简介:学习情绪是学习者模型的重要内容,如何识别学习者的学习情绪是下一代智能教辅系统的关键技术。困惑是最常见的学习情绪之一,及时识别并解决困惑有助于提高学习效果,然而困惑情绪内隐性较强,识别难度较大。本研究设计了一组基于在线测评的困惑诱导实验,提出了一种基于面部表情的学习困惑自动识别算法。研究人员通过设定不同难度的测试题诱导被试产生困惑情绪,同时利用摄像设备实时捕捉学习者的面部表情,提取面部重要特征点,进而利用机器学习算法进行困惑识别。在实验中,本研究使用逻辑回归、支持向量机、K近邻、决策树、随机森林和深度学习等机器学习算法建立学习困惑自动检测模型,并与被试自我报告确定的困惑标签进行对比。实验结果表明,多数分类算法能有效检测学生的学习困惑,随机森林模型的预测性能最佳,平均准确率为71.18%。本研究所提出的方法可为下一代智能教辅系统的学习者情绪建模提供技术支撑。
简介:执法记录仪在公安一线使用非常广泛,逐渐成为一种必备的警用设备。当前,执法记录仪主要以记录音视频为主,产生的数据量和冗余度都非常大,一般需要人工回看分析,不但增加了传输和存储的负担,对数据分析的效率也比较低。因此,如何运用人工智能技术来自动地对执法记录仪采集的数据进行分析非常重要,是迫切需要解决的问题。文章以人工智能中的图像识别为主要技术,针对执法记录仪的实际使用环境,提出了一套综合的执法记录仪视频分析智能解决方案。将人脸检测、车牌检测和车牌识别技术应用于执法记录仪,自动地从采集的视频、图像中获取人脸和车牌信息;在执法记录仪端实现车牌识别;同时,将抓拍的人脸回传至人脸比对服务器进行分析,再返回比对结果;执法仪、后端服务器均和数据服务器进行数据同步。实践证明,该系统在实战中起到了明显的作用,能够帮助一线民警及时布控关键人员、车辆,提升民警的工作效率。
简介:云计算中的群集计算应用程序(例如MapReduce和面向用户的应用程序)具有应用程序级别的需求,因此需要有高级别的抽象来表示这些应用程序的需求.协流(coflow)是一个网络级别的抽象,用来表达数据并行编程范例的通信要求.协流使应用程序更容易地将其通信语义传达给网络,从而使网络能够优化常见的通信模式.然而,现有的协流识别方案依赖于修改应用程序,并不适用于多数实际场景.提出了基于增量聚类的协流识别策略,采用增量聚类算法来执行快速、透明的协流识别,实现了协流识别的自动化,同时无需对应用进行修改.仿真实验结果显示,本文的识别算法具有超过90%的准确率,具有一定的鲁棒性.