[发明专利]一种儿童伴学机器人及其早教系统自学习方法

权利要求书

1.一种儿童伴学机器人的早教系统自学习方法，其特征在于，包括以下步骤：

步骤A10，训练卷积神经网络；

构建卷积神经网络模型，以Imagenet数据集的所有样本图像作为输入、样本图像的类别作为标签，训练卷积神经网络；

步骤A20，提取图像特征信息；

采用步骤A10训练得到的卷积神经网络对输入的图像进行特征提取，输出特征向量；

步骤A30，对特征向量分组量化；

采用乘积量化技术将特征向量进行分组量化，形成m个子特征向量；

步骤A40，生成基准字母表；

将Imagenet数据集的所有样本图像，均按步骤A20和A30处理，得到每个样本图像的m个子特征向量；

对所有样本图像，取序列相同的子特征向量构成1个分组数据集，总共计m个分组数据集；

对每个分组数据集采用K-means算法计算得到k_s个类中心，记录每个分组数据集的k_s个类中心为1个类集合，总共m个类集合构成基准字母表；

将基准字母表预置于联想记忆模型的输入层；

步骤A50，学习新事物；

从早教系统外部获取未知的新事物的图像和类别；

将获取的新事物图像按步骤A20和步骤A30处理，得到新事物的m个子特征向量；遍历新事物的m个子特征向量，在基准字母表的与新事物的当前子特征向量序列相同的类集合中查找匹配的字母，得到长度为m的新事物字符串；

激活联想记忆模型输入层中存储有新事物字符串各字母的节点，联想记忆模型将输入层被激活的节点与表示新事物类别的输出层节点匹配连接；其中，所述联想记忆模型为包括输入层和输出层的二值神经网络，所述输出层的节点预置有事物类别；

步骤A60，识别待识别事物；

从早教系统外部获取待识别事物的图像；

将获取的待识别事物的图像按步骤A20和步骤A30处理，得到待识别事物的m个子特征向量；遍历待识别事物的m个子特征向量，在基准字母表的与待识别事物的当前子特征向量序列相同的类集合中查找匹配的字母，得到长度为m的待识别事物字符串；

激活联想记忆模型输入层中存储有待识别事物字符串各字母的节点，联想记忆模型查找与输入层被激活的节点匹配连接的输出层节点，并输出输出层节点相应的事物类别，识别得到待识别事物的类别。

2.根据权利要求1所述的方法，其特征在于，所述联想记忆模型的输出层为每个事物类别分配至少2个节点；当学习新事物时，与激活的输入层节点匹配连接的输出层节点是当前事物类别下尚未与输入层节点连接的第一个节点。

3.根据权利要求1所述的方法，其特征在于，所述联想记忆模型为两层的神经网络。

4.根据权利要求1所述的方法，其特征在于，在基准字母表的m个类集合中分别查找与事物的m个子特征向量匹配的字母的方法为：分别计算当前子特征向量与对应的类集合中的k_s个类中心之间的距离，取距离最近的1个类中心作为与事物对应的1个字母，由事物的m个子特征向量得到m个字母，从而得到与事物对应的长度为m的字符串。

5.根据权利要求1所述的方法，其特征在于，事物的类别与事物的真实名称之间以键值对保存在.txt格式的键值对文件中；学习新事物时，先从外界获取新事物的真实名称，然后在键值对文件中查找到与真实名称对应的类别；若不存在该类别信息，则插入一个新的键值对，以表示新学习的类别，再将事物的类别输入给联想记忆模型；识别待识别事物时，联想记忆模型输出的是待识别事物的类别，通过在键值对文件中查找到与类别对应的真实名称，早教系统输出待识别事物的真实名称。

6.根据权利要求1所述的方法，其特征在于，使用交叉熵作为损失函数来训练卷积神经网络模型，并根据损失函数的计算值L更新卷积神经网络各层的权重矩阵；

其中，所述损失函数如式1所示：

其中，N表示每次输入卷积神经网络的样本图像的数量，y_i为第i个样本图像的类别真实标签，y'_i为卷积神经网络对第i个样本图像的预测值。