工业机器人解释器语义分析研究

介绍了语义分析的发展现状。针对目前解释器语义分析效率较低的问题,并结合工业机器人控制系统的特点,研究了利用语法分析栈来实现工业机器人解释器语义分析的方法,并实现了工业机器人编程语言IRL的语义分析。基于该方法的解释器在Visual Studio2005平台上用C＋＋实现,生成的目标代码运行于WinCE嵌入式系统。实验结果证明了该方法的正确性和高效性。     

曲线的保面积细分算法

针对文献(Gordon D.Corner cutting and augmentation:An area-preserving method for smoothing polygonsand polylines.Computer Aided Geometric Design,2010,27(7):551-562)中给出的CCA1算法做了改进,提出了曲线保面积细分算法——CCA(k)细分算法.该算法将CCA1中的割角由等腰三角形推广至割角两边与特征多边形的相邻两边成比例,从而使极限曲线能更好地契合初始的特征多边形.文中还推导了CCA(k)算法的递推关系式和割比的适定取法,并证明了极限曲线的收敛性和连续性.数值实例表明,对于大多数的封闭多边形,CCA(k)算法都能得到理想的细分结果.     

一种基于本体概念语义相似度的查询优化方法

文章提出一种优化查询方法,该方法将本体概念语义相似度和词法之间的关系相结合。先利用语法特征对用户输入的关键字进行扩展,然后通过分析语义相似度的强弱对扩展的结果进行收敛,以这种方式来提高用户输入的关键字和本体映射的准确性和完整率。传统搜索引擎不能很好地理解用户的意图的缺陷通过此方法可以得到有效解决。同时文章针对方法实现了优化查询系统,结果显示,搜索的准确率得到有效提升。     

基于本体的主动元数据挖掘系统研究

传统网上信息检索是用户被动地依靠浏览超级链接网页而获取的。文中提出基于本体的主动元数据挖掘系统以及在果品领域的应用,在主动搜索、元数据生成、借助本体作用于数据的语义描述等方面,其效果是客观的。使得对信息数据的搜索从被动地获取到主动依靠计算机自动搜索;从依靠关键字作为查询依据到借助本体的作用获取语义描述的信息数据,进而提高了信息查询效率及查询的准确率,这也是当前信息检索研究的热门课题。实验证明,通过主动元数据挖掘实例可以实现语义的扩充,如同义、近义及上下位关系。同时也验证了本体对实施语义智能检索所带来的客观效果。     

面向Internet的模具知识本体的构建研究

通过对Internet上模具知识特点的分析,提出通过修改模具论坛的发贴模板的方法来获取论坛贴子的标签,然后利用"七步法"构建Internet上模具知识本体,并初步提出语义搜索概念模型,为基于Internet模具知识的搜索引擎的实现提供理论和实践基础。     

基于语义Web的搜索引擎研究

传统搜索引擎是基于关键字的检索,然而文档的关键字未必和文档有关,而相关的文档也未必显式地包含此关键字。基于语义Web的搜索引擎利用本体技术,可以很好地对关键字进行语义描述。当收到用户提交的搜索请求时,先在已经建立好的本体库的基础上对该请求进行概念推理,然后将推理结果提交给传统的搜索引擎,最终将搜索结果返回给用户。相对于传统的搜索引擎,基于语义Web的搜索引擎有效地提高了搜索的查全率和查准率。     

全景分割研究综述

在计算机视觉领域, 全景分割是一个新颖且重要的研究主题, 它是机器感知、自动驾驶等新兴前沿技术的基石, 具有十分重要的研究意义. 本文综述了基于深度学习的全景分割研究的最新进展, 首先总结了全景分割任务的基本处理流程, 然后对已发表的全景分割工作基于其网络结构特点进行分类, 并进行了全面的介绍与分析, 最后对全景分割任务目前面临的问题以及未来的发展趋势做出了分析, 并针对所面临的问题提出了一些切实可行的解决思路.     

基于区块自适应特征融合的图像实时语义分割

近年来结合深度学习的图像语义分割方法日益发展, 并在机器人、自动驾驶等领域中得到应用. 本文提出一种基于区块自适应特征融合(Block adaptive feature fusion, BAFF) 的实时语义分割算法, 该算法在轻量卷积网络架构上, 对前后文特征进行分区块自适应加权融合, 有效提高了实时语义分割精度. 首先, 分析卷积网络层间分割特征的感受野对分割结果的影响, 并在跳跃连接结构(SkipNet) 上提出一种特征分区块加权融合机制; 然后, 采用三维卷积进行层间特征整合, 建立基于深度可分离的特征权重计算网络. 最终, 在自适应加权作用下实现区块特征融合. 实验结果表明, 本文算法能够在图像分割的快速性和准确性之间做到很好的平衡, 在复杂场景分割上具有较好的鲁棒性.     

图像信息对句子语义理解与表示的有效性验证与分析

近年来,图像文本建模研究已经成为自然语言处理领域一个重要的研究方向.图像常被用于增强句子的语义理解与表示.然而也有研究人员对图像信息用于句子语义理解的必要性提出质疑,原因是文本本身就能够提供强有力的先验知识,帮助模型取得非常好的效果;甚至在不使用图像的条件下就能得出正确的答案.因此研究图像文本建模需要首先回答一个问题:图像是否有助于句子语义的理解与表示?为此,本文选择一个典型的不包含图像的自然语言语义理解任务:自然语言推理,并将图像信息引入到该任务中用于验证图像信息的有效性.由于自然语言推理任务是一个单一的自然语言任务,在数据标注过程中没有考虑图像信息,因此选择该任务能够更客观地分析出图像信息对句子语义理解与表示的影响.具体而言,本文提出一种通用的即插即用框架(general plug and play framework)用于图像信息的整合.基于该框架,本文选择目前最先进的五个自然语言推理模型,对比分析这些模型在使用图像信息前后的表现,以及使用不同图像处理模型与不同图像设置时的表现.最后,本文在一个大规模公开数据集上进行了大量实验,实验结果证实图像作为额外知识,确实有助于句子语义的理解与表示.此外,还证实了不同的图像处理模型和使用方法对整个模型的表现也会造成不同的影响.     

孪生网络中文语义匹配方法的研究

语义匹配是问答领域的一个核心任务,能够为问答系统和信息检索等领域提供技术支持.目前对于语义匹配这一特殊分类问题,神经网络主要使用交叉熵或者对比代价损失函数,忽略了损失函数的分类限制宽泛,导致其在分类边缘存在误差.为了解决此种问题,本文在已有的孪生神经网络的基础上,引入am-softmax损失函数,提升模型精确度,同时在现有的词向量和字向量作为网络输入的基础,进一步引入Attention机制,使模型进一步获取更多的文本信息.实验结果表明,与之前的深度学习模型相比,模型的性能有进一步提高.