并将其标定为01;
S23:对O1进行非O判定,若O1的值为1,利用公式P1=M1×N1α1计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α1为预设值;
S24:若O1的值为0,利用公式P1=M1×N1α2计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α2为预设值;
S25:按照S22到S24计算获取当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm;
S26:以P1为例,将P1与P进行大小比较,若P1>P,将P1对应的预上传特征类数据标定为重要特征类数据,反之将P1对应的预上传特征类数据标定为一般特征类数据;
S27:按照S26依次将当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm和P进行大小比较,获取当前该学生家长面部预上传数据中所有重要特征类数据并对其进行聚合生成当前该学生家长面部特征类即时上传数据。
进一步的,所述模型自优化单元中存储有经过多次训练迭代后学生家长面部所属各类特征的特征训练模型。
进一步的,还包括显像模块,所述显像模块用于对家长的面部表情进行复刻显示在学生家长对应的虚拟化身面部,所述显像模块中预存储有预设两种性别的虚拟化身;
所述显像模块接收到协同分配单元传输的当前该学生家长所属所有类特征的预模拟特征类数据后基于学生家长的性别生成特定性别的虚拟化身,并依据当前该学生家长所属所有类特征的预模拟特征类数据对该学生家长当前面部表情进行复刻,显示在该学生家长对应的虚拟化身的面部。
进一步的,一个所述客户模块对应采集一个佩戴VR头盔学生家长的面部数据。
进一步的,所述虚拟现实服务终端包括若干个虚拟现实服务模块,一个所述虚拟现实模块对应学生家长面部一类特征的特征训练模型。
本发明的有益效果:
(1)本发明通过设置客户终端对所有佩戴VR头盔学生家长面部各类特征进行图像数据采集,协同分配单元基于当前学生家长各类特征的图像数据与上一时刻的图像进行比较生成当前时刻该学生家长的预训练特征类数据和预上传特征类数据,模型自优化单元基于当前时刻该学生家长的预训练特征类数据声场当前该学生家长所属所有类特征的预模拟特征类数据,显像模块依据当前该学生家长所属所有类特征的预模拟特征类数据对该学生家长当前面部表情进行复刻,显示在该学生家长对应的虚拟化身的面部,一方面避免了对不必要的面部特征类数据进行加载占用设备的运行资源,另一方面,加快了对学生家长当前面部表情复刻的速度,使家长和学生之间的沟通不再局限于单纯的文字、声音还有丰富的表情因数;
(2)本发明通过设置交互单元对当前时刻该学生家长的预上传特征类数据进行筛选获取重要特征类数据并对其进行上传,一方面避免了过多无用的数据降低了特征训练模型训练的速度和质量,另一方面避免了实时传输所有数据对网络资源的过度占用,造成老师和家长沟通的视觉障碍,保障了老师和家长之间的高效沟通。
附图说明
下面结合附图对本发明作进一步的说明。
图1是本发明的系统框图。
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它实施例,都属于本发明保护的范围。
如图1所示,一种大数据的智慧校园管理系统,包括客户终端、交互管理模块、虚拟现实服务终端和数据分析模块;
所述客户终端包括若干个客户模块,所述客户模块用于对佩戴VR头盔学生家长的面部进行图像采集,一个所述客户模块对应采集一个佩戴有VR头盔学生家长的面部数据;
所述客户模块包括模型自优化单元和若干个采集单元,一个所述采集单元对学生家长面部的一类特征进行图像数据采集并依据其生成该学生家长所属该类特征的特征类数据,在本实施例中,所述学生家长面部的特征分类是以面部器官为分类依据;
所述客户模块依据当前时刻学生家长所有类特征的特征类数据生成当前该学生家长的面部即时数据并将其传输到交互管理模块;
所述交互管理模块用于对学生家长的面部即时数据进行交互管理,所述交互管理模块包括协同分配单元、存储单元和交互单元;
所述交互管理模块接收到客户模块传输的当前该学生家长面部即时数据后将其分别传输到存储单元和协同分配单元;
所述存储单元接收到交互管理模块传输的当前该学生家长面部即时数据后对其进行永久存储;
所述协同分配单元接收到交互管理模块传输的当前该学生家长的面部即时数据后按照一定的协同分配规则对其进行协同分配,具体如下:
S11:以学生家长面部的一类特征为例,获取当前该学生家长面部即时数据中所属该类特征的特征类数据,获取当前存储单元中存储的该学生家长面部所属该类特征的对照特征类数据;
S12:创建局部变量B,初始的局部变量B的值为0;
S13:利用相似度算法计算获取当前该学生家长面部即时数据中所属该类特征的特征类数据和当前存储单元中存储的所属该类特征的对照特征类数据的相似度,将其重新标定为当前该学生家长部即时数据中所属该类特征的分配评定指数,标记为A1;
S14:将A1和A进行大小比较,所述A为预设阈值;
S141:若A1<A,保持局部变量B的值不变,将局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据;
所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据生成当前该学生家长所属该类特征的预训练特征类数据并将其传输到模型自优化单元;
所述模型自优化单元中存储有经过多次训练迭代后学生家长面部所属各类特征的特征训练模型,所述模型自优化单元接收到协同分配单元传输的当前该学生家长所属该类特征的预训练特征类数据后依据当前存储的该类特征对应的特征训练模型对其进行训练获取基于当前该学生家长所属该类特征的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
所述模型自优化单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据生成更新指令并将其传输到存储单元,所述存储单元接收到协同分配单元传输的更新指令后依据更新指令中携带的当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据对存储单元中当前存储的该学生家长面部所属该类特征的对照特征类数据和其对应的目标结果数据进行替换更新;
所述模型自优化单元依据一定时段内接收到的学生家长所属所有类特征的预训练特征类数据对其内存储的各类特征对应的特征训练模型进行训练优化;
S142:若A1≥A,修改局部变量B的值为1,将修改后的局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
获取当前该学生家长面部即时数据中所属该类特征的特征类数据基于当前存储单元中存储的所述该类特征对照特征类数据的增量数据并依据其和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据;
获取当前存储单元中存储的所属该类特征对照特征类数据对应的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
S15:按照S11到S14,计算获取当前该学生家长所属所有类特征的预上传特征类数据并将其进行聚合生成当前该学生家长面部的预上传数据,计算获取当前该学生家长所属所有类特征的预模拟特征类数据并将其进行聚合生成当前该学生家长面部的预拟化数据;
所述协同分配单元将当前该学生家长所属所有类特征的预模拟特征类数据传输到显像模块,所述显像模块用于对家长的面部表情进行复刻显示在学生家长对应的虚拟化身面部,所述显像模块接收到协同分配单元传输的当前该学生家长所属所有类特征的预模拟特征类数据后基于学生家长的性别生成特定性别的虚拟化身,在本实施例中,所述显像模块中存储有预设两种性别的虚拟化身,并依据当前该学生家长所属所有类特征的预模拟特征类数据对该学生家长当前面部表情进行复刻,显示在该学生家长对应的虚拟化身的面部;
所述协同分配单元将当前该学生家长面部的预上传数据传输到交互单元,所述交互单元接收到协同分配单元传输的当前该学生家长面部预上传数据后生成频率获取指令并将其传输到存储单元,所述存储单元接收到交互单元传输的频率获取指令后获取其内当前存储该学生家长面部类特征的多变频率表并将其传输到交互单元;
所述交互单元接收到存储单元传输的该学生家长面部各类特征的多变频率表后按照一定交互上传规则对当前该学生家长面部预上传数据进行上传,具体如下:
S21:获取当前该学生家长面部类特征的多变频率表各类特征的多变频率评定值,并将其标记为M1、M2、...、Mm,m≥1;
S22:以多变频率评定值M1对应的学生家长面部一类特征为例,若M1>M,获取当前该学生家长面部预上传数据中该类特征对应的预上传特征类数据的数据容量大小N1,所述M为预设评定值阈值;
获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据中特征类平量的值,并将其标定为O1;
S23:对O1进行非O判定,若O1的值为1,利用公式P1=M1×N1α1计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α1为预设值;
S24:若O1的值为0,利用公式P1=M1×N1α2计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α2为预设值;
S25:按照S22到S24计算获取当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm;
S26:以P1为例,将P1与P进行大小比较,若P1>P,将P1对应的预上传特征类数据标定为重要特征类数据,反之将P1对应的预上传特征类数据标定为一般特征类数据;
S27:按照S26依次将当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm和P进行大小比较,获取当前该学生家长面部预上传数据中所有重要特征类数据并对其进行聚合生成当前该学生家长面部特征类即时上传数据;
所述交互单元将当前该学生家长面部特征类即时上传数据传输到虚拟现实服务终端,所述虚拟现实服务终端用于对初始的各类特征对应的特征训练模型进行优化,所述虚拟现实服务终端包括若干个虚拟现实服务模块,一个所述虚拟现实模块内对应存储有学生家长面部一类特征的特征训练模型,所述虚拟现实服务模块包括优化单元和训练集存储单元;
所述虚拟现实服务终端接收到交互单元传输的当前该学生家长面部特征类即时上传数据后依据其内存储的若个类特征对应的重要特征类数据将其分别传输到对应的虚拟现实服务模块,所述虚拟现实服务模块接收到虚拟现实服务终端传输到重要特征类数据后将其传输到训练集存储单元;
所述训练集存储单元接收到虚拟现实服务模块传输的重要特征类数据后将其添加入当前还未进行模型训练的训练集中存储;
所述训练集存储单元中存储有用于进行模型训练的所有训练集;
所述训练集存储单元检测到当前还未进行模型训练的训练集中重要特征类数据到达预设训练数量后依据该训练集对特征训练模型进行优化训练并创建新的训练集用以存储新的重要特征类数据;
所述数据分析模块用于周期性的对学生家长面部预上传数据进行分析,具体的分析步骤如下:
S31:选定一佩戴VR头盔时长超过z的学生家长为待拟化学生家长,选定待拟化学生家长面部一类特征为待拟化特征,所述z为预设时间阈值;
S32:进行拟化段划分,将一个拟化周期划分为h个等时长的拟化段,将一个拟化周期的h个拟化段标记为H1、H2、...、Hh,h≥1;
S33:以一个拟化段为例,获取一个拟化周期一个拟化段内所属待拟化特征的预模拟特征类数据中特征类平量的值为1的特征类平量占所有特征类平量的权重,将其重新标定为待拟化特征的特征多变占比I1;
S34:获取i个拟化周期一个拟化段内待拟化特征的特征多变占比I1、I2、...、Ii.i≥1;在本实施例中,所述i个拟化周期是从当前拟化周期开始向过去回溯i个拟化周期;所述一个拟化周期为24小时,一个拟化段为60分钟;
利用公式1≤j≤i计算获取i个拟化周期一个拟化段内所属待拟化特征的特征多变占比的离散值J,将J和J1进行大小比较,若J≥J1,按照|Ij-I|从大到小的顺序依次删除对应的Ij,并计算剩余Ij的离散值J,并再次将J和J1进行大小比较,直至J<J1,所述J1为预设离散值阈值,所述I为i个拟化周期一个拟化段内参与离散值计算的所属待拟化特征特征多变占比的平均值,将其重新标定为待拟化特征的特征多变率,标记为K1;
S35:按照S32到S34计算获取i个拟化周期h个拟化段内待拟化特征的特征多变率并利用加和求平均公式计算获取其均值,将其重新标定为待拟化特征的多变频率评定值,标记为L1;
S36:依次选定待拟化学生家长面部所有类特征为待拟化特征,按照S31到S35,依次获取各类特征的多变频率评定值L1、L2、...、Ll;
所述数据分析模块依据该学生家长的所有类特征的多变频率评定值L1、L2、...、Ll生成当前该学生家长面部类特征的多变频率表并就将其传输到存储单元中进行存储;
在说明书的描述中,参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上内容仅仅是对本发明所作的举例和说明,所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,只要不偏离发明或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
以上对本发明的一个实施例进行了详细说明,但所述内容仅为本发明的较佳实施例,不能被认为用于限定本发明的实施范围。凡依本发明申请范围所作的均等变化与改进等,均应仍归属于本发明的专利涵盖范围之内。
Claims (6)
1.一种大数据的智慧校园管理系统,其特征在于,包括:
客户终端包括若干个客户模块,所述客户模块,对佩戴VR头盔学生家长面部所有类特征进行图像采集,所述客户模块包括模型自优化单元和若干个采集单元,一个所述采集单元对应采集学生家长面部一类特征的图像数据并依据其生成学生家长所属该类特征的特征类数据;
所述客户模块依据当前该学生家长面部所有类特征的特征类数据生成当前该学生家长的面部即时数据;
交互管理模块对学生家长面部即时数据进行交互管理,所述交互管理模块包括协同分配单元、存储单元和交互单元;
所述存储单元中存储有学生家长面部所属各类特征的对照特征类数据和目标结果数据;
所述协同分配单元按照一定的协同分配规则对当前学生家长的面部即时数据进行协同分配,具体如下:
S11:以学生家长面部的一类特征为例,获取当前该学生家长面部即时数据中所属该类特征的特征类数据,获取当前存储单元中存储的该学生家长面部所属该类特征的对照特征类数据;
S12:创建局部变量B,初始的局部变量B的值为0;
S13:利用相似度算法计算获取当前该学生家长面部即时数据中所属该类特征的特征类数据和当前存储单元中存储的所属该类特征的对照特征类数据的相似度,将其重新标定为当前该学生家长部即时数据中所属该类特征的分配评定指数,标记为A1;
S14:将A1和A进行大小比较,所述A为预设阈值;
S141:若A1<A,保持局部变量B的值不变,将局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据,所述协同分配单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据生成当前该学生家长所属该类特征的预训练特征类数据;
所述模型自优化单元依据当前存储的该类特征对应的特征训练模型对其进行训练获取基于当前该学生家长所属该类特征的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
所述模型自优化单元依据当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据生成更新指令并将其传输到存储单元,所述存储单元接收到协同分配单元传输的更新指令后依据更新指令中携带的当前该学生家长面部即时数据中所属该类特征的特征类数据和其对应的目标结果数据对存储单元中当前存储的该学生家长面部所属该类特征的对照特征类数据和其对应的目标结果数据进行替换更新;
S142:若A1≥A,修改局部变量B的值为1,将修改后的局部变量B重新标定为所属该类特征的特征类平量,标记为C1;
获取当前该学生家长面部即时数据中所属该类特征的特征类数据基于当前存储单元中存储的所属该类特征对照特征类数据的增量数据并依据其和所属该类特征的特征类平量C1生成当前该学生家长所属该类特征的预上传特征类数据;
获取当前存储单元中存储的所属该类特征对照特征类数据对应的目标结果数据并依据其生成当前该学生家长所属该类特征的预模拟特征类数据;
S15:按照S11到S14,计算获取当前该学生家长所属所有类特征的预上传特征类数据并将其进行聚合生成当前该学生家长面部的预上传数据,计算获取当前该学生家长所属所有类特征的预模拟特征类数据并将其进行聚合生成当前该学生家长面部的预拟化数据;
所述交互单元按照一定的筛选生成规则生成当前该学生家长面部特征类即时上传数据;
数据分析模块,周期性的对学生家长面部预上传数据进行分析生成学生家长面部类特征的多变频率表;
虚拟现实服务终端,所述虚拟现实服务终端基于学生家长面部特征类即时上传数据对各类特征的特征训练模型进行优化。
2.根据权利要求1所述的一种大数据的智慧校园管理系统,其特征在于,所述交互单元筛选生成当前该学生家长面部特征类即时上传数据的具体筛选生成规则如下:
S21:获取当前该学生家长面部类特征的多变频率表各类特征的多变频率评定值,并将其标记为M1、M2、...、Mm,m≥1;
S22:以多变频率评定值M1对应的学生家长面部一类特征为例,若M1>M,获取当前该学生家长面部预上传数据中该类特征对应的预上传特征类数据的数据容量大小N1,所述M为预设评定值阈值;
获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据中特征类平量的值,并将其标定为O1;
S23:对O1进行非O判定,若O1的值为1,利用公式P1=M1×N1α1计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α1为预设值;
S24:若O1的值为0,利用公式P1=M1×N1α2计算获取当前该学生家长面部预上传数据中该类特征对应预上传特征类数据的即时评估值,所述α2为预设值;
S25:按照S22到S24计算获取当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm;
S26:以P1为例,将P1与P进行大小比较,若P1>P,将P1对应的预上传特征类数据标定为重要特征类数据,反之将P1对应的预上传特征类数据标定为一般特征类数据;
S27:按照S26依次将当前该学生家长面部预上传数据中各类特征对应预上传特征类数据的即时评估值P1、P2、...、Pm和P进行大小比较,获取当前该学生家长面部预上传数据中所有重要特征类数据并对其进行聚合生成当前该学生家长面部特征类即时上传数据。
3.根据权利要求1所述的一种大数据的智慧校园管理系统,其特征在于,所述模型自优化单元中存储有经过多次训练迭代后学生家长面部所属各类特征的特征训练模型。
4.根据权利要求1所述的一种大数据的智慧校园管理系统,其特征在于,还包括显像模块,所述显像模块用于对家长的面部表情进行复刻显示在学生家长对应的虚拟化身面部,所述显像模块中预存储有预设两种性别的虚拟化身;
所述显像模块接收到协同分配单元传输的当前该学生家长所属所有类特征的预模拟特征类数据后基于学生家长的性别生成特定性别的虚拟化身,并依据当前该学生家长所属所有类特征的预模拟特征类数据对该学生家长当前面部表情进行复刻,显示在该学生家长对应的虚拟化身的面部。
5.根据权利要求1所述的一种大数据的智慧校园管理系统,其特征在于,一个所述客户模块对应采集一个佩戴VR头盔学生家长的面部数据。
6.根据权利要求1所述的一种大数据的智慧校园管理系统,其特征在于,所述虚拟现实服务终端包括若干个虚拟现实服务模块,一个所述虚拟现实服务模块对应学生家长面部一类特征的特征训练模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414561.5A CN116433432B (zh) | 2023-04-18 | 2023-04-18 | 一种大数据的智慧校园管理系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310414561.5A CN116433432B (zh) | 2023-04-18 | 2023-04-18 | 一种大数据的智慧校园管理系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116433432A CN116433432A (zh) | 2023-07-14 |
CN116433432B true CN116433432B (zh) | 2023-11-21 |
Family
ID=87085120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310414561.5A Active CN116433432B (zh) | 2023-04-18 | 2023-04-18 | 一种大数据的智慧校园管理系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116433432B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657718B1 (en) * | 2016-10-31 | 2020-05-19 | Wells Fargo Bank, N.A. | Facial expression tracking during augmented and virtual reality sessions |
CN113593351A (zh) * | 2021-09-27 | 2021-11-02 | 华中师范大学 | 一种立体综合教学场系统及其工作方法 |
CN114049239A (zh) * | 2021-10-27 | 2022-02-15 | 衢州职业技术学院 | 一种结合vr立体技术提高学生学习动力的系统 |
US11410570B1 (en) * | 2021-09-27 | 2022-08-09 | Central China Normal University | Comprehensive three-dimensional teaching field system and method for operating same |
KR20220126660A (ko) * | 2021-03-09 | 2022-09-16 | 주식회사글래드파크 | Ar 안면인식을 활용한 메타버스 화상 교육 플랫폼 제공 방법 및 네트워크 시스템 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CA3037047A1 (en) * | 2016-09-28 | 2018-04-05 | Magic Leap, Inc. | Face model capture by a wearable device |
CN112562433B (zh) * | 2020-12-30 | 2021-09-07 | 华中师范大学 | 一种基于全息终端的5g强互动远程专递教学系统的工作方法 |
-
2023
- 2023-04-18 CN CN202310414561.5A patent/CN116433432B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10657718B1 (en) * | 2016-10-31 | 2020-05-19 | Wells Fargo Bank, N.A. | Facial expression tracking during augmented and virtual reality sessions |
KR20220126660A (ko) * | 2021-03-09 | 2022-09-16 | 주식회사글래드파크 | Ar 안면인식을 활용한 메타버스 화상 교육 플랫폼 제공 방법 및 네트워크 시스템 |
CN113593351A (zh) * | 2021-09-27 | 2021-11-02 | 华中师范大学 | 一种立体综合教学场系统及其工作方法 |
US11410570B1 (en) * | 2021-09-27 | 2022-08-09 | Central China Normal University | Comprehensive three-dimensional teaching field system and method for operating same |
CN114049239A (zh) * | 2021-10-27 | 2022-02-15 | 衢州职业技术学院 | 一种结合vr立体技术提高学生学习动力的系统 |
Non-Patent Citations (1)
Title |
---|
5G智慧校园应用;赵晖 等;《江西通信科技》;第18-20页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116433432A (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110135386B (zh) | 一种基于深度学习的人体动作识别方法和系统 | |
CN114007228B (zh) | 基于异构图神经网络流量预测的基站智能控制方法 | |
CN104424507B (zh) | 一种回声状态网络的预测方法和预测装置 | |
CN104168155B (zh) | 应用流量生成方法及装置 | |
CN107133894B (zh) | 基于复杂网络理论的在线学习分组方法 | |
CN113033712A (zh) | 一种基于联邦学习的多用户协同训练人流统计方法及系统 | |
CN110267292A (zh) | 基于三维卷积神经网络的蜂窝网络流量预测方法 | |
CN110807230A (zh) | 一种自主学习优化物联网拓扑结构鲁棒性的方法 | |
Mei et al. | Fedvf: Personalized federated learning based on layer-wise parameter updates with variable frequency | |
CN116244512B (zh) | 一种基于图结构数据的军事体能训练智能推荐方法 | |
CN115064020A (zh) | 基于数字孪生技术的智慧教学方法、系统及存储介质 | |
CN110334285A (zh) | 一种基于结构平衡约束的符号网络社区发现方法 | |
CN108830461A (zh) | 教学分析方法、服务器及计算机可读存储介质 | |
CN116433432B (zh) | 一种大数据的智慧校园管理系统 | |
CN108876070A (zh) | 一种基于神经网络进行电力系统负荷预测的方法和装置 | |
Gou et al. | Clustered hierarchical distributed federated learning | |
Jónsdóttir | 7 Scaling Climate: The Politics of Anticipation | |
CN110782039B (zh) | 一种基于分层结构、多模块的人工智能即时作战引导平台 | |
CN112396105A (zh) | 一种基于贝叶斯网络的飞行训练科目智能生成方法 | |
CN116541593A (zh) | 一种基于超图神经网络的课程推荐方法 | |
CN109299805A (zh) | 一种基于人工智能的在线教育课程请求处理方法 | |
Boumaiza et al. | Innovation diffusion for renewable energy technologies | |
CN114595816A (zh) | 一种基于边缘计算的神经网络模型训练方法 | |
CN110035477B (zh) | 基于物联网的智能管理人才培训方法及系统 | |
Wang et al. | SaMob: A social attributes based mobility model for ad hoc networks |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20231027 Address after: 2501, 22nd Floor, Building 4, Yard 8, Dongqiao Road, Chaoyang District, Beijing, 100020 Applicant after: Beijing Biaoyang Crossing Technology Co.,Ltd. Address before: Room 510, No. 8 Chunting Street, Yongping Street, Baiyun District, Guangzhou City, Guangdong Province, 510000 Applicant before: Guangdong Rongyuebao Information Technology Co.,Ltd. |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |