文摘
研究物联网(物联网)网络和边缘计算一直是近年来在工业和学术界研究的热点,特别是对环境情报和大规模的交流。作为一种典型的物联网网络和边缘计算、智能感知声乐歌唱学习系统吸引了研究人员在教育和学术界的关注。钢琴教学是高等教育的一个重要音乐专业的课程。加强钢琴教学可以为国家培养优秀的钢琴人才,促进音乐艺术的发展。本文应用物联网感知技术的钢琴教学中,构建一个智能钢琴教学系统,并使用边缘计算算法精确传感器部署到系统利用环境情报和大规模的交流。该系统包括数据采集、数据感知、数据监控、和其他模块,使钢琴教学更加人性化和智能化。实验表明,本文的研究为应用程序提供重要指导的物联网网络和边缘计算,特别是对环境情报和大规模的交流。
1。介绍
研究物联网网络和边缘计算一直是近年来在工业和学术界研究的热点,特别是对环境情报和大规模的交流。作为一种典型的物联网网络和边缘计算、智能感知声乐歌唱学习系统吸引了研究人员在教育和学术界的关注。本文应用物联网感知技术的钢琴教学中,构建一个智能钢琴教学系统,并使用边缘计算算法精确传感器部署到系统。该系统包括数据采集、数据感知、数据监控、和其他模块,使钢琴教学更加人性化和智能化,通过环境情报和大规模的交流。这是一个尝试和创新应用物联网技术和边缘计算钢琴教学。
基于物联网的网络技术和边缘计算,许多学者进行了研究工作。饶了钢琴教学的综合分析利用模糊综合评价方法。结果表明,基于模糊数学的思想促进钢琴教学的进展(1]。Demrayak和Temel传感器技术应用于钢琴教学体系,有效地评估手臂运动的钢琴学生2]。Hamond等人自动信息技术引入钢琴教学,使钢琴教学更生动(3]。赵讨论了钢琴教学的发展现状的背景下,“micro-era”。实践表明,“微时代”下的教学方法实现了升级的钢琴专业教学从教学评价体系(概念4]。Ryu分析了在今天的钢琴教学课堂存在的问题并提出相应的解决这些问题的办法(5]。这些研究在物联网的应用网络在钢琴教学中丰富,但缺乏针对性。
随着时代的进步,越来越多的边缘计算的应用场景。Kouziokas Perakis提出了一种基于协作工业智能感知框架,实现智能、高效的工业生产服务(6]。梁等人设计了一个战场情报智能感知系统,可以准确地分析军事需求,联合战场的作战行动和任务要求(7]。Akinsunmade和Ejieji应用蓝牙传感器智能感知识别系统和蓝牙适配器。实验结果表明,该系统具有较强的稳定性和传感速度快(8]。燕等人提出了一个crowdsourcing-based工业智能感知系统,使用哪些工厂提高了生产率和工作场所安全9]。梁等人智能感知技术应用于家庭睡眠监测。实验结果表明,这种技术是有效地检测睡眠不规律10]。肖等人提出了一个基于智能感知的边缘检测算法。实验表明,该算法有效的彩色遥感图像的边缘检测11]。杜等人开发了一个基于智能感知的分布式合作频谱感知算法。仿真结果表明,该算法在一定程度上提高了检测效率(12]。上述研究边缘计算相对详细,但不与物联网相关的。
物联网网络近年来取得了长足的进步。作为物联网的一个重要组成部分,边缘计算也吸引了许多研究者的关注。本文应用物联网网络钢琴教学系统,然后使用边缘计算算法精确传感器部署到系统。研究发现,新的钢琴教学体系提出了具有重要的参考意义未来物联网的发展,边缘计算,特别是对环境情报和大规模的交流。
2。IoT-Based智能感知和声乐歌唱
2.1。IoT-Based智能感知技术
基于物联网的网络和计算,本文研究了智能传感技术。智能感知的过程中获取和处理外部信息使用传感器和网络技术。智能感知的具体内容如图1。“感觉”是指传感技术,“知识”是指识别技术。其中,传感技术包括传感器传感、雷达遥感和卫星遥感、和识别技术包括图像处理、图像分析和图像理解。目前,智能传感技术相当成熟,在企业应用程序包括智能访问控制和智能前台(13]。智能访问控制是使机器有能力感知,通过摄像机捕捉面部感知识别,人脸图像与数据库进行比较,以便执行考勤访问控制登记。聪明的前台主要为预约登记使用人脸识别。
2.2。基于物联网的智能感知声乐歌唱学习系统
基于物联网的网络和计算,本文构建一个智能感知声乐学习系统如图2。在此系统中,学习资源是指所有可用的教学资源与声乐学习。它包括声音数据,PPT课件、音频和视频,和每个资源设置相应的识别关键字。学习的感觉是指使用的移动定位技术来构建虚拟网络空间的资源导航地图,感知、定位,并提取相关的声乐学习应用程序的信息,提供有效的智能感知应用程序服务。学习的感觉是使用智能感知技术获取和定位声乐学习信息,然后为学习者提供相应的服务。
物联网网络和边缘的帮助下计算,声乐学习资源还可以形成一个三维的个性化知识认知地图。其中,第一个维度是resource-aware导航为学习者进入学习资源平台,第二个维度是学习内容和相关信息,准确定位和第三维度之间的匹配来完成学习者的学习需求和潜在的资源。
3所示。物联网网络和边缘Computing-Based钢琴教学模式
物联网网络和边缘的帮助下计算,声乐演唱和钢琴伴奏都是相互关联的,一个好的钢琴伴奏可以提高声乐演唱的音乐。本文应用智能感知声乐歌唱学习系统的钢琴教学模式也可以互补。
3.1。IoT-Based智能钢琴教学体系
结合物联网网络和计算,本文将钢琴教学体系的架构图如图3。首先,建立声乐歌唱学习系统之间的连接和钢琴教学,这样学生就可以玩一个目的。钢琴伴奏音乐本身和声乐演唱旋律是相互依存,两者的融合可以完成一个更美丽的旋律。然后,有认知功能的实现。为了实现感知功能,必须有一定的软件和硬件支持。因此,传感器被安排在钢琴教学的学习过程和学习者穿一个智能感应手镯。手镯可以监控学习者的技术和实时播放过程,并记录整个过程。最后,根据钢琴教学数据手镯,钢琴教师和学生可以让钢琴学习效率的评估。
3.2。IoT-Based实现智能感知的过程
本文结合物联网网络,构造智能感知的实现过程如图4,包括三个部分:传感单元,计算单元和接口单元。
几个传感器敏感元件的排列监测和记录整个教学过程。传感器中的数据将被传输到计算单元,计算过程的单元包括信号采集、数据处理和数据存储。信号分为图像采集和音频集合集合。图像收集收集的位置、深度和脚运动的手指按下钢琴键通过多个摄像头,和音频收集收集弹钢琴的声音通过全向麦克风。数据处理是钢琴气质和钢琴的建模分数,和音频的处理和分析。数据存储来保存所有数据生成过程中钢琴教学。接口单元的两端连接与智能传感器和外部网络系统,确保运行平稳的整个智能传感的工作。
3.3。物联网为基础的网络智能钢琴教学系统的应用示范
结合物联网网络和计算,本文构造了智能钢琴教学系统的应用过程,如图5,这主要包括三个部分:采集模块,感知模块、加工中心。在钢琴教学中,演奏技术和音频输出是两个最重要的链接(14),因此采集模块在收集数据时也集中在这两个。通过网络服务器,获取模块传送感知模块的相关数据,然后处理中心比较指法图像和音频数据中的信息,最后形成一个新的钢琴教学模式。
3.4。IoT-Based声乐演唱和钢琴教学的有机结合
基于物联网的网络,以促进更好的合作声乐演唱和钢琴教学,本文改进了钢琴教学的课堂教学模式,即让钢琴学习者陪声乐歌手加强合作意识。具体内容如下:首先,钢琴伴奏与声乐歌手分析和理解的背景和风格一起在老师的指导下,和两个必须达成共识理解工作。然后,钢琴伴奏者也需要了解歌手的演唱风格。他知道的更全面的歌手,他越能控制大局与确定性,付诸实践,没有事故,这样的处理工作可以实现更好的结果。最后,伴奏者和歌手必须情感一致,和两个在他们心中必须有一个共同的目的,那就是最后表达情感的正常工作,共同创造一个完美的音乐形象。
4所示。在钢琴教学中应用边缘计算算法
结合高斯混合模型的计算方法,本文将部署和定位传感器设备在钢琴教学中。根据高斯分布的概念15),设备节点的分布形式可以表示如下:
在公式(1),是高斯分布的平均值,它描述了高斯分布的中心位置和是高斯分布的方差,它描述了数据分布的集中程度。越大 ,分布越分散越小 ,越集中。从这个公式可以知道样品中心节点越近,将概率越高,而且越小 ,样品越集中节点。
假设所有样本节点是由高斯组件,传感器设备的分布在钢琴教学可以被看作是样品的问题节点分布服从高斯混合模型。计算方法是 。
在哪里代表每个高斯模型组件的重量和满足以下方程:
计算每个样本的概率分布节点后,所有样本分布的概率值可以通过乘以每个采样节点的概率。计算方法如下:
前面的高斯混合模型简单地比较了概率集群节点示例,这常常导致一些高斯组件之间的不平衡(16]。为了确保负载属于每个高斯组件相对平衡,建立数学模型如下:
的公式,代表了高斯组件的总负载 , 代表节点b高斯分量的概率 , 代表所需的负载传感器设备连接终端设备 ,和是一个二进制变量。整个高斯混合模型的加载可以写成:
为了确保整个高斯混合模型的负载平衡(17),目标函数如下:
限制公式(9)代表的指示符变量 ,这只会把值在0和1之间。公式(10)表明,每个传感器设备只能聚集成一个网关。
一般来说,在边缘设备的参数估计问题,变量选择是一个需要解决的主要问题,因为变量的选择关系到是否可以执行后续的模型参数估计准确。变量选择边缘的估计参数时,必须执行设备。变量的选择应该基于一些信息标准。常用的信息标准包括AIC (Akaike信息标准)标准和BIC(贝叶斯信息准则)标准。标准表达式如下: 的公式,表示参数的数量估计在选定的模型,代表所选模型数据样本的长度,和代表了最大似然估计模型的建立与样品节点作为一个变量。
本文利用BIC准则求解最大似然估计的高斯混合模型,即
首先,不同初始参数选择和高斯混合模型的最大似然估计价值获得的算法。代入到公式(14),BIC值,然后小BIC值选为高斯模型在高斯混合模型中,以保证最优边缘传感器设备的数量。
边缘的最后一步计算是解决目标函数。上述目标函数表达式可以表示如下:
因为涉及的高斯混合模型,它是很麻烦的直接找到目标函数的导数,所以本文采用expectation-maximum迭代算法(EM)计算(18]。根据上述,迭代表达式可以表示如下:
的公式,代表的迭代次数。每个高斯模型组件的参数可以从概率估计数据。具体过程如下:
每个高斯模型的参数表示 ,和每个模型 ,根据迭代次数,每个高斯模型组件的参数可以表示如下:
乘以每个高斯组件的参数值,然后计算每个高斯组件的示例节点值,传感器设备可以安排的边缘路径的钢琴教学体系。
5。物联网网络和边缘Computing-Based练习钢琴教学模式的结果和分析
结合物联网网络和计算,本文提出了一种新的钢琴教学模式。为了分析是否新钢琴教学模式能使学生和钢琴教师适应,本文调查了300名教师和学生的适应程度在某所大学的新钢琴教学模式。调查结果如表所示1。
从物联网网络的数量和比例的适应水平表1,它可以清楚地看到,有很少人不能适应这种模式。一般来说,有相对更多的人适应,教师和学生的数量占总数的23%。人占了绝大多数,教师和学生的数量占总数的66.4%,这也从侧面表明它是相对成功应用物联网网络和边缘计算钢琴教学。
基于物联网的钢琴教学中最重要的是学生的自主权。除了在课堂上的教学内容,也是非常必要的学生课后练习钢琴。为了验证新钢琴教学模式是否能提高学生的自主权,课后练习钢琴的时间根据传统钢琴教学模式和新的钢琴教学模式进行了研究。五周的特定时期,调查结果如图所示6。
可以看到从图的直方图6的练习时间,前两周的新模式是仅略高于传统的模式,并有下降的趋势。这对应于上面提到的适应程度,必须有一个过程为学生两种模式之间的变化。从第三周,学生的钢琴练习时间显著增加。第三周是近15个小时的时间比第二周,和未来两周也保持着上升趋势。与传统模型相比,虽然练习钢琴的时间在过去三周在第三周大幅增加,有下降的趋势在接下来的两个星期。一般来说,新的钢琴教学模式下的钢琴练习时间更长的时间比传统的钢琴教学模式,并随着时间的流逝,时间总是在上升。
测量的质量基于物联网的教学模式,课堂参与率无疑是最好的指标之一。图7显示了传统钢琴教学模式的课堂参与率和新的钢琴教学模式在10天。
它可以看到从图7差异在两种模式之间的基于物联网的课堂参与率在10天内仍相对较大。前三天的课堂参与率相对较低,在第二天,传统教学模式下的参与率甚至略高于新教学模式。这是可以理解的,毕竟,它需要一定的过程对学生接受新的教学模式。从第四天,两种模式的课堂参与率开始上升,但上升的状态是不同的在接下来的几天。新教学模式下的课堂参与率一直在上升,而参与率的传统教学模式下的课堂参与率波动很大,有下降的趋势。比较图表,很容易画,新教学模式下的课堂参与率大大高于传统的教学模式,它是相对稳定的。
为了更好地展示的实际影响新的基于物联网的钢琴教学模式,学生的钢琴等级考试教室了。特定的时期是第一个6个月,和总人数是500。调查结果如图所示8。
从边缘的角度计算,第一个小直方图如图8代表通过钢琴教学测试的结果基于物联网模式,第二个小直方图代表了通过钢琴教学测试的结果基于边缘计算模式。可以看出,前两个月,的人通过两种模式下的测试是没有多少不同,和的人通过了测试甚至没有超过100年的前两周。随着时间的流逝,从第三个月起,过往成绩的数量,通过成绩在两种模式下的数量有所增加,但增长率的差异仍然是显而易见的。新模式下的增长率可以说是飙升。到了第六个月,的人通过了考试并通过成绩达到超过200人。与传统模式相比,其增长率相对较小,仍有个别个月下降。
从物联网的基础网络和边缘计算,集成智能感知技术和声乐歌唱的目的在钢琴教学模式来提高学生的学习效率,另一方面,提高钢琴教师的教学效率另一方面。图9介绍了两种模式的学习效率和教学效率在五周。
第一个小线图如图9显示了边缘computing-based学习效率的两种模式在五周,第二个显示了教学效率。传统的钢琴教学模式下的学习效率不超过70%在五周内最高水平,基本上是在50%和60%之间,波动很大。从第一周的新钢琴教学模式,学习效率已经达到65%左右,在第二周,有轻微下降,然后它一直保持着稳定的增长。在教学效率方面,传统的模式是相对稳定的,效率是维持在60%左右,而新模型一直在上升,这也是由于钢琴教师的适应性的新模型。
与其他教学、基于物联网的钢琴教学是一个相对缓慢的过程,它要求教学模式与教师和学生必须匹配。为了更好地验证实际效果的新钢琴教学模式,这种模式的教学效率起一年内进行了分析,并与传统的钢琴教学模式。具体的比较结果如图10。
从图在图10可以看出,仍有很大的差距在基于物联网的钢琴教学的效率在一年内两种模式。前两个月,由于两种模式的转换和适应,教学效率表明一个交叉的趋势。自3月以来,新的钢琴教学模式下的教学效率测试逐渐增加,而且一直没有下降的趋势,直到12月。相比传统的钢琴教学模式,虽然中间有一个上升趋势,整体波动太大。相比之下,很容易得出这样的结论:新的钢琴教学模式的教学效率是7.31%高于传统的钢琴教学模式在一年内。
6。结论
研究物联网网络和边缘计算一直是近年来在工业和学术界研究的热点,特别是对环境情报和大规模的交流。作为一种典型的物联网网络和边缘计算、智能感知声乐歌唱学习系统吸引了研究人员在教育和学术界的关注。本文应用物联网感知技术的钢琴教学中,构建一个智能钢琴教学系统,并使用边缘计算算法精确传感器部署到系统,通过利用环境情报和大规模的交流。最后的结果表明,本文的研究为应用程序提供重要指导的物联网网络和边缘计算,特别是对环境情报和大规模的交流。
数据可用性
的数据支持本研究的发现可以从相应的作者在合理的请求。
的利益冲突
作者宣称没有利益冲突。