SVM和基于转换的错误驱动学习相结合的汉语组块识别

本文研究了一种支持向量机(SVM)和基于转换的错误驱动学习相结合的汉语组块识别方法。SVM在选取特征方面有突出的优点,并且在高维特征空间也具有较高的泛化性能,通过核函数的原则,SVM能够在独立于训练数据维数的小计算范围内进行训练。利用基于转换的错误驱动学习方法对SVM的标注结果进行校正,转换规则较好地处理了语言现象中的特殊情况,进一步提高了SVM的识别结果。实验结果表明,该方法具有较好的效果。

数据驱动学习法对大学生英语写作错误修正的有效性调查

本研究通过对比分析学生在使用语料库前后英语写作中语法错误的类型和数量,探讨基于语料库的数据驱动学习法(DDL)对非英语专业大学生英语写作错误修正的有效性。结果表明,DDL在大学生英语写作错误修正中具有显著的有效性,并对学生写作能力的提高起到了积极的作用。本研究有利于深化对语料库在英语教学实践中的认识,并为教学改革提供参考。

基于CRF和转换错误驱动学习的浅层句法分析

本文提出一种CRF和基于转换错误驱动相结合的中文浅层句法分析方法。该方法应用于宾州大学中文树库,取得不错的组块识别效果。在CRF识别的基础上,对初始识别结果中的组块标注信息进行统计分析,获得候选转换规则集合;再根据定义的规则评价函数对候选集进行筛选,得到最终的转换规则集合;最后应用转换规则集对CRF标注的结果进行校正。实验结果表明,与单独使用CRF结果相比,组块识别的精确率、召回率以及F值均得到了提高。

SVM与错误驱动学习相结合的中文人名识别

利用基于转换的错误驱动学习方法对SVM的识别结果进行校正,转换规则较好地处理了语言现象中的特殊情况,进一步提高了SVM的识别结果。实验结果表明,该方法的中文人名识别的准确率、召回率和F值均得到了提高。

基于错误驱动学习和知网的中文人名识别

针对统计与规则这2种方法的优缺点,提出一种基于转换的错误驱动学习与知网相结合的中文人名自动识别方法。利用标注语料库,根据在人名识别中的作用对人名上下文环境进行角色标注,提取标注后的实例,并采用基于转换的错误驱动方法和知网对提取的实例进行可用规则提取,结合规则和实例对文本进行人名识别。实验结果表明,与其他方法相比,该方法的中文人名识别准确率、召回率和F值均有明显提高。

基于启发式错误驱动学习的中文时间表达式识别

提出了一种基于启发式错误驱动学习的中文时间表达式识别的新方法。该方法先采用依存分析方法以时间触发词为切入点递归地识别时间表达式，有效地解决了长距离依赖的问题，大大提高了识别效果；在此基础上，对比错误识别结果和人工标注，采用启发式A＊算法搜索策略进行错误驱动学习，降低了规则学习的复杂度，并具有区分每条规则的有效性和规则间相容性的优点，使系统性能提高近6％。最终在封闭测试集和开放测试集上，F值分别达到了77．96％和77．92％。

错误分析理论和学习者第一语言转换策略

错误分析理论认为习得者在二语习得过程中的错误可以分为语际错误和语内错误,其中语际错误是习得者在学习过程中取得积极进展的证据。本文根据错误分析理论,通过分析典型错误素材,指出第一语言转换是二语学习的一种策略,这种策略的运用会随着二语水平的提高而减少。

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。

基于驱动错误准则的SVM增量学习研究

增量学习广泛运用于人工智能、模式识别等诸多领域,是解决系统在训练初期样本量少而随时间推移性能降低的有效方法。本文针对经典支持向量机当训练样本数量多而运算速度较慢的缺点,在分析支持向量机的基础上,提出基于驱动错误准则的增量学习方法,实验结果表明,该算法不仅能保证学习机器的精度和良好的推广能力,而且算法的学习速度比经典的SVM算法快,可以进行增量学习。

基于转换的错误驱动与决策树算法的句子边界自动识别

结合基于转换的错误驱动算法和决策树算法,并综合考虑句点标记在语料库中的复杂使用情况,生成能够自动划分英语句子边界的程序。实验结果表明,该方法具有较高的准确率,能够为后续语料库加工提供良好的前提基础。

科技创新与新质生产力双轮驱动高质量发展

习近平总书记在二十届中央政治局第十一次集体学习时强调,要以科技创新推动产业创新,特别是颠覆性技术和前沿技术催生新产业、新模式、新动能,发展新质生产力。早在2023年7月习近平总书记来四川视察时就指出,以科技创新开辟发展新领域新赛道、塑造发展新动能新优势,是大势所趋,也是高质量发展的迫切要求,必须依靠创新特别是科技创新实现动力变革和动能转换。新质生产力具有高科技、高效能、高质量特征,代表了生产力的跃迁,是科技创新在生产领域中的实际应用。

基于错误驱动学习策略的藏语句法功能组块边界识别

藏语句法功能组块分析旨在识别出藏语句子的句法成分,为后续句子级深入分析提供支持。根据藏语的语言特点,该文在藏语句法功能组块描述体系基础上,提出基于错误驱动学习策略的藏语功能组块边界识别方法。具体思路为,首先基于条件随机场(Conditional Random Fields,CRFs)识别组块,然后分别基于转换规则的错误驱动学习(Transformation-based Error-driven Learning,TBL)及基于新特征模板的CRFs错误驱动学习进行二次识别,并对初次结果进行校正,F值分别提高了1.65%、8.36%。最后通过实验分析,进一步将两种错误驱动学习机制融合,在18 073词级的藏语语料上开展实验,识别性能进一步提高,准确率、召回率与F值分别达到94.1%、94.76%与94.43%,充分验证了本文提出方法的有效性。

一种新的基于KKT条件的错误驱动SVM增量学习算法

分析了SVM增量学习过程中,样本SV集跟非SV集的转化,考虑到的始非SV集和新增样本对分类信息的影响,改进了原有KKT条件,并结合改进了的错误驱动策略,提出了新的基于KKT条件下的错误驱动增量学习算法,在不影响处理速度的前提下,尽可能多的保留原始样本中的有用信息,剔除新增样本中的无用信息,提高分类器精度,最后通过实验表明该算法在优化分类器效果,提高分类器性能方面上有良好的作用.

基于错误驱动算法组合分类器及其在问题分类中的应用

开放领域问答系统(QA)能够给用户提供相对简洁、准确的结果,越来越受到人们的关注.问题分类把问题分成若干语义类型,是QA系统的一个重要的模块,它的准确性直接影响到QA系统的性能.为提高分类器性能,在问题分类任务中使用了集成学习方法,并且实验比较了词汇、句法、同义词集等不同的分类特征及错误驱动、投票法、BP神经网络等分类器集成方法.通过采用基于错误驱动集成分类器,用规则方法TBL作为统计方法SVM的补充;利用来自Wordnet的同义词集和名词的上位概念及Minipar的依存关系等语言知识作为分类特征,在公开测试集中取得了更高的分类精度.

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%。

词性标注的方法研究——结合条件随机场和基于转换学习的方法进行词性标注

词性标注是语料库建设中的重要环节,同时也是自然语言处理领域的基础研究课题。针对词性标注任务中统计处理和规则处理两种方法各自的特点和局限,提出融合条件随机场模型和基于转换学习的方法来进行自动词性标注的方案。实验结果表明,该方案能够有效地提高词性标注的正确率。

基于CRF和错误驱动的中心词识别

针对中文问题分类的中心词识别不准确的问题,提出了一种基于条件随机场(CRF)和错误驱动学习相结合的识别方法。该方法采用CRF模型对问题的中心词进行初始标注,依据词的上下文信息用错误驱动的学习方法对其标注结果进行纠正。在训练有序规则的过程中,为了减少训练时间,结合中心词的特点对错误驱动算法进行了改进。实验结果表明,该方法在一定程度上提高了中心词的标注精度,达到88%。

英语学习口语错误研究

从指导英语教师进行有效的口语教学和学生进行更好的口语学习的角度出发,对外语学习者的口语转换错误进行识别和归类。调查对象是一年级非英语专业大学生。调查所用的资料库为基于调查对象对彩色照片的描述进行的录音分析。研究结果表明,母语的影响,以及逐字逐句的翻译导致转换错误。

错误驱动教学法在计算机实践课程中的探讨研究

通过分析计算机实践课程的特点,针对当前计算机实践课程教学过程中存在的一些问题,提出"错误驱动教学法"的应用。实践表明,此方法可以很大程度上调动学生的学习积极性,提高学生独立思考的能力以及分析问题和解决问题的能力。

基于数据驱动的风电机组状态监测与故障诊断技术综述

随着大规模风电场的建设,风电机组的状态监测和故障诊断成为一个重要的研究课题。早期的风电机组状态监测和故障诊断依靠人工巡检,而随着风电机组装机容量的不断增长,人工巡检的成本和难度也随之增加。近年来,基于数据驱动方法的风电机组状态监测和故障诊断逐渐成为热点。文中从运行数据类型出发,对相关研究内容进行综述。首先,针对风电机组数据采集与监控(SCADA)系统,从监测对象角度出发,剖析基于SCADA数据的状态监测与故障诊断方法的研究现状;其次,针对风电机组组件振动数据,分析对比各类振动故障特征提取方法的优点和局限性;然后,针对新兴基于图像数据或数据-图像转换数据的状态监测与故障诊断方法,从单一图像诊断和数据-图像转换评估两方面对现有研究进行论述与总结;最后,对未来状态监测和故障诊断的研究方向进行了展望。