[发明专利]一种儿童伴学机器人及其早教系统自学习方法

摘要

本发明公开了一种儿童伴学机器人及其早教系统自学习方法，自学习方法包括：步骤A10，训练卷积神经网络；步骤A20，采用卷积神经网络对输入的图像提取特征向量；步骤A30，采用乘积量化技术对特征向量分组量化；步骤A40，根据Imagenet数据集生成基准字母表；步骤A50，获取未知的新事物的图像和类别，提取新事物图像的特征向量并分组量化，并在基准字母表中查找匹配的新事物字符串；在联想记忆模型中将新事物字符串与类别匹配连接，实现将新事物学习到早教系统中；步骤A60，获取待识别事物的图像，早教系统识别得到待识别事物的类别。本发明可以实现与儿童一起学习新知识，共同竞赛，提高儿童学习的乐趣。

主权项

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ks个类中心，记录每个分组数据集的ks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。