一个面向语义的解释器自动生成技术

本文给出从指称语义自动生成解释器后端的一种技术.解释器被表示成PASCAL_like形式.     

基于人工鱼的全局优化文化算法

针对基本人工鱼算法存在多样性缺失、搜索后期收敛速度较慢和搜索精度不高等不足,以及传统文化算法的框架模式,提出了基于人工鱼的全局优化文化算法.算法中首先人工鱼进行跳跃式全局搜索,当搜索过程较慢或处于停滞状态时,采用高斯变异算子对最优值进行变异,然后让人工鱼继续在最优值的周围搜索,可使结果精度更高.通过典型的基准测试函数和应用实例表明该算法收敛速度快、精度高,可有效用于全局优化问题的解决.     

基于合作仲裁求解分布式约束优化问题的研究

MAS中许多分布式推理问题都可以建模为分布式约束优化问题(DCOP).在这里,我们把分布式会议调度DMS(Dis-tributed Meeting Scheduling)问题映射为DCOP,基于合作仲裁进行求解,并把结果与另一个DCOP算法比较.考虑到完全解决方案的时间复杂性,我们把局部约束图转换为伪树,加速了搜索速度,从而在较短的时间找到最优解决方案.     

融合多特征的语音情感识别方法

语音情感识别已经成为下一代人机交互技术的重要组成部分,从语音信号中提取与情感相关的特征是语音情感识别的重要挑战.针对单一特征在情感识别中准确度不高的问题,该文提出了特征级-决策级融合的方法融合声学特征和语义特征进行情感识别.首先提取声学特征,包括：1)低层次手工特征集,包括基于谱相关、音质、能量、基频等相关特征,以及基于低层次特征的高级统计特征;2)DNN提取的谱相关特征的深度特征;3)CNN提取的基于Filter＿bank特征的深度特征.并且使用基于Listen-Attend-Spell(LAS)模型的语音识别模块提取语义特征.然后将声学特征中的3类特征与语义特征进行特征级融合,在确定融合特征的先后顺序时引入了构造哈夫曼树的方法.最后得到融合后特征和原始4类特征各自的情感识别结果,在结果之上进行决策级融合,使用此方法在IEMOCAP数据集中分类准确度可达76.2%.     

需求可拆分的开放式车辆路径问题研究

传统的开放式车辆路径问题假设客户的需求不可拆分、车辆类型相同,但在实际的物流配送中,车辆类型不完全相同,对需求的拆分能充分利用车辆的装载能力,降低运输成本。为此,提出需求可拆分的不同种车辆的开放式车辆路径问题,给出整数规划的数学模型,利用禁忌搜索算法对该问题求解,改进算法中初始解和邻域结构的产生过程。通过实验验证模型的有效性,并将结果与传统的开放式车辆路径问题进行比较,表明该算法可有效减少运输成本。     

面向机器自动识别的方位词“中”的用法规则研究

构建面向机器的现代汉语方位词知识库(方位词用法机器词典、方位词用法规则库),对于现代汉语方位词用法的自动识别研究具有重要的意义。致力于面向机器的方位词"中"的用法自动识别研究,以《人民日报》2000年1月-6月的语料作为实验数据,通过对其原始规则的自动识别结果的分析,调整和改进了面向机器识别的方位词"中"的规则描述,把方位词"中"的用法识别准确率由12.88%提高到86.35%,使现代汉语方位词用法规则库得到了进一步完善。     

对象级粗粒度切片方法

基于面向对象程序的对象间语义级关系,提出了一种对象级粗粒度切片方法,用于解决以往传统程序切片构造过程复杂,切片结构庞大,可理解性不强等问题.该方法并非基于传统的程序依赖图或系统依赖图,而是建立在对象间的关联、组合等语义级关系的基础之上.依据对象间语义级关系构造程序的对象图,在对象图的基础上获取程序的前向对象级粗粒度切片和后向对象级粗粒度切片,并结合了对象间的组合关系使得所得后向对象级粗粒度切片更加精简.     

基于学习的多议题协商

随着在线交易越来越普遍,如何有效地将先进的agent技术运用于电子商务协商领域,已经成为经济学家和计算机学者共同研讨的一个主要方向。文中从买方agent的观点出发,在协商过程中采用贝叶斯学习机制进行预测和更新对方agent的信念,使得每个agent通过学习来协调自身的行为,从而缩短了协商时间,提高了协商效率,更能有效地完成协商目的。并实验说明了其可行性。     

基于免参数据挖掘的相异度度量研究

由于参数设置导致数据挖掘结果异常的例子很多,为了解决这一问题,出现了免参数据挖掘思想。对Kolmogorov复杂度理论进行了研究,将其和免参数据挖掘思想相结合,提出了一种基于压缩的相异度度量SCDM。由于压缩算法是空间和时间高效性算法,使得应用该算法的相异度度量也具有较好的性能。实验表明将这种相异度度量应用到层次聚类算法中,其聚类的准确率也较高。     

基于相似度的网格聚类算法

提出了一种基于相似度的网格聚类算法（SGCA）。该算法主要利用网格技术去除数据集中的部分孤立点或噪声,使用边界点阈值函数提取类的边界点,最后利用相似度方法进行聚类。SGCA算法只要求对数据集进行一遍扫描。实验表明,该算法可扩展性好,能处理任意形状和大小的聚类,能够很好的识别出孤立点或噪声,它不仅适用于综合数据集,而且对高维数据集也具有较好的聚类结果。本文中还引进了网格核技术,进一步改善了SGCA算法的时间复杂度。