Statecharts语义问题的若干探讨

Statecharts是一种用以规约复杂反应式系统行为的可视化语言。由于该类系统的行为复杂性 ,定义其精确的语义是困难的。许多人在这方向上对其进行了研究 ,但是仍有些模棱两可的地方。在本文将对 Statecharts语言中什么是一步、迁移的多个条件和动作、不确定性这些语义问题进行探讨。

Statecharts的组合语义与求精

由于简洁、直观的表达能力,Statecharts被用于许多反应系统的行为建模.Statecharts可表示不同抽象层次的系统行为,因而可用来表示逐步求精建模中各步的结果.但对于求精过程中下层是否保持了上层的语义、所建模型是否满足某些性质的问题,却难以在其自身的框架下进行讨论.在这方面,形式化语言XYZ/E可与其互补.XYZ/E是一种可执行线性时序逻辑语言,既可表示系统的性质,又可表示系统的行为.递归地在基本迁移系统上解释Statecharts语义,用XYZ/E公式表示它的时序语义.这一语义是模块级可组合的.求精过程的语义保持,可直接从语义定义得到保证.Statecharts所描述的系统行为模型和性质在同一个逻辑中表示,因此,系统行为是否满足所需性质的问题可由逻辑蕴涵式表示.

基于LTS的Statecharts操作语义研究

Statecharts是一种用于复杂反应式系统行为的可视化规格语言。该文提出了一种基于标签变迁系统(LTS)的Statecharts操作语义描述方法,介绍了Statecharts及其项语法和一步语义,并基于进程代数描述Statecharts的并发行为,使用结构化的操作语义SOS规则描述Statecharts的组合语义,从而得到相应的LTS。

基于路径规划特点的语义目标导航方法

为了解决语义目标导航任务中存在的探索效率低、深度不精准等问题,本文构建了一个解决语义目标导航任务的框架,在语义地图构建模块中引入了深度图边缘处理以及地图纠错机制;在探索模块中引入了覆盖范围最大化算法;在路径规划模块中引入了替代点机制。本文在一个3D仿真环境下进行了实验。实验结果表明,本文提出的解决方案明显提升了语义目标导航任务的性能。此外,本文所提方法成功应用到了四足机器人上,从而验证了其在现实场景下的泛化性。

联合多意图识别与语义槽填充的双向交互模型

意图识别与语义槽填充是口语理解的两个主要任务,两者具有高度相关性,通常进行联合训练。随着口语理解任务的深入,研究发现用户在现实场景中的话语往往含有多个意图。但部分联合模型只能识别用户话语中的单个意图,未能充分建模多个意图和语义槽之间的关联性。考虑到话语中多个意图的信息可以引导语义槽填充,语义槽信息也可以帮助意图更好的识别,模型采用图注意力网络建立意图和语义槽之间的双向交互。具体的,将两个任务双向关联以便模型能够挖掘多个意图与语义槽之间的关系,同时引入两个任务的标签信息使模型能够学习到话语上下文和标签的关系,从而提高意图识别与语义槽填充的准确率,优化口语理解的整体性能。实验表明,模型在MixATIS和MixSNIPS两个多意图数据集上对比其他模型性能得到了显著提升。

语义通信的数学理论

自从1948年经典信息论诞生以来,在其指导下,现代通信技术已经逼近了理论性能极限,例如信息熵H(U)、信道容量C=max_(p(x))I(X;Y)以及率失真函数R(D)=min_(p(x|x):Ed(x,x)≤D)I(X;X)。长期以来,由于经典信息论只研究语法信息,限制了通信科学的进一步发展。近年来,研究语义信息处理与传输的通信技术获得了学术界的普遍关注,语义通信开辟了未来通信技术发展的新方向,但还缺乏一般性的数学指导理论。为了解决这一难题,构建了语义信息论的理论框架,对语义信息的度量体系与语义通信的理论极限进行了系统性阐述。首先,通过深入分析各类信源的数据特征,以及各种下游任务的需求,总结归纳出语义信息的普遍属性——同义性。由此指出语义信息是语法信息的上级概念,是许多等效或相似语法信息的抽象特征,表征隐藏在数据或消息背后的含义或内容。将语义信息与语法信息之间的关系命名为同义映射,这是一种“一对多”映射,即一个语义符号可以由许多不同的语法符号表示。基于同义映射f这一核心概念,引入语义熵H_(s)(U)作为语义信息的基本度量指标,表示为信源概率分布与同义映射的泛函。在此基础上,引入上/下语义互信息I^(s)(X;Y)(I_(s)(X;Y)),语义信道容量C_(s)=max_(f_(xy))max_(p_((x)))I^(s)(X;Y)以及语义率失真函数R_(s)(D)=min_({f_(x),f_(x)})min_(p(x|x):Ed_(s)(x,x)≤D)I_(s)(X;X),从而构建了完整的语义信息度量体系。这些语义信息度量是经典信息度量的自然延伸,都由同义映射约束,如果采用“一对一”映射,则可以退化为传统的信息度量。由此可见,语义信息度量体系包含语法信息度量,前者与后者具有兼容性。其次,证明了3个重要的语义编码定理,以揭示语义通信的性能优势。基于同义映射,引入新的数学工具——语义渐近均分(AEP),详细探讨了同义典型序列的数学性质,并应用随机编码和同义典型序列译码/编码,证明了语义无失真信源编码定理、语义信道编码定理和语义限失真信源编码定理。类似于经典信息论,这些基本编码定理也都是存在性定理,但它们指出了语义通信系统的性能极限,在语义信息论中起着关键作用。由同义映射和这些基本编码定理可以推断,语义通信系统的性能优于经典通信系统,即语义熵小于信息熵H_(s)(U)≤H(U),语义信道容量大于经典信道容量C_(s)≥C,以及语义率失真函数小于经典率失真函数R_(s)(D)≤R(D)。最后,讨论了连续条件下的语义信息度量。此时,同义映射转换为连续随机变量分布区间的划分方式。相应地,划分后的子区间被命名为同义区间,其平均长度定义为同义长度S。特别是对于限带高斯信道,得到了一个新的信道容量公式C_(s)=B log[S^(4)(1+P/N_(0)B)],其中,平均同义长度S表征了信息的辨识能力。这一容量公式是经典信道容量的重要扩展,当S=1时,该公式退化为著名的香农信道容量公式。综上所述,语义信息论依据同义映射这一语义信息的本质特征,构建了语义信息的度量体系,引入新的数学工具,证明了语义编码的基本定理,论证了语义通信系统的性能极限,揭示了未来语义通信的巨大性能潜力。

图像语义信息在视觉SLAM中的应用研究进展

视觉同步定位与建图(visual simultaneous localization and mapping,VSLAM)技术以相机为主要传感器采集图像数据,基于多视几何、状态估计等算法原理获取载体的位置和姿态,同时构建一张用于导航定位的地图。视觉SLAM是自动驾驶、AR(augmented reality)、VR(virtual reality)、MR(mix reality)、智能机器人、无人机飞控中的关键技术。近年来,随着各个产业对智能导航定位的需求日渐增多,原本以几何测量为主的视觉SLAM逐渐融入对环境的语义理解。语义信息是指能够被人类直观感受和理解的概念,而图像语义信息是指图像中物体的轮廓、类别、显著性等信息。相比于图像中的几何特征,语义信息更具时空一致性,且更贴近人类感知的结果。将图像语义信息引入视觉SLAM,既能促进系统各个模块的性能,还能够提升视觉SLAM的智能感知能力,形成集几何测量、定位定姿、环境理解等多种功能的视觉语义SLAM。本文根据图像语义信息的应用方式,对视觉语义SLAM经典方案和最新研究进展进行归纳梳理。在此基础上,本文总结了视觉语义SLAM的现存问题与挑战,指出该领域未来的研究方向,以推动其面向智能导航定位进一步发展。

基于可调场景语义标注范围的家庭室内语义地图构建

针对家庭室内环境语义地图建图速度较慢和在门口场景语义标注易出现错误等问题,提出一种基于可调场景语义标注范围的家庭室内语义地图构建方法。首先根据YOLOv5s识别的物体大小赋予相应的场景置信度,基于该场景置信度设置阈值使得语义标注范围限制在机器人当前所在区域,确保场景切换时语义标注范围不会立即改变。然后基于人工势场虚拟力“引力斥力”原理,实现语义标注范围的扩大或缩小。最后结合阈值和动态语义标注范围,避免在门口场景中出现语义标注错误。实验结果表明:与Places205-VGG16神经网络建立家庭室内语义地图相比,所提方法平均效率和平均精准率分别提升了11.0%和7.8%,在家庭室内环境中具有一定的优越性。

融合情感语义与句法结构的中文开放域事理图谱构建研究

为解决大规模开放域事理图谱构建过程中缺少标注数据以及事件类型未知导致的限定域事理图谱构建方法难以迁移的问题,利用规则匹配方法高效识别开放域文本中包含的多种事件逻辑关系,融合情感语义与句法结构信息分析提高事件抽取准确性,以更好完成事理图谱的构建任务。首先,总结并扩展因果、顺承、条件、转折等多种逻辑关系抽取模板,并基于规则模板、依存句法信息筛选逻辑关系事件句;其次,创新性地引入情感语义分析方法,在句法结构信息的基础上,通过捕获事件及事件间关系的情感语义精准识别事件类型,进而抽取事件论元;再次,计算语义相似度,进行事件融合,构建<前序事件,事件逻辑关系,后序事件>三元组,得到事件事理图谱,并进一步进行事件泛化以构建抽象事理图谱;最后,以事件发展较完整的“2022年猴痘事件”为数据源,通过实证分析证明开放域事理图谱构建方法可以实现不同类型事件的识别、事件间逻辑关系的揭露,其有效性、可行性得到验证。研究不仅弥补了现有事理图谱构建理论的不足,也为决策支持、事件发展预测等提供有力的数据支持。

基于词向量扩展的语义信息检索研究综述及应用展望

运用词向量技术,对检索关键词进行语义相似度计算和查询扩展,得到查询扩展词集,实现更好的检索效果,提高数字学术文献信息检索的查准率和查全率,并提出基于词向量扩展的数字学术文献语义信息检索框架。

基于双分支点流语义先验的路面病害分割模型

针对基于深度学习的真实路面病害图像识别算法主要面临的复杂道路背景与病害前景比例不同、病害尺度小等导致的类别严重不平衡、路面病害与道路的几何结构特征对比不明显导致其不易识别等问题,本文提出一种基于双分支语义先验网络,用于指导自注意力骨干特征网络挖掘背景与病害前景的复杂关系,运用高效自注意力机制和互协方差自注意力机制分别对二维空间和特征通道进行语义特征提取,并引入语义局部增强模块提高局部特征聚合能力。本文提出了一种新的稀疏主体点流模块,并与传统特征金字塔网络相结合,进一步缓解路面病害的类别不平衡问题;构建了一个真实场景的道路病害分割数据集,并在该数据集和公开数据集上与多个基线模型进行对比实验,实验结果验证了本模型的有效性。

基于BIM和语义网的轨道智能运维管理方法

建筑信息模型(BIM)技术对提高轨道运维管理效率具有重要的推进作用。然而,不同的检查和维护活动产生的数据异构性高、时空关系复杂,阻碍了BIM解释和整合数据的进程。为此,开发了一个基于工业基础类(IFC)和语义Web技术的轨道运维本体(TOMO),其具有3个功能:①基于轨道运维生命周期的应用需求,简化BIM模型信息;②引入映射规则,建立数据提取与转换模块,集成多源异构数据,结构化定义数据之间复杂的时空关系;③结合数据驱动技术,研究轨道精调智能优化的方法,提供弹性决策支持。最后,以某高速铁路静检数据为例,验证了该框架的有效性与实用性,对于促进领域数据互操作性、降低运维人员劳动强度和提高运维管理智能化程度具有实际的工程指导意义。

基于语义分割的车位检测算法研究

作为自动泊车系统中至关重要的一环,车位检测算法的精度直接决定自动泊车系统的好坏.目前,基于语义分割的车位检测算法主要有两个问题:一是分割网络参数量较大,难以满足移动端部署;二是后处理提取算法复杂,难以满足实时检测要求.针对这两个问题,设计一种通过检测车位线来获取停车位的车位检测算法.采用深度可分离卷积和非对称卷积相结合的方式设计车位线分割网络UFAC-Net,并提出一种更为简洁的车位线提取算法.实验结果表明:UFAC-Net模型(UFAC-Net2)分割的平均像素精度为83.07%,平均交并比为73.05%,模型参数量为3.1 MB,达到目前PSV datasets上最好的分割精度;车位检测算法可检测复杂情况下的平行、垂直、倾斜3种类型的车位,在自定义测试集中精准率为99.23%,召回率为99.12%,单张图像检测时间为32.2 ms,具有良好的检测性能.

基于语义分割的带式输送机煤料运输区域检测算法

针对煤炭运输过程中,经常无法保持煤炭在带式输送机上的运量均匀,使得带式输送机长时间全速运转而造成电能浪费和设备无效磨损的问题,提出一种基于语义分割的带式输送机煤料运输区域检测算法。该算法在DeeplabV3+的基础上,根据特征通道之间的相互依赖关系,引入注意力机制,使用不同扩张率的卷积核获得多种尺度的语义信息,来精确分割出煤炭在带式输送机的运输区域。实验结果表明,该算法平均交并比(Mean Intersection over Union,MIoU)相比于DeeplabV3+算法提高1.24百分点,能够有效精准地分割出煤料的运输区域,为煤量估计工作提供有效的保障。

融合视觉特征的光伏组件语义分割模型研究

针对光伏组件红外图像的分割问题,使用MobileNetv2作为DeepLabv3+的主干特征提取网络并使用位置通道注意力模块减少背景干扰,引入混合条带池化对ASPP模块进行优化,帮助模型进一步捕获全局和上下文信息。针对检测困难的屋顶光伏组件设计DeepLabv3-T网络,在上述改进的基础上融入纹理信息进行选择性背景抑制,实现光伏组件的精确分割。在PV_large和PV_roof数据集上进行实验证明该文方法优于现有技术,DeepLabv3-T相较于DeepLabv3+,mIoU值分别提高了2.74%和10.53%。此外,设计消融实验表明各个改进模块的有效性。

语义制约语法刍议

语法问题说到底是语义问题,语义对语法的制约不仅体现在词语、特殊句法结构中,还体现在语篇组织甚或语篇透露的“文化背景”上;不仅现代汉语语法受制于语义,古代汉语语法亦然。丰富的具体实例剖析展示了语义影响制约语法的丰富与复杂性,这也造成“似乎至今没有人深入探究过语义和语法的关系”的窘境。然而,认识“语义制约语法”很重要,这就要求研究者在考察、描写或解释某个语法现象时自觉地追究语义是如何制约语法的。

句末助词“的”的功能分类及语义演变

本文主张普通话的句末助词“的”应分为“过去焦点化”和“确认语气”两个功能。该词的功能分类标准不宜是句子焦点域的宽窄,而应是“的”自身的语法作用:可否隐去,可否用于疑问句,对所述事件及焦点成分的语法限制,对整句语篇功能的影响等。本文证明,窄焦点句“他是昨天到北京的”和宽焦点句“(这事儿)是警察把他抓起来的”中的“的”都是结构助词,而宽焦点句“主任明天会来单位的”中的“的”是语气助词。我们将“的”的语义演变路径构拟为“名词化标记→过去焦点化→确认语气”,并探讨了普通话句末“的”与“了_(2)”的异同点,还比较了方言里“的”类词和“有”类词的用法。

融入三维语义特征的常识推理问答方法

现有使用预训练语言模型和知识图谱的常识问答方法主要集中于构建知识图谱子图及跨模态信息结合的研究,忽略了知识图谱自身丰富的语义特征,且缺少对不同问答任务的知识图谱子图节点相关性的动态调整,导致预测准确率低。为解决以上问题,提出一种融入三维语义特征的常识推理问答方法。首先提出知识图谱节点的关系层级、实体层级、三元组层级三维语义特征量化指标;其次,通过注意力机制动态计算关系层级、实体层级、三元组层级三种维度的语义特征对不同实体节点间的重要性;最后,通过图神经网络进行多层聚合迭代嵌入三维语义特征,获得更多的外推知识表示,更新知识图谱子图节点表示,提升答案预测精度。与QA-GNN常识问答推理方法相比,所提方法在CommonsenseQA数据集上的验证集和测试集的准确率分别提高了1.70个百分点和0.74个百分点,在OpenBookQA数据集上使用AristoRoBERTa数据处理方法的准确率提高了1.13个百分点。实验结果表明,所提出的融入三维语义特征的常识推理问答方法能够有效提高常识问答任务准确率。

融合多维特征的街景图像语义分割方法

为进一步提升深度学习语义分割方法在复杂街景图像上的分割精度,本文基于PointRend网络提出了一种融合多维特征(Multi-Dimensional Features,MDF)的街景图像语义分割网络(MDFNet)。首先,通过构建目标区域增强模块优化特征提取子网络,在深度网络的每个卷积块自适应地细化中间特征图,从而强化对复杂街景图像多维特征信息的精细提取;接着,在特征融合时引入特征金字塔网格,使用不同的卷积核处理不同尺度的街景图像,从而更加全面地获取复杂街景图像各类目标的不同分辨率特征;最后,使用双解码头对图像细节进行更细致的恢复,得到逐像素分类的结果。实验结果表明,本文网络与DeepLabV3、SegFormer等其他优秀分割网络相比,在Cityscapes复杂街景数据集上分割精度更高,平均交并比达到了80.11%,相比于其他网络提升了3.51%以上,对复杂街景图像的理解力更强。

融合位置注意力机制与轻量化STDC网络的非结构化场景语义分割

近年来,非结构化道路分割已成为计算机视觉领域的重要研究方向之一.现有的大多数方法适合结构化道路的分割并无法满足非结构化道路分割的准确性与实时性需求.为了解决上述问题,本文对STDC网络进行改进,引入残差连接来更好地融合多尺度语义信息,还提出一种嵌入位置注意力模块的空洞空间卷积池化金字塔(PAASPP)来增强网络对道路等特定区域的位置感知能力.本文在RUGD与RELLIS-3D两个数据集上进行实验,所提出方法的MIoU在两个数据集的测试集上分别达到了50.78%和49.96%.