短语统计机器翻译的句法调序模型

为了处理统计机器翻译中的长距离调序,在基于短语的统计翻译模型的基础上提出了句法调序模型.该模型按照短语切分来分割句法树结构,从而能够避免短语和句法结构的不一致性.在该模型中依据短语对齐和短语内词对齐确定句法树部分结构的调序顺序,依据各个节点上的调序概率计算子结构的调序概率,作为对数线性模型的特征函数.该模型的实验结果比经典的短语统计翻译模型的BLEU评分有明显提高.结果表明句法调序模型对于基于短语的统计机器翻译是有效的,能够较好地将句法知识和短语翻译过程结合起来.     

基于句法的神经机器英语翻译研究

提出一种基于神经网络的翻译预调序方法来预测语言翻译中存在的语序差异,提高外语长句翻译过程中的翻译准确度.通过建立多层神经网络模型,对未标注文本词汇进行向量化处理,实现词汇表示与向量特征的结合,抽取多样本语句和语义的有效信息;在线性排序框架下,采用神经网络进行词语排序评分,获得样本数据语义信息,对语序进行差异预测.通过实...     

基于改进注意力机制模型的智能英语翻译方法研究

使用神经机器算法对英语进行翻译是当前研究的热点,采用传统序列神经框架进行英语翻译,其对长距离信息的捕获能力过差,自身有较大的局限性。然而,目前的改进框架,例如循环神经网络翻译效果也并不理想。文中针对传统机器翻译算法的不足,建立了注意力编解码模型,将注意力机制与神经网络框架相结合,并基于TensorFlow对整个英语翻译系统进行实现,由此提高了翻译精度。实验测试结果表明,文中所构建算法模型的BLUE值相比于传统机器学习算法均有不同程度的提升,证明了文中所提算法模型的性能相较于传统模型有较为明显的提高。     

一种序贯学习神经网络及其应用

本语文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识人优点。文中给出这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

一种序贯学习神经网络及其应用

本文提出了一种序贯学习神经网络,它主要由有界权值调整规则和网络结构自适应调整规则所组成。该网络具有在保持旧知识的前提下有效地序贯学习新输入样本知识的优点。文中给出了这种网络的一种序贯学习算法,详细分析了其学习特性和识别性能。大量的理论分析和实验都证明了网络的有效性。     

基于结构对齐的统计机器翻译模型

从图同构角度给出树同构的性质,并阐述了结构异构与结构对齐之间的关系.在此基础上为建立结构映射关系,以及在翻译过程中融入句法结构信息,提出元结构、互译结构组概念及多层次结构对齐的体系.最后利用对数线性模型,给出基于元结构对齐的统计机器翻译模型.模型的翻译过程中,源语言句法树以元结构为单位进行分解,利用互译结构组映射知识,转换为目标语言句法树结构序列,从而根据结构模型信息对目标语实施调序和译文的生成.实验结果表明,本模型在对于翻译知识的泛化能力和翻译结果方面都优于基于短语的统计机器翻译模型.     

结合全局词向量特征的循环神经网络语言模型

 针对循环神经网络语言模型对长距离历史信息学习能力不足的问题,本文提出了结合全局词向量特征的循环神经网络语言模型。首先利用GloVe(Global Word Vectors)算法训练出全局词向量,然后将其作为特征向量输入到引入特征层的循环神经网络中进行训练。相对于局部词向量方法,全局词向量能够利用全局统计信息来训练出含有更加丰富的语义和句法信息词向量。为了验证新方法的性能,本文在Penn Treebank和Wall Street Journal语料库上分别进行困惑度和连续语音识别实验。实验结果表明结合全局词向量的循环神经网络语言模型的困惑度相比传统的循环神经网络语言模型降低了202%,同时语音识别系统的词错误率降低了183%。      

跨语言信息检索中的最关联英文语义翻译选取

针对跨语言信息检索中关联英文翻译的选择准确度不高的问题,提出一种基于最关联语义本体模型匹配的跨语言信息检索英文翻译选取方法。首先构建跨语言信息检索中最关联英文语义的本体结构模型,采用语义指向性信息索引方法进行英文翻译的上下文语义映射;然后根据语义本体之间的词语知识和本体片段映射方法进行英文语义翻译的特征提取,实现最关联英文语义翻译选取;最后进行实验测试分析。结果表明,采用该方法进行跨语言信息检索,英文语义翻译选取的召回性能较好,查全率、查准率较高。     

中波天调网络的预调网络

本文简要地介绍了中波天调网络的预调网络,从预调网络的作用、预调网络的设计和预调网络的注意事项三方面分别进行了简单地说明.     

基于BP神经网络的长距离分布式光纤传感高空间分辨率定位算法

为解决基于数字编码移相-积分测距系统中，因发送序列与本地序列之间的真实相位差非1 bit码长的整数倍而影响测量结果准确性这一问题，文中提出一种基于BP神经网络长距离分布式光纤传感高空间分辨率定位算法。该算法根据BP神经网络判断1 bit内细分程度并与传统算法相结合实现动态测距。实验结果表明，基于BP神经网络长距离分布式光纤传感高空间分辨率定位算法的长距离定位精度平均相对误差从0.23降低到0.035，弥补了空间分辨率与准确率受数字码本身局限性的问题，为大规模基础设施的长距离、高精度实时监测提供了可能。