美国结构主义语言学分布视角的价值及其局限

美国结构主义语言学研究从分布视角对语言进行科学描写,扭转了美国模仿欧洲语言学研究的局面,对后来语言研究产生很大影响。有研究认为Harris的分布假说和功能语言学的语境论有异曲同工之处,也有研究认为美国结构主义语言学分布分析存在缺陷。通过回顾美国结构主义语言学分布概念产生的历史背景和分布的描写运用,并对比分布假说与社会语境论,分析发现美国结构主义语言学分布视角在推动语言的科学研究方面具有历史价值,但由于语言观相对封闭,存在重描写(音位与语法),轻解释(意义)等局限性,而且在语言认识论和方法论上与社会语境论存在不同。分析认为,分布分析高于方法论范畴,但又算不上一种理论(假说),作为一种研究视角较妥,不能简单等同于社会语境论。重新认识美国结构主义语言学分布视角有助于当前我们以更开放的语言观来审视语言。

分布形态学视角下中介语发展同一性理论框架搭建

依托分布形态学视角,构建生成语法范式下非母语习得者中介语同一性理论框架,可以将二语、三语中介语形态-句法变异性发展均纳入同一个理论框架之下,能够达到最简方案旨在对语言官能处理设计最优化、最简化的目标。相较于当前特征理论视角下对二语、三语形态-句法变异性现象做出解读的各假说过程中,纷争不断、冗余繁杂的现象而言,分布形态学视角下构建的中介语形态-句法变异性理论框架具有以下理论优势:将形态-句法特征值后句法化,分离于核心句法-语义结构,确保UG无损;L1、L2形态-句法特征值的语言迁移问题不复存在;中介语形态-句法特征值中介语发展过程转化为系统性变异,随之具有了预测力;形态-句法特征值的屈折系统依存关系结构可以作为判别UG可及性的量化标准。

基于贝叶斯理论的分布式多视角目标跟踪算法

为了有效解决传统单视角跟踪难于处理的目标遮挡问题,本文提出了一种分布式多视角目标跟踪算法.该算法首先基于贝叶斯理论,为多视角目标跟踪问题建立了分布式数据融合的概率框架;并利用粒子滤波器对所需后验概率进行近似,提出了自适应的观测模型和状态转移模型.各摄像机能够并行化地进行数据采集、处理、融合,而无需集中式处理单元;能够有效避免遮挡造成的误差传递,提高跟踪算法的鲁棒性.实验证明了本文算法的有效性.

基于最大似然的分布式多视角目标跟踪算法

针对多摄像机视频跟踪的应用场景,提出了一种具有分布式计算特点的目标跟踪算法。该算法首先利用最大似然准则对多视角目标跟踪问题进行建模,并对似然函数进行分解,最后借助消息传递机制高效求解出跟踪目标在各个摄像机视野中位置的估计值,而不再需要将图像数据传输到中央处理单元进行集中式处理。同时,通过融合多个视角的图像信息,有效地抑制了遮挡现象给跟踪结果造成的影响。定性和定量实验均证明了该算法的有效性。

分布式多视角目标跟踪算法在OMAP3平台上的实现与优化

本设计在最新的TIOMAP3平台上实现分布式多视角目标跟踪算法。系统由多个摄像头及相应的处理部分组成,各个摄像头分别独立地采集图像数据并进行跟踪。本设计构造了分布式目标跟踪软件框架和网络传输协议,在各摄像头的跟踪算法中采用了最大似然估计、序列蒙特卡洛方法以及基于卡尔曼外观滤波的模版更新匹配等最新算法,同时对各摄像头算法进行优化以保证实时性。

多视角分布式视频编码中基于置信度的时空边信息融合

在现有的多视角分布式视频编码MDVC(Multi-view Distributed Video Coding)边信息SI(side information)生成方法中,时间与空间边信息的融合未能有效地选择和提取两种边信息的可靠部分。针对这个问题,提出一种基于置信度的时空边信息的融合方法。利用时间和空间边信息的可靠性模版以及时空置信度的模版,获得时空融合模版;然后,利用时空融合模版从时间边信息与空间边信息中选择出最优的像素组成最终的融合边信息。实验结果表明,在相同码率的条件下,获得的峰值信噪比PSNR(Peak Signal to Noise Ratio)相比于时间主导融合方法最高有0.79 d B的提升,相比于时空补偿融合模板最高有0.58 d B的提升。此外,获得的重构帧能有效地保留原始图像的细节部分。

论分布式认知视角下小组合作学习的实施

小组合作学习包含了小组的共同目标、组员间的合作能力、组员的学习义务感和小组的自我评价等,是一种富有创意和实效性的教学理论和策略体系。分布式认知与小组合作学习中的学习者、学习小组、教辅人员、学习资料以及小组内部成员间,可以轻松地建立一种映射关系。本文就分布式认知视角下的小组合作学习进行研究和探索。

分布式认知视角下的移动学习模式

本次研究通过分布式认知的视角,对移动学习在大学教学中的应用以及其影响因素进行分析,并根据常见影响因素进行改进策略的提出,对移动学习进行进一步完善。