专利交易市场

本发明提供了一种协助学生进行问题定位学习的方法及系统，其方法包括步骤：拍摄获取定位书写笔在书本上所指定的区域的提问区域图像；定位书写笔为设有标记的书写笔；对提问区域图像进行识别，识别出书本上所指定的区域；解析根据书本上所指定的区域，得到书本上所指定的区域对应的问题内容，根据问题内容获取对应的问题答案；向学生告知问题答案。本发明实现不仅脱离了手机，平板电脑等电子设备，避免出现学生以学习为由借机玩手机或平板电脑，耽误学习的现象；还更符合学生的学习场景。另外，即使学生口述不清楚问题，也可以帮助学生解决作业问题。最后，还无需学生在学习过程中频繁切换书写笔和学习机专用笔，提升学生的学习效率和使用体验。

本发明公开了一种基于AI辅助的EEG专注度增强与自适应学习系统及其脑电头带设计，包括EEG信号采集模块、信号预处理模块、特征提取模块、专注度评估模块、自适应阈值划分模块、教学策略生成模块、个性化任务生成模块、自适应学习系统模块、效果评估模块、系统优化模块，本发明涉及专注度评估与学习技术领域。该基于AI辅助的EEG专注度增强与自适应学习系统及其脑电头带设计，通过分析脑电图信号，实现对用户专注度的实时评估和增强，系统采用创新的梯度提升树算法和自适应阈值方法，精确评估用户的专注度水平，并据此提供个性化的学习策略和专注力训练。配套的脑电头带采用模块化设计，实现高效可靠的脑信号采集和即时反馈。

本发明提供一种特征权重自适应学习的脑电情绪识别方法。本发明步骤如下：1、多个被试者分别在不同的情绪类别任务下进行脑电数据采集。2、对步骤1所得的所有脑电数据进行预处理和特征提取。3、建立机器学习模型以实现特征权重自适应学习的脑电情绪识别。4、求得特征权重因子Θ、特征权重W和偏差b。5、对新的被试者脑电的数据进行情绪类别预测。本发明优化GFIL模型后，获得的特征权重因子为我们提供了执行特征排名和选择的有效工具，然后可以删除多余且次要的特征。本发明将得到的特征权重因子与人情绪识别相关联可以得出情绪识别中频段和导联重要性的判断。

本发明公开了一种基于知识模型的自适应学习方法、系统及存储介质，所述方法包括：采集初始学习数据并存储至学习资源数据库后，进行本体术语提取和标注，通过本体编辑器构建知识模型；根据学习者在学习系统中的前测结果，初始化学习者的知识空间；实时更新录入学习者的学习过程状态数据，通过DKT算法对学习过程状态数据进行多知识点的DKT模型建模，反馈学习者各知识点的掌握状态，动态更新学习者的知识空间；自适应引擎根据学习者的知识空间与知识模型进行比对，匹配学习者对应的学习路径，推送学习路径链接至学习者。本发明通过基于知识模型的深度学习跟踪DKT，有效进行多知识点建模，精准掌握和更新学习者最新的知识状态，匹配对应的学习路径。

本发明涉及一种预测自适应学习的目标跟踪方法,属于图像处理领域。该方法具体包括:S1:输入第t帧图像,利用运动向量预测目标位置;S2:通过LogGabor滤波器获得相位一致性图像;S3:采集正、负样本,利用随机稀疏矩阵的提取特征,并计算正负样本的压缩特征;S4:选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标;S5:计算目标窗口相似度来自适应地更新分类器;S6:输出第t帧的目标位置及更新后的模型参数。本发明在跟踪成功率上有显著提升,平均中心误差明显降低,提高了原算法在光照变化、遮挡等情况下的跟踪精度,有着良好的跟踪性能。

本发明涉及基于CNN和域自适应学习的车型识别方法，通过在Alexnet网络中添加旋转不变层、区分判别层和设计新的目标函数，建立基于CNN网络初始模型；利用建立的初始模型分别提取不同领域样本卷积层的特征图，计算样本特征图之间的余弦相似度，确定CNN网络的共享卷积核或非共享卷积核，保留共享卷积核的权重和偏置，更新非共享卷积核的权重和偏置；基于目标领域训练样本，计算每层特征图之间的余弦相似度和整个目标领域平均相似度，根据平均相似度聚类每类相似特征图；将与目标领域中样本有相似分布特性的源领域样本拓展为目标领域的新样本，用目标领域的新样本来微调整个CNN网络模型，再通过softmax分类器对目标领域中的测试样本进行车型分类。