“V来V去”格式及其语法化

本文从共时和历时两方面考察现代汉语中“V来V去”格式及其语法化历程。主要讨论五个问题:语法构成和语法意义;句法功能和篇章功能;信息地位:“V来V去”的相似形式;历时发展和语法化。其中前四者是“V来V去”格式的共时描写,最后则是考察“V来V去”的历史演变。文章的基本结论是:根据分布的不同,共时平面上的“V来V去”可分为A、B、C三类,其中A、B两类是谓词性句法成分,C类是篇章衔接成分。A、B两类在句法功能取向上有显著差异。通过历时考察,文章认为A、B两类“V来V去”没有语法化关系,C类是由B类语法化而来。这一语法化的直接后果是:汉语从已有的句法成分B类“V来V去”中分化出来了一个新的具有归总义的篇章衔接成分。

“V来”和“V到”的替换条件及认知动因

"V来"和"V到"的共性是[+位移],"V来"凸显[+立足点][+方向][+目标][+客体位移][+过程],认知方式是[+简括扫描][+散点透视];"V到"凸显[-立足点][-方向][+终结][-客体位移][+结果],认知方式是[+渐次扫描][+焦点透视]。"V来"受"来"趋向性的限制,总体上是表趋向的结构,因而属动趋式;"V到"受限少,语法化程度高,虚化到可以表[+时间][+程度],因而属动结式。二者的句法、语义条件交叉对立。基于路径图式的认知动因,是联结和贯穿句法、语义的内在制约因素。这种认知动因及各种语义特征分析,可以应用于动趋式、动结式的对比分析及动趋式其它成员的研究。

“V来V去”构式多义性的认知理据

"V来V去"构式的原型义指向带有实际空间位移的动作反复,原型义可以延伸为虚拟位移的反复义或非位移的反复义;此构式在一定语境下可以获得相互义解读,在一定语篇中还能虚化为带有预设义的语篇标记。"V来V去"的构式多义性与动词的多样性以及动词和构式的互动紧密相关,动词的间隔重叠和语法化后的趋向动词"来、去"构成的反复体和表量图式是构式原型义到延伸义的重要理据。

关于移动动作的“てくる”与汉语“V来”的互译性研究——以“完成动作后返回”为中心

众所周知,日语中"てくる"的使用方法极其复杂,在很多语境中可表达不同含义。的确,在很多时候可以与汉语的"V来"对译,如"必要な部品だけを買ってきて"。但也存在例外,如将"行ってきます、手を洗ってくる"译成汉语,则无法与"V来"对应。两者都是表示移动动作的"てくる",为什么译法却大有不同?本文就此问题进行研究分析。

“V来/去”格式的产生和发展

“V来/去”格式产生于战国时期,表示相连的两个活动;经过汉魏六朝时期缓慢的发展之后,在唐宋时期发生了巨大变化,由连动结构转变为动补结构,并成为近、现代汉语中使用频率很高的一个格式。

构式“V来V去”的来源、承继及类型学意义

构式“V来V去”的反复义和交互义有着各自不同的演化路径、动因和机制。“V来V去”的反复义是构式化的结果,是语法化而逐步显现的构式义。它的交互义是构式语法化的结果,是基于反复体“V来V去”的构式义基础上的语用承继义,是一种在语境中呈现出来的意义。汉语“V来V去”的构式化路径有着一定的类型学意义。

近代汉语中的"V来V去"格式考察

"V来V去"是现代汉语中常见的一种格式,较早出现于唐,在明清时得到了较大发展。本文讨论了近代 汉语中"V来V去"的语法特征、句法功能及语法化问题."V来V去"格式的最后成熟是在现代汉语中完成的。

“V来V去”格式及其三个平面的语法分析

“V来V去”结构是现代汉语中的一个固定结构。由于进入该结构中的动词性质的不同,使得该结构在句法、语义、语用三个方面呈现出一些独有的特点。本文从句法、语义、语用三个平面对“V来V去”结构进行了分析。

反复性“v来v去”格式语义分析

本文分析了反复性"V来V去"格式中V的范围及分类,确定其中的"来""去"在F1类格式中有模糊的方向义,F2类格式中方向义完全消失。并从构成此格式的三个语义成分:名词性成分、动作主体和后续句来分析得出此类格式有主观结果义和客观结论义。

“V来”与“V起来”辨微

现代汉语中,"看、想、说、听"可以构成"V来"与"V起来"两个结构体,学界对这两个结构体可以作为插入语的观点基本达成共识,一些工具书中对"V来"与"V起来"的解释相差无几,甚至存在互释的情况。本文将从历时和共时两个层面来探索"V来"与"V起来"结构的异同:一、历时平面中"V来"与"V起来"形成的先后及推衍关系;二、共时平面中两个结构式在具体语言使用中表达功用上的差异及原因理据。

“这么一V”与“这么V来”的语法化程度及教学思考

本文从汉语构式"这么一V"与"这么V来"中选取动词数量占有绝对优势的"这么一说/看"与"这么说/看来"作为主要研究对象。结合语法化条件及篇章标记语特征,从"已语法化"及"未完全语法化"角度比较分析了两种构式的语义、句法表现差异及语法化程度差异。发现"这么说/看来"的语法化程度高于"这么一说/看",并由此进一步推导出"这么V来"的语法化程度高于"这么一V",进而将研究结果与实际教学相结合,提出对相似构式的汉语作为第二语言教学可供思考的建议,尝试从语言本体角度对相似构式的教学有所启发。

框架语义学下“V来”的历时演变及用法特征

本文以认知语言学中的框架语义理论为基石,以"看来""说来""想来"等为例,考察"来"与前附成分结合而成的"V来"类结构的历时演变及用法特征。现代汉语中的"看来""说来""想来"已经完全演变为带有主观化的连词。"V来"结构的历时演变也在重新分析、高频使用等多重作用下逐渐趋于成熟。

动趋式“V来”运动位移事件表达的认知研究

现代汉语动趋式“V来”可用于表达复杂的运动位移事件,“来”是该运动位移事件得以完成的核心,用以表达运动位移主体的位移路径,凸显位移方向和矢量特征,动词“V”是运动位移的方式或使因,属于背景化信息。“V来”主要表达具体物理空间的位移事件,在隐喻和认知凸显的双重作用下,也可表达抽象虚拟空间的运动位移事件。

评析语义特征分析法在《“V来了”试析》中的运用

本文从五个角度分析了语义特征分析法在《"V来了"试析》中的成功运用,分别是:通过不同义系联寻找类义词之间的共同区别性语义特征;结合具体句法格式来概括"V"和"了"的区别性语义特征;通过动态的分布替换来概括类义词间的共同区别性语义特征;多角度概括动词的语义特征,以说明"V来了"的语法关系和结构层次;以关键实词为主,以虚词"了"为辅,结合有关语法理论和语义特征分析法进行研究。

基于历时构式语法视角分析“V来V去”的构式化

构式“V来V去”为现代汉语常用词,而且该结构的能产性很高,因此很多学者对该形式引起了关注。过往对该形式的研究,主要从共时平面和语义语用平面对该形式进行研究探讨,但是该类研究忽视了最初该形式在古代汉语中的形式与意义,仅仅只关注了现在所使用的形式与意义,忽视对该形式的构式化过程进行梳理。本文基于历时构式语法理论,并运用北京大学语料库(CCL),对“V来V去”该形式的了历时的构式化过程进行梳理探讨。文章聚焦于“来”和“去”的虚化过程,最后根据构式的特征和语料,判断该形式完成构式化。

基于改进COF-YOLO v8n的油茶果静态与动态检测计数方法

针对自然环境下油茶果存在严重遮挡、近景色、小目标等现象,使用YOLO网络存在检测精度低、漏检现象严重等问题,提出对YOLO v8n网络进行改进。首先使用MPDIOU作为YOLO v8n的损失函数,有效解决因为果实重叠导致的漏检问题;其次调整网络,向其中加入小目标检测层,使网络能够关注小目标油茶以及被树叶遮挡的油茶;最后使用SCConv作为特征提取网络,既能兼顾检测精度又能兼顾检测速度。改进COF-YOLO v8n网络精确率、召回率、平均精度均值分别达到97.7%、97%、99%,比未改进的YOLO v8n分别提高3.2、4.8、2.4个百分点,其中严重遮挡情况下油茶检测精确率、召回率、平均精度均值分别达到95.9%、95%、98.5%,分别比YOLO v8n提高4.0、9.1、4.6个百分点。因此改进后COF-YOLO v8n网络能够明显提高油茶在严重遮挡、近景色、小目标均存在情况下的识别精度,减小油茶的漏检。此外,模型能够实现动、静态输入条件下油茶果计数。动态计数借鉴DeepSORT算法的多目标跟踪思想,将改进后COF-YOLO v8n的识别输出作为DeepSORT的输入,实现油茶果实的追踪计数。所得改进模型具有很好的鲁棒性,且模型简单可以嵌入到边缘设备中,不仅可用于指导自动化采收,还可用于果园产量估计,为果园物流分配提供可靠借鉴。

基于CRV-YOLO的苹果中心花和边花识别方法

苹果树疏花是果园生产管理中的重要环节。准确高效地识别苹果中心花和边花,是研发智能疏花机器人的前提。针对苹果疏花作业中的实际需求,提出了一种基于CRV-YOLO的苹果中心花和边花识别方法。本文基于YOLO v5s模型进行了如下改进:将C-CoTCSP结构融入Backbone,更好地学习上下文信息并提高了模型特征提取能力,提高了模型对外形相似和位置关系不明显的中心花和边花的检测性能。在Backbone中添加改进RFB结构,扩大特征提取感受野并对分支贡献度进行加权,更好地利用了不同尺度特征。采用VariFocal Loss损失函数,提高了模型对遮挡等场景下难识别样本检测能力。在3个品种1837幅图像数据集上进行了实验,结果表明,CRV-YOLO的精确率、召回率和平均精度均值分别为95.6%、92.9%和96.9%,与原模型相比,分别提高3.7、4.3、3.9个百分点,模型受光照变化和苹果品种影响较小。与Faster R-CNN、SSD、YOLOX、YOLO v7模型相比,CRV-YOLO的精确率、平均精度均值、模型内存占用量和复杂度性能最优,召回率接近最优。研究成果可为苹果智能疏花提供技术支持。

基于改进YOLO v5的复杂环境下桑树枝干识别定位方法

为实现复杂自然环境下对桑树嫩叶处枝干的识别检测,改变当前桑叶采摘设备作业过程中依赖人工辅助定位的现状,解决识别目标姿态多样和环境复杂导致的低识别率问题,提出一种基于改进YOLO v5模型的桑树枝干识别模型(YOLO v5-mulberry),并结合深度相机构建定位系统。首先,在YOLO v5的骨干网络中加入CBAM(Convolutional block attention module)注意力机制,提高神经网络对桑树枝干的关注度;并增加小目标层使模型可检测4像素×4像素的目标,提高了模型检测小目标的性能;同时使用GIoU损失函数替换原始网络中的IoU损失函数,有效防止了预测框和真实框尺寸较小时无法正确反映预测框及真实框之间位置关系的情况;随后,完成深度图和彩色图的像素对齐,通过坐标系转换获取桑树枝干三维坐标。试验结果表明:YOLO v5-mulberry检测模型的平均精度均值为94.2%,较原模型提高16.9个百分点,置信度也提高12.1%;模型室外检测时应检测目标数53,实际检测目标数为48,检测率为90.57%;桑树嫩叶处枝干三维坐标识别定位系统的定位误差为(9.4985 mm,11.285 mm,19.11 mm),满足使用要求。该研究可实现桑树嫩叶处枝干的识别与定位,有助于推动桑叶智能化采摘机器人研究。

基于YOLO v8n-seg和改进Strongsort的多目标小鼠跟踪方法

多目标小鼠跟踪是小鼠行为分析的基本任务,是研究社交行为的重要方法。针对传统小鼠跟踪方法存在只能跟踪单只小鼠以及对多目标小鼠跟踪需要对小鼠进行标记从而影响小鼠行为等问题,提出了一种基于实例分割网络YOLO v8n-seg和改进Strongsort相结合的多目标小鼠无标记跟踪方法。使用RGB摄像头采集多目标小鼠的日常行为视频,标注小鼠身体部位分割数据集,对数据集进行增强后训练YOLO v8n-seg实例分割网络,经过测试,模型精确率为97.7%,召回率为98.2%,mAP50为99.2%,单幅图像检测时间为3.5 ms,实现了对小鼠身体部位准确且快速地分割,可以满足Strongsort多目标跟踪算法的检测要求。针对Strongsort算法在多目标小鼠跟踪中存在的跟踪错误问题,对Strongsort做了两点改进:对匹配流程进行改进,将未匹配上目标的轨迹和未匹配上轨迹的目标按欧氏距离进行再次匹配;对卡尔曼滤波进行改进,将卡尔曼滤波中表示小鼠位置和运动状态的小鼠身体轮廓外接矩形框替换为以小鼠身体轮廓质心为中心、对角线为小鼠体宽的正方形框。经测试,改进后Strongsort算法的ID跳变数为14,MOTA为97.698%,IDF1为85.435%,MOTP为75.858%,与原Strongsort相比,ID跳变数减少88%,MOTA提升3.266个百分点,IDF1提升27.778个百分点,与Deepsort、ByteTrack和Ocsort相比,在MOTA和IDF1上均有显著提升,且ID跳变数大幅降低,结果表明改进Strongsort算法可以提高多目标无标记小鼠跟踪的稳定性和准确性,为小鼠社交行为分析提供了一种新的技术途径。

基于改进YOLO v7轻量化模型的自然果园环境下苹果识别方法

针对自然果园环境下苹果果实识别中,传统的目标检测算法往往很难在检测模型的检测精度、速度和轻量化方面实现平衡,提出了一种基于改进YOLO v7的轻量化苹果检测模型。首先,引入部分卷积(Partial convolution, PConv)替换多分支堆叠模块中的部分常规卷积进行轻量化改进,以降低模型的参数量和计算量;其次,添加轻量化的高效通道注意力(Efficient channel attention, ECA)模块以提高网络的特征提取能力,改善复杂环境下遮挡目标的错检漏检问题;在模型训练过程中采用基于麻雀搜索算法(Sparrow search algorithm, SSA)的学习率优化策略来进一步提高模型的检测精度。试验结果显示:相比于YOLO v7原始模型,改进后模型的精确率、召回率和平均精度分别提高4.15、0.38、1.39个百分点,其参数量和计算量分别降低22.93%和27.41%,在GPU和CPU上检测单幅图像的平均用时分别减少0.003 s和0.014 s。结果表明,改进后的模型可以实时准确地识别复杂果园环境中的苹果,模型参数量和计算量较小,适合部署于苹果采摘机器人的嵌入式设备上,为实现苹果的无人化智能采摘奠定了基础。