Design of Intelligent Education Service Robots for Big Data
Notice bibliographique
Résumé
With the development of robot technology, service robots have gradually come into people's lives, which also makes human-computer interaction more and more frequent. However, most of the current robot control algorithms have low accuracy and difficult operation, and people can't wait to find more effective algorithms. In order to design the most convenient and accurate intelligent education service robot, this paper uses SF algorithm and improved PCNN to establish a hybrid model, and proposes an improved saliency region extraction algorithm based on education service robot. The algorithm compares the standard database with the real environment, and the PR curve of the proposed algorithm is improved by about 5%. It is 10% higher than the SF algorithm in the AUC index, and the comprehensive F value is improved by 3.4% ~ 7.4%. This paper fully demonstrates that the saliency area generated by the proposed algorithm is closer to the true value, which can effectively suppress the high-brightness background area in the detection results of the SF algorithm. It also verifies that the PCNN model with the neuron propagation stimulation mechanism as the core more effective simulation of biological vision systems. Combining compressed sensing technology, this paper proposes a speech recognition scheme that is easy to implement in hardware. The algorithm performance of the robot is verified, and the optimal effect parameters are selected through comparative experiments. The method uses Chinese phonetic phrase (sentence) test to obtain good recognition results, and it can be used as an effective improvement scheme for the speech input of the proposed robot voice interaction system.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».