基于误差驱动的参数自整定递阶模糊滑模控制器的研究

针对工业现场普遍存在的高阶对象，提出了一种基于误差驱动参数自整定递阶结构的模糊滑模控制策略。此方法既很好地解决了传统模糊控制存在的“规则爆炸”问题，也有效地削弱了一般滑模控制固有的“抖颤”现象，同时证明了所设计控制器在一定条件下是稳定的。仿真结果表明了基于误差驱动的参数自整定结构使得所设计控制器较之传统控制方法有更好的控制效果和指标。     

从双语语料中获取翻译模板

翻译模板自动获取是提高MT译文输出质量和领域适应能力的关键性因素。利用Tree-to-String方法抽取等价对,使用错误驱动的学习方法从中获取翻译模板并进行优化。将优化后的翻译模板用于一个基于转换的机器翻译系统中,同时使用“863”对话语料对其进行评测。实验结果表明：当使用自动获取并经优化的模板进行翻译时,开放测试语料的译文评测分数有一定程度的提高。     

用决策树指导TBL进行多音字消歧

多音字消歧是普通话语音合成系统中字音转换模块的核心问题。选择了常见易错的33个多音字和24个多音词作为研究对象,构建了一个平均每个多音字（词）5 000句的语料库,并且提出了一种结合决策树和基于转换的错误驱动的学习（Transformation- Based error-driven Learning,TBL）的混合算法。该方法根据决策树的指导,自动生成TBL算法的模板,避免了手工总结模板这一费时费力的过程。实验结果表明,该方法生成的模板与手工模板性能相当,其平均准确率达90.36%,明显优于决策树。     

汉语文语转换系统中停顿指数的自动标注

本文采用了一个基于C-TOBI的停顿指数标注的语料库,利用有指导的学习方法对自动停顿指数标注方面做了一些有益的探索。本文共实现了三种方法:基本的马尔科夫模型,引入了词长信息的马尔科夫模型,引入词长信息的马尔科夫模型结合基于转换的错误驱动的学习方法。然后通过对3000句的真实文本进行开放测试,以基本的马尔科夫模型的结果作为基准,实验结果不断改进,最终达到了78.6%的准确率,错误代价降低了14.5%。     

基于依存分析和错误驱动的中文时间表达式识别

时间表达式识别是进行时间表达式归一化的基础,其识别结果的好坏直接影响归一化的效果。本文提出一种基于依存分析和错误驱动识别中文时间表达式的新方法。首先以时间触发词为切入点,据依存关系递归地识别时间表达式,大大地提高了识别效果;然后,采用错误驱动学习来进一步增强识别效果,根据错误识别结果和人工标注的差异自动地获取和改进规则,使系统的性能又提高了近3.5%。最终在封闭测试集和开放测试集上,F₁值达到了76.38%和76.57%。     

基于SVM的组块识别及其错误驱动学习方法

给出了一种错误驱动学习机制与SVM相结合的汉语组块识别方法。该方法在SVM组块识别的基础上,对SVM识别结果中的错误词语序列的词性、组块标注信息等进行分析,获得候选校正规则集;之后按照阈值条件对候选集进行筛选,得到最终的校正规则集;最后应用该规则集对SVM的组块识别结果进行校正。实验结果表明,与单独采用SVM模型的组块识别相比,加入错误驱动学习方法后,组块识别的精确率、召回率和F值均得到了提高。     

基于转换的时间-事件关系映射

近些年来,中文时间信息抽取和处理已经变得越来越重要。然而,很少有研究者关注中文文本中事件信息所对应的时间信息的识别和分析。本文的目的就是确定文本中时间信息和事件信息之间的映射关系。区别于传统的基于规则的方法,本文采用了一种机器学习的方法—基于转换的错误驱动学习—来确定事件相应的时间表达,这种学习算法可以自动的获取和改进规则。使用训练得到的转换规则集后,系统的时间-事件映射错误率减少了9.74%,实验结果表明本系统对基于规则的方法有很好的改进效果。     

英文句子边界自动识别

英语句子边界的识别是英文文本分析的基本问题，是进一步进行英汉机器翻译的基础，本文采用了统计决策树与错误驱动相结合的方法进行英语句子边界的识别，首先通过决策树学习训练语句中的句子划分规则，之后用错误驱动的方法对所获得的结果进一步修正，对PennTreeBank语句进行测试，正确率达到98．6％。     

针对高阶对象的递阶模糊滑模控制器研究

针对工业现场普遍存在参数不确定并有外界扰动的高阶对象,将误差驱动增益自整定思想和模糊滑模控制策略相结合,提出一种带有误差驱动参数自整定结构的递阶模糊滑模控制方法。该方法有效解决了传统模糊控制器在控制高阶对象时要输入更多系统状态信息而引起的"规则爆炸"问题,同时也削弱了一般滑模控制固有的"抖颤"现象。通过对典型高阶对象的仿真结果表明,误差驱动参数自整定递阶结构模糊滑模控制器较之传统控制方法有更好的控制效果和指标,并且有很强的鲁棒性和抗干扰特性。     

中文词法分析与句法分析融合策略研究

利用外部资源是提升句法分析性能的一种有效方法。本文利用中文词法分析器这一外部资源,提出了一种通用转换方法将中文词法分析器与句法分析器有机地融合在一起。通过基于转换的错误驱动学习和条件随机场解决不同切词、词性标注标准间的转换问题。在句法分析方面,本文提出了多子模型句法分析器,将中心词驱动模型和结构上下文模型有效结合在一起。融合后的中文句法分析性能在宾州中文树库1.0版^{①测试集上F1值达到了82.5％的最好水平。}