[0001] 本申请涉及智能化演示技术领域，并且更具体地，涉及一种数学概率演示系统。

[0002] 目前，数学老师在进行概率统计理论教学时，通常需要在教室进行相应的实验操作，来验证概率统计理论的相关定理，并将实验结果进行拟合度演示。拟合度演示实验不易演示给学生看，通常实验结果不能形象的展现出来。为了解决上述的问题，数学概率统计原理拟合度演示装置发挥着非常重要的作用。但是现有的数学概率统计原理拟合度演示装置在拟合度演示过程中，由于显示屏的高度不能进行调整，导致在长时间的观看下，增加了脖子部位的酸痛感。

[0003] 因此，期望一种优化的数学概率演示系统。

[0020] 下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

[0021] 除非另有说明，本申请实施例所使用的所有技术和科学术语与本申请的技术领域的技术人员通常理解的含义相同。本申请中所使用的术语只是为了描述具体的实施例的目的，不是旨在限制本申请的范围。

[0022] 在本申请实施例记载中，需要说明的是，除非另有说明和限定，术语“连接”应做广义理解，例如，可以是电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。

[0023] 需要说明的是，本申请实施例所涉及的术语“第一\第二\第三”仅仅是是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本申请的实施例可以除了在这里图示或描述的那些以外的顺序实施。

[0024] 在介绍了本申请的基本原理之后，下面将参考附图来具体介绍本申请的各种非限制性实施例。

[0025] 在本申请的一个实施例中，图1为根据本申请实施例的数学概率演示系统的框图。如图1所示，根据本申请实施例的数学概率演示系统100，包括：曲线图获取模块110，用于获取带有标注有特殊点的曲线图；曲线图分析模块120，用于从所述带有标注有特殊点的曲线图中提取曲线拟合特征向量；以及，显示屏高度调节模块130，用于基于所述曲线拟合特征向量，确定推荐的显示屏的高度值。

[0026] 其中，所述曲线图获取模块110是数学概率演示系统的核心模块之一。曲线图获取模块的主要功能是获取带有标注有特殊点的曲线图，曲线图获取模块需要从数据源中准确地获取曲线图，确保数据源的准确性和完整性。曲线图可能以不同的数据格式存储，例如CSV、Excel、JSON等，因此曲线图获取模块可以支持不同的数据格式，并能够正确地解析和读取数据。曲线图可以是折线图、散点图、柱状图等不同类型，曲线图获取模块能够支持不同类型的曲线图。这样，可以轻松地获取带有标注有特殊点的曲线图，从而为后续的数据分析和可视化提供数据源。

[0027] 所述曲线图分析模块120是数学概率演示系统的另一个核心模块。曲线图分析模块从带有标注有特殊点的曲线图中提取曲线拟合特征向量。曲线拟合特征向量的提取需要基于一定的曲线拟合算法，例如最小二乘法、样条插值等，曲线图分析模块可以确定合适的曲线拟合算法，并能够正确地提取曲线拟合特征向量。曲线拟合特征向量需要准确地反映曲线的变化趋势和特征，曲线图分析模块能够准确地提取曲线拟合特征向量，并确保特征向量的准确性和完整性。这样，可以从曲线图中提取曲线拟合特征向量，从而更好地理解曲线图的数据。

[0028] 所述显示屏高度调节模块130是数学概率演示系统的另一个重要模块。显示屏高度调节模块基于曲线拟合特征向量，自适应地调整显示屏的高度，从而减轻用户长时间观看曲线图时的脖子疲劳感。显示屏高度调节需要基于一定的算法，例如PID控制算法、模糊控制算法等。显示屏高度调节模块可以确定合适的高度调节算法，并能够实现高度调节的精度和稳定性。而且，显示屏高度调节模块可以考虑用户的体验，例如调节速度、调节幅度等，根据用户的需求和反馈，调整高度调节的参数。这样，可以减轻长时间观看曲线图时的脖子疲劳感，提高用户的舒适度和效率。

[0029] 具体地，所述曲线图获取模块110，用于获取带有标注有特殊点的曲线图。拟合度演示实验不易演示给学生看，通常实验结果不能形象的展现出来。为了解决上述的问题，数学概率统计原理拟合度演示装置发挥着非常重要的作用。但是现有的数学概率统计原理拟合度演示装置在拟合度演示过程中，由于显示屏的高度不能进行调整，导致在长时间的观看下，增加了脖子部位的酸痛感。因此，期望一种优化的数学概率演示系统。

[0030] 相应地，在本申请的技术方案中，考虑到在实际进行数学概率统计原理的拟合度演示过程中，为了能够增强拟合度演示的效果，通常需要对曲线中的特殊点进行标注演示，而在进行带有标注特殊点的曲线图演示过程中，期望通过采用基于深度学习的人工智能技术来对于带有标注有特殊点的曲线图进行图像分析，以此来自适应地调整显示屏的高度以避免长时间观看脖子部位出现疲劳感，从而优化数学概率统计原理的拟合度演示的效果和舒适度。

[0031] 具体地，在本申请的技术方案中，首先，获取带有标注有特殊点的曲线图。具体来说，当用户调节显示屏高度时，曲线图的显示也会相应地发生变化。如果显示屏高度过低或过高，可能会导致曲线图的特殊点无法清晰地显示，影响用户对数据的理解。因此，显示屏高度调节模块需要确定合适的高度调节算法，以确保曲线图的特殊点能够清晰地显示在用户的视线范围内。同时，还可以考虑到用户体验，例如调节高度的方便程度和调节后的稳定性等，以提高用户的满意度。

[0032] 更具体地，首先，选择合适的数据源，可以是本地文件或者在线数据接口。然后，确定数据格式，例如CSV或JSON格式。接着，根据数据格式解析数据，将数据转换成程序可以处理的数据结构。然后，根据数据结构绘制曲线图，可以使用现成的绘图库或者编写绘图函数。接着，标注特殊点，可以使用绘图库提供的标注功能或者手动添加标注。最后，保存曲线图并输出，可以保存为图片或者直接在界面上显示。通过上述步骤可以获得带有标注有特殊点的曲线图。

[0033] 值得注意的是，在获取曲线图的过程中，需要保证数据的准确性和完整性，避免因为数据错误导致的曲线图不准确。同时，在标注特殊点时，需要根据实际需求选择合适的标注方式，以便更好地理解曲线图的数据。

[0034] 具体地，所述曲线图分析模块120，用于从所述带有标注有特殊点的曲线图中提取曲线拟合特征向量。图2为根据本申请实施例的数学概率演示系统中所述曲线图分析模块的框图，如图2所示，所述曲线图分析模块120，包括：曲线图分块单元121，用于对所述带有标注有特殊点的曲线图进行图像分块处理以得到部分曲线图块的序列；曲线拟合特征捕捉单元122，用于基于深度神经网络模型的拟合曲线特征提取器对所述部分曲线图块的序列中的各个部分曲线图块进行图像特征提取以得到多个部分曲线拟合特征向量；曲线全局拟合特征增强单元123，用于对所述多个部分曲线拟合特征向量进行全局关联特征提取以得到全局曲线拟合强化特征向量；以及，残差特征融合单元124，用于利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量以得到曲线拟合特征向量。

[0035] 应可以理解，通过所述的曲线拟合特征向量提取方法，可以得到一组描述曲线拟合特征的向量。这些向量可以用于对曲线进行分类、聚类、相似性比较等操作，从而实现对曲线数据的更深入的分析和理解。这样，第一方面，可以提高曲线拟合的准确性和精度。通过提取曲线的拟合特征向量，可以更准确地描述曲线的形状和特征，从而提高曲线拟合的准确性和精度。第二方面，可以提高曲线数据的分析和理解能力。通过对曲线拟合特征向量的分析和比较，可以更深入地理解曲线数据的含义和规律，从而为数据分析和决策提供更有力的支持。第三方面，可以提高曲线数据的可视化效果。通过提取曲线拟合特征向量，可以更好地展示曲线的形状和特征，从而提高曲线数据的可视化效果，增强用户对数据的理解和认知。第四方面，可以提高算法的普适性和适应性。由于该方法基于深度神经网络模型，可以适用于各种类型的曲线数据，并且具有一定的适应性和普适性，可以应用于各种领域和场景中。

[0036] 首先，在所述曲线图分块单元121中，用于对所述带有标注有特殊点的曲线图进行图像分块处理以得到部分曲线图块的序列。接着，考虑到在实际进行数学概率演示过程中，标注有特殊点的拟合曲线较长，关于该拟合曲线的特征信息在图像中为小尺度的细微特征，即占有图像的比例较小，难以通过传统的特征提取方式进行有效捕捉。因此，为了能够提高图像中的所述标注有特殊点的拟合曲线小尺度隐含特征的表达能力，以此来提高对于显示屏高度值控制的精准度，在本申请的技术方案中，需要对所述带有标注有特殊点的曲线图进行图像分块处理以得到部分曲线图块的序列。应可以理解，所述部分曲线图块的序列中的各个部分曲线图块的尺度相较于原图像被缩减，因此，所述曲线图中关于标注有特殊点的拟合曲线隐含特征在所述各个部分曲线图块中不再是小尺度特征信息，以便于后续进行标注有特殊点的拟合曲线的特征提取和显示屏的高度控制。

[0037] 图像分块是将一张大图像分割成多个小块的过程。对于带有标注有特殊点的曲线图，可以将其分成多个小块进行处理，以得到部分曲线图块的序列。在本申请的一个实施例中，基于像素值的分块法对所述带有标注有特殊点的曲线图进行图像分块处理，该方法是将图像分成多个像素块，每个像素块的大小相等。

[0038] 在本申请的另一个实施例中，基于特征点的分块法对所述带有标注有特殊点的曲线图进行图像分块处理，该方法是根据曲线图中的特征点将图像分成多个块。该方法的优点是可以保证特殊点不被分割，从而提高曲线拟合的准确性。

[0039] 使用图像分块处理的好处是可以提高曲线图数据的处理效率和准确性。通过将曲线图分成多个小块，可以更加精细地处理每个小块中的数据，从而提高曲线拟合的准确性和精度。此外，图像分块还可以减少数据处理的时间和计算量，提高数据处理的效率。

[0040] 然后，在所述曲线拟合特征捕捉单元122中，用于基于深度神经网络模型的拟合曲线特征提取器对所述部分曲线图块的序列中的各个部分曲线图块进行图像特征提取以得到多个部分曲线拟合特征向量。其中，所述深度神经网络模型为卷积神经网络模型。

[0041] 然后，使用在图像的隐含特征提取方面具有优异表现性能的基于卷积神经网络模型的拟合曲线特征提取器来进行所述部分曲线图块的序列中的各个部分曲线图块的特征挖掘，以此来分别提取出所述各个部分曲线图块中关于标注有特殊点的拟合曲线的局部隐含特征分布信息，从而得到多个部分曲线拟合特征向量。

[0042] 深度神经网络(Deep Neural Network，DNN)是一种基于多层神经元的机器学习模型，可以通过学习输入和输出之间的映射关系来实现各种任务，例如图像分类、自然语言处理、语音识别等。深度神经网络的核心思想是通过多个神经元层来逐步提取输入数据的特征，从而实现更加准确的分类或预测。

[0043] 深度神经网络模型通常由多个神经元层组成，每个神经元层包含多个神经元，每个神经元都与上一层的所有神经元相连。每个神经元接收上一层的输出作为输入，并通过一系列的权重和偏置进行计算，最终输出到下一层的神经元中。深度神经网络模型的优点是可以自动学习输入数据的特征，并且可以处理高维的非线性数据。在图像分类、语音识别、自然语言处理等领域都取得了很好的效果。

[0044] 基于深度神经网络模型的拟合曲线特征提取器可以用来对所述部分曲线图块的序列中的各个部分曲线图块进行图像特征提取，以得到多个部分曲线拟合特征向量。基于深度神经网络模型包括：卷积层，卷积层是深度神经网络中最基本的层之一。通过滑动一个可学习的卷积核来提取输入数据的特征。卷积操作可以有效地减少参数数量，同时也可以提取图像中的局部特征。卷积层的输出可以进一步输入到下一个卷积层或池化层中进行处理。池化层，池化层是用来减小卷积层输出的空间大小，从而减少计算量和参数数量的一种操作。池化层通常有两种类型：最大池化和平均池化。最大池化会选择每个池化区域中的最大值作为输出，而平均池化则会计算每个池化区域的平均值作为输出。池化层的输出可以进一步输入到下一个卷积层或全连接层中进行处理。非线性激活函数层，非线性激活函数层是深度神经网络中的一个重要组成部分。可以将卷积层或池化层的输出进行非线性变换，从而增强模型的表达能力。常用的非线性激活函数有ReLU、Sigmoid、Tanh等。非线性激活函数层的输出可以进一步输入到下一个卷积层或全连接层中进行处理。

[0045] 这样，可以更好地理解曲线图数据，从而提高数据分析和理解能力。通过提取曲线拟合特征向量，可以更好地分析曲线的趋势、波动和变化，并且可以更好地预测未来的趋势和变化。此外，基于深度神经网络模型的拟合曲线特征提取器还可以快速准确地识别和分析曲线图中的异常点和异常趋势，从而提高数据分析和决策的准确性。

[0046] 接着，在所述曲线全局拟合特征增强单元123中，用于对所述多个部分曲线拟合特征向量进行全局关联特征提取以得到全局曲线拟合强化特征向量。其包括：全局曲线拟合特征排列子单元，用于将所述多个部分曲线拟合特征向量排列为全局曲线拟合特征向量；全局曲线拟合特征强化子单元，用于将所述全局曲线拟合特征向量通过包含第一卷积层和第二卷积层的局部关联强化特征提取器以得到全局曲线拟合强化特征向量。

[0047] 继而，再将所述多个部分曲线拟合特征向量排列为全局曲线拟合特征向量，以此来将所述各个部分曲线图块中关于拟合曲线的特征信息，以更好地反映出整个曲线的特性。应可以理解，在分块处理过程中，每个所述部分曲线图块并不能完整地描述整个曲线，而只能提供一部分曲线的特征信息。因此，通过将所有部分曲线拟合特征向量进行排列，可以得到一组全局曲线拟合特征向量，从而更全面、准确地反映曲线的特性，增强对于曲线的全局特征信息捕捉能力，从而提高显示屏高度控制的精准度。

[0048] 进一步地，所述全局曲线拟合特征强化子单元，包括：第一尺度特征提取二级子单元，用于将所述全局曲线拟合特征向量通过所述局部关联强化特征提取器的第一卷积层以得到第一尺度曲线拟合特征向量，其中，所述第一卷积层具有第一尺度的一维卷积核；第二尺度特征提取二级子单元，用于将所述全局曲线拟合特征向量通过所述局部关联强化特征提取器的第二卷积层以得到第二尺度曲线拟合特征向量，其中，所述第二卷积层具有第二尺度的一维卷积核，所述第一尺度不同于所述第二尺度；以及，级联二级子单元，用于将所述第一尺度曲线拟合特征向量和所述第二尺度曲线拟合特征向量级联以得到所述全局曲线拟合强化特征向量。

[0049] 进一步地，在得到所述全局曲线拟合特征向量后，考虑到由于所述标注有特殊点的曲线中的各个局部位置处具有更深层次的隐含语义关联特征信息，而拟合曲线特征提取器并不能够较好地捕捉到更为深层次的高维语义特征，并且所述全局曲线拟合特征向量中还可能存在一些噪声和误差，无法完全描述曲线的真实特征。因此，在本申请的技术方案中，进一步将所述全局曲线拟合特征向量通过包含第一卷积层和第二卷积层的局部关联强化特征提取器以得到全局曲线拟合强化特征向量，以此来对全局曲线进行更深入的特征提取，增强模型的精度和鲁棒性。特别地，这里，所述第一卷积层和所述第二卷积层使用不同尺度的一维卷积核来进行所述全局曲线拟合特征向量的特征挖掘，以提取出所述标注有特殊点的拟合曲线中的各个局部区域深层次的多尺度高维隐含关联特征信息，从而能够更为全面地捕捉到所述曲线的全局拟合深层强化特征信息。也就是说，通过引入所述局部关联强化特征提取器，可以对所述全局曲线拟合特征向量进行再次处理和增强，从而得到更加准确的所述全局曲线拟合强化特征向量，在后续的显示屏高度推荐任务中取得更好的效果。

[0050] 在本申请的另一个实施例中，首先将全局曲线拟合特征向量输入到第一卷积层中，使用一维卷积核对曲线进行特征提取。然后，将第一卷积层的输出作为第二卷积层的输入，继续使用不同尺度的一维卷积核进行特征提取。这样可以在不同的尺度上提取出不同的特征，从而更全面地捕捉到曲线的全局拟合深层强化特征信息。最后，将第二卷积层的输出作为全局曲线拟合强化特征向量，用于更深入的特征提取和分析。可以更全面地捕捉到曲线的全局拟合深层强化特征信息，从而提高模型的精度和鲁棒性。此外，该方法还可以提高模型的泛化能力，使其可以适用于不同类型的曲线数据。

[0051] 最后，在所述残差特征融合单元124中，用于利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量以得到曲线拟合特征向量。进而，利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量以得到曲线拟合特征向量，以融合所述标注有特殊点的曲线的局部隐含特征信息和深层语义隐含特征信息，从而进一步提高模型的性能和鲁棒性，并避免过度拟合和欠拟合现象的发生。

[0052] 残差思想是指在深度神经网络中，通过将前一层的输出与当前层的输入相加来构建残差块，以解决深度神经网络训练时出现的梯度消失和梯度爆炸问题。这种方法可以使得网络更加容易训练，并且可以提高模型的精度和鲁棒性。

[0053] 在利用残差思想来融合全局曲线拟合特征向量和全局曲线拟合强化特征向量时，可以将全局曲线拟合特征向量作为残差块的输入，将全局曲线拟合强化特征向量作为残差块的输出，然后将两者相加得到曲线拟合特征向量。这样可以利用残差思想来提高模型的精度和鲁棒性，并且可以更好地捕捉到曲线的特征信息。

[0054] 残差思想可以提高深度神经网络的训练效率和模型的精度。由于深度神经网络中的梯度消失和梯度爆炸问题，使得在训练深度神经网络时很难获得良好的结果。而残差思想通过引入残差块来解决这个问题，可以使得网络更加容易训练，并且可以提高模型的精度和鲁棒性。此外，残差思想还可以使得网络更加深入，从而可以提取更深层次的特征信息，进一步提高模型的性能。

[0055] 具体地，所述显示屏高度调节模块130，用于基于所述曲线拟合特征向量，确定推荐的显示屏的高度值。图3为根据本申请实施例的数学概率演示系统中所述显示屏高度调节模块的框图，如图3所示，所述显示屏高度调节模块130，包括：校正因数计算单元131，用于对所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量进行前向传播信息保留融合以得到校正特征向量；曲线拟合优化单元132，用于将所述校正特征向量和所述曲线拟合特征向量进行按位置点乘以得到优化曲线拟合特征向量；以及，显示屏高度解码单元133，用于将所述优化曲线拟合特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的显示屏的高度值。

[0056] 首先，在所述校正因数计算单元131中，特别地，在本申请的技术方案中，所述全局曲线拟合特征向量表达各个部分曲线图块的图像语义特征的组合，而所述全局曲线拟合强化特征向量进一步表示各个部分曲线图块的图像语义特征之间的局部关联特征，也就是，一方面进行了局部关联特征的提取，一方面进行了图像语义本身在特征层面上的抽象，这样，所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量会存在分布不对齐，从而在利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量时，会导致所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量的各自的不对齐的特征分布在模型中进行传播时产生信息损失，影响所述曲线拟合特征向量对于所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量的特征残差融合的表达效果。

[0057] 基于此，本申请的申请人对所述全局曲线拟合特征向量，例如记为V1和所述全局曲线拟合强化特征向量，例如记为V2进行前向传播信息保留融合，以得到校正特征向量V′，其中V′表示为：以如下融合优化公式对所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量进行前向传播信息保留融合以得到所述校正特征向量；其中，所述融合优化公式为：

[0058]

[0059]

[0060] 其中，V1是所述全局曲线拟合特征向量，V2是所述全局曲线拟合强化特征向量，＜＜s和＞＞s分别表示将特征向量左移s位和右移s位，round(·)为取整函数，是所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量的所有特征值的均值，||·||1表示特征向量的一范数，d(V1，V2)是所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量之间的距离，且log为以2为底的对数函数， 和 分别表示按位置减法和加法，α和β为加权超参数，V′是所述校正特征向量。

[0061] 这里，针对特征在网络模型中的前向传播过程中，由于残差融合操作产生的在向量尺度上的浮点分布误差和信息损失，通过从均一化信息角度来引入向量的逐位位移操作，来平衡和标准化前向传播过程中的量化误差和信息损失，并通过在融合之前重塑特征参数的分布来引入分布多样性，由此以扩大信息熵的方式进行信息保留(retention)。这样，再通过对所述校正特征向量V′对所述曲线拟合特征向量进行点乘加权，就可以提升所述曲线拟合特征向量对于所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量的特征残差融合的表达效果，从而提升所述曲线拟合特征向量通过解码器得到的解码结果的准确性。这样，能够自适应地调整显示屏的高度以避免长时间观看脖子部位出现疲劳感，从而优化数学概率统计原理的拟合度演示的效果和舒适度，使学生更好地理解和掌握数学概率的相关知识。

[0062] 然后，在所述曲线拟合优化单元132中，用于将所述校正特征向量和所述曲线拟合特征向量进行按位置点乘以得到优化曲线拟合特征向量。

[0063] 在本申请的一个实施例中，将校正特征向量和曲线拟合特征向量按位置点进行乘积运算，可以得到优化曲线拟合特征向量。这个过程可以用以下公式表示：优化曲线拟合特征向量＝校正特征向量⊙曲线拟合特征向量。其中，符号⊙表示按位置点乘法运算。

[0064] 这样，仅有校正特征向量对曲线拟合特征向量进行修正，可以更准确地描述曲线的特征和趋势，从而提高曲线分析的准确性和可靠性。另外，优化曲线拟合特征向量也可以用于更好地预测曲线的未来趋势和变化，对于一些需要长期预测的应用场景，具有重要的实用价值。

[0065] 最后，在所述显示屏高度解码单元133中，其，用于：使用所述解码器以如下解码公式对所述优化曲线拟合特征向量进行解码回归以得到所述解码值；其中，所述解码公式为：其中，Vd表示所述优化曲线拟合特征向量，Y表示所述解码值，W表示
权重矩阵，B表示偏置向量， 表示矩阵乘。

[0066] 然后，再将所述曲线拟合特征向量通过解码器进行解码回归以得到解码值，所述解码值用于表示推荐的显示屏的高度值。也就是说，利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量，并通过这种方式得到的所述曲线拟合特征向量进行解码，这样可以更好地利用拟合曲线的局部隐含特征和深层语义特征这两种类型的特征信息，以有效解决显示屏高度自适应控制的问题，从而避免长时间观看脖子部位出现疲劳感，使学生更好地理解和掌握数学概率的相关知识。

[0067] 综上，基于本申请实施例的数学概率演示系统100被阐明，其通过采用基于深度学习的人工智能技术来对于带有标注有特殊点的曲线图进行图像分析，以此来自适应地调整显示屏的高度以避免长时间观看脖子部位出现疲劳感，从而优化数学概率统计原理的拟合度演示的效果和舒适度。

[0068] 如上所述，根据本申请实施例的数学概率演示系统100可以实现在各种终端设备中，例如用于数学概率演示的服务器等。在一个示例中，根据本申请实施例的数学概率演示系统100可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如，该数学概率演示系统100可以是该终端设备的操作系统中的一个软件模块，或者可以是针对于该终端设备所开发的一个应用程序；当然，该数学概率演示系统100同样可以是该终端设备的众多硬件模块之一。

[0069] 替换地，在另一示例中，该数学概率演示系统100与该终端设备也可以是分立的设备，并且该数学概率演示系统100可以通过有线和/或无线网络连接到该终端设备，并且按照约定的数据格式来传输交互信息。

[0070] 在本申请的一个实施例中，图4为根据本申请实施例的数学概率演示方法的流程图。图5为根据本申请实施例的数学概率演示方法架构的示意图。如图4和图5所示，所述数学概率演示方法，包括：210，获取带有标注有特殊点的曲线图；220，从所述带有标注有特殊点的曲线图中提取曲线拟合特征向量；以及，230，基于所述曲线拟合特征向量，确定推荐的显示屏的高度值。

[0071] 具体地，所述数学概率演示方法中，从所述带有标注有特殊点的曲线图中提取曲线拟合特征向量，包括：对所述带有标注有特殊点的曲线图进行图像分块处理以得到部分曲线图块的序列；基于深度神经网络模型的拟合曲线特征提取器对所述部分曲线图块的序列中的各个部分曲线图块进行图像特征提取以得到多个部分曲线拟合特征向量；对所述多个部分曲线拟合特征向量进行全局关联特征提取以得到全局曲线拟合强化特征向量；以及，利用残差思想来融合所述全局曲线拟合特征向量和所述全局曲线拟合强化特征向量以得到曲线拟合特征向量。

[0072] 本领域技术人员可以理解，上述数学概率演示方法中的各个步骤的具体操作已经在上面参考图1到图3的数学概率演示系统的描述中得到了详细介绍，并因此，将省略其重复描述。

[0073] 图6为根据本申请实施例的数学概率演示系统的应用场景图。如图6所示，在该应用场景中，首先，获取带有标注有特殊点的曲线图(例如，如图6中所示意的C)；然后，将获取的标注有特殊点的曲线图输入至部署有数学概率演示算法的服务器(例如，如图1中所示意的S)中，其中所述服务器能够基于数学概率演示算法对所述标注有特殊点的曲线图进行处理，以确定推荐的显示屏的高度值。

[0074] 以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。

[0075] 提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。

[0076] 最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

[0077] 为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。