汉语语义选择限制知识的自动获取研究

语义选择限制刻画了谓语对论元的语义选择倾向,是一种重要的词汇语义知识,对自然语言的句法、语义分析具有重要作用。该文研究汉语语义选择限制知识的自动获取,提出基于HowNet和基于LDA (Latent Dirichlet Allocation)的两种知识获取方法,对方法进行了实验对比与分析。实验表明,前者所获取的知识可理解性更好,后者所获取的知识应用效果更好。两种方法具有很好的互补性,我们提出了一个二者的融合方案。     

汉语语义知识的自动获取方法研究

在信息处理领域,对语言的理解十分重要,而这离不开语义知识的使用。本文建立了基于框架的汉语语义知识表述体系,研究了基于语料的语义知识的自动获取方法。经过实验,得到大量语义规则,并用其进行义项消歧实验,取得了较好的结果。     

基于神经网络的知识获取

本文提出了用基于规则专家系统与神经网络的集成，该系统实现了从实例中自动获取知识的功能．在产生和控制不完全情况方面提高了专家系统的推理能力．它使用无导师学习算法的神经网络来获取正规数据，并用一个符号生成器把这些正规的数据变换成规则．生成规则和训练后的神经网络作为知识库嵌于专家系统中．在诊断阶段，为了诊断不明情况，可同时使用知识库和人类专家的知识，而且系统可以利用训练过的神经网络的综合能力进行诊断，并使不相符数据完整化．     

基于神经网络的符号知识获取方法

本文基于神经网络的知识获取研究进行了综述,介绍了几种有效的模型和方法,并通过比较分析,提出了进一步开展研究工作的意见和看法。     

一种基于神经网络的不确定知识获取方法

本文介绍一种基于神经网络学习算法获取专家系统不确定知识的方法。文中给出神经网络的连接网络与专家系统的推理网络之间的可转换性,以及证明了它们的权值构成的学习矩阵与可信度构成的规则矩阵之间存在着一种等价性的关系。     

基于依存适配度的知识自动获取词义消歧方法

针对困扰词义消歧技术发展的知识匮乏问题,提出一种基于依存适配度的知识自动获取词义消歧方法.该方法充分利用依存句法分析技术的优势,首先对大规模语料进行依存句法分析,统计其中的依存元组信息构建依存知识库;然后对歧义词所在的句子进行依存句法分析,获得歧义词的依存约束集合;并根据WordNet 获得歧义词各个词义的各类词义代表词;最后,根据依存知识库,综合考虑词义代表词在依存约束集合中的依存适配度,选择正确的词义.该方法在SemEval 2007 的Task#7 粗粒度词义消歧任务上取得了74.53%的消歧正确率;在不使用任何人工标注语料的无监督和基于知识库的同类方法中,取得了最佳的消歧效果.     

一种基于符号神经网络的知识获取方法

本文介绍一种基于符号神经网络的知识获取方法，该方法首先用传统的机器学习方法获取关于某领域的粗略知识，然后把这些知识映射到神经网络结构，通过神经网络的自学习获取关于该领域的精细知识，这样，既解决了传统机器学习中知识精度，知识表示等问题，又解决了神经网络获取知识时间长，能释能力弱等问题。     

基于神经网络的交互式自动获取知识的N－R方法

本文为解决知识系统构造过程中的瓶颈问题──知识获取，提出了一种基于神经网络ＮＮ（ｎｅｕｒａｌｎｅｔｗｏｒｋ）的自动获取多级推理产生式规则的Ｎ－Ｒ方法，该方法采用了特有的ＮＮ结构模型和相应的学习算法，使得ＮＮ在学习过程中动态确定隐层节点数的同时，也产生了样例集中没有定义的新概念，学习后的ＮＮ能用本文提出的转换算法转换成推理网络，最终方便地得到产生式规则集.     

基于BP神经网络在专家系统知识获取上的应用

提出电力线路故障诊断专家系统中基于BP神经网络知识获取的方法,利用神经网络的自学习功能,解决知识更新的问题,并在一定程度上弥补了专家系统在知识获取上的不足。     

基于语义密度的名词消歧算法

提出了一种以概念相关性为主要依据的名词消歧算法。与现有算法不同的是,该算法在WordNet上对两个语义之间的语义距离进行了拓展,定义了一组语义之间的语义密度,从而量化了一组语义之间的相关性。将相关性转化为语义密度后,再进行消歧。还提出了一种在WordNet上的类似LSH的语义哈希,从而大大降低了语义密度的计算复杂度以及整个消歧算法的计算复杂度。在SemCor上对该算法进行了测试和评估。     

基于选择倾向性的词汇获取方法

通过分析几种统计评价方法发现,互信息法可用于衡量二元独立性,淘汰机会二元组;χ2检验能更合理地评价词汇组合的选择倾向性,获取频繁二元组发现;对数似然比检验可以有效获取稀疏二元组,弥补其他方法无法克服的稀疏数据问题。将互信息、χ2检验、对数似然比检验组合,并加入词汇子范畴框架的启发式规则,提出一个层次分明的综合多种统计评价方法的词汇获取方法。     

针对文本分类的神经网络模型

文本分类是自然语言处理领域的一项重要任务,具有广泛的应用场景,比如知识问答、文本主题分类、文本情感分析等.解决文本分类任务的方法有很多,如支持向量机（Support Vector Machines,SVM）模型和朴素贝叶斯（Naïve Bayes）模型,现在被广泛使用的是以循环神经网络（Recurrent Neural Network,RNN）和文本卷积网络（TextConventional Neural Network,TextCNN）为代表的神经网络模型.本文分析了文本分类领域中的序列模型和卷积模型,并提出一种组合序列模型和卷积模型的混合模型.在公开数据集上对不同模型进行性能上的对比,验证了组合模型的性能要优于单独的模型.     

汉语结构优先关系的自动获取*

提出了一种用于定量描述歧义结构分布特点的知识表示机制:结构优先关系SPR(structure preference relation),介绍了针对不同语料文本的两种SPR获取方法:树库语料的自动发现和原始文本的自动获取,并且通过不同的实验证明了这些方法的可行性和实用性.另外,还介绍了SPR的若干应用前景,并提出进一步的研究方向.     

人工神经网络模型发展及应用综述

人工神经网络与其他学科领域联系日益紧密,人们通过对人工神经网络层结构的探索和改进来解决各个领域的问题.根据人工神经网络相关文献进行分析,综述了人工神经网络算法以及网络模型结构的发展史,根据神经网络的发展介绍了人工神经网络相关概念,其中主要涉及到多层感知器、反向传播神经网络、卷积神经网络以及递归神经网络,描述了卷积神经网...     

Predicted Robustness as QoS for Deep Neural Network Models

Journal of Computer Science and Technology - The adoption of deep neural network (DNN) model as the integral part of real-world software systems necessitates explicit consideration of their...     

A Discrete-Event Neural Network Simulator for General Neuron Models

Efficient simulation techniques for a discrete-event pulsed neural network simulator are developed. In a discrete-event simulation framework, simulation of complex neural behaviours, such as phase precession and phase arbitration, demands the prediction of delayed firing times. The new technique, the incremental partitioning method, uses linear envelopes of the state variable of a neuron to partition the simulated time so that the delayed-firing time is reliably calculated by applying the bisection-combined Newton-Raphson method to every partition. The quick filtering technique is also proposed for reducing calculation cost of linear envelopes. The simulator developed, Punnets, has achieved efficiency and precision, but is still capable of simulating a complex behaviour of large-scale neural network models.     

基于属性偏好学习的配电网综合评价方法

为了摆脱在传统地区配电网评价方法中对参评人员个人评价偏好的过度依赖,实现合理、精准的属性权重确定,提出了一种基于属性偏好学习的配电网多指标智能综合评价方法。依据属性测度理论,在置信度准则与评分准则下完成对配电网综合评价模型的构造。进而,提出数值绝对偏移率指标以实现对中间值指标的数据预处理。最后,应用随机权神经学习,通过对配电网历史训练样本进行有监督学习,计算得到指标属性偏好权重,并依据配电网综合评价模型以及计算所得属性偏好权重完成对配电网待测样本的智能综合评价。与传统的AHP、PSO-SVM以及RWN算法的对比仿真实验验证了该方法的精确性与稳定性,表明该方法实现了合理、客观的配电网综合评价,在地区配电网评价方面具有一定的应用价值。     

基于改进的动态神经网络的网络入侵检测模型

提出了一种改进型的动态神经网络,并成功地将其应用于网络入侵检测系统中。对于给定的全连接的动态神经网络,在通过学习以后可以成为部分连接的神经网络系统,从而降低了计算的成本。针对目前常见的4种不同类型的网络攻击行为（即DoS,Probe,R2L,和U2R）,利用给定的改进型的动态神经网络分别构建相对应的检测系统。然后使用改进的遗传算法对给定的动态神经网络的权值和开关参数进行调节,以适应不同类型的入侵检测。最后利用KDD’99网络入侵检测数据对所提出的网络入侵检测模型进行训练和测试,初步试验结果表明,所提出的入侵检测系统具有较高的检测率。