文摘
不断发展的计算机技术和信息技术的逐步推广应用,建设基于无线传感技术的智能教学场景中扮演着越来越重要的作用在现代信息教育。以小学为例,介绍了多通道无线传感技术在智能教学系统的建设。本文的目的是探索新的教学现场的建设。首先,本文深入分析了无线信号的传感机理和优化传感模式,部署结构,在实际应用和信号处理,因此,系统能在实际的环境中更有效地运行。然后,基于多通道无线传感技术,本文设计和优化智能教学的基本架构和功能的场景。结果表明,结合每个模式的特征信息的信息有利于身份确认,可以获得更好的识别性能,提高准确性。结合多种模式的信息可以大大提高识别性能。用户兴趣模型与动态和静态相结合用于优化系统推荐的资源,这样学生就可以获得高质量和高度匹配的学习资源更加迅速和准确,以提高学生的学习效率在资源获取。
1。介绍
不仅可以使用无线信号传输数据,而且感觉环境。在室内环境中,如wi - fi无线信号产生的波传输终端不仅可以通过一个视线路径也通过多种路径反射和散射等传播,从而形成一个多路径叠加信号在接收端(1]。多路径叠加信号是受其物理传播空间和携带信息反映环境特征,如传播路径的角度和距离2]。这里提到的环境信号传输的物理空间,包括人为因素(是否有一个人,人的位置、特点、姿势、动作,等等),以及其他异物(如家具和墙壁)(3]。使用雷达和其他无线电环境知觉并不是一个新颖的领域。典型应用包括检测飞机的雷达系统和空间出现判断,类型,以及一系列的运动信息的飞机通过分析无线电信号(即雷达返回到雷达天线发出的无线电波或飞机发出的无线电波本身被飞机反射后)(4]。近年来,也有室内使用超宽频信号雷达系统。然而,这些技术依赖于特别设计的信号或硬件设备来获取更高的时间分辨率和更准确的测距。他们适用于军队和警察等特殊场景,很难适用于普通人的日常生活。另一方面,人们需要环境感知技术越来越多的在他们的日常生活5]。人类采取被动探测为例,它可以广泛应用于安全监控,入侵者检测、家庭医疗监测老年人和孩子,新的人机交互,等等。这里的“被动”意味着人不需要携带任何电子设备检测到区分传统的无线定位系统定位的人通过位于人所携带的电子设备6]。这种方法也被称为设备独立或非侵入性。有别于传统的无线传感器网络,传感器负责传感和无线信号负责沟通(7]。在这里,可以用于通信和传感wi - fi。尽管无线基础设施已广泛普及世界各地,与特殊的雷达信号,甚至超宽频信号相比,wi - fi信号带宽是狭窄,时间分辨率较低,存在着巨大的差距,信号处理设备。因此,迫在眉睫的是突破传统的雷达技术,开发Wi-Fi-based环境知觉理论和技术,实现高精度环境感知对普通商业wi - fi设备。无线传感技术可以扮演的角色定位和监控建设新的教学场景,包括学生和教师的时间和内容类。“无线传感”、“非传感器感应”,甚至“无线电断层扫描成像”的名字给这个研究方向的研究人员。目前,无线传感的概念是最广泛的,也就是说,使用无线信号感知环境(8]。
由于客观条件的不可预知性,单模生物识别技术在实际应用中会遇到许多困难。与单模识别方法相比,多模识别方法将更健壮的和准确的。多通道识别是模式识别的一个非常具有挑战性的话题。多通道识别使用多个不同的生物识别技术,结合数据融合技术,提高锻造人体生物识别技术的复杂性。与一个识别系统相比,多通道识别具有更好的可靠性和准确性,从而提高识别系统的安全性。多通道人脸识别技术可以从不同的模式中提取脸部图像的特征信息同时结合每个模式的特征信息获取有利于身份确认的信息。通过这种方式,它可以获得更好的识别性能和提高精度9]。事实证明,结合多种模式的信息可以大大提高识别性能。同声传译不同的图像传感器有不同的模式和不同的内容。当应用于识别任务,需要多通道图像融合提取相同的观察对象的共同特征在多个模式,可以提高识别结果的正确性(10]。多通道图像融合技术可以最终获得统一的信息通过不同的处理方法(空频转换,特征提取,或决策水平的判断)从同一对象的多个信息收集由多个传感器,以获得更丰富、更准确、更可靠的信息。在这篇文章中,多通道无线传感技术相结合可以更好地捕捉面部图像的特征信息,哪个更有利于身份确认。多通道技术可以提高无线传感器技术在教学场景的识别功能,提高识别的准确性。多通道无线传感技术的应用智能教学现场的建设可以极大地促进现场施工的效率(11]。以便学生能更快更准确地获得高质量和高度匹配的学习资源,以提高学生的学习效率在资源获取。
2。相关的研究
近年来,越来越多的科技研究人员专注于无线传感技术,已取得了很大的进步。本节将简要回顾最新的无线传感领域的研究进展,专注于多通道无线传感技术的研究现状。研究人员的研究和探索无线传感技术是基于无线网络的定位技术。然后,有运动识别、手势识别、基于无线网络和身份识别。帕拉齐et al。12]发现无线信号的接收强度将明显减弱时被无线信号传播的目标环境。基于这个无线信号的传输特点,他们提出了一个无线信号定位目标断层扫描系统没有任何额外的设备。曾et al。13)提出了一种方法来描述目标的掩蔽效应在接收无线网络信号强度使用指数瑞利模型。局域网et al。14]进一步特征信号的掩蔽效果验收强度在无线网络和基于无线网络定位取得了重大成就。杨和张15]提议使用多维无线信号连接的马鞍面模型来解决无线传感问题。刘等人。16)实现无线传感用无线网络信号的传播时间信息。兵和停17)设计了一种新型多路存取点策略实现行为认知无线网络的目标。
王(18)提出了一个基于无线传感系统的分布式特性。徐et al。19基于惯性传感器)实现目标知觉。曾(20.通过分析无线信号)获得人类心跳信息。隋et al。21)实现无线感知人体在日常生活中通过使用无线信号。梁等。22)设计了一种无线传感定位系统与交叉实验能力。系统可以进行无线定位实验不参与培训的知识转移技术。本研究提高无线传感模型的适应性变化的外部工作环境(23]。与人们的日常活动相比,人类活动在人机交互基本上是一定的运动人体的一部分,和运动的范围很小。在这里,介绍了目前的研究显示一个接一个从粗到细的粒度。由于粗粒度的RSSI信号,假发只能认识一些简单的手势。基于模式识别的方法要求人们在执行动作的方向和位置应符合训练样本(24]。为了消除这种限制,WiAG设计基于wi - fi CSI的信号转换算法,可以训练集的样本数据转化为样品在新环境取向和位置变化。除了模式识别方法中,一些研究人员也通过对手跟踪实现人机交互。RFIpad法官用户的手势方向的序列标签信号的变化标签数组,能够在没有监督的情况下实现手势识别。基于软件无线电所产生的wi - fi信号,WiDeo计算空气传播时间和到达角反射信号的压缩传感技术,和对手的跟踪精度可达7厘米。RF-dial认识到手指的动基于RFID标签数组,把标签阵列的信号特征的概率分布地图位置和实现单个手指轨迹跟踪和多点手势识别根据图像特征在时域的变化。研究人员还使用无线信号识别细粒度的唇。WiHear指导人类的嘴巴和传输信号识别相对应的发音嘴型通过CSI的变化信号。
3所示。多通道无线传感技术
3.1。无线传感技术
深化的电磁波传播过程的理解,提出了许多数学模型来描述无线信号传播过程。覆盖范围内的无线网络,无线信号接收的无线信号接收设备通常不是通过单一通道。不仅有无线信号沿着直线传播,也许多无线信号反映目标的无线网络环境。无线信号接收的无线信号接收设备是由大量的多通道无线信号叠加。无线信号接收的无线接收设备可以被描述在以下形式:
的公式,下的衰减系数吗无线信号的传播路径,代表的传输距离th无线信号代表了无线信号的波长。公式(1)表明,无线信号的振幅和相位影响无线信号接收器接收到每个无线信号的传播路径的长度和传输介质的性质。如果目标有一些行为活动在无线网络传播环境中,必须有一些无线信号的传播路径的变化。因此,振幅和相位叠加的无线信号接收器接收到无线信号的波动。通过分析这些波动,可以获得目标的行为活动信息。同样,不同的对象有不同的反射强度无线信号传播。因为不同的目标通常有不同的反射表面的无线信号,无线传输路径的影响下不同的目标往往是不同的。因此,理论上是可行的,使用无线网络信号识别和分类的不同类型目标。•。
菲涅耳区模型理论是用来描述物理传播属性点光源产生的光束。同样,菲涅耳区模型还可以应用于无线传感问题。菲涅耳区模型将无线网络信号的传播区域划分为多个领域使用集群的椭圆的焦点,和普通椭圆的焦点集群无线传输设备和无线接收设备的位置,如图1。在图中,无线信号传输装置的位置O1,无线信号接收装置的位置O2,和人工智能的外边界上的一个点菲涅耳区域。之间的几何关系O1、O2和Ai如下。
在公式(2),之间的距离之和A1O1和B1O1代表目标的反射路径长度位于th菲涅耳区域的无线信号,DO1代表无线信号的传播路径长度直接从无线传输设备传输到无线接收设备沿一条直线。基于上述讨论,当一个信号变化从高峰到低谷由于物体的运动(反之亦然),这意味着该对象从椭圆在菲涅耳区移动到另一个相邻的椭圆。因为载波波长很小和相邻椭圆非常接近,可以近似认为物体的移动距离是和弦的一半长度的差异。因此,物体的移动距离长度大约可以计算通过计算的数量变化信号的高峰和低谷的时期。但这也意味着只能通过的距离一个副载波的病死率变化信息,但不能获得物体的移动方向。在这里,从菲涅耳区域内的椭圆运动外椭圆定义为积极的方向发展,并从外椭圆运动内椭圆的定义是一个消极的方向。根据wi - fi标准,每个副载波的波长是不同的,所以可以通过建立多个菲涅耳区域副载波波长不同。从公式可以看出(2),这些菲涅耳区非常相似,但椭圆的大小也是由于不同波长不同。如图2,这导致的变化顺序触发波峰和波谷在菲涅耳不同区域的运动对象。通过不同副载波之间的病死率变化顺序的关系,积极的和消极的移动方向可以区分。
上面的讨论后,移动物体移动的距离和方向移动(正面或负面)一维可以确定通过建立菲涅耳区一群wi - fi发起者。扩大上述理论,通过两个信号接收端和一个信号传输,并以无线信号发射端为基准,形成一个直角关系在二维平面上。两组建立了菲涅耳区互相垂直,定义为二维菲涅耳模型如图3。
运动通过二维菲涅耳模型时,投影长度(移动距离)的运动矢量在两个坐标轴和积极的和消极的(移动方向)的运动矢量在两个坐标轴可以确定,分别。因此,通过二维菲涅耳模型,特定的移动物体移动的方向和距离。
3.2。多通道和无线传感技术
在这一节中提出的系统是一个多通道系统,从模型的视频模式,和输出结果传播到另一个模式,即无线网络传感模式。这些训练有素的结果数据将作为输入数据的一部分用于无线网络传感模式。因此,在这个系统中,同时收集无线信号对应的行动,我们还应该收集相应的视频信号无线信号的扩张。(1)类别的手势在视频信号收集的•
在此系统中,主要收集手势类别分为五、“摇摆”“右摇摆,”“推”“拉,”和“摇摆。”这五个手势在日常生活中被广泛使用,发挥非常重要的作用在一些人机交互、智能家居。例如,“左摆”和“摇摆”可以实现前面的程序之间切换频道和下一个节目频道的电视节目,“推”和“拉”可以实现远程控制的门和抽屉,和“摇摆”可以实现开关控制灯,空调和其他电器。•(2)基于计算机视觉的手势分类算法•
•目前,有许多类型的基于计算机视觉的手势分类算法,如传统的手势分类通过图像分割,通过特征提取手势的分类,并通过深度学习手势的分类。现在比较流行使用的时间戳信息视频手势分类。最重要的是提出卷积神经网络和一些扩展的三维卷积神经网络。然而,这些方法遇到了许多困难:首先,这些视频分类网络需要大量的参数和复杂的二维卷积神经网络。然后,这些训练模型需要非常大的数据集,已经标记,这个监督学习的初步工作是很重。最后,所需的数据集训练模型也是一个标准化的数据集,也有很高的要求,照明,角,等等。
ResNet是一个最成功的体系结构近年来在图像分类提出。基于ResNet网络的特点,一个很深的网络可以被训练在维持低复杂度的前提下。ResNet网络的基本结构如图4••。
DenseNet比ResNet更密集的连接机制。ResNet指每一层之间的短路连接和前两或三层;也就是说,这一层的输入也添加上一层的输入和输出,也添加输入和输出的前两或三层。添加元素之间的连接方法。然而,在DenseNet,每一层都将与所有频道维度和前面的层用作下一层的输入,它要求每一层的功能地图大小必须相同。一般来说,CNN网络需要汇集减少特征地图的大小,以便提高效率和降低计算复杂度。然而,由于DenseNet密集的连接模式,功能图的每一层的大小必须是一致的。DenseNet图所示的结构5。
从图可以看出5DenseNet网络问题,功能图的大小必须是一致通过DenseBlock模块串联的结构与转换模块。其中,每个DenseBlock包含很多层,是一个独立的模块功能映射在每一层的大小是一样的,和密集的连接层之间采用。两DenseBlocks每个转换模块连接,添加一个池层两DenseBlocks减少特征图的大小。因此,一个完整的DenseNet网络包括几个DenseBlock和几个转换模块用于连接DenseBlock模块。••。
4所示。建设新型智能教学场景
4.1。智能教学系统的基本体系结构
人们环保意识越来越需要技术在日常生活中。人类采取被动探测为例,它可以广泛应用于安全监控,入侵者检测、家庭医疗监测老年人和孩子,新的人机交互,等等。无线传感技术的定位和检测可用于建设的教学场景。建设智能教学场景是计算机辅助教学的一个重要发展方向。这意味着开发人员使用人工智能技术使计算机扮演教育者的角色为学习者个性化教学和实施个性化教学模式。采用不同的学习策略的学习者有不同的学习特点和不同的学习能力,和适应教学对学习者进行未来的学习方向,从而达到真正的个性化教学的目的。一般来说,智能教学场景的系统逻辑结构分为三个模块和四个模块。然而,随着科学技术的发展和新技术的出现,智能教学系统的逻辑结构相应发生了变化。智能教学场景主要是由应用服务器、数据库服务器和web服务器提供教学服务。教师、管理员和学生可以通过互联网访问现场的系统。 Generally speaking, the basic logical architecture of intelligent teaching system is generally composed of three basic modules: student module, teacher module, and knowledge base.
学生模块:这是一个模块,记录学生的个人信息,课程信息,信息完成和测试问题。通过这个模块,教师可以掌握学生的基本信息、学习能力和知识;分析学生的当前信息;正确评价学生的理解知识;并采取相应的教学方法教学生。
教师模块:它研究教学策略适合学生,理解学生的各种信息,选择教学内容,学生应该学习,并显示他们的学生在学生可接受的形式,以便看到巧妙的指导教师和一流的教学水平。通过本系统,教师可以掌握学生的基本信息、学习能力、知识掌握,测试结果,然后做出相应的教学安排。此外,教师还可以更新知识库根据学生的各种信息,制定更符合学生测试问题。
专家知识模块:它是知识库,用于存储所有教学知识,以促进学生的学习,为学生提供他们想学的知识。知识库的特点是易于操作和使用,这是需要解决问题领域的专家知识。知识的表示存储用于存储、组织和管理所有教学知识在计算机内存中。其他模块可以调用。
4.2。智能教学系统的功能设计
智能教学系统是一种自适应学习系统,人工智能技术的支持下,教师的角色是被电脑取代,然后实现个性化教学,与不同的特点和需要,将知识传授给学习者和学习者提供指导。利用互联网,通过智能教学系统的在线学习和在线指导,老师和学生可以通过网络学习和教。在智能教学系统平台上,教师可以引导学生通过自己的学习情况或更新知识库根据学生的各种信息,为学生制定试题更符合学生独立学习。通过系统的个性化检索功能,智能教学系统平台可以为学习者提供课程资源更符合他们的需求,帮助学生提高他们的学习效率。传授知识与学习者不同的特点和需要,并为学习者提供指导。
本文设计的智能教学系统以小学数学为例。图6智能教学系统的系统模块图,它主要由三个模块组成:管理员,学生,和老师。管理员模块主要是管理系统信息和用户信息。系统信息管理包括管理类,年级,和公告信息。用户信息管理包括教师和学生的信息管理。学生选课模块包括兴趣、在线学习、在线测试、教育信息和个人信息。兴趣选课,学生选择他们感兴趣的课程,这样他们就可以推荐他们感兴趣的课程的学生。在线学习是学生模块的核心部分,包括感兴趣的课程,所有的课程,课程搜索。课程推荐感兴趣的课程后,学生根据他们的兴趣选择进入系统。
所有课程都用于存储所有学生想学的课程。课程搜索是学生可以直接搜索他们想要的课程学习。在线测试包括两个模块:测试问题银行和我的测试问题。测试题库是用于存储所有的测试问题。学生可以根据自己的学习测试他们接受知识的内容。在我的问题银行,学生可以查看自己的测试问题和学习错误的问题,以便更好的掌握知识要点。教育信息由本周的建议、教育头条新闻,社会态度,可以让学习者充分了解更多相关内容相关的知识。教师模块主要是老师的教学资源的管理。
4.3。应用程序分析
最终结果的动态和静态相结合的用户兴趣模型和动态或静态利益VSM算法模型进行了分析和比较。比较数据与用户兴趣的动态和静态相结合的数据模型和数据的动态或静态用户兴趣模型。动态或静态用户兴趣模型的相似性定义的夹角余弦值:
之间的比较分析动态和静态用户兴趣模型和静态和动态用户兴趣模型中,所有的资源都用于测试和分析,和40有关利益选择的关键词相关性分析,建立用户兴趣模型。主要比较索引返回的准确性(即用户兴趣。、准确性)。比较的结果之间的动态和静态用户兴趣模型和静态和动态用户兴趣模型综合比较,如图7。
从图可以看出7,用户兴趣模型集中在动态和静态的结合取得了良好的业绩,并已经应用于深度。学习算法建立学习者兴趣模型并给出最好的相关性反馈,可以根据不同学习者的不同需求。相同的兴趣给了反馈,更符合学习者的兴趣。
5。结论
无线设备的普及的社会背景下的研究背景和无线传感技术的不断发展,个性化的使用与设备无关的应用程序服务环境无线传感技术与多峰性继续出现。这种应用程序只需要用户触发个性化服务或访问个人数据通过一些预定的手势。而大大提高智能环境的可用性和方便,同时也带来了新的安全问题。攻击者可以很容易地访问合法用户的个人信息或使用他们的专有服务通过观察和模仿合法用户的操作指令。智能教学场景网络和智能教学平台。它的出现增加了学习者的学习能力的分析功能和学习程度的基础上,传统的教学平台。本文设计的智能教学系统为学习者提供了不同的学习策略。智能教学系统的使用可以使学习者从一个固定的学习路径目标动态教学模式。就教师而言,一个完美的智能教学系统可以简化他们的教学流程,减少教学准备周期。同时,它扮演着一个很重要的角色,深入挖掘教育资源。 Based on the traditional intelligent teaching system, the intelligent teaching system based on multimodal wireless sensor technology adopts the deep learning algorithm to make a reasonable improvement in expanding educational resources and deeply mining educational significance. Make the intelligent teaching system more intelligent. From the perspective of wireless perception, this paper draws lessons from the processing mode of visual information by human visual perception system. The characteristics of modal biological samples are analyzed and summarized, and the characteristics are further refined. The multimodal feature level fusion problem is summarized into sensory feature fusion, perceptual feature fusion, and perceptual feature fusion. According to the characteristics of different levels, a multimodal biological feature fusion model based on perceptual information is proposed. It provides theoretical guidance for the selection of fusion features and fusion methods in multimodal fusion.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称他们没有竞争的经济利益或个人关系可能出现影响工作报告。