中国北方农牧交错区土地利用类型转换驱动因子分析

依据TM影像解译的土地利用类型转换数据和社会经济数据,以地处中国北方农牧交错区的陕西省榆林市为例,分析了1990～2000年土地利用类型转换的主要驱动因子。自然因子为海拔与坡度,人类驱动因子为治沙种草与造林、农业结构调整、土地退化、开垦耕地、建设用地和退耕还林(草);同时运用定性与定量相结合的方法,揭示了土地利用类型转换随海拔和坡度的规律性变化,以及生态建设驱动因子在榆林市土地利用类型转换中起着决定性作用。

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。

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。

隔离开关自动转换装置设计

针对低压隔离开关试验中操作手柄力矩和行程时间的统一配合问题,对电感式接近开关进行了研究。隔离开关自动转换装置中的制动装置采用高可靠性的电感式接近开关,自动转换驱动是利用电容分相的原理控制电动机正向转动和反向转动,从而使被测隔离开关分合闸自动操作。依据国家标准GB/T 14048.3-2017研制了隔离开关自动转换装置,提高了产品试验时的稳定性和可靠性,保障了试验操作人员的人身安全和试验线路的设备安全,为生产企业进行产品研发论证提供了参考。

基于CSCW的状态驱动数据库的研究与实现

本文介绍了计算机支持的协同工作(ＣＳＣＷ)的基本概念及其特征,提出了ＣＳＣＷ环境中状态驱动转换的概念及其实现方法,并以广东省职称信息管理系统、工资决策支持系统等项目为基础,详细介绍了ＣＳＣＷ在管理信息领域的系统框架和功能模块。

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 % 。

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 30 0 0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 %

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。

模型驱动的产品应用服务建模方法

为了将应用服务需求转换成模型,最终指导和实现产品应用服务系统的快速构建,提出一种模型驱动的产品应用服务建模方法。在元对象机制的元模型层建立可拓物元形式化描述与面向对象元模型元素的映射关系,给出UML可拓扩展机制,形成适合描述产品应用服务的可拓UML复合语言;分析产业链业务协作过程中的产品资源与组成服务要素,建立面向产品应用服务的四层模型驱动架构,研究架构的四层驱动模型之间的转换关系;通过案例验证了所提方法的可行性和有效性。

一种GSM无线发射系统中的低功耗数模转换器

针对GSM标准无线发射系统中数模转换器(DAC)的要求,分析了影响其性能和功耗的限制因素,并在SMIC 0.13μm CMOS工艺1.2 V电源电压下设计了一款10位电流驱动型数模转换器(Current-steering DAC)。使用最佳拟合线的算法衡量电流源匹配的随机误差对DAC静态非线性的影响,使得DAC的电流源阵列的面积只有0.02 mm2,而DAC的整体面积也只有0.04 mm2。测试结果表明,DAC的积分非线性(INL)和差分非线性(DNL)分别为0.62 LSB和0.68 LSB,GSM标准信号带宽内的无杂散动态范围(SFDR)为72 dB,整体功耗低于1.4 mW。

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。

一种模型转换分类方法及其在QVT中的应用

针对模型驱动的软件开发过程中潜在的交互性和一致性问题,介绍了一种模型转换分类的方法MTCM。根据模型和模型所描述的系统以及使用的建模语言的不同对模型转换进行细粒度的分类,然后按照此分类方法对OMG组织提出的模型转换标准QVT(查询/视图/转换)进行研究,并通过一个经典的模型转换实例即从UML模型到RDBMS模型的转换进行验证。分析得出结论,MTCM方法有助于提高模型转换的准确性和高效性。

基于ARM9处理器S3C2440的TFT-LCM驱动平台的设计和实现

介绍了ARM9处理器S3C2440 LCD控制器的应用,TFT-LCM外围电路的设计及S3C2440 LCD控制器与TFT-LCM之间的硬件电路搭建和软件设计要点。

异步集成电路设计方法综述

异步电路相对同步电路而言具有无时钟偏斜、模块化程度高、功耗低、电磁兼容性强等优势,越来越受到人们的广泛关注.异步电路设计方法是异步电路研究中的一个重点,文中将异步电路设计方法的发展历程划分为3个阶段,并着重对第3个阶段的设计方法进行了综述.根据设计方法的描述方式和设计粒度,首先将第3阶段进一步划分为语法驱动转换的设计方法、同步-异步转换的设计方法和基于定制的细粒度高性能异步流水线设计方法3类;然后从设计方法的理论基础、电路模型、设计自动化程度、电路性能等多个角度进行介绍并比较.最后对异步电路设计方法未来的发展趋势进行了展望.

数字IC测试仪接口电路的设计

为了保证实验的准确性,针对数字电路实验中IC损坏要进行验证测试的问题,设计了简易数字IC逻辑功能测试仪,着重设计了测试仪接口电路中最关键部分的测试座、芯片的驱动转换电路。

数字IC逻辑功能测试仪的设计

介绍了以单片机为核心的20脚以内的简易数字IC逻辑功能测试仪的软硬件系统,主要设计了测试仪接口电路及芯片的驱动转换电路,并对20脚以内的数字IC测试向量与编码进行了优化设计,解决了数字实验最常用的IC逻辑功能测试的问题.

ZPE─1534A型电动伺服放大器

ZPE－1534A型电动伺服放大器是和ZAZM功率执行器配套使用的一种新型伺服放大器，它广泛适用于中小企业生产自动化过程控制，其特点是体积小，重量轻，结构简单，使用方便，价格低廉，易于推广使用。电动伺服放大器实质上是一种“驱动转换器”，输入信号为0~10mA电流信号，...

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)5000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-Basederror-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。