一种语音信源的语义压缩编码方法

语义压缩编码方法通过开辟信息表征新维度,能够显著提高压缩效率,因而受到广泛关注。旨在通过语义表征与编码实现语音信源的高效压缩:首先,面向语音信源内容、韵律、音调、音色四方面特性,提出多层语义表征框架,实现语音语义的综合表征;基于此框架,利用矢量量化方法与哈夫曼编码方法,构建语音语义知识库,进一步提高语音压缩效率。仿真结果表明,相较于经典低比特率语音压缩方法,所提方法能够显著提高信源压缩效率。

基于词组主题建模的文本语义压缩算法

为了实现文本代表性语义词汇的抽取,提出一种基于词组主题建模的文本语义压缩算法SCPTM（semantic compression based on phrase topic modeling）.该算法首先将代表性语义词汇抽取问题转化为最大化优化模型,并通过贪心搜索策略实现该模型的近似求解.然后,利用词组挖掘模型LDACOL实现词组主题建模,得到SCPTM算法的输入参数;同时,针对该模型中词组的主题分配不稳定的问题进行改进,使得取得的代表性语义词汇更加符合人们对语义的认知习惯.最后,将改进LDACOL模型与LDA模型、LDACOL模型以及TNG模型的主题挖掘性能进行实验比较,并利用SCPTM算法针对不同语料库进行语义压缩,根据聚类结果评价其有效性.实验结果表明,在多数情况下,改进LDACOL模型的主题抽取效果优于其他3种模型;通过SCPTM算法抽取代表性语义词汇能达到70%~100%的精度,相比PCA、MDS、ISOMAP等传统降维算法能获得更高的聚类效果.

基于主成分分析及匹配聚类分析的数据表语义压缩方法

提出一种基于主成分分析及匹配聚类分析的数据表语义压缩方法PCA—Clustering．主成分分析利用属性间相关性，提取主成分以实现纵向压缩；匹配聚类通过对匹配程度的量度决定元组的隶属，用较少的簇集代表元组代替所有元组以实现横向压缩，并充分利用较小的允许误差取得更好的压缩比．仿真实验结果表明，在数据属性间线性相关关系明显的情况下，PCA—Clustering在压缩比方面平均优于Fascicles和ItCompress10％～15％左右；与采用CaRT模型的SPARTAN相比，由于CaRT对于线性相关明显的数值型属性效果不够理想，PCA—Clustering仍然具有较好的压缩比．

人工智能物联网中面向智能任务的语义通信方法

随着物联网(IoT)和人工智能(AI)技术的融合发展,传统的数据集中式云计算处理方式难以有效去除数据中大量的冗余信息,给人工智能物联网(AIoT)中智能任务低时延、高精度的需求带来挑战。针对这一挑战,基于深度学习方法提出了AIoT中面向智能任务的语义通信方法。针对图像分类任务,在IoT设备上利用卷积神经网络(CNN)提取图像的特征图;从语义概念出发,将语义概念和特征图进行关联,提取语义关系;基于语义关系实现语义压缩,减小网络传输的压力,降低智能任务的处理时延。实验和仿真结果表明,对比传统通信方案,所提方法的复杂度仅约为传统方案的0.8%,同时具有更高的分类任务性能;对比特征图全部传输的方案,所提方法传输时延降低了80%,大大提升了有效分类准确率。

文本分类的字典生成

为了提高系统处理开放语料的能力和解决一个概念可由多个不同的单词表达的问题 ,该文引入义类的概念 ,设计出一个具有模拟推理功能 ,同时具有对向量维数进行语义压缩的字典生成算法 ,构造了一个图结构的字典。利用该字典 ,可以提高文本分类系统的性能 ,改善系统的模拟推理能力以及系统的效率。