信息技術的發(fā)展深刻影響社會的方方面面,具體在教育領域,信息技術從最初的輔助作用發(fā)展為使教育信息化智能化,進而引發(fā)教育模式的改變,智慧教育便由此建立起來。而通信技術以及互聯(lián)網(wǎng)的發(fā)展使得網(wǎng)絡視頻數(shù)量大大增加,也帶來了海量的課堂教學視頻,而現(xiàn)在對教學,教師的評價評優(yōu)工作也大量依托于教學視頻,大大減少了時間和空間成本。智慧教育的發(fā)展也帶來了新的教學模式,近年來對于諸如翻轉(zhuǎn)課堂的啟發(fā)式教育研究十分火熱,而就目前的教育形勢和中國國情來說傳統(tǒng)的講授模式還是課堂教育的主體。本文著眼于本科生教育,針對本科生的教育教學中的交互活動設計了 一套基于視頻數(shù)據(jù)的課堂教學交互活動信息追蹤方法,具有重要的研究意義和實用性。對于本科生教學,一般形式包含普通講授,研討課和實驗課。普通講授的交互活動主要為教師與學生的問答環(huán)節(jié),針對此環(huán)節(jié)設計了一種2DPCA+PCA+SVM的人臉識別方法進行交互主體的識別,為了提高識別的精度在其基礎上引入全局競爭和隨機吸引的概念泛化了和聲搜索算法在復雜的多極值非線性支持向量機模型中進行參數(shù)尋優(yōu)的能力。同時,對于普通講授方式的交互內(nèi)容進行語音識別,并通過語音信息進一步提高交互主體的識別效果。... 

【文章來源】：北京化工大學北京市 211工程院校 教育部直屬院校

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

圖２．１語音識別流程示意圖??Ｆｉｇｕｒｅ?２．１?ｓｃｈｅｍａｔｉｃ?ｄｉａｇｒａｍ?ｏｆ?ｃｌａｓｓｉｃａｌ?ｓｐｅｅｃｈ?ｒｅｃｏｇｎｉｔｉｏｎ?ｐｒｏｃｅｓｓ??

第二章理論基礎??損失添加一正則化項來實現(xiàn)結(jié)構風險表示，通過正則化項的約束防止過學習的發(fā)??生。??假設樣本數(shù)為ｎ，最小結(jié)構風險關系模型如下圖所示。??〃欠擬合｜?｜過擬合??＼?ｉ?？—風險邊界—？?ｉ?／??＼＼?丨?置信風險??經(jīng)驗風險???１?１?１?？??ｈｉ?ｈｋ?ｈｎ?ＶＣ?維??圖２．２最小結(jié)構風險關系模型??Ｆｉｇｕｒｅ．２．２?Ｍｉｎｉｍｕｍ?ｓｔｒｕｃｔｕｒａｌ?ｒｉｓｋ?ｒｅｌａｔｉｏｎｓｈｉｐ?ｍｏｄｅｌ??一般在機器學習過程中通過平衡經(jīng)驗風險與置信風險來調(diào)整模型，減少過擬??合與欠擬合的可能，同時將該思想應用于支持向量機，通過最大化分類邊界獲得??最小的ＶＣ維，從而降低學習系統(tǒng)的復雜性，進而實現(xiàn)結(jié)構風險最小化。??支持向量機（ｓｕｐｐｏｒｔｖｅｃｔｏｒｍａｃｈｉｎｅｓ，ＳＶＭ）是一種二分類模型，它的基本??模型是定義在特征空間上不同于感知機的間隔最大線性分類器；ＳＶＭ通過核函??數(shù)的使用使之處理非線性問題。ＳＶＭ的學習策略就是間隔最大化，其等價于一??個求解凸二次規(guī)劃的問題�；舅枷胧峭ㄟ^對學習樣本進行非線性映射，將樣本??映射到高維空間中，然后在高維空間中求取幾何間隔最大的分離超平面，并利用??核函數(shù)實現(xiàn)內(nèi)積運算，這樣就使得在維數(shù)增加的情況下，計算復雜度卻沒有增加。??假設有訓練樣本｛ｘｙｙｊ．ｙｆｔｌ，／＝１，?２，３，．．．，ｙ？，Ｘ，為向量機輸入，ｎ為??樣本數(shù)，ｙ，．輸出的１和－１代表正常和異常。ＳＶＭ的目標就是尋求一個最優(yōu)分類??超平面使》＾?＋?６?＝?０，則滿足??７；．（?ｗｘ．?＋?Ｚ？）?－?１?＞?０???（２－１７）??的訓練樣本成為支持

第二章理論基礎??而當下最為流行的模型，無疑就是長短期記憶神經(jīng)網(wǎng)絡（ＬＳＴＭ）與卷積神??經(jīng)網(wǎng)絡（ＣＮＮ）?了。聲音從本質(zhì)上講可以看成一組連續(xù)的信號，而ＬＳＴＭ本身??能夠很好地處理這類時序問題。ＬＳＴＭ的突出貢獻就是解決了循環(huán)神經(jīng)網(wǎng)絡??（ＲＮＮ）的長期依賴問題。其主要結(jié)構如下：??？?？?？??Ｔ?ｔ?ｔ???？—－ｊ—??Ａ?．Ｕｉｆｉｌ?Ａ?＋??ｈ??Ｊ『??＠?（ｘ＾）??圖２．３長短期記憶神經(jīng)網(wǎng)絡模型??Ｆｉｇｕｒｅ．２．３?ｌｏｎｇ?ａｎｄ?ｓｈｏｒｔ?ｔｅｒｍ?ｍｅｍｏｒｙ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋ?ｍｏｄｅｌ??其通過細胞狀態(tài)保證在鏈式結(jié)構下信息傳輸?shù)臅惩ǎㄟ^遺忘門，輸入門和輸出??門決定信息的丟棄與添加。這樣的結(jié)構使其成為時序問題中的經(jīng)典模型。??一般來說卷積神經(jīng)網(wǎng)絡被廣泛應用于計算機視覺，但時下很多主流的語音識??別系統(tǒng)都使用其進行聲學建模，例如科大訊飛的語音識別框架。卷積神經(jīng)網(wǎng)絡可??以提供在時間和空間上的平移不變性卷積，在聲學建模中可以利用卷積的不變性??來克服語音信號本身的多樣性，從這個角度來看，則可以認為是將整個語音信號??分析得到的時頻譜當作一張圖像一樣來處理。并且與ＬＳＴＭ相比ＣＮＮ更容易實??現(xiàn)大規(guī)模并行化運算，所以近年來卷積神經(jīng)網(wǎng)絡成為聲學建模的新寵。??傳統(tǒng)的語音識別使用語音模型，詞典，語言模型進行實現(xiàn)，它們對于整個語??音識別系統(tǒng)都是分開優(yōu)化的，因此這兩個模型優(yōu)化的損失函數(shù)不是相同的，但是??語音識別本質(zhì)上是一個序列識別問題，如果模型中的所有組件都能夠聯(lián)合優(yōu)化，??很可能會獲取更好的識別準確度，由此研究者們提出了端到端的語音識別。對于??端到端的

【參考文獻】：
期刊論文
[1]用于課堂教學評估的教師肢體動作檢測[J]. 閆曉煒,張朝暉,趙小燕,賈鸝宇.  中國教育信息化. 2019(16)
[2]課堂環(huán)境雙模態(tài)情感評價系統(tǒng)設計與效果分析[J]. 郭雯雯,楊鳳梅.  教學研究. 2019(03)
[3]智慧教育:價值引導與實踐操作的融合[J]. 劉偉.  電化教育研究. 2017(06)
[4]增強現(xiàn)實（AR）技術的教育應用綜述[J]. 蔡蘇,王沛文,楊陽,劉恩睿.  遠程教育雜志. 2016(05)
[5]基于PCA及機器學習的人臉識別應用研究[J]. 沈萍.  計算機教育. 2016(06)
[6]全局競爭和聲搜索算法[J]. 夏紅剛,歐陽海濱,高立群,孔祥勇.  控制與決策. 2016(02)
[7]智慧教育的三重境界:從環(huán)境、模式到體制[J]. 黃榮懷.  現(xiàn)代遠程教育研究. 2014(06)
[8]國際智慧教育發(fā)展戰(zhàn)略及其對我國的啟示[J]. 陳耀華,楊現(xiàn)民.  現(xiàn)代教育技術. 2014(10)
[9]國內(nèi)語音識別研究綜述[J]. 于俊婷,劉伍穎,易綿竹,李雪,李娜.  計算機光盤軟件與應用. 2014(10)
[10]智慧教育:教育信息化的新境界[J]. 祝智庭,賀斌.  電化教育研究. 2012(12)

碩士論文
[1]教育學視域下的智慧教育研究[D]. 劉偉.華中師范大學 2018



本文編號：3359462