专业搜索引擎的实现与研究--中文分词算法

为实现专业信息查询的中文搜索引擎，首要的问题就是中文分词。本文首先介绍了分词用词典数据结构的组织以及使用二分查找的查询算法，然后提出了一种基于最短路径的改进分词算法。实验证明，利用该算法，可以消除大量歧义，取得较好的分词效果。     

改进A*算法的机器人路径规划研究

针对路径规划问题提出A*优化算法.首先,在传统A*算法的基础上利用JPS算法对子节点进行扩展跳跃,提高A*算法的效率;然后,对A*算法规划路径使用贝塞尔曲线进行平滑处理;最后,基于Matlab平台将改进的A*算法在9组不同栅格地图上进行仿真实验.结果表明,利用JPS算法和贝塞尔曲线改进的A*算法在路径规划过程中计算量极...     

一种全切分与统计结合的分词系统

歧义消解是中文分词的主要问题之一.提出了一种全切分与统计结合的分词算法,构造出基于统计词典的有向无环词图,利用动态规划算法得出最佳的分词路径.实验证明,系统有效地提高了歧义切分的准确性及分词速度.     

基于条件随机场的中文分词算法改进

在中文分词领域,基于字标注的方法得到广泛应用,通过字标注分词问题可转换为序列标注问题,现在分词效果最好的是基于条件随机场(CRFs)的标注模型。作战命令的分词是进行作战指令自动生成的基础,在将CRFs模型应用到作战命令分词时,时间和空间复杂度非常高。为提高效率,对模型进行分析,根据特征选择算法选取特征子集,有效降低分词的时间与空间开销。利用CRFs置信度对分词结果进行后处理,进一步提高分词精确度。实验结果表明,特征选择算法及分词后处理方法可提高中文分词识别性能。     

基于异构数据联合训练的中文分词法

中文分词技术作为中文信息处理中的关键基础技术之一,基于深度学习模型的中文分词法受到广泛关注。然而,深度学习模型需要大规模数据训练才能获得良好的性能,而当前中文分词语料数据相对缺乏且标准不一。文中提出了一种简单有效的异构数据处理方法,对不同语料数据加上两个人工设定的标识符,使用处理过的数据应用于双向长短期记忆网络结合条件随机场(Bi-LSTM-CRF)的中文分词模型的联合训练。实验结果表明,基于异构数据联合训练的Bi-LSTM-CRF模型比单一数据训练的模型具有更好的分词性能。     

融合改进A*算法和动态窗口法的全局动态路径规划

为解决移动机器人路径规划难题,设计了融合改进A*算法和动态窗口法的全局动态路径规划方法.首先,基于传统A*算法结合JPS算法对子节点进行扩展跳跃,提高路径规划效率;其次,结合Floyd算法对所规划路径进行平滑优化;最后,融合动态窗口法使A*算法可进行全局动态路径规划.基于Matlab平台将全局动态路径规划算法在8种规格栅格地图中进行仿真实验.分析结果得知,融合算法在效率和平滑性上得到极大改善,且可进行动态避障,融合改进后的全局动态路径规划算法具有明显优秀的路径规划能力.     

弹性光网络中基于图着色理论的资源分配算法

传统的波分复用网络采用固定栅格,已无法满足网络需求.提出一种改进的基于图着色理论的路由选择频谱分配(GT-RSA)算法.首先,使用前k条最短路径算法确定备选路由集合,根据各备选路由集合建立备选路由关系图;然后,使用图着色理论的混合整数线性规划模型进行选路,根据分支定界的饱和度最大优先算法得到优解,同时完成频谱的路由着色...     

基于BI＿LSTM＿CRF神经网络的序列标注中文分词方法

当前主流的中文分词方法是基于有监督的学习算法,该方法需要大量的人工标注语料,并且提取的局部特征存在稀疏等问题。针对上述问题,提出一种双向长短时记忆条件随机场(BI_LSTM_CRF)模型,可以自动学习文本特征,能对文本上下文依赖信息进行建模,同时CRF层考虑了句子字符前后的标签信息,对文本信息进行了推理。该分词模型不仅在MSRA,PKU,CTB 6.0数据集上取得了很好的分词结果,而且在新闻数据、微博数据、汽车论坛数据、餐饮点评数据上进行了实验,实验结果表明,BI_LSTM_CRF模型不仅在测试集上有很好的分词性能,同时在跨领域数据测试上也有很好的泛化能力。     

基于改进双向A*势场混合算法的灭火机器人路径规划方法研究

在灭火机器人的运行中,由于其工作环境的复杂性对机器人的路径规划提出了很高的要求,因此本文提出了一种改进A*算法和人工势场法相结合的路径规划算法。本文采用双向搜索方式的A*算法进行全局规划,解决了传统A*算法耗时长的不足;本文采用改进的人工势场法进行局部动态路径规划,解决了目标不可达和局部极小值问题。本文通过MATLAB平台,分别对改进A*算法和人工势场法进行仿真分析,结果表明混合算法有效减少规划时间并可生成更优路径。最后,在Turtlebot2移动平台上对该融合算法应用进行实验,结果表明融合算法减少了规划计算时间,使路径搜索效率和规划指标得到显著提升。     

融合递增词汇选择的深度学习中文输入法

输入法的核心任务是将用户输入的按键序列转化为汉字序列。应用深度学习算法的输入法在学习长距离依赖和解决数据稀疏问题方面存在优势,然而现有方法仍存在两方面问题,一是采用的拼音切分与转换分离的结构导致了误差传播,二是模型复杂难以满足输入法对实时性的需求。针对上述不足提出了一种融合了递增词汇选择算法的深度学习的输入法模型并对比了多种softmax优化方法。在人民日报数据和中文维基百科数据上进行的实验表明,该模型的转换准确率相较当前最高性能提升了15%,融合递增词汇选择算法使模型在不损失转换精度的同时速度提升了130倍。