一种基于半监督学习的学生表情预测方法技术

本发明专利技术涉及一种基于半监督学习的学生表情预测方法，属于教学技术领域，包括数据采集与初始化、一级网络模块构建、二级网络模块构建、以及预测新样本共四个主要步骤。已有的技术中缺少考虑两个问题：1、需要大量的人工标注工作，而人工标注不仅费时且昂贵；2、某些类别的样本可能非常少，因此需要考虑类别不均衡问题。与已有的技术方案相比，本发明专利技术具有流程简单、易于执行、占用资源少等优点、特别是无需大量人工标注、且能够准确地识别较少出现的表情。

【技术实现步骤摘要】
一种基于半监督学习的学生表情预测方法
本专利技术属于教学
，特别是涉及一种基于半监督学习的学生表情预测方法。
技术介绍
在课堂教学中，老师可以根据学生的表情以了解学生对当前所讲内容的理解程度。例如，当大部分学生的表情为愉悦时，老师对于该部分内容可以加快讲解速度，反之需要重复多次讲解。在专利CN201610453639.4中提出了一种MOOC课程中学生面部表情的动态识别方法，该方法对MOOC课程中拍摄的视频进行分帧，对分帧得到的图像提取特征点，并抽取关键部位特征点组成特征向量后，训练表情模式分类器，利用表情模式分类器对MOOC课程中拍摄的实时视频中学生面部表情进行表情模式的分类。专利CN201711071886.9中提出了一种基于面部识别捕捉的在线课堂提问解答系统，包括教师客户端、网络传输服务器、中央控制器、学生客户端、表情分析模块、正常表情数据库、分类模块以及统计模块，教师能够实时了解到学生的学习状态，为学生及时做出解答，让学生更快的掌握学习要点，提高学生学习的积极性和效率，降低了教师的工作强度，具有很好的推广和使用价值。专利CN2019本文档来自技高网...

【技术保护点】
1.一种基于半监督学习的学生表情预测方法，其特征在于包括以下步骤：/n步骤1、数据采集与初始化：/n收集学生脸部图像，对每幅图像提取特征，得到样本集合

【技术特征摘要】
1.一种基于半监督学习的学生表情预测方法，其特征在于包括以下步骤：
步骤1、数据采集与初始化：
收集学生脸部图像，对每幅图像提取特征，得到样本集合对进行标记，得到对应的类别标签其中，xp，为d维行向量，ck对应一种表情，表示实数域，n为所有样本数量，为有标注样本数，u＝n-l未标注样本数，d为样本维度，d，l，n，u均为正整数；
初始化：人工设定以下参数：λ，CA，CB＞0，一级隐藏节点数量LA，二级隐藏节点数量LB，LA与LB均为正整数；构造图拉普拉斯矩阵L＝D-A，A为相似性矩阵，其第i行第j列元素Aij为：



其中，xi与xj为样本，i，j∈{1，...，n}，σ＞0为高斯核宽，D为A的度矩阵，D为对角阵，D的第i个对角元素Dii＝∑jAij；
步骤2、一级网络模块构建：
步骤201、随机产生LA个一级输入权重与LA个一级输入偏置得到与
步骤202、生成一级隐藏层输入矩阵其中



G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤203、计算一级输出权重矩阵βA，当n＜LA时，否则，其中X＝[x1；...；xn]，In为n维单位阵，为LA维单位阵；上标T表示转置；
步骤3、二级网络模块构建：
步骤301、随机产生LB个二级输入权重与LB个二级输入偏置得到与
步骤302、生成二级隐藏层输入矩阵其中



G(W，b，x)为激活函数，x表示样本，W为输入权重，b为输入偏置；
步骤303、计算k＝1，2，...，κ情况下的二级输出权重矩阵当n＜LB时，否则，其中，为对角阵，如果xi有标签且标签yi＝ck，则...

【专利技术属性】
技术研发人员：武新伟，梁琰，高昕，葛菲，
申请(专利权)人：安徽新知数媒信息科技有限公司，
类型：发明
国别省市：安徽;34