【技术实现步骤摘要】
一种记忆背诵辅助系统
[0001]本专利技术涉及记忆辅助设备领域，具体地讲，涉及一种记忆背诵辅助系统。
技术介绍
[0002]背诵是一种特殊的记忆方法。它要求人们对客观事物要按照固定次序，不分轻重主次，毫无遗漏地去进行记忆。背诵一般为两种，即机械的背诵和理解的背诵。机械的背诵是在不理解材料意义的情况下，借助字单纯反复去进行记忆的一种方法。这种背诵是以机械记忆为基础的。一般来说，年幼儿童(如小学生)由于机械记忆的能力较发达，所以他们虽然不理解记忆材料的意义，也容易把它背诵出来。
[0003]目前，还缺少一种设备，通过使用文字显示与语音提示相结合，来实现辅助使用者进行记忆背诵。
技术实现思路
[0004]本专利技术要解决的技术问题是提供一种记忆背诵辅助系统，方便辅助记忆背诵。
[0005]本专利技术采用如下技术方案实现专利技术目的：
[0006]一种记忆背诵辅助系统，包括座椅，其特征在于：所述座椅1固定连接一组后侧喇叭2，所述座椅1固定连接对称的方板3，所述方板3固定连接一组耳侧喇叭4，所述座椅1固定连接L形板9，所述L形板9固定连接舵机8，所述舵机8的输出轴固定连接圆板7，所述圆板7固定连接一组圆杆6，所述圆杆6固定连接曲面屏5；
[0007]还包括以下步骤：
[0008]步骤一：需要背诵或记忆的东西，例如单词，在所述曲面屏5上进行变动位置显示，并控制所述舵机8转动，实现所述曲面屏5摆动，实现需要背诵或记忆的东西位置不断变化；
[0009]步骤二：根据基于...
【技术保护点】
【技术特征摘要】
1.一种记忆背诵辅助系统，包括座椅(1)，其特征在于：所述座椅(1)固定连接一组后侧喇叭(2)，所述座椅(1)固定连接对称的方板(3)，所述方板(3)固定连接一组耳侧喇叭(4)；所述座椅(1)固定连接L形板(9)，所述L形板(9)固定连接舵机(8)，所述舵机(8)的输出轴固定连接圆板(7)，所述圆板(7)固定连接一组圆杆(6)，所述圆杆(6)固定连接曲面屏(5)；还包括以下步骤：步骤一：需要背诵或记忆的东西，例如单词，在所述曲面屏(5)上进行变动位置显示，并控制所述舵机(8)转动，实现所述曲面屏(5)摆动，实现需要背诵或记忆的东西位置不断变化；步骤二：根据基于CNN卷积神经网络算法对单词位置进行识别；基于CNN卷积神经网络算法对单词位置进行识别，选择One
‑
Stage单阶段目标检测算法YOLO，其不需要region proposal阶段，直接产生物体的类别概率和位置坐标值，经过单次检测即可直接得到最终的检测结果，因此有着更快的检测速度和效率，YOLO
‑
v4算法是在原有YOLO目标检测架构的基础上，采用了近些年CNN领域中最优秀的优化策略，从数据处理、主干网络、网络训练、激活函数、损失函数等各个方面都有着不同程度的优化，有着更好的精度和效率，YOLOv4的网络结构划可分为Input、Backbone、Neck、Head四个模块；步骤二一：Input，对输入数据进行数据增强，采用Mosaic数据增强，其是在CutMix数据增强的基础上进化而来的，CutMix是使用两张图片拼接进行数据增强，而Mosaic拓展到了使用四张图片拼接，且这四张图片是随机缩放、随机裁剪和随机排版的，这样可以一下子极大的丰富数据集，以不同单词出现在屏幕不同位置时作为输入数据；步骤二二：Backbone，在YOLOv4中backbone进行了一次升级，称为CSPDarknet53，CSPNet全称是Cross Stage Partial Networks，也就是跨阶段局部网络。CSPNet解决了其他大型卷积神经网络框架Backbone中网络优化的梯度信息重复问题，将梯度的变化从头到尾地集成到特征图中，因此减少了模型的参数量和FLOPS数值，既保证了推理速度和准确率，又减小了模型尺寸。CSPNet实际上是基于Densnet的思想，复制基础层的特征映射图，通过dense block发送副本到下一个阶段，从而将基础层的特征映射图分离出来。这样可以有效缓解梯度消失问题(通过非常深的网络很难去反推丢失信号)，支持特征传播，鼓励网络重用特征，从而减少网络参数数量；步骤二三：在这里选择Mish作为激活函数，其是一个与ReLU和Swish非常相似的激活函数，公式如下：y＝x＊tanh(ln(1+ex))Mish函数是一个平滑的曲线，允许更好的信息深入神经网络，从而得到更好的准确性和泛化；在负值的时候并不是完全截断，允许比较小的负梯度流入；步骤二四：Neck，YOLOv4使用PANet(Path Aggregation Network)代替FPN进行参数聚合以适用于不同level的目标检测,融合的时候使用的方法是Addition，YOLOv4算法将融合的方法由加法改为Concatenation，是一种特征图融合方式；步骤二五：YOLOv4中最后的yolo预测层沿用了YOLOv3的yolo，不过需要注意的是YOLOv4在经过了如上Neck后，
(1)第一个yolo层：feature map 76x 76＝＝>mask＝0,1,2＝＝>对应最小的anchor；(2)第二个yolo层：feature map 38 x 38＝＝>mask＝3,4,5＝＝>对应中等的anchor；(3)第三个yolo层：feature map 19 x 19＝＝>mask＝6,7,8＝＝>对应最大的anchor；步骤二六：YOLOv4在Bounding box Regeression Loss上也做了一些创新，采用CIOU_Loss进行回归预测，使得预测框的速度和精度更加高；步骤二七：训练模型，darknet下训练数据集为COCO，首先制作数据集，在开始训练，创建yolov4文件夹，加入yolov4.cfg、coco.data、coco.names，并在yolov4文件夹下创建backup文件夹用于存放中间权重，开始执行训练指令./darknet detector train；步骤二八：测试训练的模型，得出检测效果，输出单词在屏幕中的位置，即(x，y)坐标，根据误差，进行迭代多次训练，提升模型的精度；步骤三：所述后侧喇叭(2)及所述耳侧喇叭(4)分别发出不同分贝的声音，左右耳听到的声音与眼睛看到位置相重叠，视听、位置相结合加深记忆，变动位置视听位置相结合将注意力集中在同一个位置。2.根据权利要求1所述的记忆背诵辅助系统，其特征在于，还包括以下步骤：步骤四：在使用者嘴附近设置录音装置，通过语音识别算法识别使用者语音；语音识别算法，是将一段语音信号转换成相对应的文本信息，系统主要流程为:特征提取
‑
>声学模型
‑
>语言模型
‑
>字典与解码四大部分；步骤四一：预处理，为了更有效地提取特征往往还需要对所采集到的声音信号进行滤波、分帧等音频数据预处理工作，将需要分析的音频信号从原始信号中合适地提取出来；对首尾端的静音进行切除，降低对后续步骤造成的干扰，静音切除的操作一般称为VAD，声音分帧，也就是把声音切开成一小段一小段，每小段称为一帧，使用移动窗函数来实现，不是简单的切开，各帧之间一般是有交叠的；(1)CODEC为解决频率混叠，在对模拟信号进行离散化采集前，采用低通滤波器滤除高于1/2采样频率的频率成份。实际仪器设计中，这个低通滤波器的截止频率(fc)为：截止频率(fc)＝采样频率(fs)/2.56(2)预加重，为了对语音的高频部分进行加重，去除口唇辐射的影响，增加语音的高频分辨率，因为高频端大约在800Hz以上按6dB/oct(倍频程)衰减，频率越高相应的成分越小，为此要在对语音信号进行分析之前对其高频部分加以提升；一般通过传递函数为高通数字滤波器来实现预加重，其中a为预加重系数，0.9<a<1.0。设n时刻的语音采样值为x(n)，经过预加重处理后的结果为y(n)＝x(n)
‑
ax(n
‑
1),这里取a＝0.97，传递函数为，H(z)＝1
‑
az
‑1(3)端点检测，也叫语音活动检测，Voice Activity Detection，VAD，它的目的是对语音和非语音的区域进行区分，端点检测就是为了从带有噪声的语音中准确的定位出语音的开始点，和结束点，去掉静音的部分，去掉噪声的部分，找到一段语音真正有效的内容；VAD算法可以粗略的分为三类：基于阈值的VAD、作为分类器的VAD、模型VAD；步骤四二：特征提取，将声音信号从时域转换到频域，为声学模型提供合适的特征向量，主要算法有线性预测倒谱系数LPCC和梅尔倒谱系数MFCC，目的是把每一帧波形变成一个包含声音信息的多维向量；<...
【专利技术属性】
技术研发人员：张鹏，钟亚玲，
申请(专利权)人：中南迅智科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。