智能速算系统及方法技术方案

本发明专利技术提供了智能速算系统及方法，其通过获取预设对象手写的需要进行速算的算式，并通过卷积神经网络算法模型对该算式进行图像识别，以确定该算式当前包含的所有数字和符号，再将识别得到的所有数字和符号与预设速算库进行特性比对，以此确定与该算式对应的速算式子，从而便于后续根据该速算式子进行适应性的速算教学；通过卷积神经网络算法模型对预设对象的手写算式进行图像识别，以此快速地和准确地识别该手写算式中的所有数字和符号，以便于后续对该算式进行速算库的特征比对，从而挖掘得到与该算式关联的其他速算式子，以便于根据其他速算式子进行举一反三的速算教学以及提高速算教学的有效性、智能性和速算知识巩固程度。

【技术实现步骤摘要】
智能速算系统及方法
本专利技术涉及智能教学的
，特别涉及智能速算系统及方法。
技术介绍
目前，在小学教学等基础教育中，数学、特别是算数技巧的教学具有相当重要的地位和作用。算数技巧掌握的熟悉程度会直接影响学生的数学基础，而速算技巧作为一种快速进行算数的技能已经得到广泛的重视与推广。但是，现有的速算技巧的教学都只是局限于课堂教授方式，这种课堂教授方式过程单调、并且只能依据预定教学大纲进行教授，其并不能提高速算的教学效率和教学智能化程度，也不能针对不同学生和教学大纲进行举一反三的教学。可见，现有技术的速算教学不能实现对速算技巧的有效的和巩固的智能化教学。
技术实现思路
针对现有技术存在的缺陷，本专利技术提供智能速算系统及方法，该智能速算系统及方法通过获取预设对象手写的需要进行速算的算式，并通过卷积神经网络算法模型对该算式进行图像识别，以确定该算式当前包含的所有数字和符号，再将识别得到的所有数字和符号与预设速算库进行特性比对，以此确定与该算式对应的速算式子，从而便于后续根据该速算式子进行适应性的速算教学；可见，该智能速算系统及本文档来自技高网...

【技术保护点】
1.智能速算系统，其特征在于：/n所述智能速算系统包括算式撰写平台模块、图像识别模块、速算库特征比对模块和速算教学模块；其中，/n所述算式撰写平台模块用于通过预设算式撰写平台，获取预设对象手写的需要进行速算的算式，其中，所述需要进行速算的算式包括不同数字和不同符号；/n所述图像识别模块用于通过卷积神经网络算法模型对所述需要进行速算的算式进行图像识别，以此识别得到所述需要进行速算的算式包含的所有数字和符号；/n所述速算库特征比对模块用于将识别得到的所有数字和符号与预设速算库进行特性比对，以此确定与所述算式对应的速算式子；/n所述速算教学模块用于根据所述速算式子，从所述预设速算库中类比出若干其他速...

【技术特征摘要】
1.智能速算系统，其特征在于：
所述智能速算系统包括算式撰写平台模块、图像识别模块、速算库特征比对模块和速算教学模块；其中，
所述算式撰写平台模块用于通过预设算式撰写平台，获取预设对象手写的需要进行速算的算式，其中，所述需要进行速算的算式包括不同数字和不同符号；
所述图像识别模块用于通过卷积神经网络算法模型对所述需要进行速算的算式进行图像识别，以此识别得到所述需要进行速算的算式包含的所有数字和符号；
所述速算库特征比对模块用于将识别得到的所有数字和符号与预设速算库进行特性比对，以此确定与所述算式对应的速算式子；
所述速算教学模块用于根据所述速算式子，从所述预设速算库中类比出若干其他速算式子，并通过若干所述其他速算式子进行速算教学。


2.如权利要求1所述的智能速算系统，其特征在于：
所述算式撰写平台模块包括算式撰写设备子模块和图像转换子模块；其中，
所述算式撰写设备子模块用于感应所述预设对象的手写动作轨迹，并根据所述预设对象的手写动作轨迹，对应地形成需要进行速算的算式手写痕迹；
所述图像转换子模块用于将所述算式手写痕迹进行图像化转换，以此生成图像化的需要进行速算的算式。


3.如权利要求1所述的智能速算系统，其特征在于：
所述图像识别模块包括神经网络算法模型构建与训练子模块和神经网络算法模型运行子模块；其中，
所述神经网络算法模型构建与训练子模块用于构建并训练所述卷积神经网络算法模型，其构建与训练过程具体为，
A1：假设所述需要进行速算的算式对应的图像像素为m*n，其中，m和n分别为所述算式的横向像素个数和纵向像素个数，则相应地确定如下所示的m行n列的矩阵A



对所述矩阵A进行求逆矩阵处理，将所述矩阵A的逆矩阵记作X∈Rmn，并且X＝(a11,…,a1n,a21,…,a2n,…,am1,…,amn)T，其中Rij为所述逆矩阵的元素取值、aij为所述逆矩阵的元素值，且i＝1、2…m，j＝1、2…n；根据深度卷积回归算法，构建关于预定数字与符号的集合的5层神经网络算法模型，并根据下面公式(1)计算得到所述5层神经网络算法模型对应的输出output，其中，所述预定数字与符号的集合包括0、1、2、3、4、5、6、7、8、9、+、-、*、/、n次方、阶乘和根号这17类，
output＝Softmax(σ(W5*σ(W4*σ(W3*σ(W2*σ(W1X+b1)+b2)+b3)+b4)+b5))(1)
在上述公式(1)中，σ()表示Sigmoid函数，其具体表达式为Softmax()的数学表达式为并且W1∈R256×256，表示W1为256×256实矩阵；W2∈R256×128，表示W2为256×128实矩阵；W3∈R128×64，表示W3为128×64实矩阵；W4∈R64×32，表示W4为64×32实矩阵；W5∈R32×17，表示W5为32×17实矩阵；b1∈R256，表示b1为256维实向量；b2∈R128，，表示b2为128维实向量；b3∈R64，表示b3为64维实向量；b4∈R32，表示b4为32维实向量；b5∈R17，表示b5为17维实向量；R表示实数域，其中，W1与b1、W2与b2、W3与b3、W4与b4、W5与b5分别所述5层神经网络算法模型的第一层至第五层对应的输入量，R表示所述算式的图像像素分布阵列，并且Rs×t表示所述图像像素分布阵列是由横向s个像素和纵向的t个像素组成，Rq表示所述图像像素分布阵列是由横向q个组成，所述输出output是一个17维的列向量；
记θ＝{W1,W2,W3,W4,W5,b1,b2,b3,b4,b5}，并根据梯度下降算法进行如下形式的更新



在上述更新中，η表示卷积神经网络算法模型的学习率，η的取值为(0，1)，表示拟合量L的梯度，所述拟合量L通过下面公式(2)计算得到



在上述公式(2)中，output表示所述输出，δ()的数学表达式为λ表示预设超参数，λ的取值为(0，3)，||A||F表示所述矩阵A的范数，其计算公式为
A2：将所述卷积神经网络算法模型的初始学习率设为0.0002，并重复上述A1的模式对所述卷积神经网络算法模型进行500000次的训练；所述神经网络算法模型运行子模块基于完成训练的所述卷积神经网络算法模型对所述需要进行速算的算式进行图像识别，以此识别得到所述需要进行速算的算式包含的所有数字和符号。


4.如权利要求3所述的智能速算系统，其特征在于：
所述神经网络算法模型运行子模块的图像识别过程具体为，
B1：将所述需要进行速算的算式的图像输入至完成训练的所述卷积神经网络算法模型以此得到相应的输出output，并确定所述输出output中元素取值最大的一个对应的列数；
B2：根据上述B1确定的所述列数以及所述预设的列数-数字/符号对应表，其中所述预设的列数-数字/符号对应表是关于当列数数值为1-17时对应列的数字/符号为0、1、2、3、4、5、6、7、8、9、+、-、*、/、n次方、阶乘和根号任意一个的对照表，识别得到所述需要进行速算的算式的所有数字和/或符号。


5.如权利要求1所述的智能速算系统，其特征在于：
所述速算库特征比对模块确定与所述算式对应的速算式子的具体过程为，将所述识别得到的数字和符号与所述预设速算库进行关于数字/符号组合方式的特征比对，以此确定与所述算式对应的速算式子；
或者，
所述速算教学模块进行速算教学的具体过程为，
根据所述速算式子，从所述预设速算库中调用与所述速算式子为从属关系或者逆行关系的其他速算式子，通过所述其他速算式子进行举一反...

【专利技术属性】
技术研发人员：樊星，
申请(专利权)人：上海松鼠课堂人工智能科技有限公司，
类型：发明
国别省市：上海;31